Desenvolvimento de ferramentas de geotecnologias para análise da qualidade da lavoura e estimativa da taxa de germinação aplicadas à cultura da soja

• Ano de defesa: 2021
• Autor(a) principal: Bárbara Neto, Michaela
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: ANNSEED; Artificial neural network; Data integration; Integração de dados; Posição do Red-Edge; Red-Edge position; Rede neural artificial; RESAP
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-11022022-111540/

Atualmente no cenário mundial o Brasil tem se destacado como o 3o maior exportador de produtos agrícolas do mundo, sendo possivelmente o principal fornecedor das commodities agrícolas na próxima década, com destaque para o complexo soja bastante consumido pelo mercado Asiático. Por essa razão, o uso de novas tecnologias que possibilitem um manejo mais preciso e por consequência um aumento da produção potencial das áreas, tem se tornado um diferencial para os produtores de soja. Diante do exposto, o presente estudo teve como objetivo o desenvolvimento de ferramentas que auxiliem os produtores durante o ciclo da cultura no campo e no pós-colheita, correlacionando os resultados com as componentes de produção e com a taxa de germinação dos lotes. A primeira ferramenta desenvolvida foi fundamentada através da combinação de métodos já consagrados de mensuração da posição do Red-Edge com artifícios trigonométricos, a obtenção de dados espectrais das folhas ocorreu por meio do uso do sensor hiperespectral FieldSpec. Já a segunda ferramenta desenvolvida foi fundamentada essencialmente no aprendizado de máquina, utilizando etapa de visão computacional, espectroscopia e aprendizado em conjunto, a obtenção de dados físicos e espectrais das sementes ocorreu por meio do uso do sensor multiespectral SeedReporter. Os resultados mostraram que durante os estágios fenológicos R3 e R4 a ferramenta fundamentada na zona do Red-Edge exibiu uma correlação positiva muito forte com as taxas de germinação do futuro lote a ser colhido nas semanas seguintes. Já a ferramenta fundamentada em aprendizado de máquina foi capaz de predizer as taxas de germinação dos lotes colhidos em alguns minutos com uma assertividade entorno de 95% para a classe de sementes classificadas como plântulas normais. No geral, a utilização de ambas as ferramentas apresentou grande potencial e uma alternativa viável para os produtores de soja.