Diagnóstico de problemas no canavial por meio de imagens de satélites

• Processo: 17/22870-8
• Modalidade de apoio: Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Data de Início da vigência: 01 de setembro de 2018
• Data de Término da vigência: 31 de maio de 2019
• Área do conhecimento: Ciências Exatas e da Terra - Geociências - Geografia Física
• Pesquisador responsável: Marcelo Elias Delaneze
• Beneficiário: Marcelo Elias Delaneze
• Empresa: IDGeo Inteligência em Dados Geográficos Ltda
• CNAE: Cultivo de cana-de-açúcar ; Atividades profissionais, científicas e técnicas não especificadas anteriormente
• Município: Piracicaba
• Auxílio(s) vinculado(s): 19/15567-2 - Sistema especialista para diagnóstico e predição de infestações e falhas em áreas de cultivo de cana-de-açúcar, AP.eScience.PIPE
• Bolsa(s) vinculada(s): 18/17809-0 - Diagnóstico de problemas no canavial por meio de imagens de satélites, BP.PIPE
• Assunto(s): Sensoriamento remoto Autômatos celulares Imagens de satélites Imageamento de satélite Cana-de-açúcar Lavoura Controle de pragas
• Palavra(s)-Chave do Pesquisador: Automato celulares | Diagnostico Agrícola | Modelagem Geoespacial | Monitoramento agrícola | Pesos e Evidências | Sensoriamento remoto

Resumo

O desenvolvimento de novos produtos e técnicas que reduzam os custos de produção é uma preocupação permanente dos produtores de cana-de-açúcar. Perdas da produção relacionadas com o controle tardio de doenças ou pragas podem promover decréscimos na ordem de 85% do potencial produtivo dos talhões. Portanto, o diagnóstico precoce do problema é fundamental para melhorar os procedimentos de controle de pragas na lavoura, principalmente quando as áreas a serem monitoradas são extensas. Assim, essa pesquisa propõe monitorar e diagnosticar as áreas de baixa produtividade agrícola causadas por infestações de plantas daninhas, pragas e doenças fitopatogênicas, utilizando imagens orbitais gratuitas e modelagem dinâmica espacial. O método proposto utiliza pesos de evidência para parametrizar o modelo e verificar qual a influência de cada uma das variáveis preditivas selecionadas e autômatos celulares para estudar a distribuição espacial e geométrica de novas áreas com baixa produção. Para verificar a independência espacial entre os mapas de entrada será utilizado a estatística da Incerteza da Informação Conjunta. A validação do modelo ocorrerá pelos métodos de decaimento exponencial e decaimento constante, que utilizam o conceito de fuzziness of location, mais eficiente que o método de comparação pixel a pixel. (AU)