Sistema especialista para diagnóstico e predição de infestações e falhas em áreas de cultivo de cana-de-açúcar

• Processo: 19/15567-2
• Modalidade de apoio: Auxílio à Pesquisa - Pesquisa em eScience e Data Science - PIPE
• Vigência: 01 de agosto de 2020 - 31 de outubro de 2022
• Área do conhecimento: Ciências Exatas e da Terra - Geociências - Geografia Física
• Pesquisador responsável: Marcelo Elias Delaneze
• Beneficiário: Marcelo Elias Delaneze
• Empresa Sede: IDGeo Inteligência em Dados Geográficos Ltda
• CNAE: Cultivo de cana-de-açúcar ; Atividades de apoio à agricultura ; Atividades profissionais, científicas e técnicas não especificadas anteriormente
• Município: Piracicaba
• Pesquisadores principais: Luiz Henrique Pereira ; Ronan José Campos
• Pesquisadores associados: Cláudia Maria de Almeida ; Roberta Averna Valente B Tolini
• Vinculado ao auxílio: 17/22870-8 - Diagnóstico de problemas no canavial por meio de imagens de satélites, AP.PIPE
• Bolsa(s) vinculada(s): 21/00389-1 - Desenvolvimento de um sistema especialista para diagnóstico e predição de produtividade agrícola, BP.TT; 20/15541-0 - Avaliação de modelos espaciais para diagnóstico e prognóstico de problemas em canaviais, considerando diferentes condições agro-ambientais e cenários distintos, BP.TT; 20/15534-4 - Monitoramento em campo para diagnóstico de manchas de baixa produtividade na cana-de-açúcar - Foco em áreas de usinas parceiras, BP.TT; 20/09035-5 - Sistema especialista para diagnóstico e predição de infestações e falhas em áreas de cultivo de cana-de-açúcar, BP.eScience.PIPE
• Assunto(s): Geotecnologias Agricultura digital Administração agrícola Sensoriamento remoto Inteligência artificial Monitoramento ambiental Cana-de-açúcar
• Palavra(s)-Chave do Pesquisador: agricultura digital | geotecnologias | gestão agrícola | Inteligência Artificial | Monitoramento remoto | Sensoriamento remoto

Resumo

Existe uma preocupação crescente entre os produtores de cana-de-açúcar em aumentar a produtividade e reduzir as perdas devido a infestações de pragas, doenças, plantas daninhas e falhas derivadas de operação mecanizada, que interferem diretamente no desenvolvimento da cultura. Os métodos atuais para a identificação das áreas de baixa produtividade são baseados principalmente em imagens coletadas por Vants, mas esta abordagem apresenta limitações técnicas devido ao grande volume de dados coletados, necessidade de infraestrutura robusta, dificuldade e tempo de processamento, elevado tempo entre aquisição e entrega do resultado, alto custo de operação e falta de pessoal qualificado. Esta pesquisa propõe desenvolver procedimentos metodológicos baseados em aprendizado de máquinas, para estabelecer a associação entre a manifestação do problema (comportamento dinâmico das manchas de baixa produtividade, e elementos do contexto) com sua causa (diagnóstico), integrando as abordagens "multisensor orbital" e "autômatos celulares" para modelar e predizer a evolução, e/ou manifestação, dos problemas em talhões canavieiros ao longo da safra; considerando a influência dos principais condicionantes do meio físico, meteorológicos e de manejo que contribuem para sua ocorrência. Também visa desenvolver ferramenta de monitoramento sistemático dos problemas na lavoura, baseado na integração do processo de prognóstico com o diagnóstico, a fim de promover agilidade na identificação das causas, estimar os prejuízos, e direcionar as ações corretivas. Os resultados alcançados nessa plataforma irão compor uma interface administrativa para gerenciar as análises em uma interface Web em formato de relatórios e painéis de gestão interativos com a apresentação da informação em diferentes níveis de contexto. (AU)