Diagnóstico de problemas no canavial por meio de imagens de satélites

• Processo: 18/17809-0
• Modalidade de apoio: Bolsas no Brasil - 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 de 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
• Vinculado ao auxílio: 17/22870-8 - Diagnóstico de problemas no canavial por meio de imagens de satélites, AP.PIPE
• Assunto(s): Sensoriamento remoto Imagens de satélites Cana-de-açúcar
• 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)