Imagens uav e machine learning: uma fusão que impulsiona modelagem biofísica de matérias-primas sacarinas e bioenergéticas em cana-de-açúcar

• Processo: 22/13992-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de abril de 2023
• Data de Término da vigência: 31 de março de 2024
• Área de conhecimento: Ciências Agrárias - Agronomia - Fitotecnia
• Pesquisador responsável: Rouverson Pereira da Silva
• Beneficiário: Marcelo Rodrigues Barbosa Júnior
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Assunto(s): Cana-de-açúcar Agricultura digital
• Palavra(s)-Chave do Pesquisador: Brix | cana-de-açúcar | Imagens UAV | Produtividade qualitativa | pureza | Agricultura Digital

Resumo

Estimar matérias-primas sacarinas e bioenergéticas em cana-de-açúcar permite aos interessados, desde os centros de investigação até às indústrias, decidir o momento e o local precisos para colher um produto no campo; assim, pode racionalizar o fluxo de trabalho e, ao mesmo tempo, nivelar a relação custo-eficácia da produção em escala real. Por um lado, Brix e Pureza podem oferecer indicadores significativos e fiáveis de matéria-prima de alta qualidade para processamento industrial de alimentos e combustíveis. Por outro lado, celulose, hemicelulose e lignina são os principais constituintes da palhada, contribuindo diretamente na produção de bioetanol. No entanto, analisar estes materiais em laboratório é uma tarefa demorada e não escalável. Portanto, propomos uma abordagem baseada em imagens UAV multiespectrais, termais e dados de fluorescência, com algoritmos de aprendizagem de máquinas para desenvolver uma estrutura não invasiva e preditiva para mapear os indicadores de qualidade da cultura. Nosso estudo representa um progresso na avaliação e monitoramento de cana-de-açúcar em escala industrial. Nossos conhecimentos podem oferecer às partes interessadas possibilidades de desenvolver linhas de colheita prescritivas e de alto desempenho, eficazes em termos de recursos, para produtos e subprodutos.