Estrutura de trabalho para sensoriamento remoto de alta resolução na tomaticultura utilizando minicomputador e computação em nuvem

• Processo: 22/16084-8
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de abril de 2023
• Situação: Interrompido
• Área de conhecimento: Ciências Exatas e da Terra - Geociências
• Pesquisador responsável: Rouverson Pereira da Silva
• Beneficiário: Vinicius dos Santos Carreira
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Vinculado ao auxílio: 21/06029-7 - Sensoriamento remoto de alta resolução para agricultura digital, AP.TEM
• Bolsa(s) vinculada(s): 24/23051-4 - Impacto dos ângulos de visada em imagens de alta resolução do dossel de tomate na estimativa de produtividade e clorofila, BE.EP.DR
• Assunto(s): Agricultura digital Monitoramento agrícola Solanum lycopersicum Sensoriamento remoto
• Palavra(s)-Chave do Pesquisador: agricultura digital | Monitoramento agrícola | Solanum lycopersicum | suporte a decisão | Sensoriamento remoto

Resumo

A revolução digital impulsiona os sistemas agrícolas e auxilia diretamente nas tomadas de decisão. Entretanto, a baixa aplicabilidade desses, aliada a lacuna de tecnologia direcionada a horticultura, em especial ao tomate, marginaliza o produtor perante a digitalização agrícola. Técnicas de sensoriamento remoto associadas a sistemas de transmissão e processamento de dados computacionalmente eficientes podem superar esse desafio. Portanto, nessa proposta objetiva-se desenvolver uma estrutura de trabalho aberta para monitorar o desenvolvimento do tomate tutorado e avaliar características agronômicas chaves e.g., crescimento, maturação e produtividade utilizando sensoriamento remoto. Para aumentar a aplicabilidade dos métodos, as imagens espectrais capturadas pelo VARP (Veículo Aéreo Remotamente Pilotado) serão transmitidas por meio de minicomputador e processadas utilizando computação em nuvem. Portanto, o projeto será realizado em duas etapas: (i) desenvolvimento e validação do dispositivo para transmissão de dados e (ii) desenvolvimento e validação de métodos para monitoramento remoto da cultura com dados agronômicos, climáticos e espectrais utilizando computação em nuvem. A estrutura de trabalho com os métodos desenvolvidos irá agilizar a coleta e processamento dos dados, e será possível definir estratégias específicas para a condição do cultivo do tomateiro, com menor imprevisibilidade da safra e tratamento diferenciado na área baseado na variabilidade espacial. Logo, espera-se que os resultados sejam disruptivos para os sistemas de sensoriamento remoto ao otimizar a aplicabilidade e para a cadeia de produção ao introduzir a tomaticultura no contexto da agricultura digital.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

SOUZA, JARLYSON BRUNNO COSTA; DE ALMEIDA, SAMIRA LUNS HATUM; DE OLIVEIRA, MAILSON FREIRE; CARREIRA, VINICIUS DOS SANTOS; DE FILHO, ARMANDO LOPES BRITO; DOS SANTOS, ADAO FELIPE; DA SILVA, ROUVERSON PEREIRA. Generalization of peanut yield prediction models using artificial neural networks and vegetation indices. SMART AGRICULTURAL TECHNOLOGY, v. 11, p. 14-pg., 2025-03-11. (22/16084-8, 21/06029-7, 23/14041-2)

BARBOSA JUNIOR, MARCELO RODRIGUES; MOREIRA, BRUNO RAFAEL DE ALMEIDA; CARREIRA, VINICIUS DOS SANTOS; DE BRITO FILHO, ARMANDO LOPES; TRENTIN, CAROLINA; DE SOUZA, FAVIA LUIZE PEREIRA; TEDESCO, DANILO; SETIYONO, TRI; FLORES, JOAO PAULO; AMPATZIDIS, YIANNIS; et al. Precision agriculture in the United States: A comprehensive meta-review inspiring further research, innovation, and adoption. COMPUTERS AND ELECTRONICS IN AGRICULTURE, v. 221, p. 22-pg., 2024-05-09. (22/16084-8, 22/13992-0)

FILHO, ARMANDO LOPES DE BRITO; CARNEIRO, FRANCIELE MORLIN; CARREIRA, VINICIUS DOS SANTOS; TEDESCO, DANILO; SOUZA, JARLYSON BRUNNO COSTA; JUNIOR, MARCELO RODRIGUES BARBOSA; DA SILVA, ROUVERSON PEREIRA. Deep convolutional networks based on lightweight YOLOv8 to detect and estimate peanut losses from images in post-harvesting environments. COMPUTERS AND ELECTRONICS IN AGRICULTURE, v. 234, p. 12-pg., 2025-07-01. (22/16084-8)