Estimativa da produtividade da batata por meio de ferramentas de agricultura digital

• Processo: 23/14041-2
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de novembro de 2023
• Vigência (Término): 31 de outubro de 2025
• Área do conhecimento: Ciências Exatas e da Terra - Geociências
• Pesquisador responsável: Rouverson Pereira da Silva
• Beneficiário: Samira Luns Hatum de Almeida
• 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
• Assunto(s): Sensoriamento remoto Agricultura digital Colheita Batata Produção agrícola Inteligência artificial
• Palavra(s)-Chave do Pesquisador: agricultura digital | Colheita inteligente | Inteligência Artificial | Sensoriamento Remoto | Sensoriamento remoto

Resumo

A modernização da agricultura tem fornecido estratégias que buscam tornar a atividade mais sustentável, e também capaz de suprir a demanda cada vez maior de alimento. Diante de um cenário de aumento populacional, garantir segurança alimentar é fundamental para o futuro das próximas gerações. Nesse sentido, é de suma importância utilizar a tecnologia para avançar em estudos de alimentos que são a base da alimentação humana, como a batata (Solanum tuberosum L.), quarto alimento mais consumido no mundo. Diante do exposto, o uso de dados espectrais oriundos de sensores proximais, acoplados a veículos aéreos não tripulados (VANT) e satélites pode contribuir com a geração de modelos mais robustos de estimativa de produtividade da batata. Dito isso, o obtivo com este trabalho é utilizar diferentes níveis de sensoriamento remoto, orbital, aéreo e proximal juntamente a algoritmos de inteligência artificial para a obtenção de modelos mais precisos e acurados de estimativa de batata inglesa. O experimento será desenvolvido em duas áreas comerciais cultivadas com batata inglesa (Solanum tuberosum) no Estado de São Paulo. Serão levantadas informações climáticas e edáficas dos campos experimentais para fins de caracterização. O grid amostral será regular e composto de 25 pontos. As avaliações serão feitas a partir do estádio fenológico de tuberização, com coletas quinzenais de parâmetros biofísicos da cultura, de parte aérea e tubérculo, até a data da colheita. As avaliações começarão cerca de 45 dias antes da colheita, totalizando quatro avaliações temporais. A aquisição de dados de sensoriamento remoto se dará em três níveis de coleta, proximal, aéreo e orbital. A nível proximal pretende-se utilizar o sensor ACS-430 Crop Circle. O sensor em questão é ativo, emite luz eletromagnética e capta a refletância nos comprimentos de onda centrais 670, 730 e 780 nm. A nível aéreo serão realizados voos com o VANT Phantom P4 Multiespectral com RTK da DJI. O sensor em questão capta a reflectância nas bandas do azul (450 nm ± 16 nm), verde (560 nm ± 16 nm), vermelho (650 nm ± 16 nm), borda do vermelho (730 nm ± 16 nm), e infravermelho próximo (840 nm ± 26 nm). A nível orbital serão utilizadas imagens do sensor da plataforma PlanetScope CubeSat. O sensor gera imagens da reflectância da superfície com resolução espacial de 3 metros, composta de 4 bandas espectrais, sendo elas nas faixas de comprimento de onda do azul (455-515 nm), verde (500-590 nm), vermelho (590-670 nm) e infravermelho próximo (NIR - 780-860 nm). De posse da reflectância de todas as plataformas, serão calculados os índices de vegetação. Os dados serão analisados por meio da análise de correlação de Pearson (p<0,01 ou p<0,05) para identificar se as variáveis espectrais possuem alguma relação, positiva ou negativa, com as variáveis de produtividade e qualidade. Posteriormente os índices de vegetação, serão utilizados para gerar modelos de RNA de predição. Para isso serão utilizados dois modelos de Redes Neurais Artificiais (RNA), do tipo função de ativação de base radial (RBF) e perceptron de multicamadas (MLP), ambos de aprendizado supervisionado. Para o treinamento e validação dos modelos, o banco de dados será divido em 70% dos dados para o treinamento e 30% dos dados para teste. A eficiência dos modelos gerados será analisada em termos de acurácia e precisão usando o erro médio absoluto (MAE), e o coeficiente de determinação (R²). Os conhecimentos gerados nessa pesquisa possibilitarão: Estimar e/ou predizer a produtividade da batata; Indicar o melhor momento para colheita da batata, de acordo com a qualidade; Realizar a colheita inteligente da cultura, indicando zonas em que a batata esteja com tuberização adequada para o mercado consumidor; Ao colher no momento ideal, haverá aumento da produtividade e da qualidade do material colhido. (AU)