Navegando por Autor "Valente, Domingos Sárvio Magalhães"

Agora exibindo 1 - 6 de 6

Definition of management zones in coffee production fields based on apparent soil electrical conductivity
(Escola Superior de Agricultura "Luiz de Queiroz", 2012-05) Valente, Domingos Sárvio Magalhães; Queiroz, Daniel Marçal de; Pinto, Francisco de Assis de Carvalho; Santos, Nerilson Terra; Santos, Fábio Lúcio
Fertilizer application at variable rates requires dense sampling to determine the resulting field spatial variability. Defining management zones is a technique that facilitates the variable-rate application of agricultural inputs. The apparent electrical conductivity of the soil is an important factor in explaining the variability of soil physical-chemical properties. Thus, the objective of this study was to define management zones for coffee (Coffea Arabica L.) production fields based on spatial variability of the apparent electrical conductivity of the soil. The resistiv- ity method was used to measure the apparent soil electrical conductivity. Soil samples were collected to measure the chemical and physical soil properties. The maps of spatial variability were generated using ordinary kriging method. The fuzzy k-means algorithm was used to delimit the management zones. To analyze the agreement between the management zones and the soil properties, the kappa coefficients were calculated. The best results were obtained for the management zones defined using the apparent electrical conductivity of the soil and the digital elevation model. In this case, the kappa coefficient was 0.45 for potassium, which is an element that is associated with quality coffee. The other variable that had a high kappa coefficient was remaining phosphorous; the coefficient obtained was 0.49. The remaining phosphorus is an important parameter for determining which fertilizers and soil types to study.
Desenvolvimento de um sistema de apoio à decisão para definir zonas de manejo em cafeicultura de precisão
(Universidade Federal de Viçosa, 2010-03-04) Valente, Domingos Sárvio Magalhães; Queiroz, Daniel Marçal de
A aplicação de fertilizantes e corretivos às taxas variáveis, baseada nas propriedades físicas e químicas do solo, exige uma amostragem densa para se determinar a variabilidade espacial no campo. Uma das técnicas para reduzir o número de amostras é definir zonas de manejo. Alguns pesquisadores têm demonstrado a importância desempenhada pelas variáveis elétricas do solo para explicar a variabilidade de suas propriedades. Dessa forma, o presente trabalho teve como objetivo desenvolver e avaliar um sistema de apoio à decisão, para definir zonas de manejo com base na variabilidade espacial da condutividade elétrica aparente do solo em regiões de produção de cafés de montanha. O sistema de apoio à decisão foi estruturado com formulários específicos para ajustes dos semivariogramas, interpolação dos mapas por krigagem e delimitação das zonas de manejo, utilizando-se o algoritmo fuzzy k-means . Para encontrar o número ótimo de classes, determinou-se o valor de dois índices: o Índice de Performance Fuzzy (FPI) e Entropia da Partição Modificada (MPE). A condutividade elétrica aparente do solo foi determinada a 0,20 m (CE20) e 0,40 m (CE40) de profundidade, utilizando-se o medidor portátil ERM-02. Foram criadas seis zonas de manejo definidas a partir do mapa de altitude (ZMA), do mapa de CE20 (ZM20), do mapa de CE40 (ZM40), dos mapas de CE20 e altitude (ZM20A), dos mapas de CE40 e altitude (ZM40A) e dos mapas de altitude, CE20 e CE40 (ZM2040A). Para cada caso, a área foi classificada em duas, três, quatro e cinco classes. Para análise da concordância entre as zonas de manejo e as propriedades do solo, calculou-se o coeficiente Kappa. Os valores médios obtidos para CE20 e CE40 foram de 1,80 mS m -1 e 1,22 mS m -1 , respectivamente. A CE20 e CE40 apresentaram baixa correlação com as propriedades do solo. A correlação mais elevada foi obtida para o fósforo remanescente com valores de 0,427 e 0,465 para a CE20 e CE40, respectivamente. Os mapas de CE20 e CE40 apresentam forte semelhança entre si, com um coeficiente de correlação de 0,969. O mapa de potássio foi o que melhor se correlacionou com o mapa de CE20. Pelos valores obtidos de FPI e MPE, foi observado que a ZMA exige uma análise adicional para se determinar o número ótimo de classes. Para a ZM20 e ZM40, o número ótimo de classes foi de duas. Para a ZM20A, ZM40A e ZM2040A, o número ótimo de classes foi de três. O coeficiente Kappa para ZMA foi significativamente superior na classificação do zinco, saturação por bases, pH, matéria orgânica, acidez potencial e areia fina, em relação às demais zonas de manejo. Para as demais propriedades do solo, os valores mais elevados de coeficiente Kappa foram obtidos utilizando-se a ZM20A e ZM40A. Pela análise dos coeficientes Kappa, concluiu-se que ZM20A, ZM40A e ZM2040A apresentaram melhores resultados na classificação das propriedades do solo. Entretanto, a ZM2040A não apresentou melhores resultados que a ZM20A e ZM40A.
Estimativa de produtividade de café por meio de métodos de machine learning
(Universidade Federal de Viçosa, 2019-07-31) Nascimento, Amélia Laisy do; Queiroz, Daniel Marçal de; Valente, Domingos Sárvio Magalhães
A produtividade agrícola representa o resultado de ações tomadas antes da colheita e indica se as práticas agrícolas adotadas causaram aumento ou redução no rendimento e podem ajudar na tomada de decisões futuras. Dessa maneira, a previsão de produtividade é uma ferramenta útil para os agricultores. Existem modelos que estimam a produtividade, porém, a quantidade de variáveis necessárias e a dificuldade em mensurá-las são um problema. Vários pesquisadores têm usado imagens orbitais para realizar estimativas de biomassa e produtividade de culturas. Além disso, alguns pesquisadores vêm combinando métodos de aprendizado de máquina (machine learning), mineração de dados (data mining) ou inteligência artificial (artificial intelligence) na tentativa de prever a produtividade de culturas agrícolas. Para estimar a produtividade agrícola, é interessante que o banco de dados possua imagens de todo o ciclo produtivo da cultura. Porém, o período de revisita dos satélites e a presença de nuvens sobre a área de estudo podem tornar o banco de dados incompleto. Uma possibilidade é adquirir imagens capturadas por sensores a bordo de distintos satélites. No entanto, cada sensor captura faixas de comprimento de onda diferentes e alguns sensores não capturam todos os comprimentos de onda necessários aos estudos. Uma forma de resolver esse problema é realizar uma predição das imagens faltantes de um satélite utilizando como base imagens oriundas de outro satélite. Dessa forma, consegue-se preencher lacunas na série de dados e garantir um banco de dados com uma série temporal mais representativa. Por fim, é possível utilizar a série temporal de informações derivadas das imagens orbitais para estimar a produtividade de culturas agrícolas. Portanto, o objetivo desta tese foi estimar a produtividade do café por meio de informações espectrais e machine learning. Para isso, o banco de dados foi composto por imagens Sentinel-2 originais, além de imagens Sentinel-2 preditas com base em imagens oriundas do Cbers-4, Landsat-8 e Resourcesat-2. A predição de imagens Sentinel-2 ocorreu por meio de sete métodos de machine learning. Os dados foram separados em conjunto de treinamento, teste e avaliação dos modelos. O desempenho dos modelos foi mensurado pela raiz do erro quadrático médio (rootIV mean square error - RMSE) entre o valor real e o valor predito pelo modelo para o conjunto que ficou de fora do treinamento. O teste t a 5% de significância foi usado para verificar a existência de igualdade ou diferença estatística entre os erros apresentados pelos modelos de predição da reflectância. Os métodos de machine learning mostraram-se eficazes para estimar os valores de reflectância de imagens Sentinel-2 com base em imagens oriundas do Cbers-4, do Landsat-8 e do Resourcesat-2. Os modelos que apresentaram menores RMSE’s na predição da reflectância de imagens orbitais de uma data distinta a data cujos dados foram usados para treinar os modelos foram usados para estimar as imagens Sentinel-2 ausentes do banco de dados usado para estimar a produtividade do café. A partir das imagens orbitais, seis índices de vegetação e reflectância em seis bandas espectrais foram obtidos. A estimativa da produtividade ocorreu por meio de seis métodos de machine learning. Os modelos de estimativa foram implantados em linguagem R no programa computacional R Versão 3.5.1 (R Team, 2018). A raiz do erro quadrático médio (root mean square error - RMSE) e o erro médio absoluto (mean absolute error - MAE) foram usados para avaliar a acurácia dos modelos de estimativa da produtividade. O RMSE e o MAE serviram de entrada para o teste de Scott-Knott que agrupou os modelos semelhantes. Os métodos de machine learning apresentaram erros RMSE e MAE da estimativa da produtividade semelhantes uns aos outros pelo teste de Scott-Knott, com exceção da regressão linear utilizando 14 variáveis preditoras. Foi possível estimar a produtividade por meio de cinco variáveis com erros semelhantes aos erros apresentados pelos modelos com 10 e com 14 variáveis referentes a informações espectrais, topográficas e agronômicas. O erro RMSE mínimo apresentado pelos modelos correspondeu a uma diferença de 11% entre o valor estimado e o valor real da produtividade do café do talhão Pasto Novo 1 no ano de 2017. O erro MAE mínimo correspondeu a uma diferença de 1,7% entre o valor estimado e o valor observado da produtividade do talhão Açude 3 no ano de 2018. A estimativa da produtividade pode ser realizada com até três meses de antecedência.
Estudos de casos de classificação de áreas cultivadas com café por meio de descritores de textura
(Editora UFLA, 2016-10) Silveira, Lucas Silva da; Valente, Domingos Sárvio Magalhães; Pinto, Francisco de Assis Carvalho; Santos, Fábio Lúcio
O objetivo neste trabalho foi desenvolver um sistema para identificar áreas cultivadas com café utilizando Redes Neurais Artificiais (RNAs) tendo como variáveis de entrada os descritores de textura de Haralick. Utilizou-se o algoritmo de treinamento do tipo retro-propagação do erro (backpropagation) e o método de Levenberg-Marquardt. Foram realizados dois estudos de casos: no primeiro, as RNAs foram desenvolvidas para discriminar entre as classes café, mata, água, solo exposto, pastagem e área urbana; no segundo, as RNAs foram desenvolvidas para classificar as plantações de café de acordo com a idade e com a data de recepa. Para a avaliação do desempenho de classificação das RNAs empregou-se um mapa de referência de uso e ocupação do solo elaborado por meio do Sistema de Informações Geográficas. A concordância entre os mapas temáticos, classificados pela RNA, e o mapa de referência foi avaliada pelo coeficiente Kappa. Verificou-se que o coeficiente Kappa para discriminar a região cafeeira das outras classes temáticas foi de 0,652 no primeiro estudo de caso, desempenho considerado muito bom. Para classificar os plantios de café em função da idade e data de recepa o índice Kappa foi variável (0,675 a 0,4783), sendo considerado muito bom para a fazenda Itatiaia e razoável para a fazenda Pedra Redonda.
Modeling of coffee ripeness and beverage quality using proximal and remote sensing
(Universidade Federal de Viçosa, 2022-06-09) Martins, Rodrigo Nogueira; Pinto, Francisco de Assis de Carvalho; Valente, Domingos Sárvio Magalhães; Queiroz, Daniel Marçal de
Coffee is one of the most valuable agricultural commodities, whose price setting and export potential are defined according to its beverage quality. In turn, the beverage quality results from the interaction of different factors from the fruit ripeness degree at harvest to the post-harvest practices. Traditionally, the fruit ripeness is evaluated through manual samplings in the field, whereas the beverage quality is assessed trough sensory analysis by trained tasters. These methods are time-consuming, not representative of the entire production area, and in the case of beverage quality assessment, they are subjective due to the personal influence of the taster. On the other hand, the advent of aerial remote sensing through the Unmanned Aerial Vehicles (UAV), as well as spectroscopy associated with chemometrics and statistical modeling techniques, are presented as a fast and accurate approach for monitoring the spatio-temporal variability of the fruit ripeness and predicting beverage quality. In this sense, the general objective of this thesis, structured in the form of chapters, including the introduction and general conclusions, consisted of modeling the fruit ripeness and beverage quality of Arabica coffee using proximal and remote sensing. In the second chapter, a vegetation index (VI) for monitoring the coffee ripeness using aerial images was developed. For doing that, an experiment was set up in five Arabica coffee fields in Paula Cândido, Minas Gerais state, Brazil. During the coffee ripeness stage in the 2018-2019 season, four flights were carried out to acquire spectral information on the crop canopy using two UAVs, one equipped with a five- band multispectral camera (RGB, RedEdge, and NIR) and another with an RGB camera. For validation purposes, manual counts of the percentage of unripe fruits were performed using irregular sampling grids on each data collection. After image processing, the coffee ripeness index (CRI) and five other VIs (MCARI1, NDVI, NDRE, GNDVI, and GRRI) were obtained. The CRI was developed by combining reflectance from the red band and from a ground-based red target placed on the study area. In general, the CRI showed a higher sensitivity to discriminate between coffee plants ready for harvest from not-ready for harvest regarding the fruit ripeness. Furthermore, the highest R 2 and lowest RMSE values for estimating the coffee ripeness were also presented by the CRI (R 2 : 0.70; 12.42%), whereas the other VIs showed R 2 and RMSE values ranging from 0.22 to 0.67 and from 13.28 to 16.50%, respectively. In the third chapter, two models for the prediction of fruit ripeness using spectral and textural variables were developed and the best variables for the development of spatio-temporal variability maps of fruit ripeness were determined. For that, the fruit ripeness data obtained from six coffee fields (including those described in the second chapter) in the 2018-2019 and 2020-2021 seasons and aerial images of seven flights performed in both seasons were used for data modeling. Through the images, 12 spectral and 64 textural variables composed of bands and VIs were obtained. The performance of the Random Forest algorithm using spectral and textural variables (R²: 0.71 and RMSE: 11.47%) was higher than the model based solely on spectral variables (R²: 0.67 and RMSE: 12.09%). Finally, in both scenarios, the most important variables in the prediction models were the VIs CRI and MCARI1 and the red and NIR bands. Lastly, in the fourth chapter, a method was developed for predicting the coffee beverage quality based on NIR spectroscopy of coffee samples, as well as for classifying the beverage final quality using different variables obtained from the UAV images. Initially, an experiment was set up in the 2020-2021 season in seven coffee fields in the municipalities of Paula Cândido and Araponga. During the harvesting, 13 flights were performed using a UAV equipped with an RGB camera. Then, different spectral, climatic, and terrain variables were obtained from the orthomosaics. For validation purposes, the harvested coffee was processed and subjected to sensory analysis. Next, NIR spectra (1000- 2450 nm) were obtained from 180 samples of roasted and ground coffee. The prediction of the beverage quality attributes based on the NIR spectra was performed using Partial Least Squares (PLS) regression and the combination of PLS with the variable selection algorithm (OPS – Ordered Predictors Selection). Overall, the best predictions were obtained for the aftertaste, overall perception, body, and balance quality attributes using the PLS-OPS models, whose coefficient of correlation (r P ) and the root-mean-square-error of the prediction (RMSE P ) ranged from 0.78 to 0.82 and from 0.15 to 0.13, respectively. In the second analysis, the variables extracted from the UAV images were used as input for developing classification models for the beverage final quality. The results were not satisfactory. Thus, the use of UAV images for beverage quality assessment still needs to be further explored in future studies. Keywords: Digital agriculture. UAV. Coffee fruit ripeness. Sensory analysis. NIR spectroscopy.
Projeto conceitual do sistema de recolhimento de café para regiões montanhosas
(Embrapa Café, 2013) Loureiro, Danilo Roberto; Fernandes, Haroldo Carlos; Furtado Júnior, Marconi Ribeiro; Silva, Anderson Candido da; Valente, Domingos Sárvio Magalhães
O Brasil caracteriza-se no cenário mundial por ser, historicamente, um expressivo produtor de café. A introdução de processos mecanizados ao longo da cadeia produtiva propiciou um considerável incremento da produção e dos rendimentos obtidos na atividade. Um momento crucial na produção do café é a colheita. Atualmente existem diversos modelos comerciais de colhedoras que realizam tal operação com eficiência e alto rendimento, porém tais máquinas apresentam restrição quanto à declividade operacional, o que inviabiliza a colheita mecanizada em regiões montanhosas. Objetivou-se com este trabalho obter, amparado na metodologia de elaboração de projetos, um conceito de mecanismo de recolhimento de café para atuar em colhedoras voltadas para regiões montanhosas.