UFV - Teses
URI permanente para esta coleçãohttps://thoth.dti.ufv.br/handle/123456789/4
Navegar
Item 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 MagalhãesA 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.Item Seasonal variation, spatial distribution and decision–making system to control of the Leucoptera coffeella in coffee arabica fields(Universidade Federal de Viçosa, 2022-03-28) Walerius, Adriana Helena; Pallini, Angelo; Venzon, Madelaine; Picanço, Marcelo CoutinhoCoffee is the world's second-largest commodity and represented a global market of US$ 102.02 billion dollars in 2020. The Neotropical region is the main coffee producer globally, accounting for more than 56% of the world's production of Arabica coffee. In this region, the coffee leaf miner Leucoptera coffeella is one of key coffee pests. This pest can decrease productivity by around 50 to 87% at high densities. Several factors can influence the L. coffeella population dynamics in the field. Therefore, prior knowledge of the areas and seasons of higher incidence of L. coffeella is essential to field management. The objective of this study was to evaluate the seasonality of the L. coffeella population and the factors that regulate its dynamics in coffee crops located in the Atlantic Forest and the Cerrado biomes. We aim to determine the spatial distribution of Leucoptera coffeella in coffee crops in the Cerrado through geostatistical analyses and propose a decision-making control system based on management zones. L. coffeella densities were higher in the Cerrado area compared to the Atlantic Forest. In the Cerrado, air temperature and potential evapotranspiration were higher, while rainfall was lower. These data are correlated with the high densities of L. coffeella in the fields. The highest population densities were observed between July and October, when the coffee plants were in the fruiting and flowering phases. The minimum, optimum and maximum temperatures for the development of the pest were 16.59, 26.81, and 34.8°C, respectively. Therefore, the climatic elements in each biome influenced the spatio-temporal dynamics of L. coffeella. Geostatistical analysis showed an aggregated distribution of L. coffeella in the Cerrado field. Colonization generally started at the edges of the crop, except in the last year of evaluation. Pest outbreaks appeared at different pivots and different locations within the pivots. Due to isotropy, sampling must be done equidistantly, as the pest is evenly distributed in all directions. The programs that use sampling and level of control (30% of active mined leaves) in decision making were the most efficient and assertive in controlling L. coffeella. Management zones reduce insecticide use by 70% compared to conventional controlover the whole area. The information provided in this study is essential for designing and implementing efficient control strategies, thus reducing production costs and the harmful effects of pesticide use. Keywords: Coffea arabica. Coffe Leaf miner. Population Fluctuation. Climatic Elements. Geostatistics. Integrated Pest Management. Precision Agriculture.Item Terroir de café em lavouras no município de Araponga - MG(Universidade Federal de Viçosa, 2012-06-05) Silva, Samuel de Assis; Queiroz, Daniel Marçal deO café é um produto que tem seu valor estipulado em função da sua qualidade e esta é dependente das características do local onde esse é produzido. A diferenciação dos cafés através da noção de terroir permite determinar áreas potenciais para a produção de cafés especiais e caracterizar o tipo de café característico dessas áreas, explorando suas potencialidades. O estudo dos terroirs está relacionado à compreensão de um território comumente pequeno, em que diferentes fatores locais conferem qualidades distintas aos produtos. O objetivo desse trabalho foi caracterizar e delimitar terroirs de produção de café de lavouras no município de Araponga – MG, definir a influência de variáveis climáticas, de solo e da topografia sobre os terroirs e a qualidade, e utilizar um sistema de visão artificial para estimar a qualidade da bebida. Os dados foram coletados em quatro lavouras do município de Araponga – MG, as quais foram escolhidas considerando as diferenças significativas entre si, principalmente no que diz respeito a altitude das mesmas. Foram coletadas amostras de frutos cereja em cada um dos talhões de cada lavoura, as quais foram utilizadas para determinar a qualidade global do café e suas características sensoriais peculiares. Desses frutos mediram-se o teor de sólidos solúveis (o Brix) com auxílio de um refratômetro portátil, o comportamento espectral utilizando um espectroradiômetro com iluminação artificial e as características colorimétricas através de imagens digitais obtidas com câmeras fotográficas. A influência do clima sobre os terroirs e sobre a qualidade do café foi avaliada em função da umidade relativa do ar, temperatura, radiação solar e número médio de horas de luz. O solo dos terroirs foi caracterizado com base em seus atributos físicos texturais e quanto à sua formação e material de origem. A qualidade do café foi avaliada por meio da análise de suas características físicas e pela análise sensorial, segundo as regras de competições nacionais e internacionais da Associação Americana de Cafés Especiais (SCAA). A definição dos terroirs de produção de café foi feita à partir das notas globais dos cafés das fazendas e também de suas características peculiares. A fazenda do Boné se destacou em relação às demais com base na qualidade global média e também nos valores médios de doçura e sabor dos cafés. O município de Araponga – MG possui mais de um terroir de produção de café caracterizado por dois distintos extratos de altitude e que exercem influencia singular sobre a qualidade dos cafés colhidos, tornando-os diferenciáveis. A qualidade do café é dependente do terroir, e este, por sua vez, da altitude, da posição da lavoura e das características microclimáticas. A qualidade global do café apresenta correlação significativa com os valores de Banda R e reflectância dos frutos. Os valores de o Brix não apresentaram correlação significativa com a qualidade do café. É possível utilizar os valores de Banda R e de reflectância na banda do vermelho dos frutos cereja para a estimativa dos valores de qualidade global do café, sendo viável a adoção de um sistema simplificado para aquisição das imagens.