Monitoramento nutricional de palma de óleo (Elaeis Guineensis) utilizando métodos de aprendizagem de máquina e dados espectrais

• Ano de defesa: 2022
• Autor(a) principal: Teixeira, Rayanne Oliveira
• Orientador(a): Neves, Júlio César Lima
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Programa de Pós-Graduação: Solos e Nutrição de Plantas
• Área do conhecimento CNPq: Fertilidade do Solo e Adubação
• Link de acesso: https://locus.ufv.br//handle/123456789/32265; https://doi.org/10.47328/ufvbbt.2024.108

A palma de óleo (Elaeis guineenses), é uma oleaginosa que fornece dois principais produtos, o óleo de palma e o óleo de palmiste, extraídos da polpa do fruto e semente, respectivamente. Os países Indonésia e Malásia, são os principais produtores mundiais, e o Brasil ocupa o 10º lugar do ranking, com grande maciço concentrados no Estado do Pará. Monitorar a condição nutricional destas lavouras permite ter mais informações sobre as taxas de extração e remobilização de nutrientes e consequentemente melhor compreensão sobre a nutrição e sua relação com as produtividades de cachos de frutos. O fato de muitos materiais genéticos terem produções mensais, exige uma forma de monitoramento nutricional que seja mais rápido, assertivo e com informações capazes de subsidiar as estratégias de manejo de fertilização da palma de óleo. Neste contexto, foi proposto utilizar ferramentas de programação e imagens do satélite Sentinel 2A, para compreender o comportamento espectral da cultura através dos índices de vegetação e relacionar estas variáveis com os resultados de tecido foliar. Com base neste banco de dados, foi possível calcular diversos índices de vegetação, treinar e validar diferentes algoritmos capazes de predizer a condição nutricional de macronutrientes, micronutrientes e produtividade dos plantios de forma eficaz. Além do tradicional NDVI, foi possível selecionar índices que apresentaram melhor performance para avaliação nutricional da palma, destacando-se o GRNDVI, MSAVI, ARI, VARI e NDWI. Quando se trata de produtividade, os índices Red_edge_NDVI, RGVI, GRNDI e LAI foram os que melhor se ajustaram na base de dados deste estudo. Os algoritmos, Cubist, Ranger e Random Forest mostram-se eficientes para predizer a produtividade. Os resultados obtidos neste trabalho evidenciam o grande potencial desta ferramenta para monitoramento dos plantios. Quanto maior o detalhamento e estratificação das informações por material genético e idade, a tendencia é obter melhores ajustes dos modelos e seleção dos índices cada vez mais apropriados para monitorar a condição nutricional e produtividade dos plantios de palma de óleo. Palavras-chave: Machine learning; Diagnose foliar; Amazonia; Índices de vegetação.