Predição da produtividade da cana-de-açúcar utilizando dados de alta resolução e mineralogia do solo

• Ano de defesa: 2026
• Autor(a) principal: Rodrigues Junior, Luis Alberto Rocha [UNESP]
• Orientador(a): Canata, Tatiana Fernanda [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: LiDAR; Produtividade agrícola; Cana-de-açúcar; Agricultura
• Link de acesso: https://hdl.handle.net/11449/320403

A estimativa antecipada da produtividade é fundamental para o planejamento agrícola, o manejo localizado e a tomada de decisões em áreas comerciais, especialmente diante da elevada variabilidade espacial presente nos canaviais. No entanto, os métodos tradicionais de estimativa de produtividade são, em geral, destrutivos, onerosos e pouco eficientes na representação dessa variabilidade. Nesse contexto, a integração de dados de sensoriamento remoto de alta resolução, atributos do solo e técnicas de aprendizado de máquina surge como uma alternativa promissora para a predição da produtividade da cana-de-açúcar. Objetivou-se nesta pesquisa aplicar modelos de predição da produtividade da cana-de-açúcar em escala de talhão, a partir da integração de dados orbitais de alta resolução, informações estruturais derivadas do LiDAR (Light Detection and Ranging) e atributos mineralógicos da fração argila. O estudo foi conduzido em uma área comercial, no estado de São Paulo. Os dados de produtividade real foram obtidos por sensores embarcados em colhedora de cana-de-açúcar, georreferenciados por GNSS com correção RTK. Foram utilizadas imagens multiespectrais da constelação PlanetScope, adquiridas em diferentes estádios fenológicos da cultura, das quais foram extraídas as bandas espectrais, os índices de vegetação e os atributos de textura baseados na Matriz de Co-ocorrência em Níveis de Cinza (GLCM). A altura das plantas foi obtida a partir de levantamentos LiDAR aerotransportados, enquanto a mineralogia do solo foi caracterizada por meio de medições de suscetibilidade magnética, convertidas em um índice representativo da fração argila. Foram avaliados os modelos Random Forest, XGBoost, KNN e Regressão Linear Múltipla. Os resultados indicaram que o modelo XGBoost apresentou o melhor desempenho comparado aos outros modelos testados, com os atributos de textura derivados da GLCM se destacando como as variáveis mais importantes para a predição da produtividade, superando os dados de altura de plantas e mineralogia do solo.