Imagens orbitais de alta resolução e redes neurais artificiais para estimativa do teor de sacarose em cana-de-açúcar

• Ano de defesa: 2024
• Autor(a) principal: Cardoso, Paulo Henrique [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Cana-de-açúcar; Sacarose; sensoriamento remoto; Agricultura
• Link de acesso: https://hdl.handle.net/11449/257212; http://lattes.cnpq.br/8470645851139625

A integração de redes neurais artificiais (RNA’s) junto ao sensoriamento remoto (SR) na avaliação qualitativa da cana-de-açúcar pode oferecer indicadores confiáveis sobre a qualidade da matéria-prima. Métodos convencionais para análise da sacarose demandam intensa mão de obra e altos custos laboratoriais, especialmente em larga escala. Este estudo propõe estimar parâmetros biométricos da cana-de-açúcar, Brix (º) e Pureza (%), de forma não destrutiva por meio de redes neurais artificiais aplicadas a dados de SR. Para isso, foram adquiridos dados biométricos in situ e dados multiespectrais de sensores orbitais. As coletas foram feitas em duas áreas comerciais de cana-de-açúcar: a primeira com 240 pontos amostrais para treinamento e teste, e a segunda com 90 pontos amostrais para a transferência e a generalização dos modelos. As imagens multiespectrais da plataforma PlanetScope CubeSat, com oito bandas espectrais, foram usadas para calcular 16 índices de vegetação (IV’s). Dois modelos de RNA’s foram empregados para estimar Brix (º) e Pureza (%), Radial Basis Function (RBF) e Multilayer Perceptron (MLP), utilizando como estradas, além das bandas e dos IV’s, os graus-dias acumulados (aGDD). Após a seleção de variáveis de entrada, cinco bandas e cinco IV’s mostraram-se promissores na estimativa do teor de sacarose por meio do Brix (º) e da Pureza (%). As redes RBF e MLP demonstraram acurácia de 90% e 91% para Brix (º) e 89% e 93% para Pureza (%), respectivamente. Este estudo contribui para o desenvolvimento de métodos de colheita inteligente, promovendo a otimização da qualidade da matéria-prima, proporcionando aos produtores rurais e à indústria subsídios técnicos para a tomada de decisões informadas para definição do período ideal de colheita da cana-de-açúcar.