Sensoriamento remoto e inteligência artificial no monitoramento de capim-tanzânia

Página do item simplificado
dc.contributor.advisor-co1Silva, Samuel de Assis
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0002-0718-7328
dc.contributor.advisor-co1Latteshttps://lattes.cnpq.br/5587612692274561
dc.contributor.advisor1Zago, Hugo Bolsoni
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-1975-3590
dc.contributor.advisor1Latteshttps://lattes.cnpq.br/6021586329353959
dc.contributor.authorBonadiman, Paula Alberti
dc.contributor.authorIDhttps://orcid.org/0000-0002-2628-6559
dc.contributor.authorLatteshttps://lattes.cnpq.br/7585718154290110
dc.contributor.referee1Oliveira, Cleber Macedo de
dc.contributor.referee1IDhttps://orcid.org/0000-0003-0075-3160
dc.contributor.referee1Latteshttps://lattes.cnpq.br/5062021577770689
dc.contributor.referee2Oliveira, Ednaldo Miranda de
dc.contributor.referee2IDhttps://orcid.org/0000-0002-1182-7623
dc.contributor.referee2Latteshttps://lattes.cnpq.br/5438678030553977
dc.contributor.referee3Moraes, Simone de Paiva Caetano Bucker
dc.contributor.referee3IDhttps://orcid.org/0000-0002-8214-5873
dc.contributor.referee3Latteshttps://lattes.cnpq.br/5042766148748174
dc.contributor.referee4Machado, Lorena Contarini
dc.contributor.referee4IDhttps://orcid.org/0000-0002-8126-167X
dc.contributor.referee4Latteshttps://lattes.cnpq.br/1564232258744195
dc.date.accessioned2026-03-04T13:16:19Z
dc.date.available2026-03-04T13:16:19Z
dc.date.issued2025-09-24
dc.description.abstractRemote sensing (RS), a tool of digital agriculture, allows obtaining data from a specific object without direct contact and in a non-destructive way, generating information that assists in management. Thus, the objective was to evaluate RS as a tool to monitor the development, nitrogen (N) use efficiency, and productivity prediction of Megathyrsus maximus (syn. Panicum maximum) cv. Tanzania. To this end, the study was conducted in the experimental area of UFES, Alegre, ES, in two areas: one managed with fertilization (50 kg.ha-1 of N) in each crop cycle, while the other was without fertilization. Eight surveys were conducted at georeferenced points, obtaining agronomic and spectral variables. The spectral behavior of the plants was analyzed using aerial and proximal remote sensors. The Normalized Difference Vegetation Index (NDVI) and the Normalized Difference Red Edge Index (NDRE), spectral bands, and the nitrogen sufficiency index (NSI) were analyzed in association with productivity and climatic conditions, and were also used in multiple linear regression and Random Forest models to predict forage productivity. The results showed that the area managed with nitrogen fertilizer presented higher average productivity, apparent leaf chlorophyll indices, and vegetation índices compared to the area without nutritional management, and the strongest correlations were obtained between productivity and vegetation indices. The highest productivity values were observed in locations where reflectance was higher in the near-infrared and lower in the visible bands. The ISN demonstrated potential as a fertilizer recommendation tool, with thresholds <0.95 for ISN-NDVI and ISN-NDVI Proximal, and <0.90 for ISN NDRE, especially in the months of September to March, a period in which agronomic efficiency and the partial productivity factor were also higher. In predicting productivity through Multiple Linear Regression and Random Forest, it was possible to generate models from input data obtained only through aerial remote sensing, highlighting NDRE, NDVI, and NIR as the most important variables in the prediction, in addition to predictive maps that represented the spatial pattern of actual productivity. Thus, this work contributed to the consolidation of remote sensing as a tool for management and decision-making, since, combined with data analysis and machine learning, it made it possible to monitor, identify spectral response patterns, and predict Tanzania grass productivity in a non-destructive and precise way, contributing to efficient and sustainable grazing systems
dc.description.resumoO sensoriamento remoto (SR), ferramenta da agricultura digital, permite obter dados de um determinado objeto, sem que se entre em contato direto e de forma não destrutiva, gerando informações que auxiliam no manejo. Assim, objetivou-se avaliar o SR como ferramenta para monitorar o desenvolvimento, a eficiência do uso de nitrogênio (N) e a predição da produtividade de Megathyrsus maximus (syn. Panicum maximum) cv. Tanzânia. Para isso, o estudo foi conduzido na área experimental da UFES, Alegre, ES, em duas áreas, uma manejada com adubações (50 Kg ha-1 de N) em cada ciclo da cultura, enquanto na outra, sem adubação. Foram realizadas oito avaliações, conduzidas em pontos georreferenciados, obtendo-se variáveis agronômicas e variáveis espectrais. O comportamento espectral das plantas foi analisado por sensor remoto aéreo e proximal. O Índice de Vegetação por Diferença Normalizada (NDVI) e o Índice da Borda do Vermelho de Diferença Normalizada (NDRE), as bandas espectrais e o índice de suficiência de nitrogênio (ISN) foram analisados em associação à produtividade e às condições climáticas, além de serem empregados em modelos de regressão linear múltipla e Random Forest para a predição da produtividade da forragem. Os resultados evidenciaram que a área manejada com fertilizante nitrogenado apresentou maiores médias de produtividade, índices foliares aparentes de clorofila e índices de vegetação em comparação com a área sem o manejo nutricional e as correlações mais fortes foram obtidas entre produtividade e os índices de vegetação. Os maiores valores de produtividade foram observados nos locais onde a reflectância foi maior no infravermelho próximo e menor nas bandas do visível. O ISN demonstrou potencial como ferramenta de recomendação de adubação, com limiares <0,95 para ISN-NDVI e ISN-NDVI Proximal, e <0,90 para ISN-NDRE, especialmente nos meses de setembro a março, período em que a eficiência agronômica e o fator parcial de produtividade também foram superiores. Na predição da produtividade por meio de Regressão Linear Múltipla e Random Forest foi possível gerar modelos a partir de dados de entrada somente obtidos por sensoriamento remoto aéreo, destacando o NDRE, NDVI e o NIR como variáveis mais importantes na predição, além de mapas preditivos que representaram o padrão espacial da produtividade real. Assim, este trabalho contribuiu para a consolidação do SR como ferramenta para o manejo e tomada de decisões, uma vez que aliado à análise de dados e machine learning possibilitou monitorar, identificar padrões de resposta espectral e predizer produtividade de capim-tanzânia de forma não destrutiva e precisa, contribuindo para sistemas de pastejo eficientes e sustentáveis
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/20920
dc.languagepor
dc.language.isopt
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Agronomia
dc.publisher.departmentCentro de Ciências Agrárias e Engenharias
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Agronomia
dc.rightsopen access
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectAgricultura digital
dc.subjectForragem
dc.subjectSensor
dc.subjectProdutividade
dc.subjectNitrogênio
dc.subjectDigital agriculture
dc.subjectForage
dc.subjectSensor
dc.subjectProductivity
dc.subjectNitrogen
dc.subject.cnpqAgronomia
dc.titleSensoriamento remoto e inteligência artificial no monitoramento de capim-tanzânia
dc.typedoctoralThesis
foaf.mboxbonadimanpaula@gmail.com
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
PaulaAlbertiBonadiman-2025-Tese.pdf
Tamanho:
6.33 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Doutorado em Agronomia