Integração de tecnologias de agricultura de precisão e digital aplicadas na gestão da cafeicultura

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorFerraz, Gabriel Araújo e Silva-
Autor(es): dc.contributorFigueiredo, Vanessa Castro-
Autor(es): dc.contributorFigueiredo, Vanessa Castro-
Autor(es): dc.contributorVolpato, Margarete Marin Lordelo-
Autor(es): dc.contributorSantana, Lucas dos Santos-
Autor(es): dc.contributorFerreira, Danton Diego-
Autor(es): dc.creatorSilva, Sthéfany Airane dos Santos-
Data de aceite: dc.date.accessioned2026-02-09T11:14:05Z-
Data de disponibilização: dc.date.available2026-02-09T11:14:05Z-
Data de envio: dc.date.issued2025-08-13-
Data de envio: dc.date.issued2025-04-24-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/60171-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1136510-
Descrição: dc.descriptionThe factors that most influence crop yield is interconnected and encompass climatic, agronomic, and technological aspects. The evaluation and monitoring of these factors become necessary, as, when well investigated, they can lead to increased productivity and fruit quality, in addition to making the production cycle more sustainable. This study aims to investigate the use of Precision Agriculture (PA) and Digital Agriculture (DA) technologies in coffee cultivation, applied in an experimental field of EPAMIG, located in Três Pontas, MG, Brazil. The study area comprises 1.2 hectares of Coffea arabica plants, cultivar Topázio MG1190. Between 2020 and 2022, data were collected on yield, soil moisture, leaf water potential, soil fertility, leaf nutrition, along with data obtained through flights with a Remotely Piloted Aircraft (RPA). Based on this dataset, the research was divided into three parts.The first part provides a literature review on the importance of coffee cultivation in Brazil, the production challenges, and the role of emerging technologies such as PA and DA in optimizing productivity and sustainability. In the second part, three scientific articles are presented. The first article evaluated the spatial and temporal variability of coffee yield over three harvests using geostatistical methods. The results revealed high heterogeneity in yield, with significant variations in both space and time, even within a relatively small area.The second article analyzed the spatial variability of the NDVI vegetation index and chlorophyll content obtained through active and passive remote sensing sensors. Through geostatistical analysis, spatial variability of the evaluated attributes was observed. Pearson's correlation coefficient (R) was used to quantify the correlation level between the data from different sensors, and the t-test revealed significant correlations among them.In the third article, the machine learning algorithms Random Forest (RF), Gradient Boosting (GB), Multi-Layer Perceptron (MLP), K-Nearest Neighbors (KNN), and Decision Tree (DT) were tested for predicting coffee yield. The predictive models were built using input variables such as soil moisture, leaf water potential, soil fertility, leaf nutrition, vegetation indices, plant diameter and height, and leaf area index. The output variable corresponds to the observed yield for the years 2021 and 2022. Model implementation and manipulation were conducted in Python, and performance evaluation was carried out using R² (coefficient of determination) and MAPE (mean absolute percentage error) metrics, allowing an analysis of prediction accuracy.The third part of this work presents final considerations on the studies carried out, highlighting the importance of Precision and Digital Agriculture in coffee farming.-
Descrição: dc.descriptionEmpresa Brasileira de Pesquisa Agropecuária (Embrapa)-
Descrição: dc.descriptionProjeto Consórcio Pesquisa Café-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)-
Descrição: dc.descriptionOs fatores que mais influenciam o rendimento das lavouras estão interligados e abrangem aspectos climáticos, agronômicos e tecnológicos. A avaliação e monitoramento desses fatores tornam-se necessários, uma vez que, quando bem investigados, podem trazer retornos como uma maior produtividade e qualidade dos frutos, além de tornarem o ciclo produtivo mais sustentável. Este trabalho tem como objetivo investigar o uso de tecnologias de Agricultura de Precisão (AP) e Agricultura Digital (AD) na cafeicultura, aplicadas em um campo experimental da EPAMIG, situado em Três Pontas, MG. A área de estudo possui 1,2 ha com cafeeiros da espécie Coffea arabica, cultivar Topázio MG1190. No período compreendido entre 2020 e 2022, foram coletados dados de produtividade, umidade do solo, potencial hídrico foliar, fertilidade do solo, nutrição das folhas, além da realização de voos com Aeronave Remotamente Pilotada (ARP). A partir desse conjunto de dados, esta pesquisa foi dividida em três partes. A primeira parte oferece uma revisão de literatura sobre a importância da cafeicultura no Brasil, os desafios da produção e o papel das tecnologias emergentes, como a AP e a AD, para otimizar a produtividade e sustentabilidade. Na segunda parte, são apresentados três artigos. O primeiro artigo avaliou a variabilidade espacial e temporal da produtividade de cafeeiros ao longo de três safras, utilizando métodos geoestatísticos. Os resultados revelaram uma alta heterogeneidade na produtividade, com variações significativas tanto no espaço quanto no tempo, mesmo em uma área relativamente reduzida. Essa variabilidade foi atribuída a fatores como bienalidade e ao manejo convencional adotado na área. O segundo artigo analisou a variabilidade espacial do índice de vegetação NDVI e da clorofila, obtidos por sensores ativos e passivos do sensoriamento remoto. Pela análise geoestatística foi possível constatar a variabilidade espacial dos atributos avaliados. Através da análise do coeficiente de Pearson (R) foi possível quantificar o nível de correlação entre os dados obtidos pelos diferentes sensores e através do teste t foi possível encontrar correlações significativas entre eles. No terceiro artigo, foram testados os algoritmos de aprendizado de máquina Random Forest (RF), GradientBoosting (GB), Multi-LayerPerceptron (MLP), K-Nearest Neighbors (KNN) e DecisionTree (DT) para a previsão da produtividade dos cafeeiros. Os modelos preditivos foram construídos utilizando como variáveis de entrada dados de umidade do solo, potencial hídrico foliar, fertilidade do solo, nutrição foliar, índices de vegetação, diâmetro e altura das plantas, além do índice de área foliar. A variável de saída corresponde à produtividade observada para os anos 2021 e 2022. A implementação e manipulação dos modelos foram realizadas na linguagem Python, e a avaliação do desempenho dos algoritmos foi conduzida por meio das métricas R² (coeficiente de determinação) e MAPE (erro percentual absoluto médio), permitindo analisar a precisão das previsões geradas. Na terceira parte deste trabalho, foi apresentada uma consideração final sobre os estudos desenvolvidos, destacando a importância da Agricultura de Precisão e Digital na cafeicultura.-
Descrição: dc.descriptionSociais-
Descrição: dc.descriptionTecnológico-
Descrição: dc.descriptionEconômicos-
Descrição: dc.descriptionMeio ambiente-
Descrição: dc.descriptionTecnologia e produção-
Descrição: dc.descriptionODS 2: Fome zero e agricultura sustentável-
Descrição: dc.descriptionODS 9: Indústria, inovação e infraestrutura-
Descrição: dc.descriptionODS 12: Consumo e produção responsáveis-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Agrícola-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Engenharia Agrícola-
Publicador: dc.publisherEscola de Engenharia (EENG)-
Palavras-chave: dc.subjectCafeicultura de precisão-
Palavras-chave: dc.subjectVariabilidade-
Palavras-chave: dc.subjectAeronaves remotamente pilotadas-
Palavras-chave: dc.subjectÍndices de vegetação-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectPrecision coffee farming-
Palavras-chave: dc.subjectVariability-
Palavras-chave: dc.subjectRemotely piloted aircraft-
Palavras-chave: dc.subjectVegetation indices-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectSensoriamento remoto-
Palavras-chave: dc.subjectCiências Agrárias-
Título: dc.titleIntegração de tecnologias de agricultura de precisão e digital aplicadas na gestão da cafeicultura-
Título: dc.titleIntegration of precision and digital agriculture technologies applied to coffee farming management-
Tipo de arquivo: dc.typetese-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.