
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Ferraz, Gabriel Araújo e Silva | - |
| Autor(es): dc.contributor | Figueiredo, Vanessa Castro | - |
| Autor(es): dc.contributor | Figueiredo, Vanessa Castro | - |
| Autor(es): dc.contributor | Volpato, Margarete Marin Lordelo | - |
| Autor(es): dc.contributor | Santana, Lucas dos Santos | - |
| Autor(es): dc.contributor | Ferreira, Danton Diego | - |
| Autor(es): dc.creator | Silva, Sthéfany Airane dos Santos | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:14:05Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:14:05Z | - |
| Data de envio: dc.date.issued | 2025-08-13 | - |
| Data de envio: dc.date.issued | 2025-04-24 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/60171 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1136510 | - |
| Descrição: dc.description | The 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.description | Empresa Brasileira de Pesquisa Agropecuária (Embrapa) | - |
| Descrição: dc.description | Projeto Consórcio Pesquisa Café | - |
| Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
| Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) | - |
| Descrição: dc.description | Os 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.description | Sociais | - |
| Descrição: dc.description | Tecnológico | - |
| Descrição: dc.description | Econômicos | - |
| Descrição: dc.description | Meio ambiente | - |
| Descrição: dc.description | Tecnologia e produção | - |
| Descrição: dc.description | ODS 2: Fome zero e agricultura sustentável | - |
| Descrição: dc.description | ODS 9: Indústria, inovação e infraestrutura | - |
| Descrição: dc.description | ODS 12: Consumo e produção responsáveis | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Agrícola | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Engenharia Agrícola | - |
| Publicador: dc.publisher | Escola de Engenharia (EENG) | - |
| Palavras-chave: dc.subject | Cafeicultura de precisão | - |
| Palavras-chave: dc.subject | Variabilidade | - |
| Palavras-chave: dc.subject | Aeronaves remotamente pilotadas | - |
| Palavras-chave: dc.subject | Índices de vegetação | - |
| Palavras-chave: dc.subject | Aprendizado de máquina | - |
| Palavras-chave: dc.subject | Precision coffee farming | - |
| Palavras-chave: dc.subject | Variability | - |
| Palavras-chave: dc.subject | Remotely piloted aircraft | - |
| Palavras-chave: dc.subject | Vegetation indices | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Sensoriamento remoto | - |
| Palavras-chave: dc.subject | Ciências Agrárias | - |
| Título: dc.title | Integração de tecnologias de agricultura de precisão e digital aplicadas na gestão da cafeicultura | - |
| Título: dc.title | Integration of precision and digital agriculture technologies applied to coffee farming management | - |
| Tipo de arquivo: dc.type | tese | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: