Aplicação de machine learning e sensoriamento remoto para identificação e monitoramento de lavouras de café arábica infestadas por nematoides das galhas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Gladyston Rodrigues-
Autor(es): dc.contributorAlves, Marcelo de Carvalho-
Autor(es): dc.contributorAlves, Marcelo de Carvalho-
Autor(es): dc.contributorTerra, Willian César-
Autor(es): dc.contributorFerreira, André Dominghetti-
Autor(es): dc.creatorSilva, Tulio Pereira Christofaro-
Data de aceite: dc.date.accessioned2026-02-09T11:15:03Z-
Data de disponibilização: dc.date.available2026-02-09T11:15:03Z-
Data de envio: dc.date.issued2025-09-19-
Data de envio: dc.date.issued2025-02-24-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/60308-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1136849-
Descrição: dc.descriptionCoffee farming plays a significant role in Brazil's economy and culture, especially in Minas Gerais, the largest coffee-producing state. However, production faces serious challenges, such as infestations by root-knot nematodes (Meloidogyne spp., RKN) which significantly impact productivity. This study focuses on the use of machine learning technologies, with an emphasis on the Maximum Entropy (MaxEnt) model and remote sensing, to identify and monitor areas affected by RKN. Spectral data from Landsat-8 satellite images were utilized, along with advanced field and laboratory validation methods, where Meloidogyne species were identified using molecular markers. The results demonstrated the effectiveness of MaxEnt in generating potential distribution maps, enabling more efficient integrated management, as Meloidogyne species were identified in most samples. Furthermore, this research contributed to advancing knowledge on the use of technological tools in agriculture, with significant implications for sustainability and strategic planning in Brazilian coffee farming.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES-
Descrição: dc.descriptionA cafeicultura desempenha um papel central na economia e cultura brasileira, especialmente em Minas Gerais, maior estado produtor. No entanto, a produção enfrenta sérios desafios, como a infestação por nematoides-das-galhas (Meloidogyne spp.), que comprometem significativamente a produtividade. O presente trabalho aborda o uso de tecnologias de machine learning, com ênfase no modelo de Máxima Entropia (MaxEnt), e sensoriamento remoto para identificar e monitorar áreas afetadas pelos nematoides-das-galhas na região do Cerrado Mineiro. Foram utilizados dados espectrais de imagens do satélite Landsat-8 e métodos avançados de validação de campo e em laboratório. As espécies de Meloidogyne foram identificadas por marcadores moleculares. Os resultados demonstraram a eficácia do MaxEnt na geração de mapas de distribuição potencial, permitindo um manejo integrado mais eficiente, uma vez que as espécies de Meloidogyne foram identificadas na maior parte das amostras. Além disso, esta pesquisa contribuiu para o avanço do conhecimento sobre o uso de ferramentas tecnológicas na agricultura, com implicações significativas para a sustentabilidade e o planejamento estratégico da cafeicultura brasileira.-
Descrição: dc.descriptionArquivo retido, a pedido da autoria, até agosto de 2026.-
Descrição: dc.descriptionTecnológico-
Descrição: dc.descriptionEconômicos-
Descrição: dc.descriptionTecnologia e produção-
Descrição: dc.descriptionODS 2: Fome zero e agricultura sustentável-
Descrição: dc.descriptionODS 8: Trabalho decente e crescimento econômico-
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 Agronomia/Fitotecnia-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherEscola de Ciências Agrárias – ESAL-
Direitos: dc.rightsAttribution-NoDerivs 3.0 Brazil-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nd/3.0/br/-
Palavras-chave: dc.subjectCoffea arabica L.-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectMaxent-
Palavras-chave: dc.subjectModelagem preditiva-
Palavras-chave: dc.subjectMapeamento de infestação-
Palavras-chave: dc.subjectMarcadores moleculares-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectPredictive modeling-
Palavras-chave: dc.subjectInfestation mapping-
Palavras-chave: dc.subjectMolecular markers-
Palavras-chave: dc.subjectMaxent model-
Palavras-chave: dc.subjectCIENCIAS AGRARIAS::AGRONOMIA::FITOTECNIA-
Título: dc.titleAplicação de machine learning e sensoriamento remoto para identificação e monitoramento de lavouras de café arábica infestadas por nematoides das galhas-
Título: dc.titleApplication of machine learning and remote sensing for the identification and monitoring of arabica coffee plantations infested by root-knot nematodes-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.