
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.creator | Goulart, Eduarda Thais | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:38:48Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:38:48Z | - |
| Data de envio: dc.date.issued | 2025-07-04 | - |
| Data de envio: dc.date.issued | 2025-01-29 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/59994 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1144282 | - |
| Descrição: dc.description | The objective of this research was to develop a model for projecting the productivity of coffee plantations. The study was conducted on the Sertãozinho and Laranjal farms, located in the municipalities of Botelhos and Poços de Caldas, Minas Gerais, Brazil. The productivity values of coffee plots from 2017 to 2024 were provided by the farms. The spectral variables used in the model were the maximum, minimum, median, mean, standard deviation, and mode of the vegetation indices NDVI, NDWI, EVI, and SAVI, extracted from Sentinel-2 images during August from 2016 to 2023. Terrain characteristics were obtained from an Alos Palsar Digital Elevation Model (DEM) using Saga GIS software and imported into the Google Earth Engine (GEE) platform, where the averages of these variables were calculated for each plot. Climate variables were acquired from the Era-5 Land collection, available for access on GEE. Monthly averages of precipitation, solar radiation, and soil water volume were considered, along with minimum, maximum, and mean monthly temperatures, from August 2016 to July 2024. Climate, terrain, and spectral data were exported from GEE in tabular format and merged with the productivity data. For modeling, Pearson correlation analysis was performed between the independent and dependent variables, generating a correlation matrix. To compose the model's input database, the percentage difference in productivity from one year to the next was calculated. The Random Forest model was developed using the cross-validation technique to train the algorithm. For Random Forest execution, the number of decision trees to be constructed was set to 100. The model generated estimates for the years 2018 to 2023, for which actual values were provided to train the algorithm, and projected productivity for the year 2024. The algorithm's performance was evaluated using R2, MAPE, and RMSE metrics. Among the model's input variables, those with the highest correlations with coffee productivity were the vegetation indices EVI, NDWI, and NDVI, as well as solar radiation, minimum temperature, and precipitation. The most important variables for the model were the percentage difference in productivity from one year to the next, the minimum temperature in March and November, the mean temperature in October, the average solar radiation in August, October, February, and June, the Convergence Index (CI), and the mode, median, and minimum values of the NDWI index in August. The model performed best when only variables with an importance score above 200 were considered, achieving an R2 of 93.74%, MAE of 2.49 sc.ha-1, and RMSE of 10.99 sc.ha-1. One of the main limitations of the model was the small database of productivity values available for training and testing the projection model, which hampers the prediction of extreme productivity values. | - |
| Descrição: dc.description | Esta dissertação tem como objetivo estudar a integração entre o sensoriamento remoto e o algoritmo Random Forest no desenvolvimento de um modelo de estimativa de produtividade para lavouras cafeeiras do sul de Minas Gerais, avaliando o desempenho do modelo e sua precisão frente à produção real de café. O uso do sensoriamento remoto combinado a técnicas de machine learning mostra-se uma abordagem promissora no contexto agrícola, permitindo o monitoramento da produção de diversas commodities em grandes áreas com maior precisão, contribuindo para a otimização do manejo e a redução de incertezas no planejamento da safra. O modelo desenvolvido apresentou resultados satisfatórios, com R2 de 93,74%, MAE de 2,49% e RMSE de 10,99%. As maiores discrepâncias identificadas entre as estimativas dos anos de 2018 a 2023 foram de 8,50 sc.ha−1 a mais e 6,85 sc.ha−1 a menos que a produtividade real colhida pela fazenda, demonstrando que o modelo é capaz de projetar a produção com bom grau de precisão. Embora em 2024 tenham sido observadas diferenças mais elevadas em alguns talhões com produtividades excepcionalmente altas, o modelo ainda mostrou capacidade de captar o caráter genético de bienalidade da cultura do café. Logo, o modelo desenvolvido contribui para o aprimoramento da estimativa de produtividade cafeeira, ferramenta estratégica para a gestão agrícola, planejamento econômico, políticas públicas e fortalecimento do setor exportador, e pode ser de interesse de instituições responsáveis pelo monitoramento da cafeicultura nos municípios brasileiros, como a Embrapa, EPAMIG, CONAB e Prefeituras. O público diretamente beneficiado inclui produtores rurais da região, técnicos agrícolas e gestores públicos que, com acesso a projeções mais precisas de produtividade, podem tomar decisões mais assertivas sobre manejo, colheita e comercialização. Os impactos do trabalho podem ser classificados na área temática de tecnologia e produção (7), contribuindo também para o alcance de pelo menos três Objetivos de Desenvolvimento Sustentável (ODS) da ONU: ODS 2 (Fome Zero e Agricultura Sustentável), ODS 8 (Trabalho Decente e Crescimento Econômico), e ODS 12 (Consumo e Produção Responsáveis, alinhando se às metas da Agenda 2030 ao promover inovação no campo e aumento da resiliência das cadeias produtivas agrícolas. | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | brasil | - |
| Direitos: dc.rights | Attribution 3.0 Brazil | - |
| Palavras-chave: dc.subject | Produção | - |
| Palavras-chave: dc.subject | Coffea arábica | - |
| Palavras-chave: dc.subject | Google Earth Engine | - |
| Palavras-chave: dc.subject | Aprendizagem de máquina | - |
| Palavras-chave: dc.subject | Production | - |
| Palavras-chave: dc.subject | Coffea arabica | - |
| Palavras-chave: dc.subject | Machine Learning. | - |
| Palavras-chave: dc.subject | ENGENHARIAS | - |
| Título: dc.title | Modelagem para projeção de produtividade em lavouras cafeeiras utilizando Randon Forest | - |
| Título: dc.title | Modeling for projecting productivity in coffee farms using random forest | - |
| Tipo de arquivo: dc.type | Dissertação | - |
| 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: