Multissensores na detecção e quantificação de desfolha por lepidópteros desfolhadores em eucaliptais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBonetti Filho, Ronald Zanetti-
Autor(es): dc.contributorSantos, Alexandre dos-
Autor(es): dc.contributorAcerbi Junior, Fausto Weimar-
Autor(es): dc.contributorVasconcellos, Bruna Nascimento de-
Autor(es): dc.creatorSilva, Oresthes Márlon Alves e-
Data de aceite: dc.date.accessioned2026-02-09T12:03:21Z-
Data de disponibilização: dc.date.available2026-02-09T12:03:21Z-
Data de envio: dc.date.issued2025-08-21-
Data de envio: dc.date.issued2025-03-10-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/60211-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1153348-
Descrição: dc.descriptionEucalyptus cultivation plays an important role in the Brazilian forestry sector, being the main source of raw material for paper, pulp, and charcoal. However, productivity can be compromised by insect pest, such as defoliating lepidopterans, making the monitoring of these infestations a fundamental step for sustainable management. In this context, remote sensing stands out as a promising alternative to estimate the damage caused by defoliating caterpillars.In this study, high-resolution reference data were obtained from drone RGB images and hemispherical canopy photographs, while scenes from Sentinel-1 (SAR) and Sentinel-2 (optical) satellites provided broad spatial coverage to assess areas infested by caterpillars. Machine learning algorithms were applied to predict the extent of pest impact. Among the evaluated algorithms—Support Vector Machine (SVM) with different kernels, Random Forest (RF) in multiple configurations, and Artificial Neural Networks (ANN) with various layer and neuron structures—SVM and RF demonstrated the best performance.The lowest mean absolute error (MAE) values were achieved by the radial, polynomial, and linear versions of SVM, as well as by various parameter combinations of Random Forest. Conversely, models based on ANN showed higher error values, indicating a lower predictive capacity for canopy coverage in this context. The smallest MAE values recorded were approximately 0.10 for SVM radial, 0.11 for SVM linear, and between 0.10 and 0.12 for various RF configurations, indicating higher accuracy in predicting canopy coverage. However, ANN-based models exhibited MAE values greater than 0.30, suggesting lower performance in this scenario.This approach enables the detection and monitoring of infested areas by caterpillars, facilitating early decision-making in pest control, optimizing forest management, reducing production losses, and minimizing operational costs and environmental impacts. It also aligns with sustainability guidelines of environmental certifications such as the Forest Stewardship Council (FSC) and the Brazilian Forest Certification Program (Cerflor).-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionApoio de campo e financiamento: Eldorado Brasil Celulose-
Descrição: dc.descriptionO cultivo de eucalipto desempenha um importante papel no setor florestal brasileiro, sendo a principal fonte de matéria-prima para papel, celulose e carvão vegetal. Entretanto, a produtividade pode ser comprometida pela ação de insetos-praga, como os lepidópteros desfolhadores, tornando o monitoramento dessas infestações uma etapa fundamental para o manejo sustentável. Nesse contexto, o sensoriamento remoto se destaca como uma alternativa promissora para estimar os danos causados por lagartas desfolhadoras. Neste estudo, imagens RGB de drone e fotografias hemisféricas de dossel foram usadas como referência de alta resolução, enquanto cenas dos satélites Sentinel-1 (SAR) e Sentinel-2 (óptico) forneceram cobertura espacial ampla para avaliar as áreas infestadas por lagartas, aplicando algoritmos de aprendizado de máquina para prever a extensão do impacto das pragas. Entre os algoritmos de aprendizado de máquina avaliados, incluindo Support Vector Machine (SVM) com diferentes núcleos, Random Forest (RF) em múltiplas configurações e Redes Neurais Artificiais (ANN) com diversas estruturas de camadas e neurônios, os modelos SVM e RF apresentaram os melhores desempenhos. Os menores valores de erro médio absoluto (MAE) foram obtidos pelas versões radial, polinomial e linear do SVM, bem como por diversas combinações de parâmetros da Random Forest. Em contrapartida, os modelos baseados em ANN apresentaram os maiores valores de erro, sugerindo menor capacidade de predição da cobertura do dossel nesse contexto. Os menores valores de erro médio absoluto (MAE) foram registrados pelos modelos SVM radial (MAE ≈ 0,10), SVM linear (MAE ≈ 0,11) e por diversas configurações da Random Forest (MAE variando entre 0,10 e 0,12), indicando maior precisão na predição da cobertura do dossel. Porém, os modelos baseados em ANN apresentaram os maiores valores de erro (MAE > 0,30), sugerindo menor desempenho nesse cenário. A utilização dessa abordagem permite a detecção e monitoramento de áreas infestadas por lagartas desfolhadoras, antecipação da tomada de decisão no controle de pragas, otimizando o manejo florestal, reduzindo perdas na produção e minimizando custos operacionais e impactos ambientais e está alinhado com as diretrizes de sustentabilidade de certificações ambientais, como o Forest StewardshipCouncil (FSC) e o Programa Brasileiro de Certificação Florestal (Cerflor).-
Descrição: dc.descriptionTecnológico-
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-
Descrição: dc.descriptionODS 13: Ação contra a mudança global do clima-
Descrição: dc.descriptionODS 15: Vida terrestre-
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 Entomologia-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Entomologia-
Publicador: dc.publisherEscola de Ciências Agrárias de Lavras (ESAL)-
Direitos: dc.rightsAttribution-NoDerivs 3.0 Brazil-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nd/3.0/br/-
Palavras-chave: dc.subjectSensoriamento remoto-
Palavras-chave: dc.subjectDesfolha - Monitoramento-
Palavras-chave: dc.subjectSatélites Sentinel-
Palavras-chave: dc.subjectSilvicultura de precisão-
Palavras-chave: dc.subjectEucalipto-
Palavras-chave: dc.subjectRemote sensing-
Palavras-chave: dc.subjectDefoliation - Monitoring-
Palavras-chave: dc.subjectSentinel satellites-
Palavras-chave: dc.subjectPrecision forestry-
Palavras-chave: dc.subjectEucalyptus-
Palavras-chave: dc.subjectCiências Agrárias-
Título: dc.titleMultissensores na detecção e quantificação de desfolha por lepidópteros desfolhadores em eucaliptais-
Título: dc.titleMultisensors for the detection and quantification of defoliation by defoliating lepidopterans in eucalypt plantations-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.