Combinando banco de dados, espectroscopia Vis-NIR e machine learning para proposição de modelos e softwares para estimativa de nutrientes em folhas e produtividade de frutíferas
Carregando...
Arquivos
Primário tassinari_a_relatorioposdoc_regi_combinando_int.pdf (2,27 MB)
Primário tassinari_a_relatorioposdoc_regi_combinando_int.pdf
tassinari_a_relatorioposdoc_regi_combinando_par.pdf (83,63 KB)
tassinari_a_relatorioposdoc_regi_combinando_par.pdf
tassinari_a_relatorioposdoc_regi_combinando_ressalva.pdf (53,66 KB)
tassinari_a_relatorioposdoc_regi_combinando_ressalva.pdf
Data
Autores
Supervisor
Coorientador
Pós-graduação
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Relatório de pós-doc
Direito de acesso
Acesso restrito
Arquivos
Primário tassinari_a_relatorioposdoc_regi_combinando_int.pdf (2,27 MB)
Primário tassinari_a_relatorioposdoc_regi_combinando_int.pdf
tassinari_a_relatorioposdoc_regi_combinando_par.pdf (83,63 KB)
tassinari_a_relatorioposdoc_regi_combinando_par.pdf
tassinari_a_relatorioposdoc_regi_combinando_ressalva.pdf (53,66 KB)
tassinari_a_relatorioposdoc_regi_combinando_ressalva.pdf
Resumo
Resumo (português)
O Brasil é um dos maiores produtores de frutas do Mundo. As maiores áreas cultivadas com videiras e citros estão localizadas nos estados do Rio Grande do Sul (RS) e São Paulo (SP). Nas últimas décadas se observou melhoria das tecnologias de manejo das duas frutíferas, o que proporcionou aumento da produção e incremento de valores relacionados às variáveis de qualidade de frutos. No entanto, existe uma demanda por parte da cadeia produtiva em relação ao uso de tecnologias não destrutivas para determinação de nutrientes em folhas dessas culturas. Nesse contexto, o desafio é propor técnicas de análises mais sustentáveis, que permitam a mensuração de nutrientes; em folhas, de forma rápida, não destrutiva, sem a geração de resíduos químicos e com baixo custo. Além disso, existe a necessidade de predição da produtividade de frutos, pois é uma variável também utilizada na definição da necessidade e doses de nutrientes em vinhedos e pomares. Somado a isso, é necessário a elaboração dos softwares/aplicativos gerados a parti dos modelos propostos e apresentados nesse relatório, possibilitando o uso, manuseio e aplicação desses modelos por técnicos e produtores em nível de campo. Isso tudo poderá ser possível com a estratégia de combinar banco de dados, técnica de espectroscopia na região do visível (Vis) e infravermelho-próximo (NIR), técnicas machine learning e no desenvolvimento de softwares. A partir dessa estratégia, foi possível calibrar e propor modelos de predição do teor de nutrientes em folhas de frutíferas e produtividade de frutos, sendo esses apresentados no formato de softwares (em fase de registro/criação do código fonte) para a cadeia produtiva. Com tudo isso, será possível melhorar o diagnóstico nutricional das frutíferas por meio de análises rápidas e não destrutivas. Da mesma forma, as recomendações de adubação serão mais assertivas, pois a expectativa de produtividade dos vinhedos e pomares poderá ser predita com antecedência, auxiliando no refinamento nas doses de fertilizantes a serem aplicadas em cada situação. Assim, será possível até diminuir a quantidade de fertilizantes a serem usados em pomares, evitar o excesso de nutrientes em solos, o que evitará a contaminação de solos e águas. Mas com a garantia de produtividades e frutos de qualidade. Para isso, dois estudos foram realizados: Estudo 1, intitulado “Desenvolvimento de modelos e software para estimativa do teor de nutrientes em folhas de videiras e citros por meio da técnica de espectroscopia Vis-NIR”. Para este estudo foram compilados dados de vinhedos e pomares de citros derivados de vários estudos realizados nas regiões produtoras de cada Estado. Somado a esses dados, foram coletadas amostras de folhas em vinhedos e pomares dos Estados do RS e SP, os quais foram utilizados na validação dos modelos de predição. A reflectância espectral das amostras de folha foi realizada em laboratório por meio de espectroradiômetro, com leituras na região do Vis-NIR (350-2500 nm). A partir dados espectrais e analíticos foi gerado um modelo de predição para os teores de nutrientes na folha (N, P, K, Ca, Mg, S, B, Cu, Fe, Mn, Zn). O Estudo 2, está intitulado como “Proposição de modelos e softwares para a predição da produtividade de uvas e citros”. Para isso, foi utilizado o banco de dados dessas culturas obtidos no Estudo 1, somado a dados de nutrientes no solo, índices de vegetação e climáticos. Os modelos foram gerados incluindo diferentes variáveis preditoras com objetivo de identificar quais variáveis são mais importantes para predição da produtividade: Modelo 1- concentração de nutrientes em folhas; Modelo 2- concentração de nutrientes e atributos desolo; Modelo 3 – variáveis climáticas; Modelo 4 – índices espectrais; Modelo 5 – nutrientes em folhas + nutrientes e atributos de solo; Modelo 6 – variáveis climáticas + índices espectrais; Modelo 7 – concentração de nutrientes em folhas + variáveis climáticas + índices espectrais; Modelo 8 – concentração de nutrientes e atributos de solo + variáveis climáticas + índices espectrais; Modelo 9 – todas as variáveis. Os modelos foram desenvolvidos utilizando duas técnicas de machine learning: Cubist e Randon Forest. Os resultados do Estudo 1 permitirão o avanço do uso de técnicas de análise de solo e tecido mais sustentáveis, gerando informações que poderão ser utilizadas para orientação da implementação do método de espectroscopia Vis-NIR em laboratórios de rotina dos Estados do RS e SP, como quais pré-processamentos espectrais deverão ser adotados para o tratamento de espectros de amostras de tecido vegetal (folhas), e quais modelos multivariados são mais adequados para calibração de modelos de predição de nutrientes em folhas. Da mesma forma, a partir da proposição e validação de modelos de predição de produtividade de uva e citros desenvolvidos no Estudo 2, será possível definir melhor a logística de armazenamento e estratégias de comercialização dessas frutas e de seus subprodutos, como sucos, geleias, etc. Mas também, será possível quantificar quais variáveis mais impactam na produção, sendo possível definir melhor as doses de nutrientes, como N, P e K, a serem aplicadas. Por fim, em ambos os estudos, os modelos propostos e validados serão convertidos em softwares com objetivo de fornecer um produto de fácil aplicabilidade para os usuários do setor produtivo da uva e citros. Cabe ressaltar que todas as atividades do projeto foram vinculadas às atividades acadêmicas em nível de graduação e pós-graduação, visando contribuir com a construção do perfil profissional dos estudantes, especialmente, do aluno bolsista de pós-doutorado.
Resumo (inglês)
Brazil is one of the world's largest fruit producers. The largest areas cultivated with grapevines and citrus are located in the states of Rio Grande do Sul (RS) and São Paulo (SP). Recent decades have seen improvements in management technologies for both fruit crops, leading to increased production and enhanced fruit quality attributes. However, the production chain demands non-destructive technologies to determine nutrient levels in the leaves of these crops. In this context, the challenge lies in proposing more sustainable analytical techniques that allow for the rapid, non-destructive, low-cost measurement of leaf nutrients without generating chemical waste. Furthermore, there is a need to predict fruit yield, as this variable is used to determine nutrient requirements and application rates in vineyards and orchards. Additionally, it is necessary to develop software or applications based on the models proposed in this report, enabling technicians and growers to use and apply these models in the field. This can be achieved by combining databases, visible (Vis) and near-infrared (NIR) spectroscopy, machine learning techniques, and software development. Using this strategy, it was possible to calibrate and propose models for predicting leaf nutrient content and fruit yield; these models are being presented as software applications (currently in the source code creation/registration phase) for the production chain. Ultimately, this will improve the nutritional diagnosis of fruit crops through rapid, non-destructive analysis. Likewise, fertilization recommendations will be more accurate, as expected yields for vineyards and orchards can be predicted in advance, helping to refine the fertilizer rates applied in specific situations. Thus, it will be possible to reduce the amount of fertilizer used in orchards and avoid nutrient excess in the soil, thereby preventing soil and water contamination, while still ensuring high yields and fruit quality. To this end, two studies were conducted: Study 1, titled “Development of models and software to estimate nutrient content in grapevine and citrus leaves using Vis-NIR spectroscopy.” Data from vineyards and citrus orchards—derived from various studies conducted in the producing regions of each state—were compiled for this study. In addition to this data, leaf samples were collected from vineyards and orchards in the states of Rio Grande do Sul (RS) and São Paulo (SP) and used to validate the prediction models. Spectral reflectance of the leaf samples was measured in the laboratory using a spectroradiometer, with readings taken in the Vis-NIR range (350–2500 nm). Based on the spectral and analytical data, a prediction model was generated for leaf nutrient content (N, P, K, Ca, Mg, S, B, Cu, Fe, Mn, Zn). Study 2 is titled “Proposal of models and software for predicting grape and citrus yields.” This study utilized the crop database obtained in Study 1, supplemented by data on soil nutrients, vegetation indices, and climatic variables. Models were generated using different predictor variables to identify which ones were most important for yield prediction: Model 1 – leaf nutrient concentration; Model 2 – nutrient concentration and soil attributes; Model 3 – climatic variables; Model 4 – spectral indices; Model 5 – leaf nutrients + soil nutrients and attributes; Model 6 – climatic variables + spectral indices; Model 7 – leaf nutrient concentration + climatic variables + spectral indices; Model 8 – nutrient concentration and soil attributes + climatic variables + spectral indices. Model 9 – all variables. The models were developed using two machine learning techniques: Cubist and Random Forest. The results of Study 1 will facilitate the adoption of more sustainable soil and tissue analysis techniques by providing information to guide the implementation of Vis-NIR spectroscopy in routine laboratories in the states of RS and SP—specifically regarding which spectral pre-processing methods should be used for plant tissue (leaf) spectra and which multivariate models are best suited for calibrating leaf nutrient prediction models. Similarly, the development and validation of grape and citrus yield prediction models in Study 2 will enable better definition of storage logistics and marketing strategies for these fruits and their by-products, such as juices and jams, , etc. Furthermore, it will be possible to quantify which variables have the greatest impact on production, thereby allowing for better determination of the nutrient dosages—such as N, P, and K—to be applied. Finally, in both studies, the proposed and validated models will be converted into software applications aimed at providing a user-friendly tool for the grape and citrus production sectors. It is worth noting that all project activities were linked to undergraduate and graduate academic work, with the aim of contributing to the professional development of the students—particularly the postdoctoral fellow.
Descrição
Idioma
Português
Citação
TASSINARI, Adriele. Combinando banco de dados, espectroscopia Vis-NIR e machine learning para proposição de modelos e softwares para estimativa de nutrientes em folhas e produtividade de frutíferas. Orientador: Danilo Eduardo Rozane. 2026. 45 f. Relatório (Pós-doutorado) - Faculdade de Ciências Agrárias do Vale do Ribeira, Universidade Estadual Paulista (UNESP), Registro, 2026.
