Predição de parâmetros agronômicos para colheita inteligente de amendoim: uma estratégia digital usando sensoriamento remoto e ia

Abstract

Esta tese propõe uma abordagem inovadora para a agricultura digital, com foco na cultura do amendoim, integrando sensoriamento remoto (SR) e inteligência artificial (IA) para predição agronômica e suporte à colheita inteligente. Inicialmente, foi realizada uma revisão sistemática da literatura para mapear os avanços e lacunas no uso de SR e IA no monitoramento da cultura. Em seguida, desenvolveu-se um modelo preditivo da produtividade do amendoim com até 30 dias de antecedência à colheita, testando sua capacidade de generalização em novas áreas e realizando a recalibração com dados adicionais. Na terceira etapa, aplicou-se a regressão multialvo para prever simultaneamente a produtividade e o índice de maturação fisiológica (PMI), utilizando dados de satélite e diferentes algoritmos (KNN e RF). No capítulo seguinte, a pesquisa foi ampliada para áreas com alta variabilidade espacial nos Estados Unidos, onde dados de solo, imagens de satélite e modelos de RNA (MLP e RBF) foram utilizados para estimar a maturação por zona de manejo e gerar mapas de colheita antecipada. Por fim, foram discutidas as perspectivas futuras da aplicação dessas tecnologias para otimizar decisões agronômicas. Os resultados demonstram que a integração entre SR e IA é eficiente para prever parâmetros críticos da cultura, permitindo maior precisão, sustentabilidade e aplicabilidade em cenários reais de produção.

This thesis proposes an innovative approach to digital agriculture, focusing on peanut crops, integrating remote sensing (RS) and artificial intelligence (AI) for agronomic prediction and support for smart harvesting. Initially, a systematic literature review was carried out to map the advances and gaps in the use of RS and AI in crop monitoring. Then, a predictive model for peanut yield up to 30 days prior to harvest was developed, testing its generalization capacity in new areas and performing recalibration with additional data. In the third stage, multi-target regression was applied to simultaneously predict yield and physiological maturity index (PMI), using satellite data and different algorithms (KNN and RF). In the next chapter, the research was extended to areas with high spatial variability in the United States, where soil data, satellite images, and ANN models (MLP and RBF) were used to estimate maturity by management zone and generate early harvest maps. Finally, future perspectives for the application of these technologies to optimize agronomic decisions were discussed. The results demonstrate that the integration between SR and AI is efficient for predicting critical crop parameters, allowing greater accuracy, sustainability and applicability in real production scenarios.