Logotipo do repositório

Cafés especiais e inteligência artificial: mapeamento estratégico por tipologia de argila

Carregando...
Imagem de Miniatura

Pós-graduação

Agronomia (Ciência do Solo) - FCAV

Curso de graduação

Título da Revista

ISSN da Revista

Título de Volume

Editor

Universidade Estadual Paulista (UNESP)

Tipo

Dissertação de mestrado

Direito de acesso

Acesso abertoAcesso Aberto

Resumo

Resumo (português)

A crescente valorização dos cafés especiais no Brasil impulsiona o desenvolvimento de metodologias que relacionem atributos ambientais, incluindo os solos, à qualidade sensorial da bebida. Neste contexto, o presente estudo objetivou desenvolver um modelo preditivo baseado em inteligência artificial para estimar a nota do café e mapear áreas com alta aptidão para a produção de cafés de alta qualidade, utilizando o Índice de Tipologia de Argila (TA) como principal variável pedológica e geológica. Para isso, um algoritmo Random Forest Regressor (RFR) foi treinado com uma base de dados de TA legada contendo mais de 60 mil pontos georreferenciados complementados por covariáveis ambientais como geologia, paisagem, vegetação e clima, selecionadas segundo o modelo de Jenny - Climate, Organisms, Reliev, Parent Material, Time (CLORPT). A validação empírica do modelo Random Forest Regressor foi realizada por meio do cruzamento espacial das cidades finalistas do prêmio Illycaffè, ao longo de 30 anos. O modelo RFR demonstrou elevada capacidade preditiva, alcançando um Coeficiente de Determinação (R²) de 0,977 no conjunto de treinamento. A análise de importância das variáveis revelou que o TA foi o fator mais influente, respondendo por 74,03% da capacidade preditiva, seguido pela paisagem (16,39%). Verificou-se forte correspondência entre as áreas de alta aptidão para cafés especiais preditas, e os territórios reconhecidos pela excelência sensorial de cafés, como os municípios de Monte Carmelo, MG e Araponga, MG, reforçando a robustez do modelo. Conclui-se que a integração da mineralogia do solo, via TA, com inteligência artificial é uma estratégia promissora para o mapeamento estratégico da cafeicultura, oferecendo uma ferramenta de apoio à decisão para produtores, além de subsidiar ações de certificação de origem e valorização territorial.

Resumo (inglês)

Rising interest in specialty coffees in Brazil has stimulated the development of methodologies linking environmental attributes, including soils, to beverage sensory quality. The present study developed an artificial intelligence-based model to predict coffee scores and map highly suitable area for high-quality coffee production, using the Clay Typology Index (TA) as the main pedological and geological variable. A Random Forest Regressor (RFR) algorithm was trained using a legacy TA database containing more than 60,000 georeferenced points, complemented by environmental covariates such as geology, landscape, vegetation, and climate, selected according to Jenny’s model – Climate, Organisms, Relief, Parent Material, and Time (CLORPT). Empirical validation of the Random Forest Regressor model was performed through spatial cross-referencing of finalist municipalities from the Illycaffè Award over a 30- year period. The RFR model demonstrated high predictive performance, achieving a coefficient of determination (R²) of 0.977 in the training dataset. Variable importance analysis revealed that TA was the most influential factor, accounting for 74.03% of the predictive capacity, followed by landscape (16.39%). A strong correspondence was observed between predicted high-suitability areas for specialty coffee production and regions recognized for coffee sensory excellence, such as the municipalities of Monte Carmelo, MG, and Araponga, MG, reinforcing model robustness. The results indicate that integrating soil mineralogy through TA with artificial intelligence represents a promising alternative for strategic mapping of coffee production. This approach provides a decision-support tool for producers while also supporting origin certification initiatives and territorial valorization.

Descrição

Idioma

Português

Citação

ROMANI, C. Z. N. - Cafés especiais e inteligência artificial: mapeamento estratégico por tipologia de argila. 2026, 59f. - Dissertação (Mestrado em Agronomia (Ciência do Solo)) – Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2025.

Financiadores

Publicações relacionadas

Unidades

Tipo de item:Unidade,
Jaboticabal, Faculdade de Ciências Agrárias e Veterinárias - FCAV
FCAV
Campus: Jaboticabal

Departamentos

Cursos de graduação

Programas de pós-graduação