Defesa de Doutorado em Engenharia Agrícola de Jonathan Richetti, orientado pelo prof. Dr. Jerry Johann

No dia 13/11/2018 a tese intitulada em "Modelos agrometeorológicos, espectrais e de inteligência artificial para estimação de produtividade de soja" foi defendida pelo Engenheiro Agrícola Jonathan Richetti, sob a orientação do prof. Dr. Jerry Johann. A tese foi defendida no programa de pós-graduação em Engenharia Agrícola da UNIOESTE - Campus de Cascavel.

RESUMO: Questões agrícolas globais e locais são levantadas frequentemente devido ao constante crescimento da demanda por alimentos e flutuações no preço das commodities. Diversas formas podem ser utilizadas para obter informações da produção agrícola de uma determinada região. Dentre os diferentes métodos de estimar as produções agrícolas, censos e levantamentos subjetivos são os métodos utilizados pelos órgãos oficiais como IBGE e CONAB. Estes demandam tempo e recurso, fazendo com que as informações demorem a serem lançadas. Em busca de melhorar as estimativas, métodos claros e objetivos são necessários. Portanto, o objetivo da tese é apresentar métodos para estimar a produtividade e produção de soja no estado que possam ser aplicados também para previsão. Assim, esta tese está dividida, fundamentalmente, em três artigos, cada um aborda um método para estimativa de produtividade da cultura da soja com uso de dados de sensoriamento remoto e técnicas de modelagem. O primeiro aborda o uso de algoritmos de aprendizado de máquinas e inteligência artificial em dados de sensoriamento remoto para estimar a produtividade de soja no estado do Paraná. O segundo trata do uso de dados de sensoriamento remoto para calibrar o modelo de crescimento CROPGRO em duas fazendas, uma no Brasil e outra nos Estados Unidos. O terceiro apresenta a aplicação do modelo agrometeorológico da FAO para estimar a produtividade de soja no estado do Paraná. Os resultados do primeiro artigo apresentaram desempenhos ótimos com baixas diferenças médias de 3,52 kg ha^-1, um RMSD de 373 kg ha^-1 e d de 0,85. Já o segundo artigo mostra um erro médio de -3,4 kg ha^-1 para produtividade com R² de 0,89 no Paraná - Brasil. A disponibilidade de medições do crescimento das culturas em Iowa - US permitiu o cálculo de RMSE de 864 kg ha^-1, índice de concordância de Willmott de 0,98 para biomassa e RMSE de 904 kg ha^-1 com índice de concordância de 0,89 para peso de vagem. Este estudo mostrou que a determinação dos valores do índice de área foliar (IAF) e da interceptação de luz (LI) a partir de índices de vegetação de sensoriamento remoto, como os dados do Índice de Vegetação por Diferença Normalizada (NDVI) podem ser usados para fins de calibração do modelo de cultura. O terceiro artigo aponta que quando comparado com dados observados nas fazendas o erro médio foi superior à 1200 kg ha^-1. Indicando que o software não apresentou acurácia necessária para estimar a produtividade da soja no estado. Uma revisão no software e nos procedimentos já está sendo realizada.

PALAVRAS-CHAVES: Aprendizado de Máquina, Sensoriamento Remoto, Modelagem de Cultura