Banca de DEFESA: BILTON GILBERTO NHANTUMBO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : BILTON GILBERTO NHANTUMBO
DATA : 09/02/2026
HORA: 13:00
LOCAL: REMOTA
TÍTULO:

FENOTIPAGEM DIGITAL E REDES NEURAIS ARTIFICIAS PARA ESTIMATIVA DE VARIÁVEIS BIOMÉTRICAS DE MUDAS DE MORINGA OLEIFERA LAM

 

PALAVRAS-CHAVES:

Reflectância espectral; Aprendizado computacional; Monitoramento vegetativo; Atributos morfométricos; Análise de imagens.

PÁGINAS: 78
RESUMO:

A crescente demanda por mudas de alta qualidade tem impulsionado o uso de técnicas de fenotipagem digital no setor florestal, especialmente em espécies de rápido crescimento, como Moringa oleifera Lam. Com os avanços tecnológicos e a crescente necessidade de aprimorar a eficiência no processo de produção de mudas, a fenotipagem digital é uma alternativa promissora para o monitoramento não destrutivo e, permite avaliações rápidas, precisas e de baixo custo. Nesse contexto, técnicas de imagens multiespectrais têm sido amplamente aplicadas para caracterizar atributos biométricos, subsidiar a tomada de decisão em viveiros e otimizar o manejo de espécies florestais. O objetivo desta pesquisa foi avaliar o potencial de imagens multiespectrais na estimativa do Índice de Área Foliar (IAF) e do diâmetro do coleto de mudas de Moringa oleifera Lam., integrando modelos de regressão linear múltipla e redes neurais artificiais. O experimento foi conduzido durante o desenvolvimento inicial das mudas, com avaliações semanais, envolvendo a coleta de variáveis biométricas tradicionais (IAF e diâmetro) e a aquisição de imagens com a câmera MAPIR Survey3 (bandas vermelhas - R, verde - G e infravermelho próximo - NIR). Para cada avaliação, foram calculados os índices de vegetação NDVI, GNDVI, RVI e CVI, após correção radiométrica e segmentação das imagens. A correlação de Pearson indicou forte associação entre o IAF e os índices NDVI (r = 0,89), GNDVI (r = 0,98) e SAVI (r = 0,90), enquanto o diâmetro apresentou correlações elevadas com NDVI (r = 0,88) e GNDVI (r = 0,79). Os modelos de regressão linear múltipla apresentaram alto desempenho para estimar IAF (R² = 0,935) e diâmetro (R² =0,90), com destaque para o GNDVI como variável mais significativa. A análise com redes neurais artificiais mostrou resultados superiores, com valores de R² = 0,994 para o IAF e R² = 0,992 para o diâmetro o, que indicou excelente capacidade de generalização. Os resultados demonstram que a combinação entre fenotipagem digital e modelos estatísticos ou de inteligência artificial constitui uma ferramenta robusta para a estimativa de atributos biométricos em mudas e, permite avanços significativos no monitoramento em viveiros e oferece subsídios para práticas de manejo mais eficientes e sustentáveis.

MEMBROS DA BANCA:
Presidente - 1574025 - GUSTAVO BASTOS LYRA
Externo ao Programa - 1698763 - RICARDO VILAR NEVES - UFRRJExterno à Instituição - MARCEL CARVALHO ABREU