Título: PREDIÇÃO DO ENFOLHAMENTO DO CAFEEIRO POR RANDOM FOREST COM O USO DE VARIÁVEIS BIOFÍSICAS E ESPECTRAIS OBTIDAS POR RPA
Título alternativo: PREDICTION OF COFFEE FOLIATION BY RANDOM FOREST USING BIOPHYSICAL AND SPECTRAL VARIABLES OBTAINED BY RPA
Autoria de: Augusto Avila de Castro
Orientação de: Gabriel Araujo e Silva Ferraz
Coorientação de: Mirian de Lourdes Oliveira
Presidente da banca: Gabriel Araújo e Silva Ferraz
Primeiro membro da banca: Elias Horácio Zavala
Segundo membro da banca: Mirian de Lourdes Oliveira
Palavras-chaves: cafeicultura de precisão, sensoriamento remoto, drone, aprendizado de máquina, modelagem preditiva
Data da defesa: 02/06/2026
Semestre letivo da defesa: 2026-1
Data da versão final: 10/06/2026
Data da publicação: 10/06/2026
Referência: Castro, A. A. d. PREDIÇÃO DO ENFOLHAMENTO DO CAFEEIRO POR RANDOM FOREST COM O USO DE VARIÁVEIS BIOFÍSICAS E ESPECTRAIS OBTIDAS POR RPA. 2026. 41 p. Trabalho de Conclusão de Curso (Graduação em Agronomia Bacharelado)-Universidade Federal de Lavras, Lavras, 2026.
Resumo: O enfolhamento do cafeeiro constitui uma variável relevante para a avaliação da condição vegetativa, fisiológica e fitossanitária da cultura, estando associado à manutenção da área foliar ativa e ao potencial produtivo das plantas. Contudo, sua mensuração ainda é realizada predominantemente por métodos visuais de campo, os quais apresentam limitações quanto à subjetividade e à capacidade de representar a variabilidade espacial da lavoura. Diante disso, objetivou-se desenvolver um modelo preditivo para estimar o enfolhamento do cafeeiro com base em variáveis biofísicas e espectrais obtidas por uma Aeronave Remotamente Pilotada (RPA), utilizando o algoritmo Random Forest. O experimento foi conduzido em uma lavoura cafeeira da Universidade Federal de Lavras, em Lavras, Minas Gerais, com avaliações realizadas em 90 plantas entre abril de 2024 e março de 2025. O enfolhamento foi determinado por estimativa visual, com base em uma escala diagramática de cinco classes acerca do percentual de folhas nas plantas. As variáveis preditoras utilizadas foram altura da planta, diâmetro da copa, índice de área foliar, Índice de Vegetação por Diferença Normalizada (NDVI), Green Leaf Index (GLI) e mês de coleta. As imagens aéreas foram obtidas por uma RPA equipada com câmera multiespectral, sendo posteriormente processadas para geração de ortomosaicos, modelos digitais e índices espectrais. O desempenho do modelo foi avaliado pelo coeficiente de determinação (R²) e pela raiz do erro quadrado médio (RMSE). O modelo apresentou desempenho satisfatório, com RMSE de 13 e R² de 0,76 no conjunto de teste, evidenciando boa capacidade preditiva. Após a discretização dos valores preditos conforme a escala de Boldini, obteve-se acurácia de 60 e acurácia de ±1 classe de 97. A análise de importância das variáveis indicou maior contribuição do NDVI, seguido pelo GLI e pelo mês de coleta. Conclui-se que a integração entre dados obtidos por RPA e o algoritmo Random Forest apresenta potencial para a estimativa do enfolhamento do cafeeiro, constituindo uma alternativa promissora para o monitoramento mais objetivo e espacialmente detalhado da lavoura.
Abstract: Coffee foliation is a relevant variable for evaluating the vegetative, physiological, and phytosanitary condition of the crop, being associated with the maintenance of active leaf area and the productive potential of the plants. However, its measurement is still predominantly carried out using visual field methods, which have limitations regarding subjectivity and the ability to represent the spatial variability of the crop. Therefore, the objective was to develop a predictive model to estimate coffee plant foliation based on biophysical and spectral variables obtained by a Remotely Piloted Aircraft (RPA), using the Random Forest algorithm. The experiment was conducted on a coffee plantation at the Federal University of Lavras, in Lavras, Minas Gerais, with evaluations performed on 90 plants between April 2024 and March 2025. Leaf cover was determined by visual estimation, based on a five-class diagrammatic scale regarding the percentagem of leaves on the plants. The predictor variables used were plant height, crown diameter, leaf area index, Normalized Difference Vegetation Index (NDVI), Green Leaf Index (GLI), and month of data collection. The aerial images were obtained by a RPA equipped with a multispectral camera, and subsequently processed to generate orthomosaics, digital models, and spectral indices. The models performance was measured by the coefficient of determination (R²) and the root mean square error (RMSE). The model demonstrated satisfactory performance, with an RMSE of 13 and an R² of 0.76 in the test set, showing good predictive capacity. After discretizing the predicted values according to the Boldinis scale, an accuracy of 60 and a class accuracy of ±1 of 97 were obtained. The analysis of the importance of the variables indicated a greater contribution from NDVI, followed by GLI and the month of collection. It is concluded that the integration between data obtained by RPA and the Random Forest algorithm shows potential for estimating coffee plant foliation, constituting a promising alternative for more objective and spatially detailed monitoring of the crop.
URI alternaviva: sem URI do Repositório Institucional da UFLA até o momento.
Curso: G001 - AGRONOMIA (BACHARELADO)
Nome da editora: Universidade Federal de Lavras
Sigla da editora: UFLA
País da editora: Brasil
Gênero textual: Trabalho de Conclusão de Curso
Nome da língua do conteúdo: Português
Código da língua do conteúdo: por
Licença de acesso: Acesso aberto
Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras
URI da licença: repositorio.ufla.br
Termos da licença: Acesso aos termos da licença em repositorio.ufla.br
Detentores dos direitos autorais: Augusto Avila de Castro e Universidade Federal de Lavras
Baixar arquivo