Sarah Abade Ribeiro

Formação complementar

Idiomas

Áreas de atuação

Participação em eventos

Projetos de pesquisa

• 2022 - 2023

  Desenvolvimento de modelo de predição de severidade do mofo-branco em feijoeiro com base em técnicas de machine learning, Descrição: O feijão é um item básico da alimentação do brasileiro. É fonte de carboidratos, proteínas, vitaminas e sais minerais. O feijão pode ser cultivado durante todo o ano, em três safras, geralmente denominadas de primeira, segunda e terceira safra. Para o feijão de terceira safra, também denominado feijão de outono-inverno, a irrigação é indispensável. O clima mais ameno e a umidade proporcionada pela irrigação da terceira safra podem favorecer o desenvolvimento de doenças fúngicas, como o mofo-branco, causada pelo fungo Sclerotinia sclerotiorum. Esta doença exige que os agricultores façam, pelo menos, duas aplicações fungicidas a partir da floração. Sendo assim, compreender os fatores que favorecem o desenvolvimento do mofo-branco é de elevada importância, uma vez que podem facilitar o combate à doença por meio da identificação de quando esta pode surgir e como pode ser sua severidade. Dessa forma, este trabalho propôs desenvolver um modelo de machine learning para prever o risco de ocorrência do mofo-branco no feijoeiro com base em dados históricos de ocorrência desta doença obtidos em condições de campo. Os dados são provenientes de cinco experimentos realizados nas cidades de Oratórios/MG (anos 2014 e 2015) e Viçosa/MG (anos 2000, 2001 e 2017). Para este trabalho, dos dados coletados nestes cinco experimentos foram o Índice de Severidade de Doença, a densidade do plantio, a variedade cultivada (Pérola, VC17 e Madrepérola), a aplicação ou não aplicação de fungicida, o fechamento de fileira, a precipitação e as temperaturas mínima, média e máxima diárias. Realizou-se uma análise estatística para determinar como essas diferentes variáveis do banco de dados afetam risco de ocorrência do mofo-branco. Tomando por base as variáveis que mais afetaram a severidade da doença, foi utilizado o modelo Random Forest (RF) para a predição de severidade por meio de regressão. O erro médio absoluto (MAE) e o coeficiente de determinação (R2) foram utilizados para avaliar o modelo de previsão de severidade. O modelo RF com base na densidade, aplicação ou não aplicação de fungicida, fechamento de fileira, precipitação e temperatura média apresentou um MAE de 8,53 e R2 de 0,83. Obteve-se ainda, para o modelo com base na densidade, aplicação ou não aplicação de fungicida, precipitação e temperatura média, resultados de MAE de 9,85 e R2 de 0,79. Diante dos resultados obtidos, inferiu-se que a predição da severidade do mofo-branco pode ser realizada usando apenas a densidade, aplicação ou não aplicação de fungicida, fechamento de fileira, precipitação e temperatura média num banco de dados limitado, tornando viável sua utilização por produtores com pouca capacidade de coleta e com baixa densidade de dados.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Doutorado: (4) . , Integrantes: Sarah Abade Ribeiro - Integrante / Miquéias Henrique Pereira - Integrante / Daniel Marçal de Queiroz - Coordenador / Charles Cardoso Santana - Integrante / Flávio Souza Santos - Integrante / Rogério Faria Vieira - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.

• 2022 - 2023

  Estimativa da produtividade de milho com base em imagens multiespectrais e aprendizado de máquina, Descrição: O desenvolvimento de técnicas que permitam predizer de forma precisa e não destrutiva a produtividade de milho é importante para os agricultores. Embora os métodos convencionais de predição possam ser aplicados em qualquer área/talhão de cultivo, estes são geralmente realizados de forma manual, o que é dispendioso e apresenta baixa resolução espacial. Os métodos usando técnicas de aprendizado de máquinas com base em imagens podem substituir os procedimentos convencionais com segurança, tendo em vista que são rápidos, precisos e também conseguem retratar a variabilidade espacial da área.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (3) / Doutorado: (3) . , Integrantes: Sarah Abade Ribeiro - Coordenador / Miquéias Henrique Pereira - Integrante / Daniel Marçal de Queiroz - Integrante / Charles Cardoso Santana - Integrante / Flávio Souza Santos - Integrante / Mateus Soares Assunção - Integrante.