logo RIMA
logo UFRRJ

  1. Repositório de Múltiplos Acervos da UFRRJ
  2. Teses e Dissertações
  3. Programa de Pós-Graduação em Engenharia Agrícola e Ambiental
  4. Mestrado em Engenharia Agrícola e Ambiental
Por favor, use este identificador para citar o enlazar este ítem: http://rima.ufrrj.br/jspui/handle/20.500.14407/26145
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorNhantumbo, Bilton Gilberto-
dc.date.accessioned2026-08-21T14:10:55Z-
dc.date.available2026-08-21T14:10:55Z-
dc.date.issued2026-02-09-
dc.identifier.citationNHANTUMBO, Bilton Gilberto. Fenotipagem digital aplicada e redes neurais artificias para estimativa de variáveis biométricas de mudas de Moringa olifeira Lam. 2026. 81 f. Dissertação (Mestrado em Engenharia Agrícola e Ambiental) - Instituto de Tecnologia, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2026.pt_BR
dc.identifier.urihttp://rima.ufrrj.br/jspui/handle/20.500.14407/26145-
dc.description.abstractA 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 sustentáveispt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal Rural do Rio de Janeiropt_BR
dc.subjectAnálise de imagenspt_BR
dc.subjectAprendizado computacionalpt_BR
dc.subjectAtributos morfométricospt_BR
dc.subjectMonitoramento vegetativopt_BR
dc.subjectReflectância espectralpt_BR
dc.subjectSpectral reflectancept_BR
dc.subjectComputational learningpt_BR
dc.subjectVegetative monitoringpt_BR
dc.subjectMorphometric attributespt_BR
dc.subjectImage analysispt_BR
dc.titleFenotipagem digital aplicada e redes neurais artificias para estimativa de variáveis biométricas de mudas de Moringa olifeira Lampt_BR
dc.title.alternativeDigital phenotyping and artificial neural networks applied to estimate biometric variables of Moringa oleifera Lam seedlingsen
dc.typeDissertaçãopt_BR
dc.description.abstractOtherThe growing demand for high-quality seedlings has driven the use of digital phenotyping techniques in the forestry sector, especially for fast-growing species such as Moringa oleifera Lam. With technological advances and the increasing need to improve efficiency in seedling production, digital phenotyping has emerged as a promising alternative for non-destructive monitoring, enabling fast, accurate, and low-cost evaluations. In this context, multispectral imaging techniques have been widely applied to characterize biometric attributes, support decision-making in forest nurseries, and optimize the management of forest species. The aim of this research was to assess the potential of multispectral images for estimating Leaf Area Index (LAI) and stem diameter of Moringa oleifera seedlings using multiple linear regression models and artificial neural networks (ANN). The experiment was carried out during the early growth of the seedlings, with weekly assessments involving the collection of traditional biometric variables (LAI and diameter) and the acquisition of images using a MAPIR Survey3 camera (red - R, green - G, and near infrared - NIR bands). For each assessment, vegetation indices NDVI, GNDVI, RVI, and CVI were calculated after radiometric correction and image segmentation. Pearson correlation showed strong associations between LAI and NDVI (r = 0.89), GNDVI (r = 0.98), and SAVI (r = 0.90), while stem diameter displayed high correlations with NDVI (r = 0.88) and GNDVI (r = 0.79). Multiple linear regression models demonstrated high performance in estimating LAI (R2 = 0.935) and stem diameter (R2 = 0.90), with GNDVI standing out as the most influential variable. The artificial neural network analysis produced superior results, achieving R2 = 0.994 for LAI and R2 = 0.992 for stem diameter, indicating excellent generalization capacity. The results demonstrate that the combination of digital phenotyping and statistical modeling or artificial intelligence algorithms constitutes a robust tool for estimating biometric attributes in seedlings, enabling significant advances in forest nurseries monitoring and supporting more efficient and sustainable management practicesen
dc.contributor.advisor1Lyra, Gustavo Bastos-
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-9882-7000pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2677800541601144pt_BR
dc.contributor.advisor-co1Costa, Anderson Gomide-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0003-0594-8514pt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/6959807888629144pt_BR
dc.contributor.referee1Lyra, Gustavo Bastos-
dc.contributor.referee1IDhttps://orcid.org/0000-0002-9882-7000pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2677800541601144pt_BR
dc.contributor.referee2Neves, Ricardo Vilar-
dc.contributor.referee2IDhttps://orcid.org/0000-0002-6645-7076pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0492083661768127pt_BR
dc.contributor.referee3Abreu, Marcel Carvalho-
dc.contributor.referee3IDhttps://orcid.org/0000-0002-6457-421Xpt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/1077971257668024pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/5299893674654948pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Tecnologiapt_BR
dc.publisher.initialsUFRRJpt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Agrícola e Ambientalpt_BR
dc.relation.referencesAASEN, Helge; BURKART, Andreas; BARETH, Georg; BENDIG, Juliane. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. ISPRS Journal of Photogrammetry and Remote Sensing, Amsterdam, v. 108, p. 245–259, 2018. AHMED, Dr. Roheen Qamar, Mesopotamian Journal of Computer science Vol.(2023), 2023, pp. 130-139. 2023. ALMEIDA, André Quintão De et al. Índice de Área Foliar de Eucalyptus Estimado por Índices de Vegetação Utilizando Imagens TM - Landsat 5. Floresta e Ambiente, v. 22, n. 3, p. 368–376, set. 2015. ALVINO, Francisco C. G. et al. Vegetation Indices For Irrigated Corn Monitoring. Engenharia Agrícola, v. 40, n. 3, p. 322–333, jun. 2020. ANG, Muliady et al. Rice Leaf Nitrogen Content Estimation Through A Methodological Framework Using Single-Sensor Multispectral Images. Journal of Engineering Technology and Applied Physics, v. 6, n. 2, p. 38–46, 15 set. 2024. AZEEM, Muhammad et al. Salinity stress improves antioxidant potential by modulating physio- biochemical responses in Moringa oleifera Lam. Scientific Reports, v. 13, n. 1, p. 2895, 18 fev. 2023. BADAGLIACCA, Giuseppe et al. Multispectral Vegetation Indices and Machine Learning Approaches for Durum Wheat (Triticum durum Desf.) Yield Prediction across Different Varieties. AgriEngineering, v. 5, n. 4, p. 2032–2048, 2 nov. 2023. Benchmarking of chlorophyll vegetation index (CVI)-2020. Disponível em: <https://www.researchgate.net/figure/Benchmarking-of-chlorophyll-vegetation-index-CVI- 2020_fig23_358044519>. Acesso em: 24 maio. 2025. BINOTI, Mayra Luiza Marques Da Silva; BINOTI, Daniel Henrique Breda; LEITE, Helio Garcia. Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore, v. 37, n. 4, p. 639–645, ago. 2013. 57 BRÉDA, N. Ground-based measurements of leaf area index: a review of methods, instruments and current controversies. Journal of Experimental Botany, Oxford, v. 54, n. 392, p. 2403–2417, 2003. CAMPBELL, G. S.; NORMAN, J. M. An introduction to environmental biophysics. 2. ed. New York: Springer, 1998. CARVALHO, Laynne Araujo et al. Plantas alimentícias não convencionais e seus principais compostos bioativos. Brazilian Journal of Development, v. 9, n. 3, p. 11579–11591, 20 mar. 2023. CHAN, Kit Yan et al. Deep neural networks in the cloud: Review, applications, challenges and research directions. Neurocomputing, v. 545, p. 126327, ago. 2023. CHECHI, L. et al. Estimation of canopy cover and leaf area index by multispectral imaging in early growth stages. Remote Sensing Applications: Society and Environment, v. 23, 2021. DOI: https://doi.org/10.1016/j.rsase.2021.100532 CHITIYO, Sharon T. et al. Biochemical responses of Moringa oleifera Lam. plants to graded moisture deficit. South African Journal of Botany, v. 138, p. 41–49, maio 2021. Coelho de Pesquisa. Disponível em: <https://researchrabbitapp.com/home>. Acesso em: 4 fev. 2025. CORREIA, Pedro M. P. et al. High-throughput phenotyping of physiological traits for wheat resilience to high temperature and drought stress. Journal of Experimental Botany, v. 73, n. 15, p. 5235–5251, 3 set. 2022. DANIELS, Louis et al. Identifying the Optimal Radiometric Calibration Method for UAV-Based Multispectral Imaging. Remote Sensing, v. 15, n. 11, p. 2909, jan. 2023. DE JESUS LOBO, Laurenice et al. Desenvolvimento inicial de mudas de moringa oleífera em diferentes substratos. Recital - Revista de Educação, Ciência e Tecnologia de Almenara/MG, v. 5, n. 1, p. 106–116, 28 abr. 2023a. DE OLIVEIRA, Romário Porto et al. Predicting Sugarcane Biometric Parameters by UAV Multispectral Images and Machine Learning. Agronomy, v. 12, n. 9, p. 1992, 23 ago. 2022. 58 DE SOUSA, Jonathan R. et al. Python e predição de dados usando redes neurais multicamadas. 2021. DEBASTIANI, A. B.; MOURA, M. M.; REX, F. E.; SANQUETTA, C. R.; CORTE, A. P. D.; PINTO, N. Regressões robusta e linear para estimativa de biomassa via imagem Sentinel em uma floresta tropical. Biofix Scientific Journal, Curitiba, v. 4, n. 2, p. 81–87, 2019. DOI: https://doi.org/10.5380/biofix.v4i2.62922 DEPARTMENT OF GEOGRAPHY, OBAFEMI AWOLOWO UNIVERSITY, ILE-IFE, NIGERIA; AYANLADE, Ayansina. Remote sensing vegetation dynamics analytical methods: a review of vegetation indices techniques. Geoinformatica Polonica, v. 16, p. 7–17, 2017. DIMYATI, M. et al. A Comparison Of Several UAV-Based Multispectral Imageries In Monitoring Rice Paddy (A Case Study In Paddy Fields In Tottori Prefecture, Japan). ISPRS International Journal of Geo-Information, v. 12, n. 2, art. 36, 2023 DIRKS, Matthew; POOLE, David. Automatic neural network hyperparameter optimization for extrapolation: Lessons learned from visible and near-infrared spectroscopy of mango fruit. Chemometrics and Intelligent Laboratory Systems, Amsterdam, v. 231, p. 104685, 2022. DOI: 10.1016/j.chemolab.2022.104685. DU, Xinwu et al. Classification of plug seedling quality by improved convolutional neural network with an attention mechanism. Frontiers in Plant Science, v. 13, p. 967706, 4 ago. 2022. DUARTE, H. F. et al. Seasonal variation of leaf area index and its relationship with meteorological variables in a Brazilian cerrado. Acta Scientiarum. Agronomy, Maringá, v. 38, n. 1, p. 33–42, 2016. ELIAS, Adão Robson; PIROLI, Edson Luís; FELIPETTO, Henrique Dos Santos. Análise de imagens multiespectrais de RPA para mapeamento de vegetação em áreas ciliares. Periódico Eletrônico Fórum Ambiental da Alta Paulista, v. 20, n. 2, 29 jun. 2024. FAN, X.; GAO, P.; ZHANG, M.; CANG, H.; ZHANG, L.; ZHANG, Z.; WANG, J.; LV, X.; ZHANG, Q.; MA, L. The fusion of vegetation indices increases the accuracy of cotton leaf area prediction. Frontiers in Plant Science, v. 15, 2024. DOI: 10.3389/fpls.2024.1357193. 59 FARIA, R. T. et al. Leaf area index, crop coefficient and water relations of coffee crop. Agricultural Water Management, Amsterdam, v. 95, n. 11, p. 1261–1270, 2008. FERNANDES, M. M. et al. Redes neurais artificiais na estimação de variáveis biométricas de mudas de espécies florestais produzidas em diferentes substratos. Revista de Ciências Agroveterinárias, v. 18, n. 1, p. 47–58, 2019. DOI: https://doi.org/10.5965/223811711812019047 FERRAZ, Marcelo Araújo Junqueira et al. Sorghum grain yield estimation based on multispectral images and neural network in tropical environments. Smart Agricultural Technology, v. 9, p. 100661, dez. 2024. FILHO, Henrique Bergamin et al. Centro De Energia Nuclear Na Agricultura Universidade De São Paulo. 2010. FRANCISCO MARTO DE SOUZA et al. Initial growth of Moringa oleifera Lam. as a function of poultry litter doses and granulometry. Scientia Agrícola, v. 76, n. 4, 2018. DOI: 10.1590/1983- 40632018v4852447. FRARE, Julio Cesar Vieira. Qualidade Do Solo E Dinâmica De Crescimento De Espécies Florestais E Frutíferas Em Sistemas Agroflorestais Sem Queima Na Amazônia. 2023. GAO, Si et al. Assessment of remote-sensed vegetation indices for estimating forest chlorophyll concentration. Ecological Indicators, v. 162, p. 112001, maio 2024. GARBOUGE, Hadhami; RASTI, Pejman; ROUSSEAU, David. Enhancing the Tracking of Seedling Growth Using RGB-Depth Fusion and Deep Learning. Sensors, v. 21, n. 24, p. 8425, 17 dez. 2021. GILL, Taqdeer et al. A Comprehensive Review of High Throughput Phenotyping and Machine Learning for Plant Stress Phenotyping. Phenomics, v. 2, n. 3, p. 156–183, jun. 2022. 60 GLEICIANA NASCIMENTO DE ALMEIDA et al. Desenvolvimento de mudas de Moringa oleifera submetidas a diferentes substratos. Revista Ciência Agrícola, v. 17, n. 2, 6511, 2019. DOI: 10.28998/rca.v17i2.6511. GONÇALVES, D.; SILVA, F.; ALMEIDA, R. Modelagem linear e redes neurais aplicadas ao processamento de dados ambientais. Revista Brasileira de Ecologia, v. 20, p. 45–59, 2016. GONTIJO DA CUNHA, Vitor A. et al. Early detection of tomato bacterial spot disease in transplant tomato seedlings utilising remote sensing and artificial intelligence. Biosystems Engineering, v. 234, p. 172–186, out. 2023. JOHANSEN, Kasper et al. Unmanned Aerial Vehicle-Based Phenotyping Using Morphometric and Spectral Analysis Can Quantify Responses of Wild Tomato Plants to Salinity Stress. Frontiers in Plant Science, v. 10, 29 mar. 2019. JONCKHEERE, I. et al. Review of methods for in situ leaf area index determination: part I. Theories, sensors and hemispherical photography. Agricultural and Forest Meteorology, Amsterdam, v. 121, n. 1–2, p. 19–35, 2004. KUNSTMAN, Grzegorz et al. Nondestructive Detection Method for the Calcium and Nitrogen Content of Living Plants Based on Convolutional Neural Networks (CNN) Using Multispectral Images. Agriculture, v. 12, n. 6, p. 747, 25 maio 2022. LAFETÁ, Bruno Oliveira et al. Crescimento diamétrico e tempo de passagem em um fragmento de Mata Atlântica sob recuperação florestal. Revista de Ciências Agroveterinárias, v. 23, n. 3, p. 483–491, 4 out. 2024. LAZZARINI, Luiz Eduardo Santos et al. Uso De Diodos Emissores De Luz (Led) Na Fisiologia De Plantas Cultivadas – REVISÃO. v. 16, n. 2, 2017. LI, Yi et al. Individual tree segmentation of airborne and UAV LiDAR point clouds based on the watershed and optimized connection center evolution clustering. Ecology and Evolution, v. 13, n. 7, p. e10297, jul. 2023. LIMA, Mauro Almeida et al. Uso de Redes Neurais Artificiais (RNA) do tipo Multilayer Perceptrons (MLP) modificado com processamento estatístico em paralelo para estudo do 61 problema de classificação da origem de vinho tinto. Revista Brasileira de Agropecuária Sustentável, v. 6, n. 2, 30 jun. 2016. LIU, Shuaibing et al. Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms. Plant Physiology, v. 187, n. 3, p. 1551–1576, 3 nov. 2021. LIU, Tao et al. Maize height estimation using combined unmanned aerial vehicle oblique photography and LIDAR canopy dynamic characteristics. Computers and Electronics in Agriculture, v. 218, p. 108685, mar. 2024. LV, Fangyi et al. Estimation of Leaf Area Index across Biomes and Growth Stages Combining Multiple Vegetation Indices. Sensors, v. 24, n. 18, p. 6106, 21 set. 2024. MACHADO, Igor Eloi Silva et al. Modelos para estimativa de variáveis florestais com a utilização de imagens multiespectrais. Pesquisa Florestal Brasileira, v. 37, n. 90, p. 171, 30 jun. 2017. MAKKY, Muhammad. Multi-modal Bio-metrics Evaluation for Non-destructive Age States Determination of Tomato Plants (Solanum lycopersicum). International Journal on Advanced Science, Engineering and Information Technology, v. 6, n. 3, p. 349, 10 maio 2016. MARTINS, George D. et al. Estimation of biometric, physiological, and nutritional variables in lettuce seedlings using multispectral images. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 25, n. 10, p. 689–695, ago. 2021. MASHAMAITE, Chuene Victor et al. Local Knowledge, Perceptions, and Uses of the Potentially Conflict-Generating Plant Species, Moringa oleifera Lam.: A case Study in Limpopo Province, South Africa. Human Ecology, v. 51, n. 5, p. 979–994, out. 2023. MELNYK, Oleksandr; BRUNN, Ansgar. Analysis of Spectral Index Interrelationships for Vegetation Condition Assessment on the Example of Wetlands in Volyn Polissya, Ukraine. Earth, v. 6, n. 2, p. 28, 11 abr. 2025. MERAJ, Talha et al. Computer vision-based plants phenotyping: A comprehensive survey. iScience, v. 27, n. 1, p. 108709, jan. 2024. 62 MONTEITH, J. L. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology, London, v. 9, n. 3, p. 747–766, 1972. MURALI, M.; ANTONY JOSEPH RAJ; AFAQ MAJID WANI. Survival, growth, and leaf area index of annual Moringa oleifera cuttings in different diameter classes. International Journal of Advanced Biochemistry Research, v. 7, n. 2S, p. 259–264, 2023. DOI: 10.33545/26174693.2023.v7.i2Sd.220. NIȚU, Andreea et al. NDVI and Beyond: Vegetation Indices as Features for Crop Recognition and Segmentation in Hyperspectral Data. Sensors, v. 25, n. 12, p. 3817, 18 jun. 2025. NORMAN, J. M.; CAMPBELL, G. S. Canopy structure. In: PEARCY, R. W. et al. (ed.). Plant physiological ecology: field methods and instrumentation. London: Chapman and Hall, 1989. p. 301–325. OLIVEIRA JUNIOR, Valdir Moura De et al. CRESCIMENTO VEGETATIVO DA MORINGA EM DISTINTOS REGIMES DE IRRIGAÇÃO ASSOCIADOS A COMPOSIÇÕES DE DIFERENTES SUBSTRATOS. IRRIGA, v. 1, n. 4, p. 646–652, 23 dez. 2021. OLIVEIRA, Andressa Pereira et al. Utilização de arquiteturas de redes neurais artificiais para a análise do fluxo de potência com geração distribuída. Caderno Pedagógico, v. 21, n. 1, p. 663–681, 8 jan. 2024. OLIVEIRA, P. L. G.; et al. Artificial Neural Network and Remote Sensing combined to predict the Aboveground Biomass in the Cerrado biome. Anais da Academia Brasileira de Ciências, Rio de Janeiro, v. 96, n. 3, 2024. DOI: https://doi.org/10.1590/0001-3765202420221041 OLIVEIRA, Palloma Vitória Carlos de et al. Utilização de moringa oleífera na alimentação animal / Utilization of oil moringa oleiferous in animal feed. Brazilian Journal of Development, v. 6, n. 7, p. 53881–53893, 3 ago. 2020. OLIVEIRA, Rubmara Ketzer. Avaliação de cultivos por meio de índices de vegetação obtidos por câmera multiespectral. Doutorado em Engenharia de Sistemas Agrícolas—Piracicaba: Universidade de São Paulo, 8 fev. 2024. 63 PATIL, Satish V. et al. Moringa Tree, Gift of Nature: a Review on Nutritional and Industrial Potential. Current Pharmacology Reports, v. 8, n. 4, p. 262–280, ago. 2022. PEDRO, Tiago Otílio Baptista; ROMUA, Cássimo Lacerda; SERROTE, Caetano Miguel Lemos. Alternative Substrates For The Production Of Moringa Seedlings In Mozambique. v. 19, n. 2, 2021. PEREIRA, Etiandro et al. Produção E Crescimento Inicial Da Moringa Em Diferentes Doses De Esterco Ovino. Agrarian Academy, v. 6, n. 11, p. 281–291, 22 jul. 2019. PEREIRA, Fernando Vasconcelos et al. Estimating coffee crop parameters through multispectral imaging and machine learning algorithms. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. X-3–2024, p. 317–323, 4 nov. 2024. PEREIRA, R. et al. Artificial neural networks for phenotyping seedlings under controlled conditions. Computers and Electronics in Agriculture, v. 209, 2024. DOI: https://doi.org/10.1016/j.compag.2023.108225 PINA, J. C.; MORBECK DE OLIVEIRA, A. K.; MATIAS, R. Crescimento inicial de Moringa oleifera em substrato arenoso com adição de vermicomposto em duas luminosidades. Revista Unimontes Científica, v. 25, n. 2, p. 1–16, 2023. DOI: 10.46551/ruc.v25n2a8. PINA, José Carlos; MORBECK DE OLIVEIRA, Ademir Kleber; MATIAS, Rosemary. Crescimento inicial de Moringa oleifera em substrato arenoso com adição de vermicomposto em duas luminosidades: Initial growth of Moringa oleifera in the sandy substrate with the addition of vermicompost in two luminosities. Revista Unimontes Científica, v. 25, n. 2, p. 1–16, 16 ago. 2023. POHAN, S.; WARSITO, B.; SURYONO, S. Backpropagation artificial neural network for prediction plant seedling growth. Journal of Physics: Conference Series, v. 1524, n. 1, p. 012147, 2020. DOI: 10.1088/1742-6596/1524/1/012147. PRADO, Everton V. do et al. Fenotipagem digital de plantas por meio de ferramentas digitais e sensores multiespectrais. Revista Científica Agrícola, Ituverava, v. 20, n. 1, p. 101–110, 2023. QI, Haixia et al. Estimation of Peanut Leaf Area Index from Unmanned Aerial Vehicle Multispectral Images. Sensors, v. 20, n. 23, p. 6732, 25 nov. 2020. 64 RIBEIRO, Ana Maria Pereira et al. Fenotipagem de plântulas de tabaco pela análise de imagens. CONTRIBUCIONES A LAS CIENCIAS SOCIALES, v. 17, n. 2, p. e5437, 26 fev. 2024. ROBSON LUIS SILVA DE MEDEIROS; ADAILZA GUILHERME CAVALCANTE; ALIAN CÁSSIO PEREIRA CAVALCANTE; VÊNIA CAMELO DE SOUZA. Crescimento e qualidade de mudas de Moringa oleifera Lam em diferentes proporções de composto orgânico. Revista Ifes Ciência, v. 3, n. 1, p. 204–216, 2017. DOI: 10.36524/ric.v3i1.315. RODRIGUES, José Cunegundes Weckner et al. A Importância Da Produção De Mudas De Essências Florestais Na Região Amazônica: Uma Revisão Sistemática. Revista Científica da Faculdade de Educação e Meio Ambiente, v. 14, n. 1, p. 10–24, 22 fev. 2023. SANTOS, M. N. et al. Machine learning and spectral vegetation indices for estimating leaf area index in crops. Remote Sensing, v. 14, n. 5, 2022. DOI: https://doi.org/10.3390/rs14051234 SANTOS, Otávio Lube Dos; PANDOLFI, André Serafim; RAMALDES, Gabriel Pecinalli. Análise De Índice De Vegetação Através De Imagens Obtidas Por Vant. Revista Científica Faesa, v. 14, n. 1, p. 142–162, 1 dez. 2018. SANTOS, R. S. et al. Growth and biomass production of Moringa oleifera cultivated in semiarid region as responses to row spacing and cuts. Tropical Animal Science Journal, v. 44, n. 2, p. 18307, 2021. DOI: 10.5398/tasj.2021.44.2.183. Sapkota, A., Haghverdi, A., & Montazar, A. Estimativa da produtividade da alfafa ( Medicago sativa L.) colhida no outono usando imagens multiespectrais e térmicas obtidas por veículos aéreos não tripulados no sul da Califórnia. Agrosystems, Geosciences & Environment , 6 (2). https://doi.org/10.1002/agg2.20392. 2023. SILVA, Carlos Augusto Alves Cardoso; OLIVEIRA, et al. Generalization of VIS–NIR–SWIR spectral models for nitrogen prediction in sugarcane leaves. Remote Sensing, Basel, v. 16, n. 22, art. 4250, 2024. DOI: 10.3390/rs16224250. SILVA, Leonardo França Da et al. Sensoriamento Remoto E Índices De Vegetação: Conceitos E Aplicações - REVISÃO DE LITERATURA. In: SILVA, Leonardo França Da; OLIVEIRA, Josiane 65 Rosa Silva De; JESUS, Fernanda Lamede Ferreira De (Eds.). Cultivando o futuro: tendências e desafios nas ciências agrárias 5. 1. : Atena Editora, 2024. p. 19–32. SILVA, Maria Vitoria Serafim Da; PADILHA, Rodrigo Tenório; PADILHA, Déborah De Melo Magalhães. Benefícios da Moringa oleifera para saúde humana e animal: Revisão de Literatura. Research, Society and Development, v. 10, n. 8, p. e50010817495, 16 jul. 2021. SILVA, Marina. Estratégias de seleção de milho doce por fenotipagem convencional e de alto desempenho. [S.l.]: Universidade Federal de Uberlândia, 27 fev. 2020. SILVA, Wallyson Francisco Lopes Da et al. Desenvolvimento inicial de mudas de moringa oleífera Lam submetidas a diferentes de substrates. Conjecturas, v. 21, n. 3, p. 434–450, 27 set. 2021. SIMÕES, Cláudia Rossini et al. Imagens multiespectrais para avaliação de índice de área foliar e massa seca do capim “Tifton 85”, sob adubação nitrogenada. Ciência Rural, v. 45, n. 4, p. 697– 703, abr. 2015. SOARES, Júlia Martins et al. Low-cost system for multispectral image acquisition and its applicability to analysis of the physiological potential of soybean seeds. Acta Scientiarum. Agronomy, v. 45, p. e57060, 22 nov. 2022. SONIA et al. Appraisal of long-term responsiveness of normalized difference vegetation index to climatic factors using multiscale time–frequency decomposition in an arid environment. Frontiers in Earth Science, v. 11, p. 1265292, 19 out. 2023. SOUZA, Francisco Marto De. Universidade Federal da Paraíba Centro de Ciências Agrárias Departamento de Solos e Engenharia Rural Programa de Pós-Graduação em Ciência do Solo. 2018. SOUZA, Jhiorranni F. et al. Relationship between spectral indices and quality parameters of tifton 85 forage. Revista Caatinga, v. 37, p. e12139, 2024. STAMFORD, John D. et al. Development of an accurate low cost NDVI imaging system for assessing plant health. Plant Methods, v. 19, n. 1, p. 9, 30 jan. 2023. 66 STRONG, Conor J.; BURNSIDE, Niall G.; LLEWELLYN, Dan. The potential of small- Unmanned Aircraft Systems for the rapid detection of threatened unimproved grassland communities using an Enhanced Normalized Difference Vegetation Index. PLOS ONE, v. 12, n. 10, p. e0186193, 12 out. 2017. THARUKA, M. V. T.; KULARATHNA, K. M.; RAY, Ram L. Application of RGB-Imaging techniques for high-throughput plant phenotyping- A Review. Turkish Journal of Agriculture - Food Science and Technology, v. 13, n. s2, p. 3678–3686, 23 nov. 2025. TRINDADE, Polyanna Ribeiro; RODRIGUES, Carlos Ribeiro. Sensores Portáteis Para Avaliação Do Nitrogênio Na Soja E Avaliação Do Crescimento De Raiz De Milho Com Bioestimulante. 2020. UNNI, Rohit et al. Advancing materials science through next-generation machine learning. Current Opinion in Solid State and Materials Science, v. 30, p. 101157, jun. 2024. VIDICAN, Roxana et al. Using Remote Sensing Vegetation Indices for the Discrimination and Monitoring of Agricultural Crops: A Critical Review. Agronomy, v. 13, n. 12, p. 3040, dez. 2023. VINCINI, M.; FRAZZI, E.; D’ALESSIO, P. A broad-band leaf chlorophyll vegetation index at the canopy scale. Precision Agriculture, v. 9, n. 5, p. 303–319, out. 2008. WANG, Weixuan et al. Integration of high-throughput phenotyping, GWAS, and predictive models reveals the genetic architecture of plant height in maize. Molecular Plant, v. 16, n. 2, p. 354–373, fev. 2023. WANG, Y. et al. UAV multispectral remote sensing for agriculture: A comparative study of radiometric correction methods under varying illumination conditions. Biosystems Engineering, v. 248, p. 240–254, 2024 Watson, D. J. Comparative physiological studies on the growth of field crops: I. Variation in net assimilation rate and leaf area between species and varieties and within and between years. Annals of Botany, v. 11, p. 41–76, 1947 67 WATSON, D. J. Comparative physiological studies on the growth of field crops: I. Variation in net assimilation rate and leaf area between species and varieties and within and between years. Annals of Botany, Oxford, v. 11, n. 41, p. 41–76, 1947. XIE, Jiayang; SHEN, Yutao; CEN, Haiyan. Real-time Reflectance Generation for UAV Multispectral Imagery using an Onboard Downwelling Spectrometer in Varied Weather Conditions. arXiv, , 27 dez. 2024. Disponível em: <http://arxiv.org/abs/2412.19527>. Acesso em: 9 jan. 2026 XUE, Jinru; SU, Baofeng. Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications. Journal of Sensors, v. 2017, p. 1–17, 2017. YAN, Kai et al. A global systematic review of the remote sensing vegetation indices. International Journal of Applied Earth Observation and Geoinformation, v. 139, p. 104560, maio 2025. ZHANG, Yamei et al. Hyperspectral Prediction Models of Chlorophyll Content in Paulownia Leaves under Drought Stress. Sensors, v. 24, n. 19, p. 6309, 29 set. 2024pt_BR
dc.subject.cnpqEngenharia Agrícolapt_BR
Aparece en las colecciones: Mestrado em Engenharia Agrícola e Ambiental

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
BILTON GILBERTO NHANTUMBO.pdf2,06 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem Visualizar estatísticas


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.