@MASTERSTHESIS{ 2025:1584184281,
 	title = {Aplicação de VANTS e imagens RGB na agricultura de precisão: detecção de plantas daninhas em cana-de-açúcar},
 	year = {2025},
 	url = "http://sistemas2.uespi.br/handle/tede/2268",
 	abstract = "A otimização da produção agrícola, por meio da agricultura de precisão (AP), 
 é fundamental para o uso eficiente de insumos e a minimização de impactos 
 ambientais. Este estudo comparou métodos de detecção de plantas daninhas em cana
 de-açúcar utilizando imagens RGB obtidas por Veículos Aéreos Não Tripulados 
 (VANTs). A pesquisa foi realizada na Usina de Álcool e Açúcar da Companhia do Vale 
 do Parnaíba (COMVAP), em União, Piauí. As imagens foram capturadas por um drone 
 DJI Air 2S, equipado com câmera RGB, a uma altitude de 120 metros, com velocidade 
 de 8,0 m/s e sobreposição de 80%. O processamento dos ortomosaicos foi feito 
 utilizando o software WebODM®. A identificação das plantas daninhas ocorreu no 
 QGIS, onde foram aplicados os índices de vegetação Green Leaf Index (GLI) e Visible 
 Atmospherically Resistant Index (VARI), além do classificador supervisionado Random 
 Forest. Para o Random Forest, o ortomosaico foi reprojetado para 10 cm/pixel devido 
 a limitações de desempenho. A comparação estatística entre os métodos foi realizada 
 pelo teste z. Os resultados mostraram que o GLI estimou 1.095,41 m² (1,2%) de 
 infestação, o VARI identificou 4.442,10 m² (5,0%), e o Random Forest, 1.454,91 m² 
 (1,66%) em uma área total de estudo de 87.313,18 m² (equivalente a 8,731 hectares). 
 As diferenças entre os métodos foram estatisticamente significativas (p < 0,0001). 
 Conclui-se que VANTs com imagens RGB são viáveis para a detecção de plantas 
 daninhas, e o método Random Forest oferece o melhor equilíbrio entre precisão e 
 realismo para essa finalidade.",
 	publisher = {Universidade Estadual do Piauí},
 	scholl = {Bacharelado em Engenharia Agronômica},
 	note = {Centro de Ciencias Agrarias}
}