@PHDTHESIS{ 2018:1745341675,
 	title = {Modelos agrometeorológicos, espectrais e de inteligência artificial para estimação de produtividade de soja},
 	year = {2018},
 	url = "http://tede.unioeste.br/handle/tede/4173",
 	abstract = "Questões agrícolas globais e locais são levantadas frequentemente devido ao constante crescimento da demanda por alimentos e flutuações no preço das commodities. Pode-se obter informações sobre a produção agrícola de uma determinada região de diversas maneiras. Dentre os diferentes métodos para estimar as produções agrícolas, estão os censos e levantamentos subjetivos, que são os métodos utilizados pelos órgãos oficiais como IBGE e CONAB. Estes métodos demandam tempo e recursos, fazendo com que as informações demorem a ser disponibilizadas para consulta pública. Para melhorar a eficiência desse processo, métodos claros e objetivos são necessários. Portanto, o objetivo da tese foi desenvolver métodos objetivos para estimar a produtividade e a produção de soja no estado do Paraná que possam ser aplicados também para previsão de safras agrícolas. Assim, esta tese está dividida, fundamentalmente, em três artigos, cada um abordando um método para estimativa de produtividade da cultura da soja com uso de dados de sensoriamento remoto e técnicas de modelagem. O primeiro artigo aborda o uso de algoritmos de aprendizado de máquinas e inteligência artificial em dados de sensoriamento remoto para estimar a produtividade de soja no estado do Paraná. O segundo trata do uso de dados de sensoriamento remoto para calibrar o modelo de crescimento CROPGRO em duas fazendas, uma no Brasil e outra nos Estados Unidos. O terceiro apresenta a aplicação do modelo agrometeorológico da FAO para estimar a produtividade de soja no estado do Paraná. Os resultados do primeiro artigo apresentaram desempenhos com baixo erro médio (do inglês, Mean Error – ME) de 3,52 kg ha-1, raiz quadrada do erro médio (do inglês Root Mean Square Error – RMSE) de 373 kg ha-1 e índice de concordância de Wilmoott (dr) de 0,85 com os dados obtidos de fazendas. Já o segundo artigo apresentou um ME de -3,4 kg ha-1 para produtividade, com R2 de 89% no Paraná, Brasil. Já em Iowa, EUA, obteve-se um RMSE de 864 kg ha-1, e um dr de 0,98 para biomassa e RMSE de 904 kg ha-1 e outro dr de 0,89 para peso de vagem. A segunda publicação mostrou que a determinação dos valores do índice de área foliar e da interceptação da luz a partir de índices de vegetação de sensoriamento remoto, como os dados do Índice de Vegetação por Diferença Normalizada (do inglês Normalized Difference Vegetation Index – NDVI), podem ser usados para fins de calibração do modelo da cultura. O terceiro artigo avaliou o software CyMP para estimar a produtividade de soja no estado do Paraná de 2013 a 2016, obtendo diferenças a partir de 31 kg ha-1 entre a produtividade estimada e a reportada pela CONAB.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Agrícola},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}