Implementação de modelos de espectroscopia hiperespectral e nanossatélite na identificação de cultivares de vitis vinifera e suas variações regionais

Abstract

O Brasil é destaque na produção mundial de uvas e demonstra uma constante evolução ao longo de sua histórica, desde 1980, com o Estado do Rio Grande do Sul, no topo da lista de produtores. Diversas regiões produtoras de uvas e vinhos no Brasil tem organizado suas atividades no sentido de se tornarem reconhecidas como “Indicações de Procedência” (IP), dando tipicidade e caráter regional aos seus produtos. Esta caracterização requer descrições dos impactos das condições ambientais e do trabalho humano. A utilização de dados adquiridos por sensoriamento remoto, incluindo dados proximais hiperespectrais e de satélites, permitem classificar e caracterizar as variedades de uvas e suas respectivas unidades produtoras de diversas localidades, sob condições climáticas e antrópicas diferenciadas. Esta tese tem como principal objetivo desenvolver uma metodologia para aquisição de dados, treinamento de modelos de hiperespectrais por sensor proximal e imagens via nanossatélite. A área de estudo é composta por oito vinhedos comerciais localizados no Rio Grande do Sul, Brasil. Na primeira fase deste estudo, a unidade de análise foi a folha isolada da videira em diferentes regiões. Posteriormente foi realizado o levantamento dos parâmetros de clorofila, Teor de Sólidos Totais (TST) ou °Brix da uva, espectros de reflectância hiperespectral e imagens de nanossatélite em parcelas de Cabernet Sauvignon em uma vinícola da Serra Gaúcha. Os modelos Light Gradient Booster Machine (LGBM) e Random Forest (RF) obtiveram as melhores acurácias na discriminação espectral em regiões do ultravioleta (UV) e visível (VIS). As estimativas apresentaram elevados R² com o modelo de regressão RF. O índice de Gini teve maiores valores para comprimentos de onda no UV/VIS/NIR e o índice de vegetação Plant Senescence Reflectance Index (PSRI) teve melhor desempenho para predição dos parâmetros de clorofila, e o Triangular Greenness Index (TGI)/Normalized Difference Vegetation Index (NDVI) para o ºBrix da uva, utilizando como dados a reflectância hiperespectral e a reflectância de superfície. Desenvolvimentos futuros incluem o levantamento de dados com maior número de planta e variedades, auxiliando a compreender as assinaturas espectrais de cada variedade como subsídio para um melhor manejo da produção.

Brazil has had an increasing prominence in the production of grapes in the world and the country's production history since the 80's demonstrates this constant evolution. At the top of the list of producers is the State of Rio Grande do Sul. Several grape and wine producing regions in Brazil have organized their activities in order to become recognized as “Indications of Origin” (IO), giving their products typicality and regional character. This characterization requires descriptions of environmental conditions and the impacts of these conditions and human work. The use of remote sensing data, including proximal hyperspectral and satellite data, allow us to classify and characterize grape varieties and their respective producing units from various locations, under different climatic and anthropic conditions. The main objective of this thesis is to develop a methodology for data acquisition, training of plant spectroscopy models with a hyperspectral proximal sensor and for nanosatellite imaging. . The study area consists of eight commercial vineyards found in Rio Grande do Sul, Brazil. In the first phase of this study, the unit of analysis was the leaf isolated from the vine in different regions. Subsequently, a survey of chlorophyll parameters, Total Solids Content (°Bx) of the grape, hyperspectral reflectance spectra and nanosatellite images were conducted in Cabernet Sauvignon plots in a Serra Gaúcha winery. Machine learning algorithms were applied in the discrimination of vineyards by region and by variety, and in the estimation of the chlorophyll and Brix parameters of the grape. The Light Gradient Booster Machine (LGBM) and Random Forest (RF) models obtained the best accuracies in spectral discrimination in the ultraviolet (UV) and visible (VIS) regions. The estimates showed high R² with the RF regression model. The Gini index had higher values for UV/VIS/NIR wavelengths, and the Plant Senescence Reflectance Index (PSRI) had better performance for predicting chlorophyll parameters, and the Triangular Greenness Index (TGI)/Normalized Difference Vegetation Index (NDVI) for the degree Brix, using as data the hyperspectral reflectance and the surface reflectance. Future developments include collecting data with a greater number of plants and varieties, helping to understand the spectral signatures of each variety as a subsidy for better production management.