Bezerra, Alan CezarMoura, Gabriel Cavalcanti de2026-09-012025MOURA, Gabriel Cavalcanti de. Estimativa de Biomassa e índice de Área Foliar de BRS Capiaçu com aplicação de machine learning e sensor RGB em veículo aéreo não tripulado (VANT). 2025. 33 f. Trabalho de Conclusão de Curso (Bacharelado em Agronomia) – Unidade Acadêmica de Serra Talhada, Universidade Federal Rural de Pernambuco, Serra Talhada, 2025.https://arandu.ufrpe.br/handle/123456789/9173A criação de ruminantes é fundamental para a agricultura brasileira, tanto no agronegócio quanto na agricultura familiar. A pecuária brasileira é baseada em pastagens, fontes de nutrientes essenciais. O capim-elefante, em especial a cultivar BRS Capiaçu, se destaca pela alta produtividade e valor nutricional. Essa cultivar é amplamente utilizada para silagem e capineira, requerendo manejo eficiente. VANTs permitem o monitoramento remoto da forragem, utilizando imagens para avaliar características das plantas. A fotogrametria auxilia na extração de índices de vegetação, ajudando a estimar biomassa e qualidade do pasto. Além disso, técnicas de Machine Learning permitem criar modelos preditivos para otimizar esse processo. Sendo assim, esse trabalho objetiva estimar através de imagens de sensor RGB acoplado a veículo aéreo não tripulado (VANT), Biomassa e Índice de Área Foliar da BRS Capiaçu com algoritmos de aprendizagem de máquina (machine learning). De maneira que foram realizadas as modelagens com os algoritmos Random Forest (RF) e o Support Vector Machines (SVM). Sobre o banco composto pelos dados espectrais obtidos a partir de sensor RGB, bandas (Red, Green, Blue) e 15 Índices de Vegetação (IVs). Como também pelos dados de campo aferidos na área de BRS Capiaçu, Biomassa e Índice Área Foliar (IAF). Com o intuito de aprimorar a performance dos algoritmos, procedeu-se com uma seleção de variáveis pós-modelagem. As correlações não apresentaram forte relação com as variáveis de interesse. A performance dos algoritmos foi semelhante para as duas variáveis de interesse, com ligeiras diferenças entre si. A seleção de variáveis pós-modelagem também não melhorou a eficiência da maioria dos modelos, pelo contrário, piorou as métricas desses. Com pequeno incremento apenas para Biomassa com SVM. Os modelos de RF e SVM não produziram ajuste satisfatório para estimar a Biomassa e o IAF. Provavelmente o banco de dados foi inconclusivo para o aprendizado dos modelos. Pelo underfitting que ficou nítido para a Biomassa com SVM, e pela pela dificuldade do sensor RGB em captar a assinatura espectral da cultura. O uso de sensores multiespectrais alinhada ao aumento do volume de dados biofísicos, podem contribuir com esse tipo de modelagem na BRS Capiaçu futuramente.33 f.pt-BRopenAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Aprendizado do computadorSensoriamento remotoPlanta forrageiraBiomassaAgronomia - Estudo e ensinobachelorThesisAttribution-NonCommercial-NoDerivatives 4.0 International