Modelos de estimativa de produtividade do cafeeiro por planta utilizando índices fenológicos | Models for estimating coffee plant productivity using phenological indices

A cafeicultura desempenha um papel essencial na economia global, sendo o Brasil o maior produtor mundial. Dada a relevância do setor, métodos eficazes de previsão de produtividade são essenciais para decisões estratégicas no setor produtivo e comercial. Assim, objetivou-se com este estudo desenvolver modelos de estimativa de produtividade de plantas de café com base em características fenológicas. Foram desenvolvidos dois índices: o índice fenológico de produtividade individual das plantas 1 (IFPI1), que utilizou a altura, largura da copa e média do número de frutos nos 4º e 5º nós plagiotrópicos, e o índice fenológico de produtividade das plantas 2 (IFPI2) que utilizou a altura, largura da copa e média do número de frutos do 1º ao 5º nós plagiotrópicos. Cada índice gerou um modelo de estimativa de produtividade (Modelo 1 e Modelo 2). O experimento foi conduzido em três talhões de café em Viçosa - MG, em que as plantas foram georreferenciadas e, 60 delas, selecionadas para avaliação. As variáveis fenológicas foram mensuradas em dois períodos distintos, dezembro/janeiro e fevereiro/março, com objetivo de avaliar o desempenho do modelo em diferentes épocas. Para obtenção da variável média do número de frutos do 1º ao 5º nós plagiotrópicos foram realizados registros fotográficos dos ramos, e desenvolvido um modelo de contagem automática de frutos de café baseado no Detectron2, uma biblioteca de código aberto para detecção de objetos. O modelo em questão obteve na etapa de treinamento uma precisão média de 93,24% para o período de dezembro/janeiro e 95,69% para o período de janeiro/fevereiro. Com as variáveis fenológicas obtidas, foram calculados os índices fenológicos específicos para cada período, os quais foram posteriormente integrados a análises de regressão linear simples. Para avaliar as estimativas, durante a colheita a produção de cada planta foi registrada individualmente nos talhões. Os resultados indicaram que os modelos finais apresentaram boa correlação com a produtividade, especialmente no período de fevereiro/março, no qual o Modelo 1 obteve coeficiente de determinação (R²) de 0,889, raiz do erro quadrático médio (RMSE) de 0,923 litros/planta e erro médio absoluto (MAE) de 0,635 litros/planta e o Modelo 2 com coeficiente de determinação (R²) de 0,747, raiz do erro quadrático médio (RMSE) de 0,374 litros/planta e erro médio absoluto (MAE) de 0,460 litros/planta. Por fim, foram gerados mapas de estimativa de produtividade para cada talhão, inicialmente com os dados de produção real obtidos em campo e, em seguida, com as estimativas de cada modelo, considerando os dois períodos de estudo. A análise evidenciou uma relação significativa entre as estimativas baseadas nos dados de produção real e os modelos, destacando com precisão as áreas de alta e baixa produtividade nos talhões. Conclui-se que os modelos propostos se mostraram promissores para estimar a produtividade na cafeicultura, auxiliando na adaptação das práticas agrícolas às condições ambientais e na otimização do manejo. Tais ferramentas são essenciais para aumentar a resiliência do setor frente às mudanças climáticas, promovendo eficiência produtiva e sustentabilidade. Estudos futuros são recomendados para validar os modelos em diferentes condições climáticas e regiões produtoras. Palavras-chave: cafeicultura; variáveis fenológicas; agricultura de precisão; agricultura digital

Coffee cultivation plays an important role in the global economy, with Brazil being the world's largest producer. Given the sector's significance, effective yield prediction methods are essential for strategic decision-making in the production and commercial sectors. This study aimed to develop yield estimation models for coffee plants based on phenological characteristics. Two indices were developed: the Individual Coffee Plant Phenological Yield Index 1 (IFPI1), which incorporated plant height, canopy width, and the average number of fruits in the 4th and 5th plagiotropic nodes, and the Individual Coffee Plant Phenological Yield Index 2 (IFPI2), which used plant height, canopy width, and the average number of fruits from the 1st to the 5th plagiotropic nodes. Each index generated a yield estimation model (Model 1 and Model 2). The experiment was conducted in three coffee fields in Viçosa, MG, where georeferenced plants were selected, and 60 plants were evaluated. Phenological variables were measured in two distinct periods, December/January and February/March, to assess model performance across different timeframes. To obtain the variable average number of fruits from the 1st to the 5th plagiotropic nodes, photographic records of branches were taken, and an automatic coffee fruit counting model was developed using Detectron2, an open-source object detection library. During the training phase, this model achieved an average precision of 93.24% for December/January and 95.69% for January/February. The phenological indices were then calculated for each period and integrated into simple linear regression analyses. To evaluate the estimates, individual plant production was recorded during harvest. The estimated results indicated that the final models showed a strong correlation with crop yield measurement done in field, particularly in the February/March period, where Model 1 achieved a coefficient of determination (R²) of 0.889, root mean square error (RMSE) of 0.923 liters/plant, and mean absolute error (MAE) of 0.635 liters/plant, while Model 2 presented an R² of 0.747, RMSE of 0.374 liters/plant, and MAE of 0.460 liters/plant. Lastly, yield estimation maps were generated for each field, initially using actual field production data and applying the estimates from each model for both study periods. The analysis revealed a significant relationship between the estimates based on actual production data and the models, accurately highlighting areas of high and low coffee yield in the fields. The findings suggest that the proposed models are promising for estimating coffee yield, supporting the adaptation of agricultural practices to environmental conditions, and optimizing management strategies. These tools are essential for increasing the sector's resilience to climate change while promoting production efficiency and sustainability. Future studies are recommended to validate the models under different climatic conditions and coffee-producing regions Keywords: coffee farming; phenological variables; precision agriculture; digital agriculture

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)