Prospecção de reservatórios de oleorresina de Copaifera L. por meio de análises não destrutivas

• Autor(a) principal: Martins, Bianca Cerqueira
• Data de Publicação: 2021
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRRJ
• Texto Completo: https://rima.ufrrj.br/jspui/handle/20.500.14407/9344
• topic: Biotecnologia; Deep learning; Tecnologia de produtos florestais; Tomografia de impulso; Biotechnology; Deep learning; Forest products technology; Ciências Ambientais

O oleorresina de copaíba (Copaifera L.) é uma matéria-prima potencial para diversos segmentos da indústria, devido às suas múltiplas propriedades. Porém, a identificação da localização dos reservatórios desta substância nos troncos das árvores é um obstáculo à previsibilidade de seu abastecimento continuado, afetando a comercialização sustentável do produto. Em um ambiente de elevada heterogeneidade entre os indivíduos arbóreos, torna-se um desafio constante na busca de métodos não invasivos para a prospecção do oleorresina. Neste trabalho, por meio de revisão bibliográfica e experimentação, buscou-se: i) revisar aspectos gerais à respeito do gênero Copaifera L. e de pesquisas que reforçam o seu potencial, da demanda por tecnologias para produtos florestais não madeireiros, das principais tecnologias disponíveis, além dos principais aspectos entendidos como desafios para este empreendimento; ii) analisar o potencial da tomografia de impulso (TI) para a prospecção de reservatórios de oleorresina no tronco de árvores de Copaifera sp.; iii) verificar a relação entre variáveis dendrométricas, meteorológicas e fenológica (presença/ausência de folhas) com a velocidade de propagação de ondas mecânicas (VPOM) e com as VPOM médias (VmPOM); iv) avaliar diferentes configurações de Redes neurais artificiais (RNA) e indicar o modelo mais apropriado para a predição do volume oleorresina de Copaifera sp., com base em variáveis dendrométricas, acústicas e sazonais. As tomografias foram realizadas em seções transversais, em 35 árvores, na altura do diâmetro à altura do peito (DAP ou 0%) e, entre essas, em 18 nas alturas a 25%, 50%, 75% e 100% (1ª bifurcação), sendo obtidas as variáveis: VmPOM, VPOM mínima, VPOM máxima, altura de prospecção em porcentagem (Hp%), altura total da árvore, diâmetro em Hp% e porcentagem de área da seção afetada por velocidades baixas. Investigou-se a interferência de diferentes períodos sazonais nos resultados tomográficos, por meio de variáveis acústicas, dendrométricas, meteorológicas (temperatura mínima e máxima, umidade relativa do ar), além da condição da fenologia foliar, em dois grupos de árvores: a) grupo A = 14 árvores – período sazonal transição para chuvoso (2018); b) grupo B = 14 árvores – período sazonal seco (2019). Além disso, foram testadas diferentes configurações de redes neurais artificiais (RNA), visando a predição do volume de oleorresina, nas quais empregou-se a arquitetura geral de aprendizado supervisionado Multilayer Perceptron (MLP). Para todas as análises, utilizou-se tetes estatísticos descritivos, experimentais e estatística multivariada. É possível prospectar reservatórios com uma quantidade significativa de oleorresina utilizando-se TI, mas, principalmente, indicar a exclusão de árvores, necessariamente, sem reservatório ou outras descontinuidades. A TI é sensível para captar mudanças no tronco das árvores, em função de períodos sazonais. A indicação de uma RNA de alta precisão (correlação treinamento = 0.994 e validação = 0.996) aproxima o manejo de oleorresina de outras tecnologias interessantes para seu planejamento e gestão, como aplicativos para melhorar a interface RNA-usuário, de modo a otimizar a etapa de inventário e, principalmente, a análise do custo-benefício associado à uma área de manejo.