https://www.alice.cnptia.embrapa.br/alice/handle/item/278 Artigo em anais de congresso (CPPSE) 2026-04-10T12:30:25Z https://www.alice.cnptia.embrapa.br/alice/handle/doc/1185227 Título: Perfil dos adotantes de sistemas de produção que integram lavoura-pecuária no estado de São Paulo: uma análise de correspondência múltipla. Autoria: SOUZA, L. A. L. de; CARRER, M. J.; VINHOLIS, M. de M. B.; DAVID, L. C. da S.; DAMASCENO, R. Conteúdo: A Integração Lavoura-Pecuária (ILP) é uma estratégia produtiva que busca conciliar sustentabilidade e eficiência na agropecuária brasileira. Este estudo teve como objetivo identificar os fatores associados à adoção da ILP no Estado de São Paulo, Brasil, a partir de dados primários coletados com 129 pecuaristas na safra 2023/24, dos quais 67 são adotantes do sistema e 62 não adotantes. A metodologia adotada incluiu a aplicação de questionários estruturados e a Análise de Correspondência Múltipla (ACM), com o intuito de explorar associações entre variáveis categóricas relacionadas ao perfil dos produtores e às características das propriedades. Os resultados indicam que a adoção da ILP está positivamente associada a fatores como, maior área da propriedade, acesso ao crédito, uso de tecnologias digitais, contratação de consultorias e adoção de práticas sustentáveis como correção e adubação de pastagens. Já os não adotantes apresentam um perfil mais tradicional, com menor inserção tecnológica e uso limitado de práticas de gestão. Conclui-se que políticas públicas voltadas à capacitação técnica, acesso ao crédito e incentivo à inovação podem ampliar a adoção da ILP, promovendo sistemas produtivos mais sustentáveis no meio rural paulista. 2025-01-01T00:00:00Z https://www.alice.cnptia.embrapa.br/alice/handle/doc/1185220 Título: Estado da arte sobre rotulagem nutricional frontal: revisão sistemática da literatura. Autoria: PEREIRA, M. H. F.; VINHOLIS, M. de M. B.; SILVA, V. L. dos S.; SCHNAIDER, P. S. B.; SOUZA, L. A. L. de Conteúdo: A rotulagem nutricional frontal (Front-of-Pack, FOP) tem ganhado destaque como uma linguagem visual estratégica para informar, influenciar e pautar decisões de compra no ponto de venda. Diante da diversidade de modelos adotados globalmente e da crescente produção científica sobre o tema, este estudo realiza uma revisão sistemática da literatura com o objetivo de mapear criticamente o conhecimento acumulado sobre FOP. Mais do que reunir estudos, a revisão sistemática aqui proposta atua como ferramenta analítica robusta, capaz de revelar padrões, contradições, avanços e lacunas na literatura internacional. A busca foi realizada nas bases Scopus, Web of Science e SciELO, com critérios rigorosos de inclusão e análise temática em quatro eixos: aspectos regulatórios, fatores associados à implementação, características do rótulo e comportamento/percepção do consumidor. O percurso metodológico incluiu leitura de títulos, resumos e trechos-chave para garantir profundidade e coerência na categorização. Os resultados revelam um campo em expansão, marcado por inovações e disputas regulatórias, mas ainda carente de evidências sobre impactos de longo prazo e adaptação a diferentes contextos socioculturais. Ao sistematizar esse panorama, o estudo oferece uma bússola valiosa para pesquisadores, formuladores de políticas e profissionais que atuam na intersecção entre alimentação, saúde pública e regulação. Ao integrar evidências consolidadas e lacunas críticas sobre a FOP, este estudo contribui para os debates do ENEGEP 2025 ao evidenciar como práticas informacionais e regulatórias no setor de alimentos podem impulsionar cadeias mais transparentes, inteligentes e alinhadas com um futuro renovável. 2025-01-01T00:00:00Z https://www.alice.cnptia.embrapa.br/alice/handle/doc/1185225 Título: Determinantes da adoção de sistemas de integração lavoura-pecuária e lavoura-pecuária-floresta: uma revisão da literatura. Autoria: ALVES, T. V.; VINHOLIS, M. de M. B.; SOUZA FILHO, H. M. de; SOUZA, L. A. L. de; CARRER, M. J. Conteúdo: Os sistemas de Integração Lavoura-Pecuária (ILP) e Lavoura-Pecuária-Floresta (ILPF) apresentam-se como alternativas para a restauração de áreas degradadas e uso mais sustentável do solo. No entanto, a difusão desses sistemas de produção ainda é baixa e sua adoção depende de diversos fatores, tais como características socioeconômicas do produtor, características da propriedade e condições institucionais. Este estudo tem por objetivo identificar e discutir fatores determinantes da adoção dos sistemas ILP e ILPF por meio de uma revisão sistemática da literatura. Os resultados demonstram que fatores como nível de escolaridade, experiência prévia, associativismo, acesso a crédito e assistência técnica favorecem a adoção, especialmente do ILP. Entretanto, há barreiras à adoção, como a insegurança fundiária, a infraestrutura precária e a resistência à mudança, notadamente entre pequenos produtores. A percepção de maior risco, a incerteza quanto aos retornos econômicos e a incompatibilidade do sistema com a rotina produtiva afetam negativamente a decisão de adotar. A revisão demonstrou que há concentração de estudos em determinadas regiões e ausência de avaliações de impacto de longo prazo. Pesquisas futuras deveriam preencher essas lacunas. Identifiou-se a necessidade de políticas públicas voltadas não apenas as aspectos técnicos, mas também aspectos subjetivos e culturais. 2025-01-01T00:00:00Z https://www.alice.cnptia.embrapa.br/alice/handle/doc/1184631 Título: Estimating the biomass of tropical pastures from vegetation indices and machine learning: comparison between random forest, svm radial and xgboost. Autoria: ROCHA, D. S. da; PEZZOPANE, J. R. M.; BUENO, J. O. de A.; PASQUINI NETO, R.; BOURSCHEIDT, V.; GIGLIO, L. C. Conteúdo: Abstract: Biomass productivity is a key variable for the efficient management of pasturelands. This study evaluated machine learning models to estimate green biomass (kg/ha) in tropical pastures using vegetation indices derived from Unmanned aerial vehicle (UAV) and environmental variables. The dataset comprised 1,188 georeferenced observations collected between 2023 and 2024 under different grazing systems and management conditions. Three algorithms were compared in the R software: Random Forest (RF), Support Vector Machine with a radial kernel (SVM Radial), and Extreme Gradient Boosting (XGBoost), all using 10-fold cross-validation. Model performance was evaluated using R² (Coefficient of Determination), RMSE (Root Mean Squared Error), and MAE (Mean Absolute Error) metrics. Regarding vegetation indices, NDRE and CHL stood out as the most influential predictors, both of which are strongly linked to chlorophyll content and vegetation vigor, thereby reinforcing their relevance in biomass prediction. Among the tested models, SVM demonstrated the most balanced performance between training and testing (R² = 0.5880 in testing), along with lower bias and a more stable residual distribution, making it the most suitable option for practical applications. The integration of remote sensing and machine learning has proven effective for biomass estimation, providing valuable support for pasture management in tropical systems. | Resumo: A produtividade da biomassa é uma variável fundamental para o manejo eficiente das pastagens. Este estudo avaliou modelos de aprendizado de máquina para estimar a biomassa verde (kg/ha) em pastagens tropicais usando índices de vegetação derivados de Aeronaves Pilotadas Remotamente (RPA) e variáveis ambientais. O conjunto de dados consistiu em 1.188 observações georreferenciadas coletadas entre 2023 e 2024 sob diferentes sistemas de pastoreio e condições de manejo. Três algoritmos foram comparados pelo software R: Random Forest (RF), Support Vector Machine com kernel radial (SVM Radial) e Extreme Gradient Boosting (XGBoost), usando validação cruzada de 10 vezes. O desempenho do modelo foi avaliado usando as métricas R² (coeficiente de determinação), RMSE (raiz do erro médio quadrático) e MAE (erro médio absoluto). Em relação aos índices de vegetação, NDRE e CHL se destacaram como os preditores mais influentes, ambos fortemente ligados ao teor de clorofila e ao vigor da vegetação, reforçando sua relevância na previsão da biomassa. Entre os modelos testados, o SVM demonstrou o desempenho mais equilibrado entre treinamento e teste (R² = 0,5880 no teste), combinado a menor viés e uma distribuição residual mais estável, tornando-o a opção mais adequada para aplicações práticas. A integração do sensoriamento remoto e do aprendizado de máquina provou ser eficaz para a estimativa da biomassa, fornecendo um suporte valioso para o manejo de pastagens em sistemas tropicais. 2025-01-01T00:00:00Z