Pesquisa aplicada e método científico
Planejamento experimental, análise quantitativa, interpretação crítica e avaliação de metodologias.
Bruna Condé Lima, PhD é pesquisadora e consultora. Seu trabalho conecta a pesquisa experimental e a visão computacional ao sensoriamento remoto, à análise geoespacial e ao aprendizado de máquina. Suas aplicações recentes são na agricultura, mas sua abordagem não se limita a uma cultura ou setor.
Recortes internos de um monitoramento real, sem limites de parcelas nem referências geográficas.
Sua experiência combina método científico e ferramentas computacionais para responder a perguntas concretas. Os projetos agrícolas são exemplos reais de metodologias que podem ser aplicadas em outros contextos.
Planejamento experimental, análise quantitativa, interpretação crítica e avaliação de metodologias.
Experiência publicada em análise de imagens e trabalhos recentes de segmentação semântica com deep learning.
Processamento e interpretação de imagens UAV e Sentinel para estudar respostas espectrais e mudanças ao longo do tempo.
Zoneamento relativo, séries temporais e detecção de anomalias, com mapas e camadas SIG reproduzíveis.
Projetos e linhas de pesquisa com experiência recente em arroz e vinhedos. As metodologias podem ser exploradas em outras culturas, regiões e setores.
Estudo de caso: arroz, safra 2026. Integração de imagens UAV e observações Sentinel para interpretar a resposta relativa da vegetação, sua evolução ao longo do tempo e a variabilidade dentro de uma parcela.
Índices espectrais, classificação em três zonas e mudanças entre voos.
Monitoramento com Sentinel-1/Sentinel-2 e anomalias relativas.
Mapas, camadas SIG e relatórios interpretativos para orientar verificações em campo.
Recortes reais anonimizados; limites de parcelas, coordenadas e relatórios completos de clientes não são divulgados.
Análise de séries Sentinel e índices de vegetação e umidade para estudar a variabilidade das áreas ao longo do tempo. Aplicação recente: vinhedos e avaliação de parcelas para apoiar decisões sobre propriedades rurais.
Desenvolvimento experimental de modelos de segmentação semântica com aprendizado profundo e computação de alto desempenho (Leonardo HPC), inicialmente aplicados a imagens UAV de arroz. Busca parcerias com profissionais do setor agrícola, operadores de drones e grupos de pesquisa interessados em explorar a metodologia em diferentes regiões, culturas e condições de campo.
Propor uma parceria ·A pergunta inicial determina as fontes de dados, as técnicas de análise e as verificações necessárias; não se parte de uma lista fixa de indicadores.
O problema, a decisão ou a pergunta de pesquisa são definidos, assim como as evidências disponíveis.
São verificadas a qualidade e a adequação das imagens, séries temporais e observações de referência.
São selecionados e comparados os métodos adequados, considerando suas limitações e o contexto.
São apresentados resultados interpretáveis e, conforme o projeto, mapas, camadas SIG, código ou relatórios.
Cada projeto explicita as limitações dos dados e o nível de validação das conclusões.
Bruna Condé Lima, PhD, é pesquisadora e consultora, formada em Engenharia de Alimentos e doutora pela University of Melbourne. Sua trajetória reúne pesquisa experimental, métodos analíticos e visão computacional.
Sua atuação acadêmica incluiu estudos sobre a qualidade de vinhos espumantes, química analítica e avaliação por sistemas robóticos e análise de imagens. Parte dessa pesquisa foi publicada em revistas como Food Control e Food Research International.
Essa base se expandiu para o aprendizado profundo e o reconhecimento de imagens fora da distribuição com o VitiNet (2025), além do processamento multiespectral, do sensoriamento remoto com Sentinel-1/2 e da análise geoespacial. Os projetos agrícolas demonstram aplicações concretas de competências transferéveis a outras culturas e setores.
Doutorado em Ciências AgráriasUniversity of Melbourne
Mestrado em Ciência dos AlimentosUniversity of Melbourne
Graduação em Engenharia de AlimentosUniversidade Federal de Viçosa
Pesquisa e docênciaUniversity of Melbourne; publicações revisadas por pares
Formação em ML aplicadoBSC AI Factory · Essential Machine Learning (concluído)
Publicações em ciências dos alimentos, análise de imagens, robótica e técnicas analíticas.
VitiNet: classificação de doenças em folhas de videira com ResNet18 e reconhecimento de imagens fora da distribuição (OOD).
Imagens UAV, observações Sentinel, séries temporais e produtos para monitoramento agrícola.
Pesquisa em segmentação de imagens para mapeamento de plantas daninhas usando recursos do Leonardo HPC.
Artigos científicos e uma contribuição a congresso que mostram a evolução da pesquisa experimental e da visão computacional para o aprendizado profundo aplicado.
Food Research International
Ver publicaçãoFood Control
Ver publicaçãoJournal of Agricultural and Food Chemistry
Ver publicaçãoCritical Reviews in Food Science and Nutrition
Ver publicaçãoIECAG 2025 · 5th International Electronic Conference on Agronomy
Classificador de doenças em folhas de videira baseado em ResNet18 e no reconhecimento de imagens fora da distribuição (OOD). Em um conjunto de teste experimental, alcançou 98,2% de acurácia e 99,6% de precisão para a classe "Other". Esses resultados se referem às condições do estudo e não são apresentados como desempenho validado em campo.
Ver contribuição ao congressoPara propostas de pesquisa aplicada, consultoria técnica e desenvolvimento de metodologias em sensoriamento remoto, análise geoespacial, visão computacional e aprendizado de máquina.