A cana-de-açúcar remete aos primórdios da colonização do Brasil, sendo uma cultura na qual o Brasil possui destaque mundial e é o maior produtor. Para o país se manter nesta posição tornam-se necessários contínuos estudos na área de melhoramento genético. A identificação e mapeamento constantes destas áreas é fundamental para o pagamento dos royalties pelo uso das variedades melhoradas. Técnicas rápidas, com alta taxa amostral e que permitam monitoramento de cana-de-açúcar tornam-se necessárias para estimar a área plantada de cada variedade. Estudos com sensores hiperespectrais e aprendizado de máquinas vêm sendo empregados em diversas áreas da agricultura, inclusive em estudos de cana, com bons resultados, podendo ser promissoras para a discriminação de variedades. Desta maneira este trabalho teve como objetivo discriminar variedades de cana-de-açúcar utilizando dados hiperespectrais e técnicas de aprendizado de máquina e Random Forest junto com a análise de componentes principais (PCA). As variedades selecionadas para este estudo foram a IACSP 95-5094, IACSP 01-3127 e IACSP 96-2042, sendo que as regiões que tiveram a maiores influências no agrupamento dos materiais foram a região ligada ao red-edge (725 nm), muito correlacionada ao pigmento clorofila e nitrogênio foliar e as regiões de 1400 nm e 1900 nm correlacionadas com o conteúdo de água nas folhas, sendo um bom indicativo da adaptabilidade ao ambiente de produção. Utilizando apenas dados hiperespectrais do visível e do red-edge (450 a 800 nm) no algoritmo Random Forest, o presente estudo alcançou a acurácia de 71,72% e índice Kappa de 0,57, indicando bom potencial na utilização de dados hiperespectrais na classificação de variedades de cana-de-açúcar.

Sugarcane refers to the beginnings of the colonization of Brazil, being a culture in which Brazil has a worldwide prominence and is the largest producer. For country or country, keeping in this position makes the studies continuous and the best genetic area. The identification and mapping of these areas is essential for the payment of royalties for the use of improved varieties. Fast sampling techniques, in order to make the high pick rate possible to estimate the area of each variety. Studies with hyperspectral sensors and machine learning have been used in several areas of agriculture, including sugarcane, with good results, which may be promising for a variety of varieties. This way of working aimed to discriminate sugarcane varieties using hyperspectral data and Random Forest machine learning techniques together with a principal component analysis (PCA). The varieties selected for this study were made in IACSP 95-5094, IACSP 01- 3127 and IACSP 96-2042, and the regions that had the influence on the grouping of materials were in the region related to the red-edge (725 nm), very The chlorophyll pigment is correlated to the leaf pigment and to the regions of 1400 nm and 1900 nm correlated with the water content in the leaves, being a good indication of the adaptability to the production environment. Hiperspect Hiperspect Use only visible and red-edge (450 to 800 nm) without Random Forest data, the present study reached an accuracy of 71.72% and Kappa index of 0.57, indicating good potential in the use of hyperspectral data in classification of sugarcane varieties.