Cookies
O website necessita de alguns cookies e outros recursos semelhantes para funcionar. Caso o permita, o INESC TEC irá utilizar cookies para recolher dados sobre as suas visitas, contribuindo, assim, para estatísticas agregadas que permitem melhorar o nosso serviço. Ver mais
Aceitar Rejeitar
  • Menu
Sobre

Sobre

Licenciado e Mestre em Engenharia Agronómica, com forte ênfase na internacionalização, tendo realizado parte da formação na renomada Universidade Estadual Paulista Júlio de Mesquita Filho - Campus de Botucatu - Faculdade de Ciências Agronômicas, Brasil, e também tendo realizado um programa de mobilidade de 18 meses na prestigiada The University of Adelaide, Austrália onde foi homenageado com “Joanne Kanas Memorial Medal”. Realizou a sua dissertação de mestrado na Faculdade de Ciências da Universidade do Porto (FCUP) no âmbito da modelação da cultura da vinha onde aplicou dados de deteção remota e ferramentas de machine learning a qual obteve a classificação de 20/20. Participou nos projetos “WineSpectra” e "VineSpec" de transferência de tecnologia entre a FCUP e empresas do sector vitivinícola o qual teve como objetivo a modelação da condição hídrica da videira na região do Douro com base em técnicas de deteção remota. Atualmente é aluno de Doutoramento em Ciências Agrárias, detentor de uma bolsa da FCT (SFRH/BD/145182/2019) cujo tema envolve aplicação de biologia de sistemas no contexto de agricultura de precisão. Durante o início de seu doutoramento, foi selecionado para participar do concorrido “9th Advanced Training Course on Land Remote Sensing: Agriculture” promovido pela European Space Agency (ESA) sediado na renomeada Université catholique de Louvain, em Louvain-la-Neuve, Bélgica, durante o período de 16 a 20 de setembro de 2019. Está envolvido nos projetos “Metbots” e “SpecTOM”, os quais desenvolve parte dos seus trabalhos de Doutoramento. É também Assistente Convidado da FCUP, onde leciona a cadeira Aplicações à Agricultura, do Mestrado em Deteção Remota, e também cadeiras de agricultura, das Licenciaturas em Engenharia Agronómica e Arquitectura Paisagística. Desenvolveu conhecimento sobre o processo de investigação (planeamento, implementação e comunicação de resultados) quer em contexto académico quer empresarial.

Tópicos
de interesse
Detalhes

Detalhes

002
Publicações

2023

Exploring the Impact of Water Stress on Grapevine Gene Expression and Polyphenol Production: Insights for Developing a Systems Biology Model

Autores
Portis, I; Tosin, R; Oliveira-Pinto, PR; Pereira-Dias, L; Santos, C; Martins, R; Cunha, M;

Publicação
CSAC 2023

Abstract

2023

Enhancing Kiwi Bacterial Canker Leaf Assessment: Integrating Hyperspectral-Based Vegetation Indexes in Predictive Modeling

Autores
Reis-Pereira, M; Tosin, R; Martins, RC; Dos Santos, FN; Tavares, F; Cunha, M;

Publicação
CSAC 2023

Abstract

2023

LIBS-Based Analysis of Elemental Composition in Skin, Pulp, and Seeds of White and Red Grape Cultivars

Autores
Tosin, R; Monteiro Silva, F; Martins, R; Cunha, M;

Publicação
CSAC 2023

Abstract

2023

Precision maturation assessment of grape tissues: Hyperspectral bi-directional reconstruction using tomography-like based on multi-block hierarchical principal component analysis

Autores
Tosin, R; Monteiro Silva, F; Martins, R; Cunha, M;

Publicação
Biosystems Engineering

Abstract

2022

Canopy VIS-NIR spectroscopy and self-learning artificial intelligence for a generalised model of predawn leaf water potential in Vitis vinifera

Autores
Tosin, R; Martins, R; Pocas, I; Cunha, M;

Publicação
BIOSYSTEMS ENGINEERING

Abstract
This paper focuses on predicting predawn leaf water potential through a self-learning artificial intelligence (SL-AI) algorithm, a novel spectral processing algorithm that is based on the search for covariance modes, providing a direct relationship between spectral information and plant constituents. The SL-AI algorithm was applied in a dataset containing 847 observations obtained with a handheld hyperspectral spectroradiometer (400 -1010 nm), structured as: three grapevine cultivars (Touriga Nacional, Touriga Franca and Tinta Barroca), collected in three years (2014, 2015 and 2017), in two test sites in the renowned Douro Wine Region, northeast of Portugal. The Psi(pd) SL-AI quantification was tested both in regressive (R-2 = 0.97, MAPE = 18.30%) and classification (three classes; overall accuracy = 86.27%) approaches, where the radiation absorption spectrum zones of the chlorophylls, xanthophyll and water were identified along the vegetative growth cycle. The dataset was also tested with Artificial Neural Networks with Principal Component Analysis (ANN-PCA) and Partial Least Square (PLS), which presented worse performance when compared to SL-AI in the regressive (ANN-PCA - R-2 = 0.85, MAPE = 43.64%; PLS - R-2 = 0.94, MAPE = 28.76%) and classification (ANN-PCA - overall accuracy: 72.37%; PLS - overall accuracy: 73.79%) approaches. The Psi(pd) modelled with SL-AI demonstrated, through hyperspectral reflectance, a cause-effect of the grapevine's hydric status with the absorbance of bands related to chlorophyll, xanthophylls and water. This cause-effect interaction could be explored to identify cultivars and cultural practices, hydric, heating and lighting stresses.