Publicação: Estimativa de produtividade da cultura do milho a partir de imagens multiespectrais
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICA::SENSORIAMENTO REMOTO
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Resumo
A estimativa de produtividade é um parâmetro agronômico importante para auxiliar o mercado
nacional e internacional no que tange a demanda, capacidade de transporte e armazenamento
de produtos agrícolas. Nesse sentido, para que a produtividade continue a ser monitorada, tornase
necessário a criação de métodos que aprimorem o mapeamento dessa variável em campo.
Nesse contexto, esta pesquisa apresenta como objetivo a definição do estádio fenológico ideal
e geração de modelos para estimativa de produtividade em escala local, ou seja, utilizando
dados de áreas de estudo distintas para treinamento e validação do modelo. Para isso, foram
utilizadas imagens multiespectrais, advindas de diferentes sensores orbitais, juntamente com
índices de vegetação derivados das bandas de cada satélite, e modelos gerados por meio de
algoritmos de aprendizado de máquina, sendo eles, Máquinas de Vetores de Suporte (Support
Vector Machine - SVM), Redes Neurais (Neural Net - NN), Florestas Aleatórias (Random
Forest - RF) e Árvores Aleatórias (Random Trees - RT). No Capítulo 1, para a definição do
estádio fenológico ideal, foram utilizadas imagens do satélite Planet. Já no Capítulo 2, para a
geração de modelos de estimativa de produtividade, foi utilizada uma imagem do satélite
Sentinel 2. Foram utilizadas como métricas avaliativas a raiz do erro médio quadrático em
percentagem (Root Mean Square Error percentagem - RMSE%) e o Erro Absoluto Médio em
porcentagem (Mean Absolute Percentagem Error - MAPE) para avaliar a acurácia e tendência
das estimativas de produtividade. Pela análise da definição de um estádio fenológico ideal,
concluiu-se que o modelo espectral baseado em imagem da fase fenológica reprodutiva R2 foi
o que obteve o melhor RMSE% de 9,17% e o segundo melhor MAPE de 7,07%. Pela análise
da geração de modelos de estimativa em escala local foi possível estimar a produtividade com
um RMSE% e MAPE de 20,97% e 19,19%, respectivamente.
Abstract
Estimated yield is an important agronomic parameter for the domestic and international market
in the demand, transport capacity and storage of agricultural products. In this respect,
continuous yield monitoring requires the creation of methods to enhance mapping of this
variable in the field. As such, this study aimed to determine the ideal phenological stage to
estimate yield and generate models for this purpose on a local scale, that is, using data from
different study areas to train and validate the model. To that end, we used multispectral images
from different orbital sensors combined with vegetation indices from the reflectance bands of
each satellite and models generated by the following machine learning algorithms: support
vector machine (SVM), neural network (NN), random forest (RF) and random trees (RT). In
Chapter 1, Planet satellite images were used to determine the ideal phenological stage and in
Chapter 2, yield estimate models were generated via a Sentinel 2 satellite image. The root mean
square error percentage (RMSE%) and mean absolute percentage error (MAPE) were used as
evaluation metrics to assess the accuracy and trend of the yield estimates. Based on analysis to
determine the ideal phenological stage, it was concluded that the spectral model based on the
image of phenological stage R2 obtained the best RMSE% (9.17%) and second best MAPE
(7.07%). The local-scale estimation models generated made it possible to estimate yield with
an RMSE% and MAPE of 20.97 and 19.19%, respectively.
Palavras-chave
Cultura do milho, Corn crops, Produtividade, Yield, Imagens multiespectrais, Multispectral images, Algoritmos de aprendizado de máquina, Machine learning algorithms, Modelos espectrais de produtividade, Spectral yield models, Agronomia, Agronomy
Citação
ABREU JÚNIOR, Carlos Alberto Matias de. Estimativa de produtividade da cultura do milho a partir de imagens multiespectrais 2022. 71 f. Dissertação (Mestrado em Agricultura e Informações Geoespaciais) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.di.2022.264