Publicação: Modelos multiespectrais para a estimativa de produtividade da cultura da soja (Glycine max L).
Carregando...
Tipo do documento
Data
Direito de acesso
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICA::SENSORIAMENTO REMOTO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
De acordo com a Companhia Nacional de Abastecimento (CONAB), atualmente o
maior produtor de soja do mundo é o Brasil com uma produção de 151,4 milhões de toneladas.
Para produções nessas proporções se faz necessário o uso do Sensoriamento Remoto para uma
melhora no manejo através da localização de pragas, análise de deficiências do solo, como
também para estimativa da produtividade. A estimativa da produtividade é uma ferramenta
importante para o setor agroindustrial, pois auxilia em um manejo mais eficiente da cultura, na
comercialização, no aumento da produtividade, além de otimizar a condução e simplificar o
escoamento e armazenamento dos grãos. O atual processo para estimativa de produtividade
demanda de muito tempo, equipes de campo e conhecimentos específicos. Essa técnica é
executada em etapas no campo, começando com a contagem de 10 plantas, das vagens, dos
grãos por vagem e por fim, é usada uma equação para estimativa de toda área. Esse trabalho
avaliou e validou um novo método para estimativa de produtividade da soja, utilizando imagens
multiespectrais, visto que, as imagens tornam possível o mapeamento em grande escala devido
à dimensão de área que elas compreendem, possibilitando a estimativa de forma mais rápida,
precisa e com menores custos. Além disso, foi verificado que o R4 (vagem completamente
desenvolvida) é o melhor estádio fenológico para aquisição e predição da produtividade e
também foi avaliado que uma série temporal não é capaz de melhorar o modelo de estimativa.
Usando imagens multiespectrais do satélite Planet e pontos de produtividade georreferenciados,
obtidos de forma pontual na área de estudo, localizada em Primavera do Leste, Mato Grosso,
foi estimada a produtividade da soja e gerado um mapa de produtividade. Foram utilizadas as
reflectâncias, os valores de produtividade, as 4 bandas da imagem (Red, Green, Blue e Near
InfraRed) e um conjunto de 15 índices de vegetação para geração do modelo de estimativa,
sendo eles: OSAVI, GOSAVI, ATSAVI, NDWI, NDVI, GNDVI, MTVI2, VARI, ARVI,
RECI, GLI, GCI, SIPI, CVI, TGI. Os modelos foram desenvolvidos através dos algoritmos de
aprendizado de máquina disponíveis no WEKA, onde o Random Forest apresentou um
desempenho superior nas modelagens com um Root Mean Squared Error (RMSE) de 0,2186 e
um coeficiente de correlação (R) de 0,8968. A metodologia proposta, baseada em imagens
multiespectrais e algoritmos de aprendizado de máquina, oferece alta acurácia e eficiência,
contribuindo para o planejamento e gestão otimizados da produção agrícola.
Abstract
According to the National Supply Company (CONAB), Brazil is currently the largest
soybean producer in the world, with a production of 151.4 million tons. To produce such large
quantities, it is necessary to use Remote Sensing to improve management by locating pests,
analyzing soil deficiencies, and also to estimate productivity. Estimating productivity is an
important tool for the agroindustrial sector, as it helps in more efficient crop management,
marketing, increasing productivity, in addition to optimizing the conduction and simplifying
the flow and storage of grains. The current process for estimating productivity requires a lot of
time, field teams, and specific knowledge. This technique is performed in stages in the field,
starting with counting 10 plants, the pods, the grains per pod, and finally, an equation is used
to estimate the entire area. This study evaluated and validated a new method for estimating
soybean productivity using multispectral images, since the images allow for large-scale
mapping due to the area dimension they encompass, enabling faster, more accurate and lower
cost estimation. In addition, it was found that R4 (fully developed pod) is the best phenological
stage for acquiring and predicting productivity and it was also assessed that a time series is not
capable of improving the estimation model. Using multispectral images from the Planet satellite
and georeferenced productivity points, obtained punctually in the study area, located in
Primavera do Leste, Mato Grosso, soybean productivity was estimated and generated a
productivity map. The reflectances, productivity values, the 4 image bands (Red, Green, Blue
and Near InfraRed) and a set of 15 vegetation indices were used to generate the estimation
model, namely: OSAVI, GOSAVI, ATSAVI, NDWI, NDVI, GNDVI, MTVI2, VARI, ARVI,
RECI, GLI, GCI, SIPI, CVI, TGI. The models were developed through the machine learning
algorithms available in WEKA, where Random Forest presented a superior performance in the
models with a Root Mean Squared Error (RMSE) of 0.2186 and a correlation coefficient (R) of
0.8968. The proposed methodology, based on multispectral images and machine learning
algorithms, offers high accuracy and efficiency, contributing to the optimized planning and
management of agricultural production.
Palavras-chave
agricultura de precisão, precision agriculture, soja, soybean, cultura temporária, temporary crops, modelos espectrais de predição da produtividade, spectral productivity prediction models
Citação
SANTOS, Maria Cecília Lemes. Modelos multiespectrais para a estimativa de produtividade da cultura da soja (Glycine max L). 2025, 50 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Agrimensura e Cartográfica) - Universidade Federal de Uberlândia, Monte Carmelo, 2025.
DOI
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto