Aprimorando a acurácia da predição de produtividade do milho por meio de sensoriamento remoto e redes neurais artificiais
Carregando...
Data
Autores
Orientador
Silva, Rouverson Pereira da 
Coorientador
Oliveira, Thiago Caio Moura
Pós-graduação
Curso de graduação
Jaboticabal - FCAV - Engenharia Agronômica
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Como o milho sustenta cadeias globais de alimentos, rações e bioenergia, prever sua produtividade é vital para planejar insumos e reduzir perdas, contudo, a elevada variabilidade espacial e a não normalidade dos dados limitam métodos convencionais. Diante desse cenário, com este trabalho, visamos suavizar o efeito da não normalidade dos dados e predizer a produtividade do milho usando sensoriamento remoto e redes neurais artificiais. O estudo foi conduzido na Faculdade de Ciências Agrárias e Veterinárias de Jaboticabal, São Paulo, Brasil, safra 2023/2024, a área abrange 10 hectares com avaliação de 80 pontos de produtividade georreferenciados que foram usados como saída no modelo preditivo. As variáveis espectrais, usadas de entrada para o modelo de predição, sete bandas e dez índices, foram obtidas de imagens do sensor orbital PlanetScope. Para avaliar a normalidade dos dados de produtividade foi usado um histograma e um boxplot, e após entender seu comportamento, foi aplicado o método Método do Intervalo Interquartílico (IQR) para remover pontos discrepantes e homogeneizar a distribuição. Em seguida, foi realizada a análise do Fator de Inflação da Variância (VIF <5), para selecionar as variáveis com menor multicolinearidade entre si. Para análise da predição da produtividade empregou-se duas arquiteturas de redes neurais, a Multilayer Perceptron (MLP) e Radial Basis Function (RBF), sendo utilizado o Erro Médio Absoluto (MAE) para avaliar o desempenho dos modelos e o banco de dados dividido em 80% para treinamento e 20% para teste. O método VIF selecionou quatro variáveis de entrada (NIR, Verde, CVI e SCCCI) assim, diminuindo a multicolinearidade e mostrando que quatro variáveis de entradas já são o suficiente para predizer a produtividade do milho. A MLP apresentou melhor desempenho (MAE 715 kg ha⁻¹) em
relação a RBF (MAE 731 kg ha⁻¹). Apesar da grande variabilidade nos dados, que resultou em um erro estimado de 20% em relação a produtividade real, coletada na área, os resultados indicam avanços significativos na aplicação do sensoriamento remoto para a predição de produtividade do milho.
Resumo (inglês)
Because maize underpins global supply chains for food, feed, and bioenergy, forecasting its yield is vital for planning inputs and reducing losses; however, high spatial variability and non-normal data distributions limit conventional methods. In this context, this study aimed to mitigate the effect of non-normality on error and to predict maize yield using remote sensing and artificial neural networks. The study was conducted at the Faculty of Agricultural and Veterinary Sciences in Jaboticabal, São Paulo, Brazil, during the 2023/2024 season. The experimental area covered 10 hectares, with 80 georeferenced yield points. Spectral variables were derived from PlanetScope imagery (seven bands and ten vegetation indices). To characterize yield behavior, we first examined a histogram and a boxplot; based on this exploration, we applied the interquartile range (IQR) method to remove outliers and make the distribution more homogeneous. We then calculated the variance inflation factor (VIF < 5), and for yield prediction we employed two neural network architectures: Multilayer Perceptron (MLP) and Radial Basis Function (RBF). Model performance was evaluated using mean absolute error (MAE). Among the 17 candidate input variables, the VIF procedure selected four inputs, thereby reducing
multicollinearity and indicating that four predictors are sufficient for yield prediction. The dataset was split into 80% for training and 20% for testing. The MLP achieved a lower MAE (715 kg ha⁻¹) than the RBF (731 kg ha⁻¹). Despite the substantial variability in the data, which resulted in an estimated error of 20%, the results indicate meaningful advances in applying remote sensing to yield prediction, with potential to improve forecasting in maize.
Descrição
Palavras-chave
Milho, Sensoriamento remoto, Redes neurais (Computação), Predição
Idioma
Português
Citação
DIAS, J. G. Q. Aprimorando a acurácia da predição de produtividade do milho por meio de sensoriamento remoto e redes neurais artificiais. 2025. 45 f. Trabalho de conclusão de curso (Graduação em Engenharia Agronômica) - Faculdade de Ciências Agrárias e Veterinárias, Universidade Estadual Paulista “Júlio de Mesquita Filho, Jaboticabal, 2025.
