Predição da produtividade da cana-de-açúcar utilizando dados de alta resolução e mineralogia do solo

Abstract

A estimativa antecipada da produtividade é fundamental para o planejamento agrícola, o manejo localizado e a tomada de decisões em áreas comerciais, especialmente diante da elevada variabilidade espacial presente nos canaviais. No entanto, os métodos tradicionais de estimativa de produtividade são, em geral, destrutivos, onerosos e pouco eficientes na representação dessa variabilidade. Nesse contexto, a integração de dados de sensoriamento remoto de alta resolução, atributos do solo e técnicas de aprendizado de máquina surge como uma alternativa promissora para a predição da produtividade da cana-de-açúcar. Objetivou-se nesta pesquisa aplicar modelos de predição da produtividade da cana-de-açúcar em escala de talhão, a partir da integração de dados orbitais de alta resolução, informações estruturais derivadas do LiDAR (Light Detection and Ranging) e atributos mineralógicos da fração argila. O estudo foi conduzido em uma área comercial, no estado de São Paulo. Os dados de produtividade real foram obtidos por sensores embarcados em colhedora de cana-de-açúcar, georreferenciados por GNSS com correção RTK. Foram utilizadas imagens multiespectrais da constelação PlanetScope, adquiridas em diferentes estádios fenológicos da cultura, das quais foram extraídas as bandas espectrais, os índices de vegetação e os atributos de textura baseados na Matriz de Co-ocorrência em Níveis de Cinza (GLCM). A altura das plantas foi obtida a partir de levantamentos LiDAR aerotransportados, enquanto a mineralogia do solo foi caracterizada por meio de medições de suscetibilidade magnética, convertidas em um índice representativo da fração argila. Foram avaliados os modelos Random Forest, XGBoost, KNN e Regressão Linear Múltipla. Os resultados indicaram que o modelo XGBoost apresentou o melhor desempenho comparado aos outros modelos testados, com os atributos de textura derivados da GLCM se destacando como as variáveis mais importantes para a predição da produtividade, superando os dados de altura de plantas e mineralogia do solo.

Early yield estimation is essential for agricultural planning, site-specific management, and decision-making in commercial fields, especially considering the high spatial variability observed in sugarcane crops. However, traditional yield estimation methods are generally destructive, costly, and inefficient in capturing this variability. In this context, the integration of high-resolution remote sensing data, soil attributes, and machine learning techniques emerges as a promising alternative for sugarcane yield prediction. This study aimed to apply yield prediction models at the field scale by integrating high-resolution orbital data, structural information derived from LiDAR (Light Detection and Ranging), and mineralogical attributes of the clay fraction. The study was conducted in a commercial area in the state of São Paulo, Brazil. Actual yield data were obtained using sensors mounted on a sugarcane harvester, georeferenced by GNSS with RTK correction. Multispectral images from the PlanetScope constellation were used, acquired at different phenological stages of the crop, from which spectral bands, vegetation indices, and texture attributes based on the Gray-Level Co-occurrence Matrix (GLCM) were extracted. Plant height was obtained from airborne LiDAR surveys, while soil mineralogy was characterized through magnetic susceptibility measurements, converted into an index representative of the clay fraction. The models evaluated included Random Forest, XGBoost, KNN, and Multiple Linear Regression. The results indicated that the XGBoost model achieved the best performance among the tested models, with texture attributes derived from GLCM standing out as the most important variables for yield prediction, outperforming plant height and soil mineralogy data.