Abordagem para predição de soja por índices de vegetação e modelos de machine learning
Carregando...
Data
Autores
Orientador
Furlani, Carlos Eduardo Angeli 
Coorientador
Pós-graduação
Agronomia (Produção Vegetal) - FCAV
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
A predição de produtividade da soja é uma informação importante para dar suporte a gestão de culturas, determinando o momento e local de colheita, agregando valor ao produto colhido. No entanto, esta tarefa é um desafio, uma vez que a combinação perfeita de características espectrais e algoritmos de Aprendizado de Máquina (ML) para predizer a produtividade das culturas não é amplamente conhecida. Para resolver esse quebra-cabeça, o objetivo deste estudo foi trabalhar com imagens multiespectrais de satélite de alta resolução para identificar algumas das melhores características para a predição de produtividade da soja, tais como estádios fenológicos para a coleta de imagens, algoritmos de predição e índices de vegetação (VI's) que compõe tais algoritmos. A metodologia foi explorada como forma de análise não-invasiva e não-destrutiva. A base de dados foi composta por um conjunto de imagens temporais e dados de produtividade de três cultivares de soja, produzidas em duas safras diferentes. Primeiramente, as imagens foram processadas e calculados os VI's para cada estádio fenológico de coleta das imagens, que foram de R4 a R7. Os VI's utilizados foram NDVI, GNDVI, VARI, SAVI e EVI. Em seguida, os VI’s foram aplicados em modelos de regressão linear, Random Forest (RF) e Redes Neurais Artificiais (ANN) para predizer a produtividade da soja. MAE, MAPE e RMSE foram utilizados como métricas de acurácia. Nossos resultados mostraram que o modelo que apresentou melhor desempenho em relação à precisão e acurácia para prever a produtividade da soja foi baseado em ANN usando NDVI e GNDVI nos estádios fenológicos R5 e R4, respectivamente, provando assim ser uma alternativa precoce para apoiar decisões precisas nos campos de soja.
Resumo (inglês)
Predicting soybean yield is crucial task to support crop management, such as when and where to harvest, thus adding value to the harvested product. However, this task is challenging as the perfect combination of spectral features and Machine Learning (ML) algorithms to predict crop yield are not widely known. To solve this puzzle, the goal of this paper was to work with high-resolution multispectral satellite imagery to identify some of the best features for soybean yield forecasting, such as phenological stages for image collection, forecasting algorithms and vegetation indices (VI's) that compose such algorithms. The methodology was exploited as a form of non-invasive and non-destructive analysis. The database consisted of a set of temporal images and yield data of three soybean cultivars, produced in two different harvests. First, the images were processed and calculated VI’s were calculated for each phenological stage of image collection, which ranged from at R4 to R7. The VI’s used were NDVI, GNDVI, VARI, SAVI and EVI. Then, the VI’s were applied in linear regression models, Random Forest (RF) and Artificial Neural Networks (ANN) to predict soybean yield. MAE, MAPE and RMSE were used as the accuracy metrics. Our results showed that the model that performed best with respect to accuracy to predict soybean yield was based on ANN using NDVI and GNDVI at R5 and R4 phenological stages, respectively, thus proving to be an early alternative to support accurate decisions in soybean fields.
Descrição
Palavras-chave
PlanetScope, Redes Neurais, Random forest, Soja, Produtividade agrícola
Idioma
Português
