Previsão e estimativa de variáveis de cultivo utilizando níveis e formas de sensoriamento remoto e técnicas de aprendizado de máquina

Abstract

A melhoria das previsões e estimativas de variáveis agronômicas por meio de técnicas não destrutivas é motivo de pesquisas para o avanço do conhecimento dessas relações funcionais. Buscando a melhora da estimativa e previsão de variáveis agronômicas de forma remota, foram desenvolvidos experimentos para as culturas do milho, café e amendoim. No primeiro capítulo apresenta-se à revisão de literatura. No segundo capítulo é apresentado o experimento para cultura do milho no qual objetivou-se prever a produtividade, ao nível de zona de manejo, usando algoritmos de aprendizado de máquina, associados a dados de sensoriamento remoto orbital e de topografia, em que se chegou à conclusão de que índices topográficos aumentam a acurácia da previsão de produtividade de milho, quando associados a bandas espectrais como entrada em modelos de aprendizado de máquina. No capítulo três, foi realizado um experimento na cultura do café, no qual se investigou a possibilidade de determinar o volume de aplicação de defensivos usando o princípio Tree Row Volume, baseado no acesso de características físicas de plantas de café, concluindo-se que usando sensoriamento remoto proximal e redes neurais artificiais, é possível estimar o volume de dossel de plantas de café com razoável acurácia, e que isso pode ser feito por meio de um modelo de rede neural multicamadas, utilizando índice de vegetação de diferentes partes da planta como entrada do modelo. No quarto capítulo, no experimento da cultura do amendoim, avaliou-se se redes neurais artificiais e múltiplos índices de vegetação modificados e não-modificados são capazes de estimar de forma não destrutiva a maturação do amendoim, sendo que as várias bandas espectrais derivadas de imagens de drone, juntamente com os parâmetros da rede resultante, permitiram a estimação da maturação de amendoim determinada em campos comerciais com elevada acurácia e de forma não destrutiva. Por fim, no capítulo cinco, tem-se as considerações finais com as implicações das pesquisas realizadas assim como os próximos passos para pesquisas futuras.

The improvement of forecasts and estimates of agronomic variables through nondestructive techniques is the reason for research to advance the knowledge of these functional relationships. Seeking to improve the estimation and prediction of agronomic variables remotely, experiments were developed for the crops of corn, coffee and peanuts. The first chapter of this thesis presents the literature review. The second chapter presents the experiment for maize culture in which the objective was to predict productivity, at the level of the management zone, using machine processing algorithms, associated with data from orbital remote sensing and topography, in which the completion of topographic indexes increases the accuracy of the corn yield forecast, when associated with spectral bands as input into machine learning models. In third chapter, an experiment was carried out on coffee culture, in which the possibility of determining the volume of application of pesticides was investigated using the Tree Row Volume principle, based on the access of physical characteristics of coffee plants, concluding that using proximal remote sensing and artificial neural networks, it is possible to estimate the canopy volume of coffee plants with reasonable accuracy, and that this can be done using a multilayer neural network model, using vegetation index of different parts of the plant as input of model. In the fourth chapter, in the peanut culture experiment, it was evaluated whether artificial neural networks and multiple modified and unmodified vegetation indices are capable of estimating nondestructively the peanut maturation, with the various spectral bands derived from images drone, together with the parameters of the resulting network, allowed the estimation of peanut ripeness determined in commercial fields with high accuracy and in a non-destructive way. Por fim, no capítulo cinco, tem-se as considerações finais com as implicações das pesquisas realizadas assim como os próximos passos para pesquisas futuras.