Aplicação de algoritmos de aprendizado de máquina e sensoriamento remoto na estimativa de perdas na colheita do amendoim

O arranquio mecanizado do amendoim (Arachis hypogaea L.) é uma etapa crítica da colheita, pois pode gerar perdas visíveis, representadas por vagens remanescentes sobre a superfície do solo, e perdas invisíveis, representadas por vagens retidas no perfil do solo. Este trabalho teve como objetivo integrar dados de campo, sensoriamento remoto, índices topográficos e aprendizado de máquina para estimar essas perdas e apoiar o gerenciamento da operação. O estudo foi conduzido na safra 2024/2025, em área de 8,73 ha na região de Jaboticabal, SP, com amostragem georreferenciada em 100 pontos, espaçados em 30 m entre pontos e 50 m entre linhas. As perdas visíveis foram quantificadas com armação de 2 m², e as perdas invisíveis foram obtidas por escavação na camada de 0 a 20 cm. Como variáveis explicativas, foram utilizadas a umidade do solo, a umidade das vagens, o índice de maturação, a textura do solo, o Índice de Umidade Topográfica, o Índice de Posição Topográfica e índices de vegetação derivados de imagens PlanetScope obtidas antes da colheita. Foram ajustados os modelos Random Forest, k-Nearest Neighbors e Support Vector Regression, com otimização de hiperparâmetros e validação cruzada em cinco dobras. Para perdas visíveis, o melhor desempenho foi obtido pelo Support Vector Regression com a combinação de índices de vegetação e variáveis pré-colheita. Para perdas invisíveis, os erros foram mais elevados, indicando maior complexidade do processo, mas o Support Vector Regression também apresentou o melhor desempenho geral. A produtividade média da área foi de 8.156 kg ha⁻¹, com perdas visíveis médias de 157,86 kg ha⁻¹ e perdas invisíveis médias de 162,31 kg ha⁻¹, correspondendo, respectivamente, a 1,94% e 1,99% da produtividade. As perdas totais representaram 3,93%, valor inferior ao limite operacional máximo de 5% adotado para a cultura. Os resultados indicam que a integração de variáveis de planta, sensoriamento remoto e atributos do terreno é promissora para explicar a variabilidade espacial das perdas no arranquio e subsidiar decisões operacionais de colheita.

Resumo (inglês)

Mechanized peanut harvesting (Arachis hypogaea L.) is a critical stage because it can generate visible losses, represented by pods remaining on the soil surface, and invisible losses, represented by pods retained in the soil profile. This study aimed to integrate field data, remote sensing, topographic indices, and machine learning to estimate these losses and support operational management. The study was conducted during the 2024/2025 growing season in an 8.73 ha area in the region of Jaboticabal, São Paulo, Brazil, with georeferenced sampling at 100 points spaced 30 m between points and 50 m between sampling lines. Visible losses were quantified using a 2 m² frame, and invisible losses were obtained by excavating the 0 to 20 cm soil layer. The explanatory variables included soil moisture, pod moisture, maturity index, soil texture, Topographic Wetness Index, Topographic Position Index, and vegetation indices derived from PlanetScope images obtained before harvest. Random Forest, k-Nearest Neighbors, and Support Vector Regression models were fitted with hyperparameter optimization and five-fold cross-validation. For visible losses, the best performance was obtained by Support Vector Regression using the combination of vegetation indices and pre-harvest variables. For invisible losses, the errors were higher, indicating greater process complexity, but Support Vector Regression also showed the best overall performance. The average yield was 8,156 kg ha⁻¹, with mean visible losses of 157.86 kg ha⁻¹ and mean invisible losses of 162.31 kg ha⁻¹, corresponding to 1.94% and 1.99% of yield, respectively. Total losses represented 3.93%, below the 5% maximum operational threshold adopted for the crop. The results indicate that integrating plant variables, remote sensing, and terrain attributes is promising for explaining the spatial variability of digging losses and supporting operational harvest decisions.

Palavras-chave

Amendoim Sensoriamento remoto Machine Learning Agricultura de precisão Geoprocessamento

Idioma

Português

Citação

COSTA, G. P. Aplicação de algoritmos de aprendizado de máquina e sensoriamento remoto na estimativa de perdas na colheita de amendoim. 2026. 45 p. Trabalho de Conclusão de Curso (Graduação em Engenharia Agronômica) – Faculdade de Ciências Agrárias e Veterinárias, Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2026.