Publicação: Combinação de informações e tecnologias para aperfeiçoar a estimativa da maturação remota de vagens de amendoim
Carregando...
Data
2024-08-02
Autores
Orientador
Silva, Rouverson Pereira 
Coorientador
Almeida, Samira Luns Hatum
Carneiro, Franciele Morlin.
Pós-graduação
Agronomia (Ciência do Solo) - 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 colheita mecanizada da cultura do amendoim resulta em perdas visíveis e invisíveis. Portanto, o monitoramento e a determinação precisa da maturação são essenciais para reduzir essas perdas. Dessa forma, os objetivos deste trabalho foram: (i) identificar as melhores variáveis (banda espectral, índice de vegetação e graus dias acumulados) para a estimativa da maturação das vagens do amendoim; e (ii) estimar dois índices de maturação (classes marrom e preto e classes laranja, marrom e preto) do amendoim utilizando sensoriamento remoto (SR) e redes neurais artificiais (RNAs), visando otimizar o momento de início de colheita e minimizar perdas. O experimento foi realizado em duas áreas comerciais de amendoim no Estado de São Paulo, nas safras 2021/2022 e 2022/2023, situadas nas seguintes coordenadas geográficas: Cândido Rodrigues, utilizando a cultivar IAC 503. A aquisição dos dados em campo foi realizada a partir de um mês antes do momento previsto para a colheita, com intervalos semanais. Para aquisição das variáveis de entradas, utilizou o SR orbital (PlanetScope), para coletar bandas espectrais e índices de vegetação, as variáveis climáticas utilizou o NASA POWER. Para a análise dos dados, utilizamos as arquiteturas das RNAS, Multilayer Perceptron (MLP) e Radial Basis Function (RBF). O banco de dados obtido da primeira área (Cândido Rodrigues) foi subdivido com 80% para treinamento e 20% para validação da estimativa da maturação. Após a criação do modelo, este foi testado com o banco de dados obtido da segunda área (Guariba). Para a seleção das variáveis, foi realizada a filtragem dos dados por meio da Análise de Componentes Principais (ACP) e, posteriormente, utilizamos o método Stepwise para detectar as variáveis com maior grau de importância para estimar a maturação. Os modelos validados demonstraram ótima acurácia para ambas as arquiteturas (MLP e RBF), com Coeficiente de Determinação (R²) maior ou igual a 0,90 e Erro Absoluto Médio (MAE) entre 0,06 e 0,07. Além disso, os resultados dos modelos testados foram promissores, apresentando R2 entre 0,61 e 0,76 e MAE em intervalos de 0,12 a 0,15. Ambas as arquiteturas mostraram resultados semelhantes, indicando que os modelos desenvolvidos possuem alta acurácia na estimativa dos índices de maturação, permitindo sua aplicação eficaz em diferentes condições. No entanto, a inclusão de mais pontos amostrais, outras cultivares e condições climáticas variadas pode melhorar consideravelmente os resultados.
Resumo (inglês)
The mechanized harvesting of peanut crops results in both visible and invisible losses. Therefore, monitoring and precise determination of maturation are essential to reduce these losses. Thus, the objectives of this study were: (i) to identify the best variables (spectral band, vegetation index, and accumulated degree days) for estimating the maturation of peanut pods; and (ii) to estimate two maturation indices (brown and black classes, and orange, brown, and black classes) of peanuts using remote sensing (RS) and artificial neural networks (ANNs), aiming to optimize the harvest start time and minimize losses. The experiment was conducted in two commercial peanut areas in the State of São Paulo, during the 2021/2022 and 2022/2023 growing seasons, located at the following geographic coordinates: Cândido Rodrigues, using the cultivar IAC 503. Data collection in the field was carried out starting one month before the expected harvest time, at weekly intervals. For acquiring the input variables, orbital RS (PlanetScope) was used to collect spectral bands and vegetation indices, and for climatic variables, the NASA POWER data source was used. Data analysis utilized ANN architectures, Multilayer Perceptron (MLP), and Radial Basis Function (RBF). The database obtained from the first area (Cândido Rodrigues) was divided, with 80% used for training and 20% for validation of the maturation estimation. After creating the model, it was tested using the database obtained from the second area (Guariba). For variable selection, Principal Component Analysis (PCA) was performed to filter the data, followed by using the Stepwise method to detect the variables with the greatest importance for estimating maturation. The validated models demonstrated excellent accuracy for both architectures (MLP and RBF), with a Coefficient of Determination (R²) greater than or equal to 0.90 and a Mean Absolute Error (MAE) between 0.06 and 0.07. Additionally, the results of the tested models were promising, showing R² between 0.61 and 0.76 and MAE in the range of 0.12 to 0.15. Both architectures showed similar results, indicating that the developed models have high accuracy in estimating maturation indices, enabling effective application under different conditions. However, the inclusion of more sample points, other cultivars, and varied climatic conditions could considerably improve the results.
Descrição
Palavras-chave
Idioma
Português
Como citar
OLIVEIRA, T.C.M. - Combinação de informações e tecnologias para aperfeiçoar a estimativa da maturação remota de vagens de amendoim - 2025, 58f - Dissertação (Mestrado em Agronomia) - Universidade Estadual Paulista "Julio de Mesquita Filho", Jaboticabal, 2024.
