Imagens orbitais de alta resolução e redes neurais artificiais para estimativa do teor de sacarose em cana-de-açúcar

Abstract

A integração de redes neurais artificiais (RNA’s) junto ao sensoriamento remoto (SR) na avaliação qualitativa da cana-de-açúcar pode oferecer indicadores confiáveis sobre a qualidade da matéria-prima. Métodos convencionais para análise da sacarose demandam intensa mão de obra e altos custos laboratoriais, especialmente em larga escala. Este estudo propõe estimar parâmetros biométricos da cana-de-açúcar, Brix (º) e Pureza (%), de forma não destrutiva por meio de redes neurais artificiais aplicadas a dados de SR. Para isso, foram adquiridos dados biométricos in situ e dados multiespectrais de sensores orbitais. As coletas foram feitas em duas áreas comerciais de cana-de-açúcar: a primeira com 240 pontos amostrais para treinamento e teste, e a segunda com 90 pontos amostrais para a transferência e a generalização dos modelos. As imagens multiespectrais da plataforma PlanetScope CubeSat, com oito bandas espectrais, foram usadas para calcular 16 índices de vegetação (IV’s). Dois modelos de RNA’s foram empregados para estimar Brix (º) e Pureza (%), Radial Basis Function (RBF) e Multilayer Perceptron (MLP), utilizando como estradas, além das bandas e dos IV’s, os graus-dias acumulados (aGDD). Após a seleção de variáveis de entrada, cinco bandas e cinco IV’s mostraram-se promissores na estimativa do teor de sacarose por meio do Brix (º) e da Pureza (%). As redes RBF e MLP demonstraram acurácia de 90% e 91% para Brix (º) e 89% e 93% para Pureza (%), respectivamente. Este estudo contribui para o desenvolvimento de métodos de colheita inteligente, promovendo a otimização da qualidade da matéria-prima, proporcionando aos produtores rurais e à indústria subsídios técnicos para a tomada de decisões informadas para definição do período ideal de colheita da cana-de-açúcar.

The integration of artificial neural networks (ANNs) with remote sensing (RS) in the qualitative assessment of sugarcane can offer reliable indicators of raw material quality. Conventional methods for sucrose analysis require intensive labor and high laboratory costs, especially on a large scale. This study proposes to estimate biometric parameters of sugarcane, Brix (°) and Purity (%), non-destructively using artificial neural networks applied to RS data. To achieve this, in situ biometric data and multispectral data from orbital sensors were acquired. Data collection was conducted in two commercial sugarcane areas: the first with 240 sampling points for training and testing, and the second with 90 sampling points for model transfer and generalization. Multispectral images from the PlanetScope CubeSat platform, with eight spectral bands, were used to calculate 16 vegetation indices (VIs). Two ANN models were employed to estimate Brix (°) and Purity (%): Radial Basis Function (RBF) and Multilayer Perceptron (MLP), using, in addition to the bands and VIs, accumulated growing degree days (aGDD) as inputs. After selecting input variables, five bands and five VIs proved to be promising for estimating sucrose content through Brix (°) and Purity (%). The RBF and MLP networks demonstrated accuracies of 90% and 91% for Brix (°) and 89% and 93% for Purity (%), respectively. This study contributes to the development of intelligent harvesting methods, promoting the optimization of raw material quality, providing rural producers and the industry with technical support for informed decision-making regarding the optimal sugarcane harvest period.