Previsão e estimativa da produtividade de milho e cana-de-açúcar utilizando Inteligência artificial e sensoriamento remoto

Abstract

A necessidade de avanços nas técnicas de estimativa e previsão da produtividade de cultura agrícolas utilizando técnicas não destrutivas tem impulsionado o desenvolvimento de novas pesquisas utilizando técnicas de aprendizado de máquina associado a dados obtidos por sensoriamento remoto. A estimação é o cálculo de uma condição atual, enquanto, a previsão é a projeção de uma condição futura. Buscando contribuir com os avanços na estimativa e previsão da produtividade utilizando técnicas não destrutivas, foram desenvolvidos experimentos para os cultivos de milho e cana-de-açúcar. No primeiro capítulo apresenta-se o referencial teórico que aborda desde a importância econômica, fenologia, aplicações de sensoriamento remoto até o uso de aprendizado de máquina no cultivo de milho e na cana-de-açúcar. No segundo capítulo é apresentado os resultados obtidos a partir de uma abordagem baseada em classes de graus dias acumulados do cultivo de milho para organizar os dados das imagens de satélite em duas safras em que o modelo extreme gradient boosting (XGBoost), obteve acurácia superior ao k-nearest neighbors (KNN) na previsão da produtividade do cultivo de milho. No terceiro capítulo, foi realizado um experimento no cultivo de cana-de-açúcar com o objetivo de investigar a análise de componentes principais e integração de séries temporais de imagens do satélite Sentinel-2 e variáveis do motor, como entradas em modelos de aprendizado de máquina para estimar a produtividade da cultura, concluindo-se que o modelo Support Vector Machine (SVM), utilizando as Análise de Componentes Principais (PCAs) da integração de séries temporais de bandas espectrais e dados do motor apresentou maior acurácia, com RMSE de 4,20 t ha-1.

The need for advanced techniques for estimating and forecasting agricultural crop productivity using non-destructive techniques has driven the development of new research using machine learning techniques associated with data obtained by remote sensing. Estimation is the calculation of a current condition, while forecasting is the projection of a future condition. Experiments were developed for corn and sugar cane crops to contribute to advances in productivity estimation and forecasting using nondestructive techniques. The first chapter presents the theoretical framework where we address the economic importance, phenology, remote sensing applications, and the use of machine learning in corn and sugar cane. The second chapter presents the results obtained from an approach based on classes of accumulated degree days of the corn crop to organize satellite image data in two harvests in which the XGBoost model achieved greater accuracy than KNN in predicting yield. In the third chapter, an experiment was carried out in the sugarcane crop to investigate the analysis of principal components and integration of time series of Sentinel-2 images and engine variables, as inputs in machine learning models. to estimate crop productivity, concluding that the SVM model using PCAs from the integration of time series of spectral bands and engine data presented greater accuracy, with RMSE of 4.20 t ha-1 .