Qual o melhor algoritmo para estimar a produtividade do amendoim utilizando sensoriamento remoto?
Carregando...
Data
Autores
Orientador
Silva, Rouverson Pereira da
Coorientador
Jarlyson Brunno Costa Souza
Pós-graduação
Curso de graduação
Engenharia Agronômica - FCAV
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
O uso de sensoriamento remoto para estimar a produtividade nas culturas é de suma importância, pois torna o processo prático e eficaz quando comparado a técnicas tradicionais. No devido trabalho, buscou-se destacar qual rede neural (RBF e MLP) demonstra o melhor resultado para estimar a produtividade na cultura do amendoim. O experimento foi conduzido em duas áreas, na safra 2021/2022, com a análise de 20 pontos amostrais de 2 m² cada ponto. O monitoramento das áreas foi feito pela plataforma PlanetScope, sendo as imagens obtidas em 5 datas em intervalos de 7 dias após os 90 DAS (dias após a semeadura). A estimativa de produtividade foi feita pelos algortimos MLP e RBF, utilizando como entrada 7 Índices de vegetação (IV’s) em que, realizou-se a divisão dos dados em 80 % para treinamento e 20 % para teste, sendo as redes testadas 3000 vezes, e selecionando-se somente os 10 melhores modelos (5 MLP e 5 RBF). O melhor resultado apresentado para MLP e RBF foi a combinação entre GNDVI-NDVI-EVI, já que apresentaram uma boa precisão, com R² de 0,71 e 0,72, respectivamente. No entanto, ao analisar os índices separadamente, os modelos trouxeram diferença quanto aos melhores IV´s, em que para o RBF o GNDVI se destacou e para o MLP, o NLI foi o destaque. Portanto, podemos concluir que os modelos RBF e MLP apresentaram bons resultados para estimar a produtividade do amendoim. Ademais, devem ser realizados estudos para indicar modelos mais eficazes para a estimativa de produtidade com a testagem de um número maior de índices de vegetação, bem como, utilizar mais áreas com a inteção de minimizar a relação entre o genótipo e ambiente.
Resumo (inglês)
The use of remote sensing to estimate productivity in crops is of paramount importance, as it makes the process practical and effective when compared to traditional techniques. In our work, we sought to highlight which algorithm (RBF and MLP) demonstrates the best result for estimating productivity in the peanut crop. The experiment was conducted in two areas in the 2021/2022 harvest, with the analysis of 20 sample points of 2 m² each point. The monitoring of the areas was done by the PlanetScope platform, with the images obtained on 5 dates at intervals of 7 days after the 90 DAS (days after sowing). The productivity estimate was made by the MLP and RBF algorithms, using as input 7 vegetation indices (IV's) in which, the data was divided into 80% for training and 20% for test, the networks were tested 3000 times and selected only the top 10 models (5 MLP and 5 RBF). The best result presented for MLP and RBF was the combination between GNDVI-NDVI-EVI, since they presented a good precision with R² of 0.71 and 0.72 respectively. However, when analyzing the indices separately, the models brought difference regarding the best IV's, in which for the RBF the GNDVI stood out and for the MLP, the NLI was the highlight. Therefore, we can conclude that the RBF and MLP models showed good results for estimating peanut yield. Furthermore, studies should be carried out to indicate more effective models for estimating productivity by testing a greater number of vegetation indices, as well as using more areas with the intention of minimizing the relationship between genotype and environment.
Descrição
Palavras-chave
sensoriamento remoto, amendoim, produtividade, peanut, productivity, remote sensing
Idioma
Português
