Algoritmos para redução da incerteza na análise de dados georreferenciados

Este estudo propõe um método de pós-processamento para estimativa da área efetivamente trabalhada em operações de campo de baixa velocidade, a partir de registros de posição produzidos por receptores GNSS de baixo custo. As abordagens existentes de aprendizado de máquina para mitigação de erros em GNSS operam predominantemente no nível do sinal, utilizando características como relação portadora-ruído e resíduos de pseudodistância, que não constam dos registros produzidos pelos equipamentos e aplicativos empregados nessas operações. O método proposto, denominado KNN-Misto, atribui a cada ponto um peso de confiabilidade calculado por K-Nearest Neighbors sobre sua vizinhança espaço-temporal, com transformação sigmoide, e aplica um fechamento morfológico à união dos discos ponderados para supressão de componentes residuais. O algoritmo opera exclusivamente sobre as coordenadas geográficas e o registro de tempo de cada ponto, sem exigir metadados do sinal, e é compatível com qualquer receptor que produza um registro de posições. Os hiperparâmetros são calibrados por Otimização por Enxame de Partículas (PSO) diretamente contra o erro percentual de área, separadamente por modalidade de operação, uma vez que o raio efetivo de aplicação e o padrão de deslocamento diferem entre roçagem, pulverização com costal e aplicação de doses com costal. A avaliação é conduzida sobre 73 conjuntos de operações agrícolas de pulverização e de dosagem em cana-de-açúcar, açaí, arroz, tabaco, banana, café, eucalipto e reflorestamento, com áreas de referência entre 7,2 × 102 e 4,3 × 104 m2, e o método é comparado com a solução Padrão sem ponderação, o fechamento morfológico isolado, o KNN padrão, o KNN ponderado pela distância euclidiana e o KNN ponderado por sigmoide, todos calibrados pelo mesmo procedimento e no mesmo espaço de busca. O KNN-Misto obteve erro percentual absoluto médio de 4,90%, erro mediano de 4,23% e erro percentual médio com sinal de +0,48%, contra 8,08% do fechamento isolado e 15,59% da solução Padrão, com diferença significativa em relação a cada um dos cinco métodos pelo teste de Wilcoxon pareado após correção de Holm. A estimativa ficou dentro de 10% da área de referência em 93,2% dos conjuntos e dentro de 20% em 98,6%. A decomposição do ganho sobre a linha de base atribui a maior parte dele ao fechamento morfológico, e a ponderação por confiabilidade atua como componente de apoio na redução da cauda de erro.

Resumo (inglês)

This study proposes a post-processing method for estimating the effectively worked area in low-speed field operations from position logs produced by low-cost GNSS receivers. Existing machine learning approaches for GNSS error mitigation operate predominantly at the signal level, using features such as carrier-to-noise density ratio and pseudorange residuals, which are absent from the logs produced by the equipment and applications used in these operations. The proposed method, termed KNN-Misto, assigns each point a reliability weight computed by K-Nearest Neighbors over its spatio-temporal neighbourhood, with a sigmoid transformation, and applies a morphological closing to the union of weighted discs to suppress residual components. The algorithm operates exclusively on the geographic coordinates and timestamp of each point, without requiring signal metadata, and is compatible with any receiver capable of producing a position log. Hyperparameters are calibrated by Particle Swarm Optimization (PSO) directly against the percentage area error, separately for each operation type, since the effective application radius and the movement pattern differ between brushcutting, knapsack spraying and knapsack dose application. The evaluation is conducted on 73 agricultural spraying and dosing datasets spanning sugarcane, açaí, rice, tobacco, banana, coffee, eucalyptus and reforestation, with reference areas ranging from 7.2 × 102 to 4.3 × 104 m2, and the method is compared against the unweighted baseline, morphological closing in isolation, standard KNN, Euclidean distance-weighted KNN and sigmoid-weighted KNN, all calibrated by the same procedure and within the same search space. KNN-Misto achieved a mean absolute percentage error of 4.90%, a median error of 4.23% and a signed mean percentage error of +0.48%, against 8.08% for closing in isolation and 15.59% for the unweighted baseline, with a significant difference from each of the five methods under the paired Wilcoxon test after Holm correction. Estimates fell within 10% of the reference area in 93.2% of the datasets and within 20% in 98.6%. The decomposition of the gain over the baseline attributes most of it to the morphological closing, with the reliability weighting acting as a supporting component in reducing the error tail.