Uso de imagens digitais e aprendizado de máquina para estimar o coeficiente de cultura do feijoeiro-comum
Carregando...
Data
2023-07-28
Orientador
Saad, João Carlos Cury
Coorientador
Pós-graduação
Engenharia Agrícola - FCA 33004064038P7
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
O uso do coeficiente de cultura (Kc) é essencial para o eficiente manejo da irrigação, entretanto quantificá-lo durante o ciclo da cultura ainda é um desafio, pois os métodos diretos de determinação são trabalhosos e onerosos. O objetivo principal deste trabalho foi estimar os valores de Kc durante as fases fenológicas da cultura do feijoeiro-comum em função dos graus-dia acumulados (GDA), do índice de área foliar (IAF), da fração de cobertura vegetal (FCV), do índice de vegetação por diferença normalizada (NDVI) e do índice de vegetação ajustado ao solo (NDVI). A pesquisa foi conduzida no Departamento de Engenharia Rural e Socioeconomia, da Faculdade de Ciências Agronômicas - Campus Botucatu - UNESP. Os valores de GDA foram calculados a partir de dados meteorológicos locais; os valores de IV, NDVI e SAVI, foram obtidos a partir de imagens digitais multiespectrais, com uso de veículos aéreo não-tribulado (VANT); e os valores de IAF e FCV foram obtidos de imagens digitais proximais, classificadas com uso de algoritmos de aprendizado de máquina (AM). O experimento foi desenvolvido em campo, em dois ciclos da cultura, sendo o primeiro ciclo denominado de etapa de modelagem (11/05 a 09/08/2022) e o segundo ciclo de etapa de validação (16/10 a 31/12/2022). Em ambas as etapas foram determinadas: a evapotranspiração de cultivo pelo método do balanço hídrico do solo (ETc_BH), a evapotranspiração de referência (ETo) pelo método de Penman-Monteith, e o coeficiente de cultivo pelo método do balanço hídrico do solo (Kc_BH), a partir da relação entre ETc_BH e ETo. Na etapa de modelagem foram criados os modelos de AM a partir dos métodos de Máquina de Vetores de Suporte (SVM), Floresta Aleatória (RF) e Regressão Logística Multiclasse (LR) capazes de classificar corretamente os pixels da imagem digital proximal e extrair os valores IAF e FCV. Nesta etapa, utilizou-se análise de regressão para gerar os modelos matemáticos a partir da relação entre IAF, FCV, NDVI e SAVI em função de GDA, possibilitando estimar os valores de IAF (IAF_GDA), FCV (FCV_GDA), NDVI (NDVI_GDA) e SAVI (SAVI_GDA). Seguindo a mesma metodologia e utilizando o Kc_BH, obteve-se Kc em função dos GDA (Kc_GDA), Kc em função do IAF (Kc_IAF), Kc em função da FCV (Kc_FCV), Kc em função do NDVI (Kc_NDVI) e Kc em função do SAVI (Kc_SAVI). Os resultados mostraram que o modelo LR de AM é o mais adequado para classificar corretamente os pixels das imagens proximais e extrair os valores de IAF e FCV, com acurácia (100%) e em menor custo computacional em tempo (31 s). O ciclo fenológico da cultura foi influenciado pelos GDA, sendo observado 91 dias e GDA de 864,91 °C para a etapa de modelagem, e 77 dias e GDA de 920,85 °C para a etapa de validação. Na etapa de modelagem, os valores estimados pelos modelos IAF_GDA, FCV_GDA, NDVI_GDA e SAVI_GDA tiveram desempenho adequado, quando comparados aos valores observados de IAF, FCV, NDVI e SAVI. Na validação, o modelo IAF_GDA teve uma leve tendência de subestimar os valores de IAF, enquanto os modelos FCV_GDA, NDVI_GDA e SAVI_GDA tiveram tendência de superestimar os valores de FCV, NDVI e SAVI. Na etapa de modelagem, todos os valores estimados pelos modelos Kc_GDA, Kc_FCV, Kc_IAF, Kc_SAVI e Kc_NDVI tiveram desempenho adequado, quando comparados com os valores observados de Kc_BH. Na validação, a relação entre os valores estimados e observados tiveram alta correlação para Kc_GDA, Kc_IAF, Kc_FCV, e baixa correlação para Kc_SAVI e Kc_NDVI. A produtividade em grãos da cultura foi semelhante, enquanto a eficiência de uso da água (EUA) diferiu estatisticamente, pelo teste t de Student, para as etapas de modelagem e validação.
Resumo (inglês)
The use of the crop coefficient (Kc) is essential for efficient irrigation management; however, quantifying it during the crop cycle is still a challenge, as direct determination methods are laborious and expensive. The main objective of this work was to estimate the Kc values during the phenological phases of the common bean crop as a function of the accumulated degree days (GDA), the leaf area index (LAI), the vegetation cover fraction (FCV), the normalized difference vegetation index (NDVI) and the soil-adjusted vegetation index (NDVI). The research was conducted at the Department of Rural Engineering and Socioeconomics of the Faculty of Agricultural Sciences - Campus Botucatu - UNESP. GDA values were calculated from local meteorological data; the IV, NDVI, and SAVI values were obtained from multispectral digital images using unmanned aerial vehicles (UAVs); and IAF and FCV values were obtained from proximal digital images, classified using Machine Learning (ML) algorithms. The experiment was carried out in the field in two crop cycles; the first cycle was called the modeling stage (05/11 to 08/09/2022), and the second cycle was the validation stage (10/16 to 12/31/ 2022). In both stages, the following parameters were determined: crop evapotranspiration using the soil water balance method (ETc_BH), reference evapotranspiration (ETo) using the Penman-Monteith method, and the crop coefficient using the soil water balance method (Kc_BH), based on the relationship between ETc _BH and ETo. In the modeling stage, AM models were created using Support Vector Machine (SVM), Random Forest (RF), and Multiclass Logistic Regression (LR), methods capable of correctly classifying the pixels of the proximal digital image and extracting the values IAF and FCV. At this stage, regression analysis was used to generate mathematical models based on the relationship between IAF, FCV, NDVI, and SAVI as a function of GDA, making it possible to estimate the values of IAF (IAF_GDA), FCV (FCV_GDA), NDVI (NDVI_GDA) and SAVI (SAVI_GDA). Following the same methodology and using Kc_BH, Kc was obtained as a function of GDA (Kc_GDA), Kc as a function of IAF (Kc_IAF), Kc as a function of FCV (Kc_FCV), Kc as a function of NDVI (Kc_NDVI) and Kc as a function of SAVI (Kc_SAVI). The results showed that the LR AM model is the most suitable for correctly classifying the pixels of the proximal images and extracting the IAF and FCV values with accuracy (100%) and at a lower computational cost in time (31 s). The GDA influenced the phenological cycle of the culture, with 91 days and a GDA of 864.91 °C being observed for the modeling stage and 77 days and a GDA of 920.85 °C for the validation stage. In the modeling stage, the values estimated by the IAF_GDA, FCV_GDA, NDVI_GDA, and SAVI_GDA models performed adequately compared to the observed values of IAF, FCV, NDVI, and SAVI. In validation, the IAF_GDA model slightly underestimated the IAF values, while the FCV_GDA, NDVI_GDA, and SAVI_GDA models tended to overestimate the FCV, NDVI, and SAVI values. In the modeling stage, all values estimated by the Kc_GDA, Kc_FCV, Kc_IAF, Kc_SAVI, and Kc_NDVI models performed adequately when compared with the observed values of Kc_BH. In validation, the relationship between estimated and observed values had a high correlation for Kc_GDA, Kc_IAF, and Kc_FCV and a low correlation for Kc_SAVI and Kc_NDVI. The grain productivity of the crop was similar, while the water use efficiency (WUE) differed statistically, using the Student's t-test for the modeling and validation stages.
Descrição
Idioma
Português
Como citar
NASCIMENTO, C. A. F. Uso de imagens digitais e aprendizado de máquina para estimar o coeficiente de cultura do feijoeiro-comum. 2024. Tese (Doutorado em Agronomia/Irrigação e Drenagem) - Faculdade de Ciências Agronomias, Universidade Estadual Paulista, Botucatu, 2023.