Predição de rendimento da cultura da batata-doce a partir de imagens de alta resolução espacial e modelagem por aprendizado de máquina

Abstract

A agricultura desempenha um papel central na economia brasileira, mas o setor enfrenta desafios como altos custos de produção e impactos socioambientais nas áreas de cultivo. Estimar o rendimento agrícola com assertividade é fundamental para permitir a precificação antecipada, otimizando a gestão da produção. Apesar de muitos estudos sobre predições de rendimento em diversas culturas por meio do sensoriamento remoto, há uma lacuna significativa na pesquisa sobre a batata-doce. Nesse contexto, o uso de Aeronaves Remotamente Pilotadas (ARP) surge como uma abordagem promissora, proporcionando predições não destrutivas na cultura. Neste sentido, esta pesquisa teve como objetivo desenvolver um modelo para predizer o rendimento da batata-doce a partir de imagens de alta resolução espacial, utilizando algoritmos de aprendizado de máquina. Foram treinados para calibração de modelos os algoritmos Random Forest (RF), K-Nearest Neighbors (KNN), Extreme Gradient Boosting (XGBoost) e Regressão Linear. Para redução dos dados de entrada dos modelos, diversas técnicas de seleção de atributos foram aplicadas. O estudo foi realizado em uma área comercial de cultivo de batata-doce no município de Regente Feijó, região Oeste do Estado de São Paulo, Brasil. As imagens foram capturadas com uma câmera multiespectral Alpha 7Rxxx Sextuple, da Agrowing, com 14 bandas espectrais. A câmera foi embarcada em uma ARP Matrice 300RTK, da DJI. Além das bandas espectrais, foram testados os índices espectrais de vegetação Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI) e Normalized Difference Red Edge Index (NDRE) como atributos do modelo. O peso das raízes tuberosas foi usado como variável target. Os resultados mostram que o modelo RF apresentou o melhor desempenho, com valores de MAE = 1,39 t/ha, RMSE = 2,15 t/ha, bias = 7,40% e R² = 0,88, destacando-se como uma abordagem eficiente para a predição de rendimento da batata-doce.

Agriculture plays a central role in the Brazilian economy, but the sector faces challenges such as high production costs and socio-environmental impacts on cultivated areas. Accurately estimating agricultural yield is essential to enable early pricing, optimizing production management. Despite many studies on yield predictions in various crops through remote sensing, there is a significant gap in research on sweet potatoes. In this context, the use of Remotely Piloted Aircraft (RPA) emerges as a promising approach, providing nondestructive predictions in the crop. In this sense, this research aimed to develop a model to predict sweet potato yield from high spatial resolution images, using machine learning algorithms. The Random Forest (RF), K-Nearest Neighbors (KNN), Extreme Gradient Boosting (XGBoost) and Linear Regression algorithms were trained for model calibration. To reduce the input data of the models, several attribute selection techniques were applied. The study was carried out in a commercial sweet potato cultivation area in the municipality of Regente Feijó, western region of the state of São Paulo, Brazil. The images were captured with an Alpha 7Rxxx Sextuple multispectral camera, from Agrowing, with 14 spectral bands. The camera was embedded in a DJI ARP Matrice 300RTK. In addition to the spectral bands, the spectral vegetation indices Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI) and Normalized Difference Red Edge Index (NDRE) were tested as model attributes. The weight of tuberous roots was used as the target variable. The results show that the RF model presented the best performance, with values of MAE = 1.39 t/ha, RMSE = 2.15 t/ha, bias = 7.40% and R² = 0.88, standing out as an efficient approach for sweet potato yield prediction.