Previsão de parâmetros biométricos de cana-de-açúcar por imagens de veículo aéreo não tripulado
Carregando...
Data
2022-07-28
Autores
Orientador
Furlani, Carlos Eduardo Angeli 
Coorientador
Pós-graduação
Agronomia (Produção Vegetal) - FCAV
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Sensores multiespectrais a bordo de veículos aéreos não tripulados (VANT’s) são precisos e rápidos para prever produtividade de cana-de-açúcar. Neste estudo propõe-se prever parâmetros biométricos de cana-de-açúcar usando algoritmos de machine learning e dados multitemporais, por meio de análise de imagens multiespectral de VANT. A pesquisa foi realizada em cinco cultivares de cana-de-açúcar, como forma de construir modelos mais generalistas. Imagens multiespectrais foram coletadas a cada 40 dias e os parâmetros biométricos avaliados foram: número de perfilhos, altura da planta e diâmetro do colmo. Dois algoritmos de machine learning foram utilizados: modelo de multiple linear regression e modelo de random forest. Os resultados mostraram que os modelos de previsão foram acurados. As bandas espectrais Blue, Green e NIR forneceram melhor desempenho em prever os parâmetros biométricos da cana-de-açúcar. Resultados para melhorar a previsão de produtividade de cana-de-açúcar são fornecidos até sete meses antes da colheita. Estas descobertas expandem as possibilidades da utilização de imagem multiespectral de VANT na previsão de produtividade de cana-de-açúcar, particularmente pela inclusão de parâmetros biofísicos.
Resumo (inglês)
Multispectral sensors on board unmanned aerial vehicles (UAVs) are accurate and fast to predict sugarcane yields. In this study we propose to predict sugarcane biometric parameters using machine learning algorithms and multitemporal data, through multispectral UAV image analysis. The research was conducted on five sugarcane cultivars, as a way to build more generalistic models. Multispectral images were collected every 40 days and the biometric parameters evaluated were: number of tillers, plant height, and cane diameter. Two machine learning algorithms were used: multiple linear regression model and random forest model. The results showed that the prediction models were accurate. The Blue, Green and NIR spectral bands provided better performance in predicting the biometric parameters of sugarcane. Results for improving sugarcane yield prediction are provided up to seven months before harvest. These findings expand the possibilities of using multispectral UAV imagery in sugarcane yield prediction, particularly by including biophysical parameters.
Descrição
Idioma
Português
