RESSALVA Atendendo solicitação do(a) autor(a), o texto completo desta dissertação será disponibilizado somente a partir de 02/12/2026. Faculdade de Ciências e Tecnologia – Campus de Presidente Prudente GABRIELA ZANCHETTA PREDIÇÃO DE RENDIMENTO DA CULTURA DA BATATA-DOCE A PARTIR DE IMAGENS DE ALTA RESOLUÇÃO ESPACIAL E MODELAGEM POR APRENDIZADO DE MÁQUINA Presidente Prudente – SP 2024 GABRIELA ZANCHETTA PREDIÇÃO DE RENDIMENTO DA CULTURA DA BATATA-DOCE A PARTIR DE IMAGENS DE ALTA RESOLUÇÃO ESPACIAL E MODELAGEM POR APRENDIZADO DE MÁQUINA Dissertação de Mestrado apresentada à Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista “Júlio de Mesquita Filho” (UNESP), Faculdade de Ciências e Tecnologia, campus de Presidente Prudente, para obtenção do título de Mestra em Ciências Cartográficas. Área de Concentração: Aquisição, Análise e Representação de Informações Espaciais. Linha de Pesquisa: Cartografia e Sensoriamento Remoto. Profª. Drª. Fernanda Sayuri Yoshino Watanabe Orientadora Prof. Dr. Nilton Nobuhiro Imai Coorientador Presidente Prudente – SP 2024 Z27p Zanchetta, Gabriela Predição de rendimento da cultura da batata-doce a partir de imagens de alta resolução espacial e modelagem por aprendizado de máquina / Gabriela Zanchetta. -- Presidente Prudente, 2024 97 p. : il., tabs., fotos, mapas Dissertação (mestrado) - Universidade Estadual Paulista (UNESP), Faculdade de Ciências e Tecnologia, Presidente Prudente Orientadora: Fernanda Sayuri Yoshino Watanabe Coorientador: Nilton Nobuhiro Imai 1. Predição. 2. Sensoriamento remoto. 3. Sensor multiespectral. 4. Agricultura digital. 5. Colheita inteligente. I. Título. Sistema de geração automática de fichas catalográficas da Unesp. Dados fornecidos pelo autor(a). Impacto potencial desta pesquisa A pesquisa propõe um modelo de predição de rendimento da batata-doce, com uso de Aeronave Remotamente Pilotada (ARP), câmera de alta resolução e aprendizado de máquina. Esse avanço pode beneficiar pequenos produtores a aumentar a eficiência agrícola, contribuindo para um dos Objetivos de Desenvolvimento Sustentável (ODS): “fome zero e agricultura sustentável”. Potencial impact of this research The research proposes a prediction model for sweet potato yield, using a Remotely Piloted Aircrafet (RPA), high-resolution camera and machine learning. This advance can benefit small producers by increasing agricultural efficiency, contributing to one of the Sustainable Development Goals (SDGs): “zero hunger and sustainable agriculture”. UNIVERSIDADE ESTADUAL PAULISTA Câmpus de Presidente Prudente Estimativa de rendimento da cultura da batata-doce a partir de imagens de alta resolução espacial e modelagem por aprendizado de máquina TÍTULO DA DISSERTAÇÃO: CERTIFICADO DE APROVAÇÃO AUTORA: GABRIELA ZANCHETTA ORIENTADORA: FERNANDA SAYURI YOSHINO WATANABE COORIENTADOR: NILTON NOBUHIRO IMAI Aprovada como parte das exigências para obtenção do Título de Mestra em Ciências Cartográficas, área: Aquisição, Análise e Representação de Informações Espaciais pela Comissão Examinadora: Profa. Dra. FERNANDA SAYURI YOSHINO WATANABE (Participaçao Presencial) Departamento de Cartografia / Universidade Estadual Paulista “Júlio de Mesquita Filho” - Faculdade de Ciências e Tecnologia Profa. Dra. MARIA DE LOURDES BUENO TRINDADE GALO (Participaçao Presencial) Departamento de Cartografia / Faculdade de Ciencias e Tecnologia de Presidente Prudente - FCT/Unesp Profª. Dra. SAMIRA LUNS HATUM DE ALMEIDA (Participaçao Virtual) Departamento de Engenharia e Ciências Exatas / FCAV - UNESP Jaboticabal Presidente Prudente, 02 de dezembro de 2024 Faculdade de Ciências e Tecnologia - Câmpus de Presidente Prudente - Rua Roberto Simonsen, 305, 19060900 http://www.fct.unesp.br/pos-graduacao/--ciencias-cartograficas/CNPJ: 48.031.918/0009-81. AGRADECIMENTOS O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001. À Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP), pelo apoio financeiro, concedido pelo Processo N. 2021/06029-7 - Projeto Temático da FAPESP “Sensoriamento remoto de alta resolução para agricultura digital”. Agradecimentos à Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista “Júlio de Mesquita Filho” (UNESP), campus de Presidente Prudente e ao Programa de Pós-graduação em Ciências Cartográficas (PPGCC) por toda estrutura ao longo do desenvolvimento desta pesquisa. Agradeço a Deus, por me conceder forças e sabedoria ao longo desta jornada. A minha família, por todo o amor, suporte e incentivo incondicional que me deram durante os anos de estudo. Agradeço especialmente aos meus pais (Cionéa e Edivaldo) e irmãos (Fran e Vitinho), por serem meus pilares e me apoiarem em cada escolha que fiz. Sem vocês, nada disso seria possível. Aos meus amigos, que estiveram presentes em cada etapa, compartilhando risos, momentos de descontração e palavras de encorajamento. Vocês tornaram essa caminhada mais leve e especial. Um reconhecimento singular à Juliane, que esteve presente em todo o processo me dando forças (presencialmente e à distância). Ao meu namorado (Gabriel), por ser minha fonte de apoio constante, por acreditar em mim nos momentos em que duvidei e por estar ao meu lado em todos os desafios. Sua paciência e compreensão foram fundamentais para que eu chegasse até aqui. Também agradeço à sua família (C. Ligia, Maria Dolores, Rafaela, Alex e Heleninha), que me acolheu com tanto carinho e sempre me incentivou ao longo desse percurso. Reconhecimentos ao Rafael C. F., por todo o suporte e colaboração ao longo do trabalho. Gratidão também à Luana e Mikaelly, pelo apoio nas campanhas de campo. À minha orientadora, Dra. Fernanda, e ao meu coorientador, Dr. Nilton, pelas orientações, paciência e valiosas contribuições ao longo desta trajetória. A dedicação e o conhecimento de ambos foram essenciais para a conclusão deste trabalho. Sou grata pela oportunidade de aprender com vocês. Ao Pedro L. M. N., por ceder gentilmente a área de estudo para o desenvolvimento deste trabalho. Obrigada pela oportunidade e confiança! Por fim, agradeço a todos aqueles que, de alguma forma, contribuíram para a realização desta dissertação, direta ou indiretamente. A todos, meu mais sincero muito obrigada! RESUMO 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. Palavras-chave: Predição; sensoriamento remoto; sensor multiespectral; agricultura digital, colheita inteligente. ABSTRACT 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 non- destructive 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. Keywords: Prediction; remote sensing; multispectral sensor; digital agriculture; smart harvesting. LISTA DE FIGURAS Figura 1. Curva do fator de reflectância de uma folha verde sadia. ................................... 28 Figura 2. Espectro de reflectância médio de genótipos de trigo durante o processo de senescência (10 denota copas completamente verdes, 0 denota senescência completa, com base em pontuações visuais). .............................................................................................. 29 Figura 3. Desenvolvimento da equação partir de dois alvos de referência utilizando o método da linha empírica. ................................................................................................... 32 Figura 4. Ajuste de uma reta por pontos experimentais pelo Método dos Mínimos Quadrados (MMQ). ............................................................................................................. 34 Figura 5. Representação do Random Forest como regressor. ............................................ 36 Figura 6. Arquitetura geral do algoritmo XGBoost............................................................ 37 Figura 7. KNN para regressão definindo um novo ponto (vermelho) através dos vizinhos (k) pela métrica da distância, sendo esse novo valor definido como a média de todos os valores do k vizinhos combinados. ...................................................................................... 38 Figura 8. Localização da área de estudo – Regente Feijó, SP, Brasil e distribuição espacial dos elementos amostrais da cultura de batata-doce para análise radiométrica e coleta de dados das raízes tuberosas. .................................................................................................. 43 Figura 9. Levantamento estático rápido com uso de a) base e b) rover para obtenção de dados GNSS. ........................................................................................................................ 45 Figura 10. Câmera multiespectral, modelo Alpha 7Rxxx Sextuple, fabricante Agrowing. . 46 Figura 11. Quadrantes referentes à câmera Agrowing de 14 bandas e seus respectivos comprimentos de onda. ........................................................................................................ 47 Figura 12. ARP, modelo Matrice 300 RTK, fabricante DJI. .............................................. 48 Figura 13. Fluxograma da metodologia geral..................................................................... 50 Figura 14. Fluxograma do processo aplicado para realizar o processamento fotogramétrico das imagens aéreas e geração dos ortomosaicos. ................................................................ 51 Figura 15. Recorte de uma das imagens tomadas pelo sensor possibilitando a visualização do alvo em EVA. ................................................................................................................. 52 Figura 16. Resposta espectral dos alvos de EVA (branco, cinza claro, cinza escuro e preto) para cada banda do sensor multiespectral da Agrowing de acordo com seus valores de ND e reflectância. Cada plot exibe os valores de R² e a equação (y) para cada banda. ................ 54 Figura 17. Ortomosaico e histograma referente à campanha de 04 de abril de 2023. ........ 61 Figura 18. Gráfico de dispersão (scatter plot) de cada um dos algoritmos a) Random Forest, b) KNN, c) XGBoost, d) Regressão Linear com valores de peso observado x predito (em g/m²), totalizando em 12 pontos teste. ................................................................................. 66 Figura 19. Gráfico dos valores de rendimento (g/m²) em relação ao observado (real) – representado em linha contínua preta – e predito para cada algoritmo: RF (tracejado vermelho), KNN (tracejado azul), XGBoost (tracejado verde) e Regressão Linear (tracejado laranja). No eixo x aparecem as amostras que foram usadas nos dados de teste e no eixo y, os rendimentos (g/m²). ......................................................................................................... 66 Figura 20. Gráfico de barras representado os valores que foram preditos em cada algoritmo para as diferentes datas de campanhas. Em tracejado vermelho aparece a linha com o valore de referência (relativo ao valor de colheita). As linhas tracejadas em verde retratam os valores que chegaram em até 10% (+ e -) do valor de referência. ...................................... 69 Figura 21. Média dos pesos (g) das raízes tuberosas para cada data de campanha de campo. ............................................................................................................................................. 71 Figura 22. Gráfico de precipitação para cada data de campanha. Os valores de precipitação são referentes a precipitação acumulada no período entre uma data de campanha (anterior) e outra (atual). Para 04/04/2023 o período foi de 27/03/2023 a 04/04/2023; 13/04/2023: 05/04/2023 a 13/04/2023; 20/04/2023: 14/04/2023 a 20/04/2023; 29/04/2023: 21/04/2023 a 29/04/2023; 08/05/2023: 30/04/2023 a 08/05/2023; 18/05/2023: 09/05/2023 a 18/05/2023. ............................................................................................................................................. 72 Figura 23. Mapa de rendimento do modelo que apresentou as melhores métricas: RF para a data de 20/04/2023. ............................................................................................................. 73 Figura 24. Mapas de rendimento da cultura da batata-doce derivados do melhor modelo encontrado, aplicados para cada algoritmo (RF, KNN, XGBoost e Regressão Linear) e data de campanha de campo (04/04/2023, 13/04/2023, 20/04/2023, 29/04/2023, 08/05/2023, 18/05/2023) apresentados em tons de vermelho (valores mais baixos de peso em g/m²) e verde (valores mais altos). ................................................................................................... 76 LISTA DE TABELAS Tabela 1. Fases de desenvolvimento da batata-doce em condições tropicais..................... 24 Tabela 2. Principais índices de vegetação utilizados na agricultura. .................................. 29 Tabela 3. Relação entre os dias de campanha, dias após plantio (DAP), semanas referentes ao plantio da cultura, dias anteriores a colheita e nº de elementos amostrais coletados por campanha. ............................................................................................................................ 44 Tabela 4. Comprimento de onda central e Full Width at Half Maximum (FWHM) referentes às 14 bandas (canais) espectrais da câmera da Agrowing. .................................................. 46 Tabela 5. Principais características da câmera multiespectral Alpha 7Rxxx Sextuple. ....... 47 Tabela 6. Dados referentes aos voos realizados em campo. ............................................... 48 Tabela 7. Síntese dos conjuntos de dados testados e seleção de atributos realizada para cada um deles. .............................................................................................................................. 57 Tabela 8. Informações referente ao processamento realizado no Agisoft Metashape para as imagens referentes a todas as campanhas de campo (dados referentes ao processamento realizado pelo software da Agrowing)................................................................................. 60 Tabela 9. Métricas dos melhores modelos encontrados para cada conjunto de elementos amostrais. Para cada conjunto de dados testados (n = 57, n = 75 e n = 93) foram selecionados modelos que apresentaram as melhores métricas (MAE, RMSE, R² e Bias). Também estão apresentados os métodos de seleção que foram aplicados a esses modelos e a validação cruzada escolhida (k = 5 ou LOO). ...................................................................................... 63 Tabela 10. Atributos derivados dos melhores modelos aplicados para cada conjunto de elementos amostrais (n = 57, n = 75 e n = 93). ................................................................... 64 LISTA DE ABREVIATURAS E SÍMBOLOS °C Graus Celsius µm Micrômetro cm Centímetros ha Hectares kg Quilogramas km Quilômetros m Metros m/s Metros por segundo mm Milímetros nm Nanômetros nº Número t Toneladas 𝑇𝐵 Temperatura basal superior 𝑇𝑏 Temperatura basal inferior LISTA DE SIGLAS ANAC Agência Nacional de Aviação Civil ANOVA Analysis of variance ARP Aeronave Remotamente Pilotada CART Classification and Regression Tree Cepea Centro de Estudos Avançados em Economia Aplicada CNA Confederação da Agricultura e Pecuária do Brasil COVID-19 Corona Virus Disease DAP Dias após plantio DAS Dias após semeadura DVI Difference Vegtation Index EMBRAPA Empresa Brasileira de Pesquisa Agropecuária ENVI Environment for Visualizing Images ESALQ Escola Superior de Agricultura "Luiz De Queiroz" EVA Etileno Acetato de Vinila FAO Food and Agriculture Organization FWHM Full Width at Half Maximum GCPs Ground Control Points GDD Graus-dia de desenvolvimento GNDVI Green Normalized Difference Vegetation Index GNSS Global Navigation Satellite System GPS Global Positioning System GSD Ground Sample Distance IBGE Instituto Brasileiro de Geografia e Estatística IBM International Business Machines Corporation IFOV Istantaneous Field of View INMET Instituto Nacional de Meteorologia IVs Índices de Vegetação KNN K-Nearest Neighbors LOO Leave One Out MAE Mean Absolute Error (erro médio absoluto) MDS Modelo Digital de Superfície MMQ Método dos Mínimos Quadrados MP Megapixel MTR Multi-target Regression ND Número digital NDRE Normalized Difference Red Edge Index NDVI Normalized Difference Vegetation Index NIR Near Infrared ODS Objetivos do Desenvolvimento Sustentável ONU Organização das Nações Unidas PIB Produto Interno Bruto PLS Partial Least Square PPK Post Processed Kinematic R² Coeficiente de determinação RBMC Rede Brasileira de Monitoramento Contínuo REM Radiação Eletromagnética RF Random Forest RFR Random Forest Regressor RGB Red, green, blue RMSE Raiz Do Erro Quadrático Médio RMSE Root mean squared error (erro quadrático médio) ROI Region of Interest SAVI Soil-Adjusted Vegetation Index SHAP Shapley Additive Explanations SIG Sistemas de Informações Geográficas SR Simple Ratio SVM Support Vector Machine SWIR Short Wave Infrared TAL Taxa Assimilatória Líquida UAV Unmanned Aerial Vehicle UNESP Universidade Estadual Paulista UPH Unidade de Planejamento de Recursos Hídricos USP Universidade de São Paulo VANT Veículos Aéreos Não Tripulados VIP Variable Importance in Projection VIS Visível XGBoost Extreme Gradient Boosting SUMÁRIO 1 INTRODUÇÃO .......................................................................................................... 19 2 HIPÓTESE .................................................................................................................. 21 3 OBJETIVOS ............................................................................................................... 21 3.1 Objetivo geral ...................................................................................................... 21 3.2 Objetivos específicos ........................................................................................... 21 4 JUSTIFICATIVA ....................................................................................................... 22 5 FUNDAMENTAÇÃO TEÓRICA ............................................................................. 23 5.1 A cultura da batata doce ....................................................................................... 23 5.2 Produção de batata-doce no Brasil ....................................................................... 25 5.3 Sensoriamento remoto por ARP .......................................................................... 26 5.4 Comportamento espectral da vegetação .............................................................. 27 5.5 Índices espectrais de vegetação (IV) ................................................................... 29 5.6 Calibração radiométrica ....................................................................................... 30 5.7 Algoritmos de aprendizado de máquina para modelagem preditiva .................... 32 5.7.1 Regressão Linear por Mínimos Quadrados Ordinários ................................. 33 5.7.2 Random Forest (RF) ..................................................................................... 34 5.7.3 Extreme Gradient Boosting (XGBoost) ........................................................ 36 5.7.4 K-Nearest Neighbors (KNN) ........................................................................ 37 5.8 Técnicas de seleção de atributos .......................................................................... 38 5.8.1 Método baseado em filtro ............................................................................. 39 5.8.2 Método wrapper ............................................................................................ 40 5.8.3 Método embedded ......................................................................................... 40 5.9 Análise do desempenho dos modelos de regressão ............................................. 41 6 MATERIAL E MÉTODOS ....................................................................................... 42 6.1 Área de estudo ..................................................................................................... 42 6.2 Delineamento amostral e campanhas de campo ................................................. 43 6.3 Posicionamento dos pontos amostrais por GNSS ................................................ 44 6.4 Imageamento com ARP e câmera multiespectral ................................................ 46 6.5 Dados de precipitação .......................................................................................... 48 6.6 Métodos ............................................................................................................... 49 6.6.1 Processamento das imagens tomadas por ARP e geração dos ortomosaicos 50 6.6.1.1 Processamento fotogramétrico .............................................................. 50 6.6.1.2 Calibração radiométrica das imagens multiespectrais por linha empírica51 6.6.2 Cálculo dos índices espectrais de vegetação ................................................. 54 6.6.3 Modelo de predição de rendimento ............................................................... 55 6.6.3.1 Extração das estatísticas zonais das plantas amostradas ....................... 55 6.6.3.2 Preparo dos dados de entrada ................................................................ 56 6.6.3.3 Seleção de atributos ............................................................................... 56 6.6.3.4 Ajuste e avaliação do modelo ................................................................ 58 6.6.3.5 Implementação do modelo nas imagens ................................................ 59 7 RESULTADOS E DISCUSSÕES ............................................................................. 59 7.1 Ortomosaicos ....................................................................................................... 59 7.2 Predição de rendimento ....................................................................................... 61 7.3 Aplicação do modelo nas imagens ....................................................................... 68 8 CONSIDERAÇOES FINAIS E RECOMENDAÇÕES PARA TRABALHOS FUTUROS ...................................................................................................................... 77 REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 79 APÊNDICE A – HIPERPARÂMETROS TESTADOS PARA CADA ALGORITIMO DE APRENDIZADO DE MÁQUINA (RF, KNN, XGBOOST E REGRESSÃO LINEAR). DIFERENTES VALORES DOS HIPERPARÂMETROS FORAM EXPERIMENTADOS, E O GRIDSEARCHCV FEZ A SELEÇÃO DO MELHOR VALOR PARA CADA UM DELES. OS VALORES EM NEGRITO SÃO CONSIDERADOS COMO DEFAULT PELOS ALGORITMOS ............................................................................................................. 94 APÊNDICE B – ORTOMOSAICOS DE CADA CAMPANHA DE CAMPO RADIOMETRICAMENTE CALIBRADOS E SEUS RESPECTIVOS HISTOGRAMAS. OS ORTOMOSAICOS ESTÃO COM APLICAÇÃO DE CONTRASTE E AS BANDAS DAS IMAGENS ESTÃO REPRESENTADAS NOS HISTOGRAMAS COM DIFERENTES CORES PARA MELHOR VISUALIZAÇÃO .......................................................................................................... 95 19 1 INTRODUÇÃO A segurança alimentar é um dos maiores desafios para a agricultura sustentável. Com o crescimento populacional e a necessidade crescente de recursos, a produção agrícola tem enfrentado o desafio de ser mais eficiente e sustentável, ao mesmo tempo que responde às demandas do mercado global. Dentre os Objetivos de Desenvolvimento Sustentável (ODS) da Organização das Nações Unidas (ONU), o “fome zero e agricultura sustentável” (ODS2) visa acabar com a fome, alcançar a segurança alimentar e melhoria da nutrição e promover a agricultura sustentável até o ano de 2030. Dentro do ODS2, ela requer o aumento de 100% da produtividade e na renda dos pequenos agricultores (ONU, 2024). Assim, os sistemas agrícolas devem se tornar mais produtivos e menos desperdiçadores, enquanto práticas agrícolas sustentáveis e sistemas alimentares devem ser promovidos por meio de uma abordagem holística e integrada (ONU, 2024). Em busca de atender aos ODS, as inovações tecnológicas têm desempenhado um papel crucial na modernização do setor agrícola. Entre essas inovações, o uso de sensoriamento remoto baseado em Aeronaves Remotamente Pilotadas (ARP) tem-se mostrado muito promissor em aplicações agrícolas, inclusive em previsões de rendimento de culturas, como soja (Shammi et al., 2024; Zhang et al., 2019), trigo (Yang, et al., 2024; Fei et al., 2023; Prestes, 2020), milho (Killeen et al., 2024; Kumar et al., 2023, Furukawa et al., 2020), cana-de-açúcar (Som-Ard et al., 2018; Martello, 2017), batata (Li et al., 2020), entre outras. O uso de ARP tem crescido rapidamente no setor agrícola devido à sua capacidade de realizar tarefas de forma mais eficiente, substituindo métodos manuais que tradicionalmente são demorados e exaustivos. Além disso, é uma alternativa que fornece dados de alta resolução espacial e temporal, e alta flexibilidade no planejamento da coleta das imagens (Zhang e Kovacs, 2012). Os dados obtidos por sensoriamento remoto podem ser integrados a algoritmos de aprendizado de máquina (machine learning), permitindo a extração eficiente de informações. Esses algoritmos são capazes de analisar dados de alta dimensionalidade e podem otimizar a previsão do desenvolvimento da cultura a partir de matrizes estruturalmente complexas (Ashapure et al., 2020). Algoritmos baseados em lógica, como árvores de decisão, e classificadores baseados em regras são os algoritmos mais comuns usados com sucesso para os problemas de classificação e predição (Canizo et al., 2019). As técnicas de aprendizado de máquina podem utilizar uma variedade de dados para extração de informações úteis, possibilitando tomadas de decisão mais assertivas (Borém et al., 2022). 20 Com o uso dos algoritmos de aprendizado de máquina, é possível obter predições mais precisas e menos morosas, permitindo o monitoramento de culturas agrícolas. Existem diversos estudos que abordam a predição de rendimento através do sensoriamento remoto e aprendizado de máquina para diferentes culturas, como cana-de-açúcar (Leda e Lima, 2019; Albuquerque, 2014; Amaro, 2023), soja (Barros, 2021; Batistella, 2023), milho (Bertolin et al., 2017; Souza e Raitz, 2020), batata (Sun et al., 2020; Gómez et al., 2019; Purnamasari et al., 2019), entre outros. No entanto, essa abordagem ainda é pouco explorada em culturas, como a batata-doce. Nesta pesquisa, foi realizado um levantamento buscando por estudos relacionados ao rendimento da batata-doce baseados em sensoriamento remoto. Foram encontrados poucos trabalhos envolvendo a predição do rendimento da batata-doce por sensoriamento remoto de alta resolução, sendo assim, uma cultura ainda não muito estudada. Além disso, os poucos trabalhos que abordam esse tema utilizam dados orbitais e terrestres (espectrorradiômetro). Dados obtidos por meio de ARP ainda são uma lacuna, o que torna esta pesquisa uma das pioneiras nesta temática. Tedesco et al. (2021b) utilizaram imagens de satélite (Sentinel-2) para estimar o rendimento da batata-doce por meio de índices de vegetação (IV) (Soil Adjusted Vegetation Index – SAVI, Normalized Difference Vegetation Index – NDVI e Green Normalized Difference Vegetation Index – GNDVI), em diferentes estágios fenológicos da cultura para duas safras (verão e inverno). Como ferramenta, utilizaram o Auto Machine Learning (AutoML). Em outro estudo, Tedesco et al. (2021a) utilizaram a mesma área de estudo e imagens do Sentinel-2 para prever o rendimento da batata-doce, considerando a classificação dos tubérculos para comercialização (Extra: < 0,15 kg; Extra AA: 0,15 – 0,45 kg; Extra A: > 0,45 kg). Os autores utilizaram uma abordagem preditiva baseada em aprendizado de máquina, adotando Multi-target Regression (MTR) com Random Forest (RF) e K-Nearest Neighbors (KNN). Como atributos de entrada, foram usados o estágio fenológico (inicial, médio e tardio), GDD e os mesmos IVs (SAVI, NDVI e GNDVI). Karakaş et al. (2018) realizaram um estudo de predição de rendimento para batata- doce utilizando índices espectrais obtidos de medidas coletadas por um espectrorradiômetro Analytical Spectral Devices (ASD) Hand-Held para duas variedades (Koganasengan e Beniazuma) em diferentes regimes de irrigação. Poucos estudos foram realizados até o momento, e nenhum deles utilizou dados multitemporais para a cultura da batata-doce (Ipomoea batatas (L.) Lam). Sun et al. (2020) combinaram os dados espectrais (sensor hiperespectral acoplado em ARP) adquiridos em duas datas para desenvolver um modelo de predição de rendimento para a batata (Solanum 21 tuberosum L.) e a precisão da previsão mostrou-se superior quando comparada ao uso de dados de apenas um único dia. Nesta dissertação, essa abordagem também foi adotada. De igual modo, há poucos estudos publicados que utilizam a câmera Alpha 7Rxxx Sextuple (Agrowing, Rishon LeZion, Israel) lançada recentemente pela empresa Agrowing. A câmera possui um sensor multiespectral de 14 bandas espectrais, com destaque para 3 bandas na região do vermelho, 2 na região da borda do vermelho e 1 na região do infravermelho próximo (Near Infrared - NIR), sendo promissor para pesquisas em culturas agrícolas. Em suma, predizer o rendimento das culturas agrícolas permite prever resultados mais próximos do real valor de produção, sendo essencial para tomada de decisões mais eficientes. Visto que a comercialização do produto é o principal problema citado por 19% produtores, de acordo com o estudo de Albernaz et al. (2023), é possível precificar a cultura com antecedência, minimizar perdas de lucro e garantir alimento de qualidade a um preço adequado de mercado, buscando reduzir os impactos da fome. 2 HIPÓTESE A hipótese deste trabalho é que os valores de reflectância da parte aérea (ramas) da batata-doce sejam capazes de prever o rendimento das raízes tuberosas (massa) através de dados multitemporais e algoritmos de aprendizado de máquina aplicados a imagens multiespectrais de alta resolução espacial obtidas por sensor embarcado em ARP. 3 OBJETIVOS 3.1 Objetivo geral O objetivo principal desta dissertação de Mestrado foi desenvolver modelos biofísicos baseadas em algoritmos de aprendizado de máquina para a predição do rendimento da cultura da batata-doce, utilizando imagens de alta resolução espacial tomadas por sensor multiespectral da empresa Agrowing embarcado em ARP. 3.2 Objetivos específicos Os objetivos específicos deste estudo foram: 77 8 CONSIDERAÇOES FINAIS E RECOMENDAÇÕES PARA TRABALHOS FUTUROS Este trabalho teve como objetivo principal desenvolver um modelo de predição de rendimento da cultura da batata-doce por meio de algoritmos de aprendizado de máquina aplicados a imagens multiespectrais e multitemporais de alta resolução espacial. Ao longo da pesquisa, foram discutidos e analisados os algoritmos que apresentaram as melhores métricas para predição; como foi realizada a coleta dos dados por ARP, elementos amostrais e processamento destes dados. Isso permitiu encontrar resultados muito satisfatórios, de grande relevância para a batata-doce, uma cultura com pouquíssimos trabalhos na temática de sensoriamento remoto, especificamente para imageamento com ARP. Assim, pode-se considerar esta pesquisa como a pioneira no uso de imagens coletadas de ARP para predição de rendimento da cultura da batata-doce. Até o momento, também é a primeira pesquisa a utilizar imagens da câmera Alpha 7Rxxx Sextuple (Agrowing, Rishon LeZion, Israel) para predição de rendimento em culturas agrícolas. Enfatiza-se aqui, a originalidade do trabalho, desde a extração dos dados por ARP, em que foi feita a coleta das imagens em campo até a construção dos modelos, testando diferentes algoritmos, atributos de uma câmera multiespectral ainda não testados e diversos hiperparâmetros. Além disso, não havia estudos sobre os dados multitemporais experimentados para a batata-doce (Ipomoea batatas (L.) Lam), apenas para a batata (Solanum tuberosum L.), em que foram combinadas duas datas de campanha (Sun et al., 2020), indicando mais uma descoberta para o setor agrícola, principalmente para a cultura da batata-doce, que para este caso, foram estabelecidas seis datas. Com base nos dados e métodos utilizados, foi possível abordar todos os objetivos específicos. A partir das imagens multiespectrais foi possível extrair três conjuntos de dados, em que foi feita seleção de atributos e avaliação das métricas para cada um deles. Para a seleção dos atributos, foram aplicados os métodos Boruta, Spearman, ANOVA, informação mútua, SHAP, VIP e índice de Gini. A seleção pelo método SHAP aplicado ao algoritmo XGBoost resultou no melhor modelo obtido, reduzindo drasticamente o número de atributos – de 51 para 4. Uma solução interessante foi atribuir o valor de 0 g/m² às amostras de solo na área, melhorando significativamente as métricas avaliadas em comparação aos outros conjuntos de dados testados. Dentre os algoritmos testados, o RF obteve a melhor predição, seguido pelo KNN, XGBoost e, por fim, Regressão Linear. O melhor período para realizar a predição foi de 36 dias antes da colheita, com 125 DAP. 78 O trabalho também visa contribuir como base para pesquisas que desejam utilizar a câmera da empresa Agrowing como ferramenta, visto que é uma câmera nova no mercado e que promete resultados promissores na área de agricultura por ter 3 bandas na região do vermelho, 2 bandas na região da borda do vermelho e 1 na região do NIR. Além de possuir uma alta resolução espacial, tendo sido usado neste trabalho um GSD de 2,07 cm (shutter 1/800). As bandas que mais contribuíram foram a de 650 nm, 630 nm, 550 nm e 710 nm (regiões do vermelho, verde e borda do vermelho). Os IVs testados (NDVI, GNDVI e NDRE), apesar de muito utilizados em diversos modelos de rendimento, para esta pesquisa não apresentaram contribuição ao desempenho dos modelos. Além disso, o estudo colabora com o ODS2 da ONU: “fome zero e agricultura sustentável”, mais especificamente sobre o “aumento de 100% da produtividade e na renda dos pequenos agricultores”. A metodologia permite que os produtores possam estar previamente cientes sobre a quantidade de batata-doce que sua área produzirá e se adeque, antecipadamente, aos preços de mercado e ao manejo necessário, apoiando as práticas de cultivo na agricultura. Um dos principais desafios desta pesquisa foi a coleta de elementos amostrais, pois foi adotada a abordagem multitemporal, em que os dados de rendimento foram coletados a cada campanha, as quais são laboriosas e havia pouca quantidade de mão-de-obra em campo. Para estudos futuros, recomenda-se uma quantidade maior de elementos amostrais para novos testes em algoritmos de machine learning. Aconselha-se a comparação de duas safras da mesma área, como verão e inverno, além de aplicar a validação do modelo em outras áreas de plantio da cultura. Recomenda-se também o uso de atributos texturais derivados das imagens multiespectrais para serem inseridos como entrada do modelo. 79 REFERÊNCIAS BIBLIOGRÁFICAS Agência Nacional de Aviação Civil (ANAC, Brasil). Drones. Disponível em: < https://www.gov.br/anac/pt-br/assuntos/drones>. Acesso em: 16 set. 2024. ALBERNAZ, D. V.; MELO, R. A. de C.; VENDRAME, L. P. de C.; AMARO, G. B. Estudo prospectivo sobre produção de batata-doce no Brasil, desafios e demandas. Research Gate. 2023. Disponível em: . Acesso em: 01 out. 2024. ALBUQUERQUE, E. M. Modelagem da produtividade da cana-de-açúcar na região de Barretos e Morro Agudo, São Paulo. Dissertação (Mestrado em Meteorologia) – Universidade Federal de Campina Grande, Centro de Tecnologia e Recursos Naturais. Campina Grande, 2014, 70p. Disponível em: . Acesso em: 27 ago. 2023. AMARO, Rafaella Pironato. Estimativa de produtividade da cana-de-açúcar a partir de imagens do satélite Sentinel-2ª e o algoritmo de aprendizagem de máquina Random Forest. Dissertação (Mestrado em Ciências) – Escola Superior de Agricultura Luiz de Queiroz (ESALQ), Piracicaba, 2023. https://doi.org/10.11606/D.11.2023.tde-02102023- 163947 ANDEREGG, J.; YU, K.; AASEN, H.; WALTER, A.; LIEBISCH, F.; HUND, A. Spectral Vegetation Indices to Track Senescence Dynamics in Diverse Wheat Germplasm. Front. Plant Sci., 10:1749, 2020. doi: 10.3389/fpls.2019.01749. ARIZA, A.; IRIZAR, M.R.; BAYER, S. Empirical line model for the atmospheric correction of sentinel-2A MSI images in the Caribbean Islands. European Journal of Remote Sensing, 51 (1): 765-776, 2018. ASHAPURE, A.; JUNG, J.; CHANG, A.; OH, S.; YEOM, J.; MAEDA, M.; MAEDA, A.; DUBE, N.; LANDIVAR, J.; HAGUE, S.; SMITH, W. Developing a machine learning based cotton yield estimation framework using multi-temporal UAS data. ISPRS Journal of Photogrammetry and Remote Sensing, v. 169, p. 180-194, 2020. https://doi.org/10.1016/j.isprsjprs.2020.09.015 BAESSO, R. D. S.; SOUZA, A. A. D. O coeficiente de determinação é uma medida confiável do poder explicativo de modelos de estimação do valor intrínseco das ações negociadas na Bovespa. In: Congresso USP Controladoria e Contabilidade, p. 1-17, 2010. 80 BARBEDO, J. G. A. A Review on the Use of Unmanned Aerial Vehicles and Imaging Sensors for Monitoring and Assessing Plant Stresses. Drones, 3, 40, 2019. https://doi.org/10.3390/drones3020040 BARNES, E. M. et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground-based multispectral data. In: International Conference on Precision Agriculture, Bloomington. Madison: ASA: CSSA: SSSA, 2000. BARROS, A. C. de. Estimativa da produção agrícola por meio de técnicas de sensoriamento remoto. Tese (doutorado) – Universidade Estadual Paulista (Unesp), Faculdade de Ciências Agronômicas, Botucatu, 2021, 179p. Disponível em: < https://repositorio.unesp.br/handle/11449/214361>. Acesso em: 27 ago. 2023. BASER, U.; BOZOGLU, M. The impacts of farm size on production cost and economic performance in beef cattle farming: a case of Samsun Province, Turkey. Custos e @gronegocio online, 17(1), 410-424, 2021. BATISTELLA, D. Estimativa de produtividade de soja por meio de imagens orbitais e machine learning. Tese (Doutorado em Agronomia) – Universidade Tecnológica Federal do Paraná, Pato Branco, 2023. BERTOLIN, N. de O.; FILGUEIRAS, R.; VENANCIO, L. P.; MANTOVANI, E. C. Predição da produtividade de milho irrigado com auxílio de imagens de satélite. Revista Brasileira de Agricultura Irrigada, v.11, nº.4, p. 1627 – 1638, 2017. doi: 10.7127/rbai.v11n400567 BERVEGLIERI, A.; IMAI, N. N.; WATANABE, F. S. Y.; TOMMASELLI, A. M. G.; EDERLI, G. M. P.; DE ARAÚJO, F. F.; LUPATINI, G. C.; HONKAVAARA, E. Remote Prediction of Soybean Yield Using UAV-Based Hyperspectral Imaging and Machine Learning Models. AgriEngineering, 6, 3242-3260, 2024. https://doi.org/10.3390/agriengineering6030185 BHARADIYA, J. P.; TZENIOS, N. T.; REDDY, M. Forecasting of crop yield using remote sensing data, agrarian factors and machine learning approaches. Journal of Engineering Research and Reports, 24(12), 29-44, 2023. https://doi.org/10.9734/jerr/2023/v24i12858 BIKIA, V.; ROVAS, G.; PAGOULATOU, S.; STERGIOPULOS, N. Determination of Aortic Characteristic Impedance and Total Arterial Compliance from Regional Pulse Wave Velocities Using Machine Learning: An in-silico Study. Frontiers in Bioengineering and Biotechnology. 9. 10.3389/fbioe.2021.649866, 2021. BORÉM, A.; QUEIROZ, D. M.; VALENTE, D. S. M.; PINTO, F. A. C. Agricultura Digital. São Paulo: Oficina de Textos. 2022. 81 BRAIDO, L. M. H.; TOMMASELLI, J. T. G. Caracterização climática e dos anos extremos (chuvoso e seco): seus efeitos na produção de cana-de-açúcar, milho e soja para a região do Pontal do Paranapanema – SP. Revista Formação (Online). ISSN: 1517-543X. E-ISSN: 2178-7298, 2010. https://doi.org/10.33081/81epositó.v1i17.313 BREIMAN, L. Random Forests. 2001. Statistics Departament University of California Berkeley, CA. Machine Learning, 45, 5–32, 2001. BREIMAN, Leo. Classification and regression trees. Routledge, 2017. BRIGGS, G. E.; KIDD, F. A.; WEST, C. A quantitative analysis of plant growth. Annals of Applied Biology, v. 7, p. 202-223, 1920. CAMPOS FILHO, F. F. Algoritmos Numéricos: uma abordagem moderna de cálculo numérico. 3ª edição. Ed. Minas Gerais: LTC, 2018. 520 p. CANIZO, B. V. et al. Data mining approach based on chemical composition of grape skin for quality evaluation and traceability prediction of grapes. Computers and Electronics in Agriculture, v. 162, n. March, p. 514–522, 2019. CASTEJON, E. F.; FONSECA, L. M. G.; FORSTER, C. H. Q. Melhoria do processo de correção geométrica de imagens CBERS-CCD pelo uso de amostras georreferenciadas classificadas. Boletim De Ciências Geodésicas, 21(4), 658–673, 2015. https://doi.org/10.1590/S1982-21702015000400038 Centro de Estudos Avançados em Economia Aplicada (Cepea/Esalq-USP) e Confederação da Agricultura e Pecuária do Brasil (CNA). PIB do Agronegócio Brasileiro. Disponível em: . Acesso em: 02 mar. 2022. CHAVES, M. E. D.; ALVES, M. de C. Recent applications of the MODIS sensor for soybean crop monitoring and deforestation detection in Mato Grosso, Brazil. CAB Reviews Perspectives in Agriculture Veterinary Science Nutrition and Natural Resources. 14. 10.1079/PAVSNNR201914007, 2019. CHEN, G.; CHEN, J. A novel wrapper method for feature selection and its applications. Neurocomputing, v. 159, p. 219-226, ISSN 0925-2312, 2015. https://doi.org/10.1016/j.neucom.2015.01.070. CHEN, T.; GUESTRIN, C. Xgboost: A scalable tree boosting system. In: Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016. p. 785-794. CHUKWU, G. O. Crop irrigation water needs of sweet potato (Ipomoea batatas). African Journal of root and Tuber Crops, v. 1, p.35-38, 1995. 82 Confederação da Agricultura e Pecuária do Brasil (CNA). Guerra Rússia-Ucrânia: o panorama do abastecimento de fertilizantes. Disponível em: . Acesso em: 05 out 2023. CORRALES, D. C.; SCHOVING, C.; RAYNAL, H.; DEBAEKE, P.; JOURNET, E-P.; CONSTANTIN, J. A surrogate model based on feature selection techniques and regression learners to improve soybean yield prediction in southern France. Computers and Electronics in Agriculture, v. 192, 106578, ISSN 0168-1699, 2022. https://doi.org/10.1016/j.compag.2021.106578. COVER, T. M.; HART, P. E. Nearest neighbor pattern classification. IEEE Transactions on Information Theory, vol. 13, no. 1, pp. 21-27, 1967, doi: 10.1109/TIT.1967.1053964. COVER, T. M.; THOMAS, J. A. Elements of information theory. John Wiley & Sons, 1991. CUNHA, G. R. da.; PIRES, J. L. F.; DALMAGO, G. A.; SANTI, A.; PASINATO, A. A evolução do conceito de rendimento em agricultura e as estratégias de segurança alimentar. Revista Plantio Direto, p. 9, 2011. CUNHA, R. L. D. F.; SILVA, B. Estimating Crop Yields with Remote Sensing and Deep Learning. 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS), Santiago, Chile, pp. 273-278, 2020. doi: 10.1109/LAGIRS48042.2020.9165608. DEBALKE, D. B.; ABEBE, J. T. Maize yield forecast using GIS and remote sensing in Kaffa Zone, Southwest Ethiopia. Environmental Systems Research, 11, 1, 2022. https://doi.org/10.1186/s40068-022-00249-5 DONG, W.; HUANG, Y.; LEHANE, B.; MA, G. XGBoost algorithm-based prediction of concrete electrical resistivity for structural health monitoring. Automation in Construction, v. 114, 103155, 2020. https://doi.org/10.1016/j.autcon.2020.103155. EFFROSYNIDIS, D.; ARAMPATZIS, A. An evaluation of feature selection methods for environmental data. Ecological Informatics, v. 61, 101224, ISSN 1574-9541, 2021. https://doi.org/10.1016/j.ecoinf.2021.101224. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA) – Hortaliças. Sistema de produção da batata-doce. Versão Eletrônica, 2021. Disponível em: . Acesso em 31 mar. 2022. 83 Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). A cultura da batata-doce. Brasília, DF: Embrapa Hortaliças, 1995. Disponível em: < https://ainfo.cnptia.embrapa.br/digital/bitstream/item/162018/1/A-cultura-da-batata- doce.pdf>. Acesso em: 22 out. 2024. FALL, C. M. N.; LAVAYSSE, C.; KERDILES, H.; DRAMÉ, M. S.; ROUDIER, P.; GAYE, A. T. Performance of dry and wet spells combined with remote sensing indicators for crop yield prediction in Senegal. Climate Risk Management, 33, 100331, 2021. https://doi.org/10.1016/j.crm.2021.100331 FEI, S.; HASSAN, M. A.; XIAO, Y. et al. UAV-based multi-sensor data fusion and machine learning algorithm for yield prediction in wheat. Precision Agriculture, 24, 187–212, 2023. https://doi.org/10.1007/s11119-022-09938-8 FENG, C.; ZHANG, W.; DENG, H.; DONG, L.; ZHANG, H.; TANG, L.; ZHENG, Y.; ZHAO, Z. A Combination of OBIA and Random Forest Based on Visible UAV Remote Sensing for Accurately Extracted Information about Weeds in Areas with Different Weed Densities in Farmland. Remote Sensing, 15, 4696, 2023. https://doi.org/10.3390/rs15194696 FERNANDES, P. Estimativa da produtividade de milho (Zea Mays L.) através de imagens multiespectrais obtidas por veículo aéreo não tripulado. Dissertação (Mestrado em Agricultura de Precisão) – Universidade Federal de Santa Maria (UFSM), Santa Maria, 2016. FISHER, R. A. The use of multiple measurements in taxonomic problems. Annals of eugenics, v. 7, n. 2, p. 179-188, 1936. Food and Agriculture Organization of the United Nations (FAO) FAOSTAT: Countries by commodity. 2022. Disponível em: . Acesso em: 25 set. 2024. FURUKAWA, F.; MARUYAMA, K.; SAITO, Y. K.; KANEKO, M. Corn Height Estimation Using UAV for Yield Prediction and Crop Monitoring. In: Avtar, R., Watanabe, T. (eds) Unmanned Aerial Vehicle: Applications in Agriculture and Environment. Springer, Cham, 2020. https://doi.org/10.1007/978-3-030-27157-2_5 GASQUES, J. G.; BACCHI, M. R. P.; RODRIGUES, L.; BASTOS, E. T.; VALDES, C. (2016). Produtividade da agricultura brasileira: a hipótese da desaceleração. Brasília: Ipea, 2016. p. 144-163. Disponível em: < https://repositorio.ipea.gov.br/bitstream/11058/9241/1/Produtividade%20da%20agricultura .pdf>. Acesso em: 08 set. 2023. 84 GITELSON, A. A.; KAUFMAN, Y. J.; MERZLYAK, M. N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, [s.l.], v.58, n.3, p.289-298, 1996. DOI. 10.1016/S0034-4257(96)00072-7. GITELSON, A. A.; MERZLYAK, M. N. Signature Analysis of Leaf Reflectance Spectra: Algorithm Development for Remote Sensing of Chlorophyll. Journal of Plant Physiology, 148, 494–500, 1996. GOMES, Amanda Pereira Assis. Calibração radiométrica de imagens obtidas por câmeras utilizadas em veículos aéreos não tripulados. Dissertação (Mestrado em Engenharia Agrícola) – Universidade Federal de Viçosa, Viçosa, MG, 2020. 53 f. GÓMEZ, D.; SALVADOR, P.; SANZ, J.; CASANOVA, J. L. Potato Yield Prediction Using Machine Learning Techniques and Sentinel 2 Data. Remote Sensing, 11, 1745, 2019. https://doi.org/10.3390/rs11151745 HELENE, O. Métodos dos mínimos quadrados. Editora Livraria da Física, 2006. HODSON, T. O. "Root-mean-square error (RMSE) or mean absolute error (MAE): When to use them or not." Geoscientific Model Development, v. 15, n. 14, p. 5481-5487, 2022. HOEFSLOOT, P.; INES, A. V.; DAM, J. C. V.; DUVEILLER, G.; KAYITAKIRE, F.; HANSEN, J. Combining crop models and remote sensing for yield prediction: Concepts, applications and challenges for heterogeneous smallholder environments. In Proceedings of the Report of CCFAS-JRC Workshop at Joint Research Centre, Ispra, Italy, 13–14, Joint Research Center Technical Report. Publications Office of the European Union: Luxembourg, 2012. Disponível em: < https://hdl.handle.net/10568/25135 >. Acesso em: 01 out. 2024. HUETT, D. O. Evaluation of yield, variability and quality of sweetpotato cultivars in sub- tropical Australia. Experimental Agriculture, v.12, p. 9-16, 1976. doi:10.1017/S0014479700007006 IMANNI, H. S. EL.; HARTI, A. EL.; IYSAOUY, L. EL. Wheat Yield Estimation Using Remote Sensing Indices Derived from Sentinel-2 Time Series and Google Earth Engine in a Highly Fragmented and Heterogeneous Agricultural Region. Agronomy, 12(11):2853, 2022. https://doi.org/10.3390/agronomy12112853 Instituto Brasileiro de Geografia e Estatística (IBGE). Produção Agrícola Municipal (PAM): Tabelas. 2023. Disponível em: < https://sidra.ibge.gov.br/pesquisa/pam/tabelas>. Acesso em: 25 set. 2024. 85 Instituto Brasileiro de Geografia e Estatística (IBGE). RBMC – Rede Brasileira de Monitoramento Contínuo dos Sistemas. [s. d]. Disponível em: < https://www.ibge.gov.br/85epositório/85epositório-sobre-posicionamento-geodesico/rede- geodesica/16258-rede-brasileira-de-monitoramento-continuo-dos-sistemas-gnss- rbmc.html?=&t=o-que-e>. Acesso em: 18. Mar. 2023. Instituto Brasileiro de Geografia e Estatística (IBGE). Recomendações para levantamentos relativos estáticos – GPS. 2008. Disponível em: < https://geoftp.ibge.gov.br/85eposit_e_outros_documentos_de_referencia/normas/recom_gp s_internet.pdf>. Acesso em: 18 mar. 2023. Instituto Nacional de Meteorologia (INMET). Banco de dados Meteorológicos. Disponível em: . Acesso em: 16 set. 2024. International Business Machines Corporation (IBM). What is the k-nearest neighbors (KNN) algorithm? 2024. Disponível em: . Acesso em: 01 out. 2024. İRIK, H. A.; ROPELEWSKA, E.; ÇETIN, N. Using spectral vegetation indices and machine learning models for predicting the yield of sugar beet (Beta vulgaris L.) under different irrigation treatments. Computers and Electronics in Agriculture, 221, 109019, 2024. JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos naturais. São José dos Campos: Parênteses, 2009. JENSEN, R. R.; GATRELL, J. D.; D. D. MCLEAN (Eds.). Geo-Spatial Technologies in Urban Environments, N.Y.: Springer, 176 p. 2005. JEONG, Y.; YU, J.; WANG, L.; SHIN, H.; KOH, S. M.; PARK, G. Cost-effective reflectance calibration method for small UAV images. International Journal of Remote Sensing, 39(21), 7225-7250, 2018. JORGE, L. A. de C.; INAMASU, R. Y. Uso de veículos aéreos não tripulados (VANT) em Agricultura de Precisão. Ferramentas para agricultura de precisão, v. 8, p. 109, 2013. Disponível em: . Acesso em: 8 ago. 2023. JOSHI, A.; PRADHAN, B.; CHAKRABORTY, S.; BEHERA, M. D. Winter wheat yield prediction in the conterminous United States using solar-induced chlorophyll fluorescence data and XGBoost and random forest algorithm. Ecological Informatics, 77, 102194, 2023. https://doi.org/10.1016/j.ecoinf.2023.102194 86 KARAKAŞ, M. C. et al. Estimation of Yield in Sweet Potato Varieties with Using Spectral Indices. Scientific Committee-Bilim Kurulu, p. 93, 2018. KENNEDY, P. A Guide to Econometrics. Massachusetts: Blackwell Publishing, 2008. KHANAL, S.; FULTON, J.; KLOPFENSTEIN, A.; DOURIDAS, N.; SHEARER, S. Integration of high resolution remotely sensed data and machine learning techniques for spatial prediction of soil properties and corn yield. Computers and electronics in agriculture, 153, 213-225, 2018. https://doi.org/10.1016/j.compag.2018.07.016 KILLEEN, P.; KIRINGA, I.; YEAP, T.; BRANCO, P. Corn Grain Yield Prediction Using UAV-Based High Spatiotemporal Resolution Imagery, Machine Learning, and Spatial Cross-Validation. Remote Sensing. 16(4):683, 2024. https://doi.org/10.3390/rs16040683 KOHAVI, R.; JOHN, G. H. Wrappers for feature subset selection. Artificial intelligence, v. 97, n. 1-2, p. 273-324, 1997. KUMAR, C.; MUBVUMBA, P.; HUANG, Y.; DHILLON, J.; REDDY, K. Multi-Stage Corn Yield Prediction Using High-Resolution UAV Multispectral Data and Machine Learning Models. Agronomy. 13(5):1277, 2023. https://doi.org/10.3390/agronomy13051277 KURIHARA, J.; NAGATA, T.; TOMIYAMA, H. Rice Yield Prediction in Different Growth Environments Using Unmanned Aerial Vehicle-Based Hyperspectral Imaging. Remote Sensing, 15(8), 2004, 2023. https://doi.org/10.3390/rs15082004 KURSA, M. B.; RUDNICKI, W. R. Feature Selection with the Boruta Package. Journal of Statistical Software, 36(11), 1–13, 2010. https://doi.org/10.18637/jss.v036.i11 KVÅLSETH, T. O. Cautionary note about R 2. The American Statistician, 39(4), 279-285, 1985. https://doi.org/10.2307/2683704 LATORRE, M. et al. Correção Atmosférica: conceitos e fundamentos. Espaço & Geografia, v.5, n1, p.153-178, 2002. LEDA, V. C.; GONÇALVES, A. K.; LIMA, N. da S. Sensoriamento remoto aplicado a modelagem de produtividade da cultura da cana-de-açúcar. Energia na agricultura, 34(2), 263–270, 2019. https://doi.org/10.17224/EnergAgric.2019v34n2p263-270 LEGENDRE, P.; DALE, M. R. T.; FORTIN, M.-J.; GUREVITCH, J.; HOHN, M.; MYERS, D. The Consequences of Spatial Structure for the Design and Analysis of Ecological Field Surveys. Ecography, 25, 601–615, 2002. LI, B.; XU, X.; ZHANG, L.; HAN, J.; BIAN, C.; LI, G.; LIU, J.; JIN, L. Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging. ISPRS Journal Photogrammetry and Remote Sensing, 162, 161–172, 2020. https:// doi.org/10.1016/j.isprsjprs.2020.02.013. 87 LIU, H.; YU, L. Toward integrating feature selection algorithms for classification and clustering. IEEE Transactions on knowledge and data engineering, v. 17, n. 4, p. 491- 502, 2005. LIU, L.-W.; LU, C.-T.; WANG, Y.-M.; LIN, K.-H.; MA, X.; LIN, W.-S. Rice (Oryza sativa L.) Growth Modeling Based on Growth Degree Day (GDD) and Artificial Intelligence Algorithms. Agriculture, 12, 59, 2022. https://doi.org/10.3390/agriculture12010059 LIZOT, M.; ANDRADE JÚNIOR, P. P.; TROJAN, F.; MAGACHO, C. S.; THESARI, S. S.; GOFFI, A. S. Analysis of evaluation methods of sustainable supply chain management in production engineering journals with high impact. Sustainability (Switzerland), 12(1), 270, 2020. http://dx.doi.org/10.3390/su12010270 LOUPPE, G.; WEHENKEL, L.; SUTERA, A.; GEURTS, P. Understanding variable importances in forests of randomized trees. Advances in neural information processing systems, 26, 2013. LUNDBERG, S. M.; LEE, SU-IN. A unified approach to interpreting model predictions. Advances in neural information processing systems, v. 30, p. 4765-4774, 2017. MARTELLO, Maurício. Estimativa da altura e produtividade da cana-de-açúcar utilizando imagens obtidas por aeronave remotamente pilotada. Dissertação (Mestrado em Ciências) – Escola Superior de Agricultura Luiz de Queiroz (ESALQ), Piracicaba, 2017. MARTELLO, Maurício. Estimativa da altura e produtividade da cana-de-açúcar utilizando imagens obtidas por aeronave remotamente pilotada. Dissertação (Mestrado em Ciências) – Escola Superior de Agricultura Luiz de Queiroz (ESALQ), Piracicaba, 2017. MAZA, E. E. A. Atividade da redutase do nitrato e acúmulo de prolina livre em Phaseolus vulgaris L. em função de níveis de água e doses de nitrogênio. Tese (Mestrado) – Universidade Federal de Viçosa, Viçosa, 69p., 1991. MEDEIROS, J. G. Análise de crescimento em duas cultivares de batata-doce (Ipomoea batatas (L.) Lam). Revista Brasileira de Fisiologia Vegetal, v. 2, p.23-29, 1990. MELO, C. XGBoost: aprenda este algoritmo de Machine Learning em Python. 2019. Disponível em: < https://sigmoidal.ai/xgboost-aprenda-algoritmo-de-machine-learning-em- python/>. Acesso em: 02 out. 2024. MOLIN, J. P. Agricultura de precisão: números do mercado brasileiro – boletim técnico número 03. USP ESALQ, 2017. MONTES, S. M. N. M. Cultura da batata-doce: do plantio a comercialização. Campinas: Instituto Agronômico, 2013. 80p. 88 MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. Editora UFV – Viçosa-MG, 2003, 2ª ed. 307p. MURDOCH, W.; JAMES, SINGH, C.; KUMBIER, K.; ABBASI-ASL, R.; YU, B. Interpretable machine learning: definitions, methods, and applications. arXiv preprint, 1901.04592, 2019. https://doi.org/10.1073/pnas.1900654116 NOH, S. A.; PARK, S. H.; HUH, G. H.; PAEK, K. H.; SHIN, J. S.; BAE, J. M. Growth retardation and differential regulation of expansin genes in chilling setresses sweetpotato. Plant Biotechnol Reports, v.3, p. 75-85, 2009. http://dx.doi.org/10.1007/s11816-008-0077- 0 NOVO, E. M. L. M. Sensoriamento Remoto: Princípios e Aplicações. 4ª Edição. São Paulo: Blucher, 2010. Cap. 4. OLIVEIRA, S. P.; VIANA, A. E. S. V.; MATSUMOTO, S. N.; JÚNIO, N. S. C.; SÃO JOSÉ, T. S. A. R. Efeito da poda e de épocas de colheita sobre características agronômicas da mandioca. Acta Scientiarum Agronomy, v.32, p.99-108, 2010. OMETTO, J. C. Bioclimatologia vegetal. São Paulo: Agronômica Ceres 1981. 440p. ONWUEME, I. C.; CHARLES, W. B. TROPICAL Root and Tuber Crops: Production, perspectives and future prospects. Rome: FAO, 1994. 115p. Organização das Nações Unidas (ONU). Food Security and Nutrition and Sustainable Agriculture. Disponível em: . Acesso em: 30 set. 2024. PADRÓ, J.-C.; MUÑOZ, F.-J.; ÁVILA, L.Á.; PESQUER, L.; PONS, X. Radiometric Correction of Landsat-8 and Sentinel-2A Scenes Using Drone Imagery in Synergy with Field Spectroradiometry. Remote Sensing, 10, 1687, 2018. https://doi.org/10.3390/rs10111687 PANDAY, U. S.; PRATIHAST, A. K.; ARYAL, J.; KAYASTHA, R. B. A Review on Drone- Based Data Solutions for Cereal Crops. Drones, 4, 41, 2020. https://doi.org/10.3390/drones4030041 PEARSON, Karl. Notes on the history of correlation. Biometrika, v. 13, n. 1, p. 25-45, 1920. PONZONI, F. J.; SHIMABUKURO, Y. E.; KUPLICH, T. M. Sensoriamento remoto da vegetação. Oficina de textos, 2012. PORTO, L. R.; BERVEGLIERI, A.; IMAI, N. N. Calibração radiométrica em imagens multiespectrais aéreas utilizando linha empírica e placa colorimétrica. In: Anais do XX Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis. Anais eletrônicos. São José dos Campos, INPE, 2023. Disponível em: Acesso em: 10 jul. 2023. POSSEBON, W. P. Comportamento espectral da soja e predição de produtividade com uso de NVDI. Trabalho de Conclusão de Curso (Graduação) – Universidade Estadual do Rio Grande do Sul, Curso de Bacharelado em Agronomia, Unidade em Santana do Livramento, 2023. Santana do Livramento, 2023. 21 f. PRESTES, Christopher Djonny Pereira. Predição de produtividade de trigo por meio de dados espectrais e altura estimada da planta obtidos por meio de aeronave remotamente pilotada. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2020. PRESTES, Christopher Djonny Pereira. Predição de produtividade de trigo por meio de dados espectrais e altura estimada da planta obtidos por meio de aeronave remotamente pilotada. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2020. PRODHAN, F. A.; ZHANG, J.; YAO, F.; SHI, L.; PANGALI SHARMA, T. P.; ZHANG, D.; CAO, D.; ZHENG, M.; AHMED, N.; MOHANA, H. P. Deep Learning for Monitoring Agricultural Drought in South Asia Using Remote Sensing Data. Remote Sensing, 13, 1715, 2021. https://doi.org/10.3390/rs13091715 PURNAMASARI, R. A.; NOGUCHI, R.; AHAMED, T. Land suitability assessments for yield prediction of cassava using geospatial fuzzy expert systems and remote sensing. Computers and Electronics in Agriculture, 166, 2019. https://doi.org/10.1016/j.compag.2019.105018. QUEIROGA, R. C. F.; SANTOS, M. A.; MENEZES, M. A.; VIEIRA, C. P. G.; SILVA, M. C. Fisiologia e produção de cultivares de batata-doce em função da época de colheita. Horticultura Brasileira, 25: 371-374, 2007. RAJA, S. P.; Sawicka, B.; Stamenkovic, Z.; Mariammal, G. Crop Prediction Based on Characteristics of the Agricultural Environment Using Various Feature Selection Techniques and Classifiers. IEEE Access, v. 10, pp. 23625-23641, 2022, doi: 10.1109/ACCESS.2022.3154350. REN, Y.; ZHANG, L.; SUGANTHAN, P. N. Ensemble Classification and Regression-Recent Developments, Applications and Future Directions [Review Article].IEEE Computational Intelligence Magazine, vol. 11, no. 1, pp. 41-53, 2016. doi: 10.1109/MCI.2015.2471235. RESENDE, G. M. Características produtivas de cultivares de batata-doce em duas épocas de colheita, em Porteirinha – MG. Horticultura Brasileira, v.8, p.68-71, 2000. https://doi.org/10.1590/S0102-05362000000100016 90 RONQUIM, C. C. Dinâmica espaço temporal do carbono aprisionado na fitomassa dos agroecossistemas do Nordeste do Estado de São Paulo. 2007. Disponível em: < https://ainfo.cnptia.embrapa.br/digital/bitstream/CNPM/2108/1/doc63_carbono_nesp.pdf>. Aceso em: 01 outb 2024. ROSLIM, M. H. M.; JURAIMI, A. S.; CHE’YA, N. N.; SULAIMAN, N.; MANAF, M. N. H. A.; RAMLI, Z.; MOTMAINNA, M. Using Remote Sensing and an Unmanned Aerial System for Weed Management in Agricultural Crops: A Review. Agronomy, 11, 1809, 2021. https://doi.org/10.3390/agronomy11091809 ROSLINA, A. H.; NORAZIAH, A. Prediction of hepatitis prognosis using Support Vector Machines and Wrapper Method. Seventh International Conference on Fuzzy Systems and Knowledge Discovery, Yantai, China, pp. 2209-2211, 2010. doi: 10.1109/FSKD.2010.5569542. ROSSI, M. 2017. Mapa pedológico do Estado de São Paulo: revisado e ampliado. São Paulo: Instituto Florestal, v.1. 118p, 2017. ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W. Monitoring vegetation systems in the Great Plains with ERTS. p. 309–317. In Freden, S.C. (ed.) Third earth resources technology satellite-1 symposium. Vol. 1: Technical presentations. NASA SP- 351. Natl. Aeronautics and Space Admin., Washington, DC. 1974. SCHNEIDER, A.; HOMMEL, G.; BLETTNER, M. Linear regression analysis: part 14 of a series on evaluation of scientific publications. Deutsches Arzteblatt International, Nov;107(44):776-82, 2010. doi: 10.3238/arztebl.2010.0776. SHAHZAMAN, M.; ZHU, W.; BILAL, M.; HABTEMICHEAL, B. A.; MUSTAFA, F.; ARSHAD, M.; ULLAH, I.; ISHFAQ, S.; IQBAL, R. Remote Sensing Indices for Spatial Monitoring of Agricultural Drought in South Asian Countries. Remote Sensing, 13, 2059, 2021. https://doi.org/10.3390/rs13112059 SHAMMI, S. A.; HUANG, Y.; FENG, G.; TEWOLDE, H.; ZHANG, X.; JENKINS, J.; SHANKLE, M. Application of UAV Multispectral Imaging to Monitor Soybean Growth with Yield Prediction through Machine Learning. Agronomy. 14(4):672, 2024 https://doi.org/10.3390/agronomy14040672 SHI, X.; SONG, J.; WANG, H.; LV, X.; ZHU, Y.; ZHANG, W.; BU, W.; ZENG, L. Improving soil organic matter estimation accuracy by combining optimal spectral preprocessing and feature selection methods based on pXRF and vis-NIR data fusion. Geoderma, v. 430, 116301, ISSN 0016-7061, 2023. https://doi.org/10.1016/j.geoderma.2022.116301. 91 SHMUELI, G. To Explain or to Predict?. Statistical Science, 25, 3, 289-310, 2010. https://doi.org/10.1214/10-STS330 SILVA FILHO, F. R. da; VENANCIO, M. V. de L.; DE SOUSA, I. A. A. Aprendizado por Agrupamento. Revista Sistemas e Mídias Digitais (RSMD), v. 6, n1, 2021. SILVA, G. B. S.; LOEBMANN, D. G. D. S. W.; FOLHARINI, S. D. O.; NOGUEIRA, S. F.; VICENTE, L. E.; ANDRADE, R. G.; FURTADO, A. L. D. S. Procedimentos para correção geométrica de imagens de satélite. Campinas, SP: Embrapa Monitoramento por Satélite, 2012. 18 p. Disponível em: . Acesso em: 24 out. 2024. SMITH, G. M.; MILTON, E. J. The use of the empirical line method to calibrate remotely sensed data to reflectance. International Journal of Remote Sensing, v. 20, n. 13, p. 2653- 2662, 1999. SOM-ARD, J.; HOSSAIN, M. D.; NINSAWAT, S.; VEERACHITT, V. Pre-harvest Sugarcane Yield Estimation Using UAV-Based RGB Images and Ground Observation. Sugar Tech, 20, 645–657, 2018. https://doi.org/10.1007/s12355-018-0601-7 SOUZA, J. M. F.; RAITZ, F. H. N. Estimativa da produtividade do milho utilizando sensoriamento remoto. Trabalho de Conclusão de Curso – Curso de Agronomia – Centro Universitário de Anápolis – UniEvangélica, 2020, 29p. Disponível em: < http://repositorio.aee.edu.br/jspui/handle/aee/17104>. Acesso em: 27 ago. 2023. SPEARMAN, C. The proof and measurement of association between two things. The American Journal of Psychology, 15(1), 72–101, 1904. https://doi.org/10.2307/1412159 STABEN, G.W.; PFITZNER, K.; BARTOLO, R.; LUCIEER, A. Empirical line calibration of WorldView-2 satellite imagery to reflectance data: using quadratic prediction equations. Remote Sensing Letters, 3:6, 521-530, 2012. STEPANOV, A.; DUBROVIN, K.; SOROKIN, A.; ASEEVA, T. Predicting Soybean Yield at the Regional Scale Using Remote Sensing and Climatic Data. Remote Sensing, 12, 1936, 2020. https://doi.org/10.3390/rs12121936 STEPANOV, A.; DUBROVIN, K.; SOROKIN, A.; ASEEVA, T. Predicting Soybean Yield at the Regional Scale Using Remote Sensing and Climatic Data. Remote Sensing, 12, 1936, 2020. https://doi.org/10.3390/rs12121936 SULAIMAN, N.; CHE’YA, N. N.; MOHD ROSLIM, M. H.; JURAIMI, A. S.; MOHD NOOR, N.; FAZLIL ILAHI, W. F. The Application of Hyperspectral Remote Sensing Imagery 92 (HRSI) for Weed Detection Analysis in Rice Fields: A Review. Applied Sciences, 12, 2570, 2022. https://doi.org/10.3390/app12052570 SUN, C.; FENG, L.; ZHANG, Z.; MA, Y.; CROSBY, T.; NABER, M.; WANG, Y. Prediction of End-Of-Season Tuber Yield and Tuber Set in Potatoes Using In-Season UAV-Based Hyperspectral Imagery and Machine Learning. Sensors, 20, 5293, 2020. https://doi.org/10.3390/s20185293 SUN, K.; ROY, A.; TOBIN, J. M. Artificial intelligence and machine learning: Definition of terms and current concepts in critical care research. Journal of Critical Care, 82, 154792, 2024. https://doi.org/10.1016/j.jcrc.2024.154792 TEDESCO, D.; DE ALMEIDA MOREIRA, B. R.; JÚNIOR, M. R. B.; PAPA, J. P.; DA SILVA, R. P. Predicting on multi-target regression for the yield of sweet potato by the market class of its roots upon vegetation indices. Computers and Electronics in Agriculture, 191, 106544, 2021a. https://doi.org/10.1016/j.compag.2021.106544 TEDESCO, D.; DE OLIVEIRA, M. F.; DOS SANTOS, A. F.; SILVA, E. H. C.; ROLIM, G. de S.; DA SILVA, R. P. Use of remote sensing to characterize the phenological development and to predict sweet potato yield in two growing seasons, European Journal of Agronomy, v. 129, 126337, 2021b. https://doi.org/10.1016/j.eja.2021.126337 THAO, N. T. T.; KHOI, D. N.; DENIS, A.; VIET, L. V.; WELLENS, J.; TYCHON, B. Early Prediction of Coffee Yield in the Central Highlands of Vietnam Using a Statistical Approach and Satellite Remote Sensing Vegetation Biophysical Variables. Remote Sensing, 14, 2975, 2022. https://doi.org/10.3390/rs14132975 WANG, Y.; PAN, Z.; ZHENG, J.; QIAN, L.; MINGTAO, L. A hybrid ensemble method for pulsar candidate classification. Astrophysics and Space Science. 364. 10.1007/s10509- 019-3602-4, 2019. doi: 10.1007/s10509-019-3602-4 WIJEWARDANA, C. REDDY, K. R.; SHANKLE, M. W.; MEYERS, S.; GAO, W. Low and high-temperature effects on sweetpotato storage root initiation and early transplant establishment. Scientia Horticulturae, v. 240, p. 38-48, 2018. WILLMOTT, C. J.; MATSUURA, K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research, v. 30, n. 1, p. 79-82, 2005. WOLD, S.; JOHANSSON, E.; COCCHI, M. PLS: partial least squares projections to latent structures. In: 3D QSAR in Drug Design: Theory, Methods and Applications. Kluwer ESCOM Science Publisher, p. 523-550, 1993. 93 YANG, S.; LI, L.; FEI, S.; YANG, M.; TAO, Z.; MENG, Y.; XIAO, Y. Wheat Yield Prediction Using Machine Learning Method Based on UAV Remote Sensing Data. Drones. 8(7):284, 2024. https://doi.org/10.3390/drones8070284 ZHANG, C.; KOVACS, J. M. The application of small unmanned aerial systems for precision agriculture: a review. Precision Agriculture, 13, 693–712, 2012. https://doi.org/10.1007/s11119-012-9274-5 ZHANG, H.; WANG, L.; TIAN, T.; YIN, J. A Review of Unmanned Aerial Vehicle Low- Altitude Remote Sensing (UAV-LARS) Use in Agricultural Monitoring in China. Remote Sensing, 13, 1221, 2021. https://doi.org/10.3390/rs13061221 ZHANG, X.; ZHAO, J.; YANG, G.; LIU, J.; CAO, J.; LI, C.; ZHAO, X.; Gai, J. Establishment of Plot-Yield Prediction Models in Soybean Breeding Programs Using UAV-Based Hyperspectral Remote Sensing. Remote Sensing. 11(23):2752, 2019 https://doi.org/10.3390/rs11232752 ZHU, X.; GUO, R.; LIU, T.; XU, K. Crop Yield Prediction Based on Agrometeorological Indexes and Remote Sensing Data. Remote Sensing, 13, 2016, 2021. https://doi.org/10.3390/rs13102016 RESSALVA - texto parcial.pdf Dissertacao_Mestrado_Gabriela_Zanchetta.pdf 16e584a19fec8f62ae1cef1f50cba52c88a8d1c0b93e1d77279ded21ad2bfd67.pdf 1316bacac2049cc34350cf98fb08be751fb2eccecbe21dec222153a0fdb61431.pdf 359d9403d8ee1945b57455790d198d2875b9768ea54ce3c7f40bbc1af10c763d.pdf 1316bacac2049cc34350cf98fb08be751fb2eccecbe21dec222153a0fdb61431.pdf 1316bacac2049cc34350cf98fb08be751fb2eccecbe21dec222153a0fdb61431.pdf 359d9403d8ee1945b57455790d198d2875b9768ea54ce3c7f40bbc1af10c763d.pdf a881eecf8aceeb9cf88c60825692ef3ce64d27d0bee4b39c3bf1fa272af43ca0.pdf 16e584a19fec8f62ae1cef1f50cba52c88a8d1c0b93e1d77279ded21ad2bfd67.pdf 1316bacac2049cc34350cf98fb08be751fb2eccecbe21dec222153a0fdb61431.pdf 359d9403d8ee1945b57455790d198d2875b9768ea54ce3c7f40bbc1af10c763d.pdf 1316bacac2049cc34350cf98fb08be751fb2eccecbe21dec222153a0fdb61431.pdf 1316bacac2049cc34350cf98fb08be751fb2eccecbe21dec222153a0fdb61431.pdf 359d9403d8ee1945b57455790d198d2875b9768ea54ce3c7f40bbc1af10c763d.pdf 8d25f9840fd5968f5ed6f285e935e1bdf3e595a599b3c47e8e146e2cd2c7362d.pdf