Sensoriamento remoto e inteligência artificial no manejo das culturas de milho e sorgo

• Ano de defesa: 2023
• Autor(a) principal: Ferraz, Marcelo Araújo Junqueira
• Orientador(a): Von Pinho, Renzo Garcia
• Banca de defesa: Von Pinho, Renzo Garcia, Pereira, José Luiz de Andrade Rezende, Silva, Rouverson Pereira da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-graduação em Agronomia/Fitotecnia
• Departamento: Departamento de Agricultura
• País: brasil
• Palavras-chave em Português: Agricultura de precisão; Inteligência artificial; Aprendizado de máquina; Precision agriculture; Artificial intelligence; Machine learning
• Área do conhecimento CNPq: Manejo e Tratos Culturais
• Link de acesso: https://repositorio.ufla.br/handle/1/58272

O sorgo, pertencente à família das gramíneas, é a cultura com maior tolerância à estresses ambientais entre os cereais. Por outro lado, o milho se destaca pela importante posição no agronegócio brasileiro e mundial. Recentemente, a expansão das tecnologias e inovações agrícolas, tem possibilitado o aumento de eficiência dos processos de produção. O sensoriamento remoto (SR) permite a coleta de informações da lavoura de forma não-destrutiva e remota, por meio de sensores embarcados em veículos aéreos não tripulados (UAV) e satélites. E diante de uma grande quantidade de dados gerados a cada safra, a inteligência artificial (IA) é uma alternativa eficiente para análise dos dados. Dessa forma, objetivou-se avaliar o emprego de técnicas de sensoriamento remoto e modelos de inteligência artificial no manejo das culturas de milho e sorgo. Para realizar a estimativa de produtividade de sorgo granífero em condições tropicais e definir a melhor época para estimar a produtividade, foram utilizados elevação do terreno e índices de vegetação (IVs) extraídos aos 30, 60, 90 e 120 dias após semeadura (DAS) como parâmetros de entrada para a Rede Neural Artificial (RNA) com arquitetura Multilayer Perceptron. O modelo com melhor desempenho (R2 = 0,89 e RMSE = 0,22 t ha-1) apresentava como entrada os IVs CIgreen, SR, VARI, WDRVI e elevação do terreno aos 30 DAS. Obteve-se alta correlação (r = 0,95) entre a produtividade observada e a estimada pelo modelo aos 30 DAS, demonstrando que nesse estágio inicial é o mais adequado para realizar a estimativa de produtividade de grãos de sorgo. Os dados da cultura do milho foram coletados por meio de UAV e satélite PlanetScope, combinadas com algoritmos de aprendizado de máquina para estimativa de altura de plantas. Para tanto, IVs NDVI, NDRE e GNDVI foram calculados a partir de imagens orbitais, enquanto que a altura baseada em UAV foi obtida por meio de modelos digitais de elevação (DEM). As imagens foram obtidas aos 20, 29, 37, 44, 50, 61 e 71 DAS e da mesma forma as avaliações manuais no campo. Os seguintes resultados foram obtidos: (1) a altura de planta derivada do DEM apresentou forte correlação com a altura manual de campo (r = 0,96), NDVI (r = 0,80), NDRE (r = 0,78) e GNDVI (r = 0,81). (2) O modelo de RF teve melhor desempenho (R2 = 0,97 e RMSE = 14,62 cm) quando utilizou NDVI, NDRE e GNDVI como entrada, seguido de KNN com precisão semelhante (R2 = 0,97 e RMSE = 14,68 cm).