Evapotranspiração real por aprendizado de máquina e sensoriamento remoto sem o espectro termal

• Ano de defesa: 2021
• Autor(a) principal: Costa, Taiara Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Engenharia Agrícola
• Palavras-chave em Português: Evapotranspiração; Algorítmos computacionais; Irrigação agrícola; Soja - Irrigação; Cana-de-açúcar - Irrigação; Irrigação e Drenagem
• Link de acesso: https://locus.ufv.br//handle/123456789/29897; https://doi.org/10.47328/ufvbbt.2021.053

A evapotranspiração (ET) é um parâmetro chave no balanço hídrico, sendo destaque nesse contexto a utilização de dados provenientes de sensoriamento remoto. Entretanto, existe um desafio significativo para a modelagem de ET com imagens frequentes sem o espectro do infravermelho termal, o que ajudaria nas decisões de gerenciamento dos recursos hídricos em nível de propriedade agrícola. Diante disso, objetivou-se neste estudo utilizar algoritmos de aprendizado de máquina para estabelecer um modelo para estimativa da fração evapotranspirativa (ET f ) utilizando dois cenários de entrada de dados a partir das informações espectrais da constelação Sentinel-2; e analisar a aplicabilidade temporal e espacial dos modelos para estimar a evapotranspiração real (ET r ) em culturas agrícolas irrigadas por pivôs centrais. O estudo foi realizado em dois cenários de entrada de variáveis independentes, sendo que, as bandas espectrais do satélite Sentinel 2A e 2B e índices de vegetação compuseram um total de 11 variáveis e formaram o primeiro cenário. Já o segundo cenário foi composto por 29 variáveis geradas a partir da realização do procedimento de razão normalizada entre as bandas (NRPB) e a junção das variáveis aplicadas no primeiro cenário. Ressalta-se que, em ambos os cenários, para seleção das variáveis, foi realizado a análise de correlação de 0,98 e a Função Recursive Feature Elimination (RFE). Os modelos gerados para predizer a ET f a partir de algoritmos de regressão e em seguida comparação com a ET f calculada pelo algoritmo SAFER, utilizou-se diferentes algoritmos: Regressão Linear Múltipla, Linear Support Vector Machine, Cubist, Bayesian-Regularized Neural Network e eXtreme Gradient Boosting pelos métodos Linear e Tree. Depois que a ET f foi estimada em cada cenário com as diferentes técnicas, realizou-se a análise estatística que permitiu selecionar o melhor modelo, que em ambos os cenários, foi o Cubist. Posteriormente, foi estimado a ET f somente para os pivôs centrais presentes na área de estudo e acessou a classificação do uso e cobertura da terra desses por meio do produto MapBiomas. O uso da terra foi necessário para poder calcular a ET r em cada cenário, nos pivôs centrais com as culturas da cana de açúcar e soja. Para estimativa da ET r foi estimada a ET f e multiplicada por duas abordagens de ET o (ET o Brazil e Hargreaves-Samani). As ET r estimadas por essas abordagens foram comparadas com a ET r estimada por intermédio da ET o calculada pelo método padrão de Penman-Monteith FAO 56. Verificou-se que a equação de Hargreaves-Samani superestimou a ET r com maiores erros principalmente para os pivôs centrais com cana de açúcar, em que o MBE variou de 0,89-2,02 mm d -1 . Já o produto ET o Brazil apresentou menores erros estatísticos com valores variando de 0,33-1,49 e 0,20- 1,26 para RMSE e MAE, respectivamente, para ambas as culturas agrícolas. Por meio dos resultados alcançados constata-se que a ET r pode ser monitorada espacial e temporalmente sem a utilização da banda termal, o que faz com que a estimativa desse parâmetro seja realizada com maior frequência temporal. Palavras-chave: Algoritmo SAFER. Fração evapotranspirativa. Manejo da irrigação. Soja. Cana de açúcar.