Aplicação de redes neurais convolucionais na estimativa da altura de pastagens nativas e cultivadas

• Ano de defesa: 2024
• Autor(a) principal: Alves, Wendell Gasparoni da Luz
• Orientador(a): Ferreira, Ana Paula Lüdtke
• Banca de defesa: Ferreira, Ana Paula Lüdtke, Silveira, Márcia Cristina Teixeira da Silveira, Bremm, Carolina, Silva Jr, Edson Prestes e
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Pampa
• Programa de Pós-Graduação: Mestrado Acadêmico em Computação Aplicada
• Departamento: Campus Bagé
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; CNN; Forragem; Massa seca; Pastagem; Dry Fodder; Forage; Machine Learning; Pasture
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS
• Link de acesso: https://repositorio.unipampa.edu.br/jspui/handle/riu/9872

A produção animal em pasto exige uma boa estimativa da disponibilidade de forragem para que o manejo dos animais seja realizado com precisão, garantindo bons resultados no processo produtivo e evitando problemas de sobre- ou subpastejo. A literatura apresenta que a altura da vegetação pode ser utilizada como métrica para estimar a disponibilidade de alimento no pasto, pois está correlacionada com a quantidade de matéria seca disponível. Como vantagem, a altura é uma medida fácil de ser obtida no campo e requer pouca orientação sobre procedimentos, embora exija trabalho braçal se mensurada de forma direta. Este trabalho propõe uma solução para a medição da altura da vegetação em pastagens nativas e cultivadas, fazendo uso de técnicas de visão computacional. Particularmente, o sistema de inferência recebe uma imagem da vegetação e a processa por meio de redes neurais convolucionais, cada uma treinada especificamente para um tipo de vegetação, a fim de estimar sua altura média. As espécies de pasto usadas nos modelos apresentados neste trabalho são: vegetação nativa dos campos sul-brasileiros, azevém e capim-sudão, embora a técnica possa ser usada para qualquer outro tipo de vegetação. O uso de redes neurais convolucionais não é novo, mas sua aplicação específica para quantificar a altura da vegetação em pastagens representa uma abordagem pioneira. Os benefícios dessa abordagem incluem o desenvolvimento de uma aplicação para coleta de dados e sua integração com o aplicativo H-Pasture, que faz recomendação de entrada e saída de animais com base na altura média do pasto, possibilitando uma tomada de decisão mais acertada no manejo da pastagem. A automação desse processo pode contribuir para a redução de custos operacionais e aumentar a eficiência na produção, promovendo uma gestão mais sustentável dos recursos naturais. Os resultados obtidos apresentaram os seguintes coeficientes de correlação e erros médios absolutos: para pastagens nativas, 0,8949 e 1,5236 cm; para azevém, 0,96 e 1,3791 cm; e para capim-sudão, 0,81 e 7,9795 cm, respectivamente. Esses dados ressaltam a aplicabilidade da abordagem em atividades baseadas na produção animal em pasto, especialmente no manejo de pastagens nativas e azevém.