Combinação de informações e tecnologias para aperfeiçoar a estimativa da maturação remota de vagens de amendoim

• Ano de defesa: 2024
• Autor(a) principal: Oliveira, Thiago Caio Moura. [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Satélites; Inteligência artificial; Agricultura; Artificial intelligence; Agriculture
• Link de acesso: https://hdl.handle.net/11449/261651

A colheita mecanizada da cultura do amendoim resulta em perdas visíveis e invisíveis. Portanto, o monitoramento e a determinação precisa da maturação são essenciais para reduzir essas perdas. Dessa forma, os objetivos deste trabalho foram: (i) identificar as melhores variáveis (banda espectral, índice de vegetação e graus dias acumulados) para a estimativa da maturação das vagens do amendoim; e (ii) estimar dois índices de maturação (classes marrom e preto e classes laranja, marrom e preto) do amendoim utilizando sensoriamento remoto (SR) e redes neurais artificiais (RNAs), visando otimizar o momento de início de colheita e minimizar perdas. O experimento foi realizado em duas áreas comerciais de amendoim no Estado de São Paulo, nas safras 2021/2022 e 2022/2023, situadas nas seguintes coordenadas geográficas: Cândido Rodrigues, utilizando a cultivar IAC 503. A aquisição dos dados em campo foi realizada a partir de um mês antes do momento previsto para a colheita, com intervalos semanais. Para aquisição das variáveis de entradas, utilizou o SR orbital (PlanetScope), para coletar bandas espectrais e índices de vegetação, as variáveis climáticas utilizou o NASA POWER. Para a análise dos dados, utilizamos as arquiteturas das RNAS, Multilayer Perceptron (MLP) e Radial Basis Function (RBF). O banco de dados obtido da primeira área (Cândido Rodrigues) foi subdivido com 80% para treinamento e 20% para validação da estimativa da maturação. Após a criação do modelo, este foi testado com o banco de dados obtido da segunda área (Guariba). Para a seleção das variáveis, foi realizada a filtragem dos dados por meio da Análise de Componentes Principais (ACP) e, posteriormente, utilizamos o método Stepwise para detectar as variáveis com maior grau de importância para estimar a maturação. Os modelos validados demonstraram ótima acurácia para ambas as arquiteturas (MLP e RBF), com Coeficiente de Determinação (R²) maior ou igual a 0,90 e Erro Absoluto Médio (MAE) entre 0,06 e 0,07. Além disso, os resultados dos modelos testados foram promissores, apresentando R2 entre 0,61 e 0,76 e MAE em intervalos de 0,12 a 0,15. Ambas as arquiteturas mostraram resultados semelhantes, indicando que os modelos desenvolvidos possuem alta acurácia na estimativa dos índices de maturação, permitindo sua aplicação eficaz em diferentes condições. No entanto, a inclusão de mais pontos amostrais, outras cultivares e condições climáticas variadas pode melhorar consideravelmente os resultados.