Caracterização do estabelecimento e previsão da massa de forragem de pastos de capins Cynodon spp. por sensoriamento remoto

• Ano de defesa: 2024
• Autor(a) principal: Coelho, Rigles Maia
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Cynodon; Estabelecimento; Establishment; Machine learning; Modelagem; Modeling; Remote sensing; Sensoriamento remoto
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11139/tde-08102024-162721/

As gramíneas do gênero Cynondon spp. podem ser implementadas para fenação ou pastejo e apresentam elevada qualidade com relação a outras gramíneas tropicais. No entanto, a maior parte dos cultivares são propagados de forma vegetativa, elevando o custo operacional da implantação desses materiais. Na fase de implantação, os propágulos passam por estresses diversos, envolvendo disponibilidade hídrica e competição com espécies invasoras ao longo da formação do dossel. Considerando pastos já implantados, o monitoramento da massa de forragem é imprescindível para planejamento forrageiro e ajustes corretos na lotação animal. Com base nisso, o objetivo da presente dissertação foi propor um método baseado em machine learning para monitoramento do estabelecimento de Cynodon spp. e aprimorar o método de estimativa de acúmulo de forragem baseado na lei de beer e na eficiência do uso da radiação com series temporais. Para monitoramento do estabelecimento desenvolvemos e testamos uma ferramenta para classificação supervisionada baseada em support vector machine (SVM) e randon forest (RF). Esses algoritmos foram treinados com as classes \"Cynodon\", \"Solo exposto\" e \"Invasoras\". Como contraprova utilizamos um método de escores visuais para as três classes citadas anteriormente. A correlação entre ambos métodos de machine learning e o metodo visual foram superiores a 90% para todas as classes. As curvas de estabelecimento seguiram a mesma tendência em ambos os métodos. A principal diferença entre os métodos de classificação supervisionada está no tempo de processamento e de geração dos modelos em que o RF foi 60% mais eficiente. O cultivar Jiggs foi mais eficiente em cobrir o solo ao longo do estabelecimento com relação ao Tifton 85. Para previsão da massa de forragem e taxa de acúmulo foi feita a adaptação de um modelo baseado na lei de beer. A adaptação consiste em estimar o índice de área foliar via sensoriamento remoto, com a previsão desse valor feita com uma série temporal parametrizada com 7 anos de dados. O modelo foi implementado para previsão da massa de forragem 28, 59 e 91 dias a frente. O erro das previsões ficou próximo aos 691 kg.ha-1. Os resultados apontam para eficiência de ambas propostas para o gênero em questão.