Sensoriamento remoto na predição de produtividade e qualidade de pastagem tropical

• Ano de defesa: 2025
• Autor(a) principal: Caron, Matheus Luís
• 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: Aprendizado de máquina; Crude protein; Dry matter; Fibra em detergente neutro; Machine learning; Matéria seca; Neutral detergent fiber; Proteína bruta
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-05082025-091435/

As pastagens cobrem cerca de 24% da superfície terrestre e são a principal fonte de alimento para os animais ruminantes. A produtividade e a qualidade das pastagens variam ao longo do tempo e impactam diretamente o desempenho animal. Sistemas de produção baseados no pasto requerem frequentes mensurações e monitoramento da matéria seca (MS), proteína bruta (PB) e fibra em detergente neutro (FDN) da pastagem para atender às exigências nutricionais dos animais. Os métodos tradicionais de estimativa desses parâmetros são caros, demorados e pouco representativos em grandes extensões de área. Nesse sentido, o objetivo deste estudo foi estimar a produtividade de MS e o valor nutricional de PB e FDN de pastagem tropical utilizando dados de sensoriamento remoto multiespectral e hiperespectral, associados a algoritmos de aprendizado de máquina. Para isso, um conjunto de 190 amostras de campo foi coletado em três estações do ano, em uma área comercial cultivada com Urochloa brizantha cv. Marandu, manejada sob pastejo rotativo durante o ano de 2023. As imagens multiespectrais, compostas pelas bandas azul, verde, vermelho, borda do vermelho e infravermelho próximo, foram obtidas com sensores embarcados em aeronaves remotamente pilotadas (RPAs) nos piquetes imediatamente antes da coleta destrutiva da massa de forragem. A leitura da reflectância hiperespectral das amostras secas e moídas foi feita utilizando um espectrorradiômetro, abrangendo os comprimentos de onda de 350 a 2500 nm. Modelos de regressão baseados em árvores de decisão (RF) e mínimos quadrados parciais (PLSR) foram desenvolvidos para calibrar e validar modelos preditivos de MS, PB e FDN. Os modelos multiespectrais de MS tiveram bom desempenho (R2=0,74), desempenho moderado para FDN (R2=0,56) e baixo desempenho para PB (R2=0,48). A precisão das estimativas feitas a partir da validação externa foi ruim para a qualidade da pastagem (R2<0,2). Foram obtidos resultados aceitáveis com os modelos hiperespectrais para PB (R2=0,74) e FDN (R2=0,72) utilizando apenas os comprimentos de onda de maior importância das regiões VIS-NIR- SWIR. O desempenho dos modelos gerais não se diferenciou dos modelos que utilizaram todo o espectro ou apenas as bandas selecionadas, apresentando desempenho moderado para PB (R2=0,58) e aceitável para FDN (R2=0,75). Independentemente do modelo ou das variáveis de entrada, a estimativa de MS foi insatisfatória (R2<0,53). A pastagem apresentou significativa variação de MS, PB e FDN ao longo do tempo e do espaço. Os resultados demonstraram um potencial promissor para o monitoramento da produtividade da pastagem com dados multiespectrais e da qualidade com dados hiperespectrais. Portanto, o sensoriamento remoto é uma importante ferramenta de suporte à tomada de decisão em sistemas baseados à pasto.