Estimativa de produtividade da cultura do milho a partir de imagens multiespectrais | Estimation of corn crop yield based on multispectral images

Estimated yield is an important agronomic parameter for the domestic and international market in the demand, transport capacity and storage of agricultural products. In this respect, continuous yield monitoring requires the creation of methods to enhance mapping of this variable in the field. As such, this study aimed to determine the ideal phenological stage to estimate yield and generate models for this purpose on a local scale, that is, using data from different study areas to train and validate the model. To that end, we used multispectral images from different orbital sensors combined with vegetation indices from the reflectance bands of each satellite and models generated by the following machine learning algorithms: support vector machine (SVM), neural network (NN), random forest (RF) and random trees (RT). In Chapter 1, Planet satellite images were used to determine the ideal phenological stage and in Chapter 2, yield estimate models were generated via a Sentinel 2 satellite image. The root mean square error percentage (RMSE%) and mean absolute percentage error (MAPE) were used as evaluation metrics to assess the accuracy and trend of the yield estimates. Based on analysis to determine the ideal phenological stage, it was concluded that the spectral model based on the image of phenological stage R2 obtained the best RMSE% (9.17%) and second best MAPE (7.07%). The local-scale estimation models generated made it possible to estimate yield with an RMSE% and MAPE of 20.97 and 19.19%, respectively.

FAU - Fundação de Apoio Universitário

Dissertação (Mestrado)

A estimativa de produtividade é um parâmetro agronômico importante para auxiliar o mercado nacional e internacional no que tange a demanda, capacidade de transporte e armazenamento de produtos agrícolas. Nesse sentido, para que a produtividade continue a ser monitorada, tornase necessário a criação de métodos que aprimorem o mapeamento dessa variável em campo. Nesse contexto, esta pesquisa apresenta como objetivo a definição do estádio fenológico ideal e geração de modelos para estimativa de produtividade em escala local, ou seja, utilizando dados de áreas de estudo distintas para treinamento e validação do modelo. Para isso, foram utilizadas imagens multiespectrais, advindas de diferentes sensores orbitais, juntamente com índices de vegetação derivados das bandas de cada satélite, e modelos gerados por meio de algoritmos de aprendizado de máquina, sendo eles, Máquinas de Vetores de Suporte (Support Vector Machine - SVM), Redes Neurais (Neural Net - NN), Florestas Aleatórias (Random Forest - RF) e Árvores Aleatórias (Random Trees - RT). No Capítulo 1, para a definição do estádio fenológico ideal, foram utilizadas imagens do satélite Planet. Já no Capítulo 2, para a geração de modelos de estimativa de produtividade, foi utilizada uma imagem do satélite Sentinel 2. Foram utilizadas como métricas avaliativas a raiz do erro médio quadrático em percentagem (Root Mean Square Error percentagem - RMSE%) e o Erro Absoluto Médio em porcentagem (Mean Absolute Percentagem Error - MAPE) para avaliar a acurácia e tendência das estimativas de produtividade. Pela análise da definição de um estádio fenológico ideal, concluiu-se que o modelo espectral baseado em imagem da fase fenológica reprodutiva R2 foi o que obteve o melhor RMSE% de 9,17% e o segundo melhor MAPE de 7,07%. Pela análise da geração de modelos de estimativa em escala local foi possível estimar a produtividade com um RMSE% e MAPE de 20,97% e 19,19%, respectivamente.