Predição de produtividade da cana-de-açúcar a partir de imagens sar em alta resolução espacial

• Processo: 23/12735-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de fevereiro de 2024
• Vigência (Término): 31 de janeiro de 2025
• Área do conhecimento: Ciências Agrárias - Agronomia
• Pesquisador responsável: José Paulo Molin
• Beneficiário: David Lopes Lima
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Assunto(s): Aprendizado computacional Sensoriamento remoto Agricultura de precisão
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Mapas de Produtividade | Sensoriamento Remoto | Unidades de Gestão Diferenciada | Agricultura de Precisão

Resumo

Os mapas de produtividade obtidos por equipamentos embarcados em colhedoras são uma tecnologia de agricultura de precisão de grande importância ao monitoramento da variabilidade dos canaviais brasileiros, representando uma variável essencial às Unidades de Gestão Diferenciada (UGDs). No entanto, resultado de barreiras tecnológicas, logísticas e operacionais, grande parte dos agricultores optam por estimativas de produtividade baseadas em processos empíricos a mapas de produtividade. Nesse sentido, o sensoriamento remoto tem sido muito explorado por permitir a identificação de variabilidade de forma não destrutiva e em alta resolução espacial e temporal por meio de índices de vegetação. Partindo desse pressuposto, o presente trabalho tem como objetivo desenvolver modelos preditivos de produtividade da cana-de-açúcar através de imagens obtidas por sensores imageadores Synthetic Aperture Radar (SAR) embarcados no satélite Sentinel-1, que não sofrem com oscilações climáticas. Dessa forma, será utilizado o índice de vegetação Vegetation Optical Depth (VOD), conhecido por apresentar alta correlação com o conteúdo de água e biomassa das plantas; parâmetros essenciais na produtividade na cana-de-açúcar. O modelo preditivo será desenvolvido por algoritmos de aprendizado de máquina supervisionado por meio de imagens de satélite e dados reais de produtividade em alta resolução espacial, identificando os fatores de maior influência. Os parâmetros estatísticos de avalição da capacidade de predição serão realizados pelo R², RMSE e Index of Agreement Modified (dmod). Com isso, propõe-se desenvolver um modelo capaz de predizer em alta resolução espacial a produtividade dos canaviais antes da colheita, a fim de que as informações geradas possam auxiliar e otimizar a logística de colheita; oferecer alternativas aos mapas de produtividade obtidos por monitores de produtividade e compor uma variável satisfatória à caracterização de UGDs.