Modelagem da evapotranspiração da cana-de-açúcar utilizando abordagens de sensoriamento remoto e machine learning

• Autor(a) principal: Santos, Robson Argolo dos
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/31732; https://doi.org/10.47328/ufvbbt.2023.576
• topic: Evapotranspiração - Medição; Cana-de-açúcar; Aprendizado do computador; Sensoriamento remoto; Irrigação e Drenagem

O uso de sensoriamento remoto combinando informações de estações meteorológicas tem sido estudado como uma alternativa a estimativa da demanda hídrica, porém algumas limitações ainda persistem, requerendo novas metodologias que possa superá-las. Desta forma, essa tese teve como objetivo geral estimar a ETa (evapotranspiração atual) da cana-de-açúcar utilizando machine learning com base em dados obtidos por sensoriamento remoto ativo e passivo, bem como múltiplas fontes de informação. Os objetivos específicos foram divididos em três capítulos: 1) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto passivo; 2) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto passivo sem a necessidade de estação meteorológica em campo; e 3) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto ativo na presença de nuvens. Para tal, foram adquiridos dados dos sensores OLI (Operational Land Imager) e TIRS (Thermal Infrared Sensor) embarcados nos satélites Landsat 8 e 9, a fim de determinar a ET rF (fração evapotranspirativa) e posterior ETa utilizando o modelo METRIC (Mapping Evapotranspiration at High Resolution with Internalized Calibration). Essas variáveis foram utilizadas como resposta, enquanto as variáveis explicativas foram obtidas dos sensores MSI (Multispectral Instrument), embarcado no Sentinel-2, e SAR (Synthetic Aperture Radar), no Sentinel-1. Os dados meteorológicos, climatológicos, de solos, elevação do terreno e astronômicas, foram utilizados para garantir um treinamento e desempenho adequados dos algoritmos de machine learning. No primeiro capítulo, foi possível observar a capacidade dos modelos de machine learning em estimar a ETrF utilizando dados do sensor MSI, que não possui banda termal. O modelo que obteve melhor desempenho nessa abordagem foi o XgbLinear, com R² = 0.91 e RMSE = 0.10, apresentando resultados satisfatórios. Os valores estimados de ETrF, neste capítulo, quando multiplicados pela ET r (Evapotranspiração de referência alfafa), forneceram a ETa, que é utilizada para determinar a reposição adequada da irrigação. Os resultados do segundo capítulo mostraram que os modelos de machine learning, utilizando dados de sensoriamento remoto passivo sem banda termal em conjunto com outras variáveis explicativas, permitiu quantificar diretamente a ET a, sem a necessidade do valor de ETr determinado via estação meteorológica. Dos 13 modelos utilizados neste capítulo, o brnn (Bayesian Regularized Neural Networks) se destacou, com R² de 0.73 e RMSE de 1.10, respectivamente. Por fim, os resultados do terceiro capítulo foram promissores, pois foi possível modelar e quantificar a ETa na cana-de-açúcar mesmo na presença de nuvens. O brnn novamente se destacou, apresentando R² de 0.45 e RMSE de 1.5. Apesar das métricas inferiores, devido às limitações espectrais do sensor SAR, esse resultado representa um grande avanço, uma vez que o sensor SAR pode ser utilizado quando não é possível o uso de sensores remotos passivos. Com base em todos esses resultados, é possível inferir que os algoritmos de machine learning XgbLinear e brnn, devidamente treinados com dados obtidos por sensoriamento remoto passivo e ativo, juntamente com outras fontes de informação, podem ser eficazes na estimativa da evapotranspiração atual da cana-de-açúcar. Palavras-chave: Satélite. Machine learning. Agricultura irrigada.