Predição de altura e concentração de proteína bruta de capim-braquiária a partir de dados de sensoriamento remoto

• Autor(a) principal: Valote, Priscila Dornelas
• 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/123456789/32013; https://doi.org/10.47328/ufvbbt.2023.770
• topic: Braquiária decumbens; Pastagens - Manejo; Inteligência artificial; Pastagem e Forragicultura

Para a composição da tese foram preparados dois capítulos que consistiram na avaliação de modelo de predição automatizada de classes de altura e da concentração de proteína bruta (PB) dos pastos de Urochloa decumbens (Sin. Brachiaria decumbens) cv. Basilisk. Tais modelos foram criados a partir de dados mensurados a campo, análises de imagens aéreas multiespectrais processadas para extração dos valores médios e desvio padrão da média dos Índices de Vegetação e do algoritmo Random Forest. As imagens foram filtradas a partir da média dos valores de Normalized Difference Vegetation Index (NDVI) com objetivo de remover pixels irrelevantes. Capítulo 1 – Foram obtidas imagens multiespectrais por Veículo Aéreo Não Tripulado (VANT) semanalmente entre os anos de 2019 e 2021 em 30 canteiros de 3 m2 de U. decumbens com diferentes idades de rebrotação, totalizando 40 voos. As alturas aferidas ao longo do período experimental foram agrupadas em três classes: alturas inferiores a 12 cm (Classe 0); entre 12 cm e 20 cm (Classe 1) e alturas superiores a 20 cm (Classe 2). Foi observada acurácia global dos dados de 58.66% e valores de precisão de 39.19%, 60.20% e 46.15%, respectivamente para as Classes 0, 1 e 2 de altura. Os melhores IVs ranqueados de acordo com a importância (%) na participação do modelo foram o desvio padrão do Chlorophyll Vegetation Index (CVI) na máscara de filtragem NDVI > 0.40 (14.93% de importância), seguido pelo desvio padrão do Transformed Vegetation Index (TVI) e Structure Insensitive Pigment Index (SIPI) nas máscaras de filtragem NDVI > 0.40 e NDVI > 0.20, com 11.97% e 11.95% de importância, respectivamente. No entanto, o desbalanço entre as classes de altura inferiu em maiores probabilidades de acerto de predição para a Classe 1. Em análise individual de voo testado pelo modelo, mais de 93% das classificações das alturas foram preditas corretamente. O modelo representa o estágio inicial de desenvolvimento de uma importante ferramenta para o manejo de pastagens baseado na classificação da altura que precisa ser aprofundado. Capítulo 2 – Foram obtidas imagens multiespectrais a partir de VANT entre os anos de 2019 e 2021 em 30 canteiros de 3 m2 de capim-braquiária com diferentes idades de rebrotação, totalizando 20 voos. As imagens foram processadas para extração dos valores médios e desvio padrão da média dos Índices de Vegetação (IVs). Utilizou-se o algoritmo Random Forest para desenvolver o modelo de predição da concentração de PB em % da matéria seca (MS) com base em dados de referência coletados a campo e estimados em laboratório. Os resultados demonstraram que 40.52% (R²) dos dados se ajustam ao modelo de regressão através dos IVs selecionados com erros de 2.13% de PB na matéria seca (MS) dos pastos de U. decumbens (Sin. B. decumbens) cv. Basilisk. Afirmamos o desafio de estimar a concentração de PB dos pastos de forma remota e esforços devem ser direcionados a fim de aumentar o ajuste no modelo e reduzir os erros na predição desta variável. Sugere-se o estudo aprofundado do Enhanced Vegetation Index (EVI), Leaf Chlorophyll Index (LCI), Photochemical Reflectance Index (PRI) e Ratio Vegetation Index (RVI) que participaram efetivamente do modelo e foram bem correlacionados de forma a atingir os objetivos propostos num futuro próximo. Por fim, outras técnicas de análises de dados para predição de PB devem ser avaliadas, assim como outras variáveis no modelo como dados meteorológicos e bandas espectrais, o que pode auxiliar no desenvolvimento de modelos capazes de predizer esta variável com maior precisão e acurácia. Palavras-chaves: Inteligência Artificial. Manejo dos pastos. Random Forest. VANTS. Zootecnia de Precisão.