Remote sensing applied to pasture management

• Autor(a) principal: Bretas, Igor Lima
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/29436; https://doi.org/10.47328/ufvbbt.2022.399
• topic: Pastagens - Manejo - Sensoriamento remoto; Aprendizado do computador; Vegetação - Índices; Pastagem e Forragicultura; Satélites artificiais em sensoriamento remoto

Para esta tese, dois capítulos foram elaborados baseados no uso de imagens de satélites e técnicas de aprendizagem de máquinas para automatização do manejo de pastagens. No primeiro capítulo foi levantada a hipótese de que índices de vegetação (IV) obtidos por meio de satélites de moderada resolução espacial (Landsat-8 e Sentinel-2), combinados com dados meteorológicos, podem prever com acurácia a biomassa de forragem em pastagens de Brachiaria (sin. Urochloa) no Brasil. Foram usados dados de biomassa obtidos a campo entre os anos de 2015 e 2019 em quatro regiões distintas do Brasil para avaliar: (i) a relação entre três diferentes IV e dados meteorológicos com biomassa fresca (BF), biomassa seca (BS) e concentração de matéria seca (CMS); e (ii) o desempenho dos algoritmos de regressão linear simples (RLS), regressão linear múltipla (RLM) e random forest (RF) para a predição da biomassa de forragem. Os resultados destacam forte correlação (r) entre IV e BF, principalmente NDVI (r = 0,52 a 0,84). Os algoritmos RLM e RF demonstraram alto potencial para predizer BF (R 2 = 0,76 a 0,85) e CMS (R 2 = 0,78 a 0,85). Foi concluído que os algoritmos RLM e RF melhoraram a acurácia de previsão da biomassa usando imagens de satélite combinadas com dados meteorológicos, e podem ser usados para a previsão da biomassa em pastos de Brachiaria (sin. Urochloa). No segundo capítulo o objetivo foi desenvolver um modelo para classificação automatizada da altura e avaliar a acurácia das estimativas indiretas da biomassa de forragem em pastagens de Panicum maximum cv. Mombaça (sin. Megathyrsus maximus cv. Mombaça). Este modelo baseia-se na análise de imagens obtidas através do satélite Sentinel-2 utilizando técnicas de aprendizado de máquinas para suportar a tomada de decisão quanto ao manejo do pastejo e ajustes da taxa de lotação. Foram utilizadas diferentes bandas do satélite Sentinel-2 que foram obtidas e processadas inteiramente em nuvem. Três classes de altura do pasto foram previamente definidas como classe 0 (<45cm), classe 1 (45–80cm) e classe 2 (>80cm) de acordo com as recomendações de manejo do capim-mombaça. O algoritmo RF foi usado para classificar a altura do pasto e prever a biomassa usando dados de altura e biomassa obtidos a campo em 54 piquetes no Brasil entre os anos 2016 e 2018 como dados de referência. Os resultados demonstram valores de precisão, sensibilidade e acurácia de até 83,90 e 83%, respectivamente, para classificação da altura do piquete e potencial para prever a BF e CMS do pasto (R2 = 0,69 e 0,82, respectivamente). Conclui-se que o uso combinado de imagens de satélite e técnicas de aprendizado de máquina possibilita classificar a altura e prever a biomassa de Panicum maximum cv. Mombaça (sin. Megathyrsus maximus cv. Mombaça) com acurácia, suportando a tomada de decisão quanto ao manejo do pastejo e ajustes das taxas de lotação. No entanto, mais estudos devem ser realizados para melhorar os modelos propostos em ambos os capítulos e mais esforços devem feitos para implementação da ferramenta em condições de campo. Palavras-chave: Aprendizagem de máquinas. Índices de vegetação. Satélites. Sensoriamento remoto.