“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.
8 a 10 de novembro de 2022
Trabalho 17516
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Inteligência Artificial |
| Setor | Departamento de Engenharia Agrícola |
| Bolsa | FAPEMIG |
| Conclusão de bolsa | Sim |
| Apoio financeiro | FAPEMIG |
| Primeiro autor | Miquéias Henrique Pereira |
| Orientador | DANIEL MARCAL DE QUEIROZ |
| Outros membros | Charles Cardoso Santana, Flávio Souza Santos, Mateus Soares Assunção, Sarah Abade Ribeiro |
| Título | Estimativa da produtividade de milho com base em imagens multiespectrais e aprendizado de máquina |
| Resumo | O desenvolvimento de técnicas que permitam predizer de forma precisa e não destrutiva a produtividade de milho é importante para os agricultores. Essas técnicas podem ser utilizadas para o diagnóstico de problemas nas lavouras e para a determinação dos efeitos das práticas de manejo. Além disso, podem ser usadas em experimento de campo conduzidos pelos produtores para a identificação da variedade e da população mais apropriadas para uma determinada área. Apesar dos métodos convencionais de predição poderem ser aplicados em qualquer área/talhão de cultivo, estes são geralmente realizados de forma manual, o que é dispendioso e apresentam baixa resolução espacial. Os métodos usando técnicas de aprendizado de máquinas com base em imagens podem substituir os procedimentos convencionais com segurança, tendo vista que são rápidos, precisos e também conseguem retratar a variabilidade espacial da área. Desta forma, este trabalho foi realizado com o objetivo de desenvolver um modelo de aprendizado de máquina para mapeamento da produtividade do milho com base em imagens multiespectrais obtidas por VANTs. O estudo foi realizado na UEPE (Unidade de Ensino, Pesquisa e Extensão) Aeroporto da Universidade Federal de Viçosa, Viçosa, Minas Gerais. Para realização da pesquisa, além da obtenção de dados dos componentes produtivos ao final do ciclo da cultura, imagens multiespectrais de uma área cultivada com milho foram obtidas em 11 datas (21, 29, 36, 44, 53, 61, 77, 84, 97, 110 e 125 dias após a semeadura). Essas imagens foram obtidas de um experimento de cultivo de milho utilizando o sensor Micasense RedEdge MX acoplado a um VANT Matrice 100. Os modelos de aprendizado de máquinas para predição da produtividade de milho testados foram Multiple Linear Regression e Support Vector Machine. Foram utilizados 22 índices de vegetação (NDVI, RECI, SAVI, OSAVI, MCARI, TCARI, NDRE, GNDVI, CI-RED, CVI, EVI, EVI-2, GCI, GRVI, MEXG, MNGRD, NGRD, PSND, RDVI, RVI, SCCCI e TGI) obtidos a partir das imagens multiespectrais. O erro médio absoluto (MAE) foi utilizado para avaliar os modelos de previsão de produtividade. O modelo Multiple Linear Regression com base no GNDVI obtido a partir das imagens coletadas aos 97 dias após a semeadura apresentou o melhor resultado, com um MAE de 479,91 kg ha-1. Obteve-se ainda, modelos com MAE inferior a 1000 kg ha-1 para imagens obtidas a partir de 61 dias após a semeadura, utilizando o Multiple Linear Regression, porém com base nos índices GNDVI, TGI, CVI, SCCCI, NDRE, RECI e GRVI. Diante dos resultados obtidos, pode se inferir que a predição da produtividade de milho pode ser realizada usando apenas o GNDVI obtido aos 97 dias após a semeadura, reduzindo assim, a necessidade de coleta extensa de dados ao longo de todo o ciclo da cultura. |
| Palavras-chave | Aeronaves pilotadas remotamente, Zea mays L., Índices de vegetação. |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|