Dissertação/Tese ESTIMATIVA DA PRODUTIVIDADE DO FEIJOEIRO SUBMETIDO A TAXA VARIÁVEL DE INSUMOS POR MEIO DE APRENDIZADO DE MÁQUINA A PARTIR DE IMAGENS MULTITEMPORAIS - PPGPV

A agricultura de precisão é uma abordagem inovadora que busca otimizar o processo agrícola por meio do uso de um sistema de gerenciamento agrícola baseada na variação espacial e temporal da unidade produtiva e visa ao aumento de retorno econômico, à sustentabilidade e à minimização do efeito ao ambiente. Um dos principais desafios enfrentados pelos agricultores é a estimativa da produtividade das culturas. No entanto, com os avanços no campo do aprendizado de máquinas e surgimentos de imagens orbitais de alta resolução espacial e temporal, é possível utilizar algoritmos para estimar com precisão e de forma antecipada a produtividade do feijoeiro, auxiliando nas tomadas decisões agrícolas eficazes, afim de ajudar a melhorar a renda dos agricultores. Assim esse trabalho foi desenvolvido para contribuir com essas informações, que são relevantes para os produtores e pesquisadores, e os resultados adquiridos aqui foram apresentados em três artigos científicos. O primeiro artigo teve como objetivo avaliar a qualidade de uma série temporal de imagens da constelação de CubeSats PlanetScope (PS) normalizada automaticamente e com dados dos sensores Operational Land Imager (OLI) e MultiSpectral Instrument (MSI) como referência. Estes sensores estão a bordo dos satélites Landsat 8 e Sentinel 2B, respectivamente. A comparação foi feita calculando o erro quadrado médio normalizado (NRMSE) de pixels selecionados em uma área de 24 há cultivada com feijão irrigado em Unaí-MG, Brasil. O comportamento temporal do NDVI ao longo do ciclo de crescimento do feijão foi examinado para avaliar o efeito da normalização radiométrica. Além disso, uma análise de correlação foi realizada entre os valores de NDVI, tanto nas imagens PS originais como normalizadas, e produtividade do feijoeiro. Os resultados indicaram que as imagens PS normalizadas pelo sensor MSI apresentavam erros menores em comparação ao sensor OLI, indicando uma qualidade radiométrica do PS mais próxima do sensor MSI do que o OLI, mostrando-se mais eficiente como sensor de referência no processo de normalização radiométrica. No monitoramento da cultura, por meio do NDVI, há uma alta relação entre as imagens PS originais e normalizadas indicando existência de relação linear dessas variáveis. Além disso o processo de normalização não melhorou a relação do NDVI com a produtividade do feijoeiro. O segundo artigo avaliou influência da aplicação a taxas variáveis de sementes e fertilizantes no rendimento e no comportamento espectral da cultura do feijão. Imagens do PS foram utilizadas para analisar a variabilidade temporal dos índices de vegetação (IVs) ao longo do ciclo de desenvolvimento da cultura. A área de estudo foi dividida em quatro ambientes de produção com diferentes taxas de semeadura e fertilizantes. Verificou-se que as taxas variáveis de insumos não tiveram um impacto significativo no rendimento da cultura, nos componentes de rendimento e na reflectância. No entanto, os IVs foram capazes de detectar a variabilidade temporal ao longo do crescimento da colheita e diferenciar os estádios fenológicos da cultura. O Terceiro e último artigo teve como objetivo à estimativa da produtividade da cultura do feijão, utilizando dados espectrais temporais PS para desenvolver modelos baseados em aprendizagem de máquinas por meio do algoritmo Random Forest (RF). Foram considerados diferentes conjuntos de dados, incluindo bandas espectrais e IVs. Verificou-se que as bandas espectrais foram mais importantes como variáveis preditoras do que os IVs na geração do modelo RF. No entanto, a utilização exclusiva de bandas espectrais não melhorou as métricas estatísticas do modelo em comparação com o uso exclusivo de IVs ou uma combinação de ambos. Os modelos RF mostraram que a produtividade do feijoeiro pode ser melhor prevista aos 75 dias após a semeadura. Os resultados apresentados nesses estudos contribuem para a estimativa da produtividade do feijoeiro, principalmente porque trabalhos dessa temática são escassos quando consideramos o uso de dados PS em uma área cultiva com insumos a taxa variável, que ainda é pouco explorado nessa cultura.

Precision agriculture is an innovative approach that seeks to optimize the agricultural process through the use of an agricultural management system based on the spatial and temporal variation of the productive unit and aims to increase the economic return, sustainability and minimization of the effect on the environment. One of the main challenges faced by farmers is estimating crop productivity. However, with advances in the field of machine learning and the emergence of orbital images with high spatial and temporal resolution, it is possible to use algorithms to accurately and in advance estimate the productivity of common bean, helping to make effective agricultural decisions, in order to help improve farmers' income. Thus, this work was developed to contribute with this information, which is relevant to producers and researchers, and the results acquired here were presented in three scientific articles. The first article aimed to evaluate the quality of a time series of images of the CubeSats PlanetScope (PS) constellation automatically normalized and with data from the Operational Land Imager (OLI) and MultiSpectral Instrument (MSI) sensors as reference. These sensors are on board the Landsat 8 and Sentinel 2B satellites, respectively. The comparison was made by calculating the normalized root mean squared error (NRMSE) of selected pixels in a 24-ha area cultivated with irrigated beans in Unaí - MG, Brazil. The temporal behavior of NDVI throughout the bean growth cycle was examined to evaluate the effect of radiometric normalization. Furthermore, a correlation analysis was performed between the NDVI values, both in the original and normalized PS images, and common bean yield. The results indicated that the PS images normalized by the MSI sensor had smaller errors compared to the OLI sensor, indicating a PS radiometric quality closer to the MSI sensor than the OLI, proving to be more efficient as a reference sensor in the radiometric normalization process. In culture monitoring, using the NDVI, there is a high relationship between the original and normalized PS images, indicating the existence of a linear relationship between these variables. Furthermore, the normalization process did not improve the relationship between NDVI and common bean productivity. The second article evaluated the influence of the application at variable rates of seeds and fertilizers on the yield and spectral behavior of the common bean crop. PS images were used to analyse the temporal variability of vegetation indices (VIs) throughout the crop development cycle. The study area was divided into four production fields with different sowing rates and fertilizers. It was found that variable input rates did not have a significant impact on crop yield, yield components and reflectance. However, the IVs were able to detect the temporal variability along the growth of the crop and differentiate the phenological stages of the crop. The third and last article aimed to estimate the productivity of the common bean crop, using PS temporal spectral data to develop models based on machine learning through the Random Forest (RF) algorithm. Different datasets were considered, including spectral bands and IVs. It was found that the spectral bands were more important as predictor variables than IVs in generating the RF model. However, the exclusive use of spectral bands did not improve the statistical metrics of the model compared to the exclusive use of IVs or a combination of both. The RF models showed that common bean yield can be better predicted at 75 days after sowing. The results presented in these studies contribute to the estimate of common bean productivity, mainly because studies on this topic are scarce when we consider the use of PS data in an area cultivated with variable rate inputs, which is still little explored in this crop.