RESUMO
O Sensoriamento Remoto orbital (SR) tem se mostrado uma ferramenta promissora, pois permite o monitoramento de culturas em grandes áreas geográficas. Além disso, quando métodos de Aprendizado de Máquina (AM) são combinados, os algoritmos podem ser usados para estimativas de produtividade de culturas. Assim, o estudo teve como objetivo estimar a produtividade da soja por meio dos índices de vegetação EVI (Enhanced vegetation index) e NDVI (Normalized Difference vegetation index), obtidos por meio dos sensores MODIS (Moderate-Resolution Imaging Spectroradiometer) dos satélites ACQUA e TERRA e MSI (Multispectral Instrument) do satélite orbital Sentinel-2. Neste estudo, o algoritmo Random Forest (RF) foi usado por ser amplamente difundido no estudos previsão de safras, e os modelos de estimativa de rendimento da soja foram comparados com o rendimento real da parcela. Os resultados mostraram bom desempenho do algoritmo de RF para estimar a produtividade da soja, obtendo R2 de 0,60 e RMSE de 0,50 para MSI; e R² de 0,63 e RMSE de 0,59 para MODIS na validação. Na modelagem, os índices de vegetação com datas de imagem correspondentes à maturação da cultura tiveram maior grau de importância na previsão. No entanto, ao comparar os valores reais e previstos de produção de soja, houve uma diferença de 145 kg ha-1 para o modelo gerado pelo MODIS e apenas 4 kg ha-1 para o MSI. Portanto, o sensor MSI integrado aos algoritmos de aprendizado de máquina estima com precisão o rendimento das culturas.
Termos para indexação:
Sensoriamento remoto; estimativa de produção; aprendizado máquina.
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
