Predições de características estruturais e valor nutritivo de Urochloa decumbens por meio de imagens aéreas

• Ano de defesa: 2024
• Autor(a) principal: Souza, Iuly Francisca Rodrigues de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Zootecnia
• Palavras-chave em Português: Capim-branquiaria - Cultivo - Sensoriamento remoto; Aprendizado do computador; Imagens multiespectrais; Vegetação - Mapeamento; CIENCIAS AGRARIAS::ZOOTECNIA::PASTAGEM E FORRAGICULTURA
• Link de acesso: https://locus.ufv.br/handle/123456789/33511; https://doi.org/10.47328/ufvbbt.2024.799

O uso da inteligência artificial, aliado a técnicas de agricultura e zootecnia de precisão, está transformando o monitoramento e a gestão da agropecuária. O sensoriamento remoto, em particular, oferece uma solução inovadora para monitorar a variabilidade espaço-temporal em pastagens, fornecendo informações cruciais sobre diversos parâmetros biofísicos. Nesse contexto, o objetivo com este trabalho foi desenvolver modelos preditivos para a massa de forragem verde e seca, altura do dossel, densidade e concentração de matéria seca (%MS) e proteína bruta (%PB) de pastos de Urochloa decumbens (Stapf) R.D. Webster, utilizando aprendizado de máquinas e imagens multiespectrais obtidas por aeronave remotamente pilotada. O experimento foi conduzido na Universidade Federal de Viçosa, entre 2019 e 2020, com diferentes doses de nitrogênio aplicadas após cada corte, com o objetivo de promover variações nas características do capim. Foram avaliados o desempenho dos seguintes modelos: regressão linear simples (RLS), regressão linear múltipla (RLM), e randon forest regression (RFR). Para isso, dados multiespectrais foram extraídos de imagens aéreas e combinados à dados meteorológicos para alimentar os modelos preditivos. Os modelos foram avaliados por meio de validação cruzada “Leave-one-out”, utilizando métricas como coeficiente de determinação (R²), erro quadrático médio (RMSE) e erro absoluto médio (MAE). As melhores predições foram observadas para massa de forragem verde (R² = 0,77, RMSE = 3.281,29 kg ha-1, MAE = 2.361,80 kg ha-1) e seca (R² = 0,71, RMSE = 657,46 kg ha-1, MAE = 507,53 kg ha-1) com RLM, e altura do dossel com RLS (R² = 0,59, RMSE = 8,72 cm, MAE = 7,26 cm). As predições para % MS e % PB não apresentaram desempenho satisfatório para nenhum dos modelos avaliados. Conclui-se que a combinação de imagens aéreas multiespectrais com aprendizado de máquinas oferece uma ferramenta eficaz para prever variáveis como massa verde, massa seca e altura em pastos de capim-brachiaria, podendo contribuir significativamente para a gestão e o manejo das pastagens. Contudo, são necessárias mais pesquisas para otimizar os modelos desenvolvidos. Palavras-chave: sensoriamento remoto; multiespectrais; índices de vegetação aprendizado de máquina; imagens.