Uso de imagens digitais e aprendizado de máquina para estimar o coeficiente de cultura do feijoeiro-comum

• Ano de defesa: 2023
• Autor(a) principal: Nascimento, Carlos Alberto Fonseca
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: índice de vegetação; coeficiente de cultura; feijoeiro-comum; aprendizado de máquina; índice de área foliar; vegetation index; culture coefficient; common bean; machine learning; leaf area index.
• Link de acesso: https://hdl.handle.net/11449/252617; http://lattes.cnpq.br/5659813443891631; https://orcid.org/0000-0002-1775-711X

O uso do coeficiente de cultura (Kc) é essencial para o eficiente manejo da irrigação, entretanto quantificá-lo durante o ciclo da cultura ainda é um desafio, pois os métodos diretos de determinação são trabalhosos e onerosos. O objetivo principal deste trabalho foi estimar os valores de Kc durante as fases fenológicas da cultura do feijoeiro-comum em função dos graus-dia acumulados (GDA), do índice de área foliar (IAF), da fração de cobertura vegetal (FCV), do índice de vegetação por diferença normalizada (NDVI) e do índice de vegetação ajustado ao solo (NDVI). A pesquisa foi conduzida no Departamento de Engenharia Rural e Socioeconomia, da Faculdade de Ciências Agronômicas - Campus Botucatu - UNESP. Os valores de GDA foram calculados a partir de dados meteorológicos locais; os valores de IV, NDVI e SAVI, foram obtidos a partir de imagens digitais multiespectrais, com uso de veículos aéreo não-tribulado (VANT); e os valores de IAF e FCV foram obtidos de imagens digitais proximais, classificadas com uso de algoritmos de aprendizado de máquina (AM). O experimento foi desenvolvido em campo, em dois ciclos da cultura, sendo o primeiro ciclo denominado de etapa de modelagem (11/05 a 09/08/2022) e o segundo ciclo de etapa de validação (16/10 a 31/12/2022). Em ambas as etapas foram determinadas: a evapotranspiração de cultivo pelo método do balanço hídrico do solo (ETc_BH), a evapotranspiração de referência (ETo) pelo método de Penman-Monteith, e o coeficiente de cultivo pelo método do balanço hídrico do solo (Kc_BH), a partir da relação entre ETc_BH e ETo. Na etapa de modelagem foram criados os modelos de AM a partir dos métodos de Máquina de Vetores de Suporte (SVM), Floresta Aleatória (RF) e Regressão Logística Multiclasse (LR) capazes de classificar corretamente os pixels da imagem digital proximal e extrair os valores IAF e FCV. Nesta etapa, utilizou-se análise de regressão para gerar os modelos matemáticos a partir da relação entre IAF, FCV, NDVI e SAVI em função de GDA, possibilitando estimar os valores de IAF (IAF_GDA), FCV (FCV_GDA), NDVI (NDVI_GDA) e SAVI (SAVI_GDA). Seguindo a mesma metodologia e utilizando o Kc_BH, obteve-se Kc em função dos GDA (Kc_GDA), Kc em função do IAF (Kc_IAF), Kc em função da FCV (Kc_FCV), Kc em função do NDVI (Kc_NDVI) e Kc em função do SAVI (Kc_SAVI). Os resultados mostraram que o modelo LR de AM é o mais adequado para classificar corretamente os pixels das imagens proximais e extrair os valores de IAF e FCV, com acurácia (100%) e em menor custo computacional em tempo (31 s). O ciclo fenológico da cultura foi influenciado pelos GDA, sendo observado 91 dias e GDA de 864,91 °C para a etapa de modelagem, e 77 dias e GDA de 920,85 °C para a etapa de validação. Na etapa de modelagem, os valores estimados pelos modelos IAF_GDA, FCV_GDA, NDVI_GDA e SAVI_GDA tiveram desempenho adequado, quando comparados aos valores observados de IAF, FCV, NDVI e SAVI. Na validação, o modelo IAF_GDA teve uma leve tendência de subestimar os valores de IAF, enquanto os modelos FCV_GDA, NDVI_GDA e SAVI_GDA tiveram tendência de superestimar os valores de FCV, NDVI e SAVI. Na etapa de modelagem, todos os valores estimados pelos modelos Kc_GDA, Kc_FCV, Kc_IAF, Kc_SAVI e Kc_NDVI tiveram desempenho adequado, quando comparados com os valores observados de Kc_BH. Na validação, a relação entre os valores estimados e observados tiveram alta correlação para Kc_GDA, Kc_IAF, Kc_FCV, e baixa correlação para Kc_SAVI e Kc_NDVI. A produtividade em grãos da cultura foi semelhante, enquanto a eficiência de uso da água (EUA) diferiu estatisticamente, pelo teste t de Student, para as etapas de modelagem e validação.