Estimativa da produtividade de soja no centro-oeste brasileiro utilizando imagens do satélite Sentinel-2 e dados climáticos

• Ano de defesa: 2024
• Autor(a) principal: Pereira, Ester de Carvalho
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Grain production; Índices de vegetação; Machine learning; Produção de grãos; Séries temporais; Temporal series; Vegetations indices
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-07102024-165757/

A soja desempenha um papel crucial no cenário agrícola brasileiro, sendo essencial o monitoramento da cultura e a realização de estimativas de produtividade. Com o auxílio do sensoriamento remoto, o monitoramento espaço temporal pode ser otimizado, gerando informações abrangentes em um curto período. O objetivo deste trabalho foi desenvolver um modelo de estimativa da produtividade de soja a nível municipal na região do Centro-Oeste brasileiro, utilizando imagens do satélite Sentinel-2 e dados climáticos, por meio do algoritmo Extreme Gradient Boosting (XGBoost). Os mapas do MapBiomas foram utilizados para identificar as áreas de soja nas safras de 2019/2020 a 2021/2022. Para as áreas de soja foram extraídos os valores das bandas espectrais e índices de vegetação derivados do Sentinel-2, além de dados climáticos do ERA5-Land e do sensor MODIS, juntamente com a média histórica de produtividade dos últimos cinco anos. Foram criados seis modelos empíricos com todas as variáveis correspondentes a 30 dias (M1), 60 dias (M2), 90 dias (M3), 120 dias (M4), 150 dias (M5) e 180 dias (M6) após o início da semeadura da soja. O modelo de melhor desempenho foi testado em locais independentes e comparado aos modelos obtidos para cada estado. Todos os modelos foram treinados com 70% dos dados e validados com os 30% restantes. Os coeficientes de determinação (R2) dos modelos M1 a M6 variaram de 0,68 a 0,72, sendo que o modelo selecionado, M5, obteve R2 de 0,72 e uma raiz do erro quadrático médio (RMSE) de 301,52 kg/ha. Além disso, o modelo M5 demonstrou um bom desempenho ao ser aplicado em locais independentes, com R2 variando de 0,34 a 0,76 e RMSE variando de 168,31 kg/ha a 491,17 kg/ha. As variáveis mais importantes para o modelo foram referentes aos dados climáticos de precipitação acumulada, radiação solar e déficit hídrico. Os dados espectrais mais importantes foram os índices NDRE e as bandas espectrais red-edge 2, red-edge 3, SWIR 1, red e NIR8a. A integração de imagens do Sentinel-2 com dados climáticos e a média histórica de produtividade foram cruciais para estimar a produtividade em áreas extensas de produção de soja, ressaltando a importância da combinação desses dados. Apesar das condições climáticas adversas e de uma série histórica menor em comparação com outros estudos, o modelo desenvolvido neste trabalho conseguiu explicar a dinâmica da produtividade de soja e pode ser aplicado em locais independentes.