Modelagem para previsão do índice SPAD e crescimento do milho a partir de imagens de veículo aéreo não tripulado

Abstract

O propósito principal desta pesquisa é contribuir para o aprimoramento das técnicas de monitoramento agrícola por meio da utilização de Veículos Aéreos Não Tripulados (VANTs) para sensoriamento remoto. O objetivo específico foi avaliar modelos de predição de clorofila utilizando o SPAD (Soil Plant Analysis Development) e do crescimento do milho, com os efeitos da aplicação de nitrogênio em parcelas previamente estipuladas. O estudo utilizou imagens capturadas por meio de uma câmera MAPIR-2 equipada com bandas RGNIR (vermelho, verde e infravermelho próximo) com uma resolução espacial de 4,05 x 4,05 cm, tanto no solo quanto embarcada em um VANT. Como resultado, foram geradas imagens com dados da folha índice (DFI) e dados do dossel (DD) para análise. Regressões lineares múltiplas, Backward e modelos não lineares, como Backpropagation Neural Network (BP-NN), Sequential Minimal Optimization for Regression (SMOreg) e Support Vector Machine (SVR), foram usados para desenvolver modelos de previsão (MRSC) para SPAD e crescimento do milho examinando o efeito do N em cada parcela, através dos dados das bandas e índices de vegetação da câmera. Os modelos Backward tiveram desempenho satisfatório considerando os sobrevoos, com DD (R2 = 0,70, RMSE=6,27 e MAE=5,00) e DFI (R2 = 0,9054, RMSE= 6,87, MAE=17,3). Quando se aplica os sobrevoos e as parcelas individuais, os valores foram DD (R2 = 0,82, RMSE=6,72 e MAE=4,51) e DFI (R2 = 0,97, RMSE= 20,66 e MAE=4,51). O melhor modelo não linear para SPAD foi o SMOreg, com DD (R2 =0,51, RMSE=4,94 e MAE=6,62). Para DFI foi BP-NN com (R2 = 0,97, RMSE= 20,66 e MAE=4,51). O melhor modelo não linear para SPAD foi o SMOreg, enquanto para DFI foi BP-NN. Para o modelo de predição de altura, utilizando o Backward com os dados do VANT obteve os resultados para sobrevoos DD (R2 = 0,95, RMSE=17,57 e MAE=11,2) e DFI (R2 = 0,95, RMSE= 18,99 e MAE=15,5). Considerando os sobrevoos e as parcelas, os resultados foram para DD (R2 = 0,98, RMSE=9,63 e MAE=13,5) e DFI (R2 = 0,97, RMSE=19,99 e MAE=17,3). Na aplicação de regressão não linear o melhor modelo foi o BP-NN para DD (R2 = 0,88, RMSE=19,66 e MAE=25,76) e BP-NN para DFI (R2 = 0,81, RMSE=19,71 e MAE=25,76). Na aplicação de regressão não linear, o melhor modelo foi o BP-NN para DD e DFI. A aplicação de ureia e cobertura adicional nas fases 4 e 8 foi a mais eficaz em termos de SPAD e crescimento. As imagens de predições evidenciaram a diferença de SPAD, o crescimento e fenologia por manejo. Empregando o algoritmo de mineração de dados APRIORI, as melhores correspondências para o SPAD foram NDVI, SAVI e RVI para dados do VANT e NDVI e SAVI para a folha índice. Para o crescimento da cultura, as melhores variáveis foram RVI, NDVI e a banda Verde para dados do VANT e NDVI, SAVI e a banda Verde para a folha índice no solo. Este estudo foi importante para analisar modelos em fases cruciais da adubação na cultura do milho, dando subsídios para criação de imagens de predições para traçar o desempenho do SPAD e do crescimento do milho. Além disso, os resultados apresentados contribuem para o aprimoramento das técnicas de monitoramento agrícola por meio da utilização de VANTs para sensoriamento remoto. Com isso, é possível reduzir o consumo de fertilizantes com reflexos econômicos e ambientais positivos.