Título: Estimativa da produtividade de amendoim usando machine learning e Google Earth Engine

Autoria de: Franklin Daniel Inácio

Orientação de: Adao Felipe dos Santos

Coorientação de: Jarlyson Brunno Costa Souza

Presidente da banca: Adao Felipe dos Santos

Primeiro membro da banca: Thiago Orlando Costa Barboza

Segundo membro da banca: Marcelo Rodrigues Barbosa Júnior

Palavras-chaves: Sensoriamento Remoto, Agricultura de Precisão, Índices de Vegetação, Estimativa de produtividade, Redes Neurais.

Data da defesa: 27/04/2022

Semestre letivo da defesa: 2021-2

Data da versão final: 04/05/2022

Data da publicação: 04/05/2022

Referência: Inácio, F. D. Estimativa da produtividade de amendoim usando machine learning e Google Earth Engine. 2022. 34 p. Trabalho de Conclusão de Curso (Graduação em Agronomia Bacharelado)-Universidade Federal de Lavras, Lavras, 2022.

Resumo: Formas de estimar a produtividade de uma cultura é de fundamental importância, para se traçar melhores estratégias mercadológicas e logísticas. Na cultura do amendoim, mapas de produtividade são ferramentas chaves para implementação de Agricultura de Precisão, pois trazem informações relevantes quanto a variabilidade espacial das lavouras. Entretanto, apesar da grande relevância, essas informações não são geradas por meio de monitores de colheita nas máquinas no momento da colheita. Dessa forma, o objetivo deste trabalho foi desenvolver e implementar de forma automatizada um método para estimar a produtividade de amendoim utilizando series temporais de imagens de satélite provenientes da plataforma Sentinel através da plataforma Google Earth Engine com uso de redes neurais. Para determinação da produtividade real coletamos amostras em campo. Para estimativa, utilizamos imagens multiespectrais do Sentinel, iniciou-se aos 90 dias após a semeadura, coincidindo com as datas de coletas em campo. Os modelos usando os índices tiveram acurácia de 1 de erro. Em geral os modelos MLP se saíram melhores com menos dados para treinamento e validação, enquanto os modelos RBF se saíram melhor quando tiveram uma base de dados maior. Em cada data os modelos obtiveram valores de erro próximo, menores que 300 kg ha-1 na maioria dos casos. Conclui se que podemos usar índices de vegetação para previsão de produtividade com valores bem acurados usando redes neurais.

URI: sip.prg.ufla.br/publico/trabalhos_conclusao_curso/acessar_tcc_por_curso/
agronomia/20212201621174

URI alternaviva: repositorio.ufla.br/handle/1/54943

Curso: G001 - AGRONOMIA (BACHARELADO)

Nome da editora: Universidade Federal de Lavras

Sigla da editora: UFLA

País da editora: Brasil

Gênero textual: Trabalho de Conclusão de Curso

Nome da língua do conteúdo: Português

Código da língua do conteúdo: por

Licença de acesso: Acesso aberto

Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras

URI da licença: repositorio.ufla.br

Termos da licença: Acesso aos termos da licença em repositorio.ufla.br

Detentores dos direitos autorais: Franklin Daniel Inácio e Universidade Federal de Lavras

Baixar arquivo