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 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