Predição de altura e concentração de proteína bruta de capim-braquiária a partir de dados de sensoriamento remoto

Abstract

Para a composição da tese foram preparados dois capítulos que consistiram na avaliação de modelo de predição automatizada de classes de altura e da concentração de proteína bruta (PB) dos pastos de Urochloa decumbens (Sin. Brachiaria decumbens) cv. Basilisk. Tais modelos foram criados a partir de dados mensurados a campo, análises de imagens aéreas multiespectrais processadas para extração dos valores médios e desvio padrão da média dos Índices de Vegetação e do algoritmo Random Forest. As imagens foram filtradas a partir da média dos valores de Normalized Difference Vegetation Index (NDVI) com objetivo de remover pixels irrelevantes. Capítulo 1 – Foram obtidas imagens multiespectrais por Veículo Aéreo Não Tripulado (VANT) semanalmente entre os anos de 2019 e 2021 em 30 canteiros de 3 m2 de U. decumbens com diferentes idades de rebrotação, totalizando 40 voos. As alturas aferidas ao longo do período experimental foram agrupadas em três classes: alturas inferiores a 12 cm (Classe 0); entre 12 cm e 20 cm (Classe 1) e alturas superiores a 20 cm (Classe 2). Foi observada acurácia global dos dados de 58.66% e valores de precisão de 39.19%, 60.20% e 46.15%, respectivamente para as Classes 0, 1 e 2 de altura. Os melhores IVs ranqueados de acordo com a importância (%) na participação do modelo foram o desvio padrão do Chlorophyll Vegetation Index (CVI) na máscara de filtragem NDVI > 0.40 (14.93% de importância), seguido pelo desvio padrão do Transformed Vegetation Index (TVI) e Structure Insensitive Pigment Index (SIPI) nas máscaras de filtragem NDVI > 0.40 e NDVI > 0.20, com 11.97% e 11.95% de importância, respectivamente. No entanto, o desbalanço entre as classes de altura inferiu em maiores probabilidades de acerto de predição para a Classe 1. Em análise individual de voo testado pelo modelo, mais de 93% das classificações das alturas foram preditas corretamente. O modelo representa o estágio inicial de desenvolvimento de uma importante ferramenta para o manejo de pastagens baseado na classificação da altura que precisa ser aprofundado. Capítulo 2 – Foram obtidas imagens multiespectrais a partir de VANT entre os anos de 2019 e 2021 em 30 canteiros de 3 m2 de capim-braquiária com diferentes idades de rebrotação, totalizando 20 voos. As imagens foram processadas para extração dos valores médios e desvio padrão da média dos Índices de Vegetação (IVs). Utilizou-se o algoritmo Random Forest para desenvolver o modelo de predição da concentração de PB em % da matéria seca (MS) com base em dados de referência coletados a campo e estimados em laboratório. Os resultados demonstraram que 40.52% (R²) dos dados se ajustam ao modelo de regressão através dos IVs selecionados com erros de 2.13% de PB na matéria seca (MS) dos pastos de U. decumbens (Sin. B. decumbens) cv. Basilisk. Afirmamos o desafio de estimar a concentração de PB dos pastos de forma remota e esforços devem ser direcionados a fim de aumentar o ajuste no modelo e reduzir os erros na predição desta variável. Sugere-se o estudo aprofundado do Enhanced Vegetation Index (EVI), Leaf Chlorophyll Index (LCI), Photochemical Reflectance Index (PRI) e Ratio Vegetation Index (RVI) que participaram efetivamente do modelo e foram bem correlacionados de forma a atingir os objetivos propostos num futuro próximo. Por fim, outras técnicas de análises de dados para predição de PB devem ser avaliadas, assim como outras variáveis no modelo como dados meteorológicos e bandas espectrais, o que pode auxiliar no desenvolvimento de modelos capazes de predizer esta variável com maior precisão e acurácia. Palavras-chaves: Inteligência Artificial. Manejo dos pastos. Random Forest. VANTS. Zootecnia de Precisão.

The thesis consists of two chapters devoted to the evaluation of an automated prediction model of canopy height classes and crude protein (CP) concentration of Urochloa decumbens (Syn. Brachiaria decumbens) cv. Basilisk. Such models were created from data measured in the field and analysis of multispectral aerial images to extract the average values and standard deviation of the vegetation indices (VI) to classify the canopy height and predict the CP concentration using the Random Forest algorithm. The images were filtered from the average Normalized Difference Vegetation Index (NDVI) values to remove irrelevant pixels. Chapter 1 – Multispectral images were obtained by Unmanned Aerial Vehicle (UAV) weekly between 2019 and 2021 in 30 plots (3 m2) of U. decumbens with different regrowth ages, totaling 40 flights. Canopy heights were measured over the experimental period and grouped into three classes: heights less than 12 cm (Class 0); between 12 cm and 20 cm (Class 1) and heights greater than 20 cm (Class 2). Overall data accuracy of 58.66% and precision values of 39.19%, 60.20%, and 46.15% were observed for canopy height classes 0, 1, and 2, respectively. The best-ranked IV according to importance (%) to the model were the Chlorophyll Vegetation Index (CVI) standard deviation in the NDVI filter mask > 0.40 (14.93% importance), followed by the Transformed Vegetation Index standard deviation (TVI) and Structure Insensitive Pigment Index (SIPI) in the filtering masks NDVI > 0.40 and NDVI > 0.20, with 11.97% and 11.95% of importance, respectively, which demonstrates their potential for pasture canopy height predictions. However, the mismatch between the canopy height classes resulted in higher probabilities of correct prediction for Class 1. In an individual analysis of the flight tested by the model, more than 93% of the canopy height classifications were correctly predicted. The model represents the initial stage of development of an important tool for pasture management based on canopy height classification that needs to be improved. Chapter 2 – Multispectral images were obtained from UAV between 2019 and 2021 in 30 plots (3 m2) with different regrowth ages, totaling 20 flights. The images were processed to extract the average and standard deviation of the average VI. The Random Forest algorithm was used to develop the prediction model for CP concentration in % of dry matter (DM) based on reference data collected in the field and estimated in the laboratory. The results demonstrated that 40.52% (R²) of the data fitted the regression model through the selected VI with errors of 2.13% of CP in the DM of pastures of U. decumbens (Syn. B. decumbens) cv. Basilisk. We state the challenge of estimating the CP concentration of pastures remotely and efforts must be made to increase the model performance. It is suggested further studies of the Enhanced Vegetation Index (EVI), Leaf Chlorophyll Index (LCI), Photochemical Reflectance Index (PRI), and Ratio Vegetation Index (RVI) that effectively participated in the model and were well correlated to CP concentration to achieve the proposed objectives shortly. Finally, other data analysis techniques for PB prediction must be evaluated, as well as other features in the model such as meteorological data and spectral bands, which can assist in the development of models capable of predicting this variable with greater precision and accuracy. Keywords: Artificial Intelligence. Pasture management. Random Forest. UAV. Precision livestock farming.