Redes neurais artificiais aplicadas na estimativa do índice de área foliar utilizando imagens de sensoriamento remoto / Artificial neural networks applied to estimating the leaf area index using remote sensing images

Ivandro José de Freitas Rocha, Guiliano Rangel Alves, Carlos Eduardo Bento Barbosa, Sueli Martins de Freitas Alves, Francisco Ramos de Melo

Abstract


Objetivou-se com esse estudo, obter o Índice de Área Foliar (IAF) por meio de Redes Neurais Artificiais (RNAs) tendo como dados de entrada o Índice de Vegetação por Diferença Normalizada (NDVI) obtido por meio de imagens de sensoriamento remoto. O estudo foi realizado em área comercial de 35 ha de tomate industrial, irrigado por pivô central, no município de Vila Propício, Goiás. Os dados utilizados para o treinamento da RNA foram obtidos in loco e por sensoriamento remoto utilizando imagens dos sensores OLI/Landsat 8 e MSI/Sentinel-2 (A e B). Para universalizar a utilização da RNA escolhida, as coordenadas utilizadas no treinamento ou na entrada da rede foram obtidas pela diferença das coordenadas X e Y, e altitude de cada ponto em relação ao centro do pivô, respectivamente. Após o treinamento, foi feita a validação externa das RNAs, metodologia na qual se apresenta dados novos para a rede. A melhor RNA treinada teve o coeficiente de determinação (R2) geral de 0,74 e o EQM geral menor que 4%. Com base no R2 obtido entre o IAF estimado e o aferido, o emprego de sistemas computacionais inteligentes na estimava do IAF é viável.


Keywords


imagens orbitais, ndvi, irrigação, pivô central.

References


ALVES GR, TEIXEIRA IR, MELO FR, SOUZA RTG, SILVA AG (2018) Estimativa da produtividade de soja com redes neurais artificiais. Acta Scientiarum. Agronomy, v40, n2. DOI: 10.4025 / actasciagron.v40i1.35250

BITTAR RD, ALVES SMDF, MELO FRDE (2018) Estimation of physical and chemical soil properties by artificial neural networks. Revista Caatinga, v31, n3, p704–712. DOI: 10.1590 / 1983-21252018v31n320rc

BOHL MT, DIESTELDORF J, SALM CA, WILFLING B (2016) Spot market volatility and futures trading: the pitfalls of using a dummy variable approach. Journal of Futures Markets, v36, n1. DOI: 10.1002 / fut.21723

CAMARGO AP, SENTELHAS PC (1997) Avaliação do desempenho de diferentes métodos de estimativa da evapotranspiração potencial no Estado de São Paulo, Brasil. Revista Brasileira de Agrometeorologia, v5, n1, p89-97.

CARDOSO M, MARCUZZO FFN, BARROS JR (2014) Classificação Climática de Köppen-Geiger para o Estado de Goiás e o Distrito Federal. ACTA Geográfica, Boa Vista, v8, n16, p40-55. DOI: 10.5654 / actageo2014.0004.0016

LEAL AJF, MIGUEL EP, BAIO FHR, NEVES DDEC, LEAL UAS (2015) Redes neurais artificiais na predição da produtividade de milho e definição de sítios de manejo diferenciado por meio de atributos do solo. Bragantia, v74, p436 – 444. DOI: 10.1590 / 1678-4499.0140

KAUL M, HILL RL, WALTHALL C (2005) Artificial neural networks for corn and soybean yield prediction. Beltsville: Agricultural Systems, v85, n1, p1–18. DOI: 10.1016 / j.agsy.2004.07.009

REED R (1993) Pruning algorithms-a survey. IEEE Transactions on Neural Networks, v4, n5, p740–747. DOI: 10.1109 / 72.248452

REIS LS, AZEVEDO CAVDE, ALBUQUERQUE AW, S. JUNIOR JFS (2013) Índice de área foliar e produtividade do tomate sob condições de ambiente protegido. Campina Grande: Revista Brasileira de Engenharia Agricola e Ambiental, v17, n4, p386–391. DOI: 10.1590 / S1415-43662013000400005

ROUSE JW, HASS RH, SCHELL JA, DEERING DW (1973) Monitoring vegetation systems in the great plains with erts. Third Earth Resources Technology Satellite (ERTS) symposium. v1, p309–317.

SAFA M, SAMARASINGHE S, NEJAT M (2015) Prediction of wheat production using artificial neural networks and investigating indirect factors affecting it: case study in canterbury province, new zealand. Journal of Agricultural Science and Technology, v17, n4, p791–803.

SCAVACINI AT, OLIVEIRA DGDEM, MARTINS PDEO, REIS EFDOS (2015). Comportamento espacial e correlação da produtividade de tomate industrial com níveis de potássio e teores de sólidos solúveis na cultura. XLIV Congresso Brasileiro de Engenharia Agrícola.

SCHIAVO MLO, PRINARI B, GRONSKI JA, SERIO AV (2015) An artificial neural network approach for modeling the ward atmosphere in a medical unit. Mathematics and Computers in Simulation, v116, p44–58. DOI: 10.1016 / j.matcom.2015.04.006

SHARMA AK, SHARMA RK, KASANA HS (2007) Prediction of first lactation 305-day milk yield in karan fries dairy cattle using ann modeling. Applied Soft Computing Journal, v7, n3, p1112–1120. DOI: 10.1016 / j.asoc.2006.07.002

SIRGAS - Sistema de Referência Geodésico para as Américas (2021). Disponível: https://sirgas.ipgh.org/pt/home-pt/. Acessado em 16 de junho de 2021.

SOARES CM, ALVES SMDEF, FREITAS EDEFM, ROCHA IJDEF, SANTOS CXDOS, FARIAS HFLDE (2019) Diagnóstico de perdas na colheita mecanizada de duas cultivares de tomate industrial. Revista Brasileira de Ciências Agrárias, v14, n1. DOI: 10.5039 / agraria.v14i1a5608

SOARES JDR, PASQUAL M, LACERDA WS, SILVA SO, DONATO SLR (2013) Utilization of artificial neural networks in the prediction of the bunches’ weight in banana plants. Scientia Horticulturae, v155, p24–29. DOI: 10.1016 / j.scienta.2013.01.026.




DOI: https://doi.org/10.34117/bjdv8n5-247