APRENDIZADO DE MÁQUINA APLICADO EM IMAGEM NDVI PARA PREVISÃO DA PRODUTIVIDADE DA CANA-DE-AÇÚCAR

Abstract

Este artigo apresenta uma abordagem através de modelos baseados em ML (Machine Learning) aplicados em Imagens NDVI (Normalized Difference Vegetation Index) para estimativas da produtividade na cultura da Cana-de-Açúcar. O uso de técnicas humanas baseadas em experiências cognitivas é predominante para prever a produtividade. As imagens utilizadas foram o NDVI fornecido pelo satélite Sentinel-2, sendo que os conjuntos de dados foram obtidos a partir dos pontos de georreferenciamento dos talhões e aplicados às imagens para extração e processadas. Os modelos dos algoritmos preditivos utilizados foram: (i) CNN (Convolution Neural Network), (ii) KNN (K-Nearest Neighbors), (iii) RF (Random Forest), (iv) SVM (Support Vector Machie), (v) AdaBoost (Adaptive Boosting). O algoritmo de RF apresentou-se o mais eficiente, de modo que os resultados para o DP (Desvio Padrão) e a fórmula para o MSE (Mean Square Error) obtiveram 30,71 toneladas (t) e o MAE (Mean Absolute Error) obteve 3,73 (t). Na relação das estimativas, a fórmula do DP para o MSE obteve 34,71 (t) e o MAE de 3,97 (t). O EM (Erro Médio) para as estimativas foi de -8,80% e o algoritmo RF de 0,012%. Os resultados mostraram-se consistentes para as estimavas da produtividade na cultura da Cana-de-Açúcar.