Imagens de satélite para predição espaço-temporal da produtividade de milho e soja em diferentes escalas geográficas
Visualizar/ Abrir
Data
2019-09-10Segundo membro da banca
Peralta, Nahuel
Metadata
Mostrar registro completoResumo
À medida que as questões relacionadas à segurança alimentar global se tornam cada vez mais
desafiadores, estimativas confiáveis da produtividade de culturas agrícolas passam a ser mais
imperativas do que nunca para a comunidade científica. Atualmente, com a maior facilidade de acesso
a dados provenientes de sensores embarcados em satélites, essa fonte de informação tem se tornado
muito promissora para o desenvolvimento de modelos de previsão de produtividade de culturas
agrícolas. Apesar disso, seu uso ainda é limitado na maioria dos esforços operacionais para monitorar
produtividade em diferentes escalas geográficas. De maneira geral, os modelos de previsão de
produtividade baseados em imagens de satélite podem ser avaliados considerando três aspectos: i) a
acurácia das previsões; ii) a antecedência com que a previsão é realizada em relação à data de colheita;
e iii) a escala espacial da unidade de previsão, (e.g. país, estado, município, área agrícola, etc.). Os
principais objetivos desse estudo foram: i) desenvolver um modelo de previsão de produtividade com
base em imagens de satélite capazes de predizer a produtividade da cultura do milho (no Corn Belt dos
Estados Unidos) e da soja (no estado do Rio Grande do Sul- Brasil) nos níveis de condado e
município, respectivamente; ii) avaliar o desempenho do modelo após a inclusão de variáveis
meteorológicas juntamente aos índices de vegetação derivados de satélite; iii) testar diferentes
algoritmos de aprendizado de máquina para prever a produtividade em nível regional; e iv) avaliar a
capacidade de generalização dos modelos preditivos desenvolvidos em nível de área agrícola quando
aplicados para áreas localizadas em diferentes regiões em relação à onde eles foram parametrizados.
Os principais resultados foram: i) modelos preditivos baseados em imagens de satélite e variáveis
meteorológicas podem antecipar a produtividade da cultura do milho em até 122 dias
(aproximadamente 16 dias antes do primeiro relatório de produtividade de milho em nível estadual da
USDA/NASS) com um erro médio absoluto menor que 1 Mg ha-1, e em até 70 dias para a soja com
erro médio absoluto de 0,42 Mg ha-1; ii) temperatura do ar, temperatura da superfície do dossel e
deficit de pressão de vapor melhoraram o desempenho dos modelos em relação aos modelos baseados
apenas em índices de vegetação (NDVI e EVI); iii) o algoritmo Long Short Term Neural Network
apresentou desempenho superior em comparação com os outros algoritmos testados (e.g. random
forest e regressão ordinária de mínimos quadrados); iv) os modelos de previsão de produtividade
parametrizados em nível de área agrícola apresentaram capacidade de generalização limitada fora dos
limites onde foram ajustados, mas as semelhanças nos dados usados para parametrização do modelo
podem fornecer diretrizes de como eles podem ser extrapolados. Os resultados apresentados nesse
estudo têm potencial para auxiliar agricultores e agentes formuladores de políticas durante o processo
de tomada de decisão. Estudos futuros sobre esse tópico devem explorar a fusão de modelos
mecanísticos (baseados em processos) com modelos empíricos, a fim de aumentar os limites espaçotemporais
de predicabilidade e tornar os modelos menos dependente de dados oriundos de terceiros.
Coleções
Os arquivos de licença a seguir estão associados a este item: