Imagens multiespectrais e inteligência artificial para predição da densidade de plantas espontâneas em plantio de Eucalyptus saligna
Visualizar/ Abrir
Data
2022-08-31Primeiro coorientador
Longhi, Solon Jonas
Primeiro membro da banca
Miola, Alessandro Carvalho
Segundo membro da banca
Eugenio, Fernando Coelho
Terceiro membro da banca
Pes, Luciano Zucuni
Quarto membro da banca
Teixeira, Tiago De Gregori
Metadata
Mostrar registro completoResumo
O manejo da produção do Eucalyptus possui seus processos técnicos operacionais
bem definidos e consolidados em todo o país. No entanto, o manejo das plantas
espontâneas, que competem com as plantas de Eucalyptus, diminuem a
produtividade final do plantio, esse monitoramento de controle de plantas
espontâneas ainda é dependente de uma vistoria técnica in loco e sua quantificação
não é precisa. Sendo assim, o presente estudo tem como objetivo mapear a
densidade de plantas espontâneas em plantios comerciais de Eucalyptus saligna por
meio de técnicas de inteligência artificial aplicadas a imagens multiespectrais de
altíssima resolução espacial. Com isso foi desenvolvido um estudo a partir de uma
revisão bibliométrica sobre o estado da arte as pesquisas desenvolvidas com RPAS
(Remotely Piloted Aircraft System) para o mapeamento das plantas espontâneas em
áreas florestais e agrícolas. Em quatro áreas de produção do Eucalyptus saligna no
estado do Rio Grande do Sul, Brasil, com idade média de 54 dias após o plantio,
foram avaliadas oito parcelas amostrais para identificação e obtenção de leituras de
refletâncias hiperespectrais de plantas espontâneas e Eucalyptus saligna com o
espectrorradiômetro FieldSpec® 3. Por meio do algoritmo de inteligência artificial RF
(Random Forest), com precisão de 95,44% determinou-se que os intervalos de
comprimento de onda de maior importância são de 510 a 589 nm, 400 a 423 nm,
674 a 731 nm e 886 a 900 nm foram capazes de distinguir plantas espontâneas de
indivíduos de Eucalyptus saligna em plantios comerciais. Nessas mesmas áreas
também foram obtidas imagens multiespectrais com o sensor Parrot Sequoia
embarcado no RPAS Phantom 4 Pro, utilizando a altura do voo de 30 m. A partir
dessas imagens, foram utilizados como preditores as quatro bandas do sensor e
mais cinco índices de vegetação. O algoritmo K-Means foi aplicado para
segmentação das imagens e discriminação da vegetação nas classes Eucalyptus
saligna, plantas espontâneas e rebrota de Eucalyptus saligna. Esses dados foram
particionados em 70% treino e 30% teste, para serem modelados pelo algoritmo RF,
cujo modelo obteve uma precisão de 95,49% de acerto na classificação de plantas
espontâneas, o que viabilizou a elaboração do mapa de densidade de plantas
espontâneas para as áreas do estudo, compondo o produto final do estudo.
Coleções
Os arquivos de licença a seguir estão associados a este item: