Remote sensing applied to pasture management

Abstract

For this dissertation, two chapters were prepared based on the use of satellite images and machine learning techniques for automating pasture management. In the first chapter, we hypothesized that vegetation indexes (VIs) obtained through satellites providing moderate spatial resolution (Landsat-8 and Sentinel-2), combined with meteorological data, can accurately predict the aboveground biomass (AGB) of Brachiaria (syn. Urochloa) pastures in Brazil. We used AGB field data obtained from pastures between 2015 and 2019 in four distinct regions of Brazil to evaluate: (i) the relationship between three different VIs, normalized difference vegetation index (NDVI), enhanced vegetation index 2 (EVI2), and optimized soil adjusted vegetation index (OSAVI), and meteorological data with pasture aboveground fresh biomass (AFB), aboveground dry biomass (ADB), and dry matter concentration (DMC); and (ii) performance of simple linear regression (SLR), multiple linear regression (MLR) and random forest (RF) algorithms for the prediction of pasture AGB based on VIs obtained through satellite imagery combined with meteorological data. The results highlight a strong correlation (r) between VIs and AGB, particularly NDVI (r = 0.52 to 0.84). The MLR and RF algorithms demonstrated high potential to predict AFB (R 2 = 0.76 to 0.85) and DMC (R 2 = 0.78 to 0.85). We conclude that both MLR and RF algorithms improved the biomass prediction accuracy using satellite imagery combined with meteorological data to determine AFB and DMC, and can be used for Brachiaria (syn. Urochloa) AGB prediction. In the second chapter, we aimed to develop a model for automated height classification and evaluate the accuracy of indirect estimates of forage biomass in Mombaça guinea grass (Megathyrsus maximus cv. Mombaça) pastures. This model is based on the analysis of images obtained through the Sentinel-2 satellite using machine learning techniques to support decision-making regarding grazing management and stocking rate adjustment. We used different bands from the Sentinel-2 satellite that were obtained and processed entirely in the cloud. Three forage height classes were previously defined as class 0 (<45cm), class 1 (45–80cm) and class 2 (>80cm) according to management recommendations. The random forest algorithm was used to classify forage height and predict biomass by using height and biomass field data obtained from 54 paddocks in Brazil between 2016 and 2018 as reference data. The results demonstrate precision, recall, and accuracy values of up to 83, 90, and 83%, respectively, for paddock height classification and the potential to accurately predict AFB and DMC (R2=0.69 and 0.82, respectively). We conclude that the combined use of satellite imagery and machine learning techniques makes it possible to classify height and predict the biomass of Mombaça guinea grass (Megathyrsus maximus cv. Mombaça) accurately while supporting decision-making regarding grazing management and stocking adjustment. However, more studies must be carried out to improve the models proposed in both chapters and more efforts must be made to implement the tool under field conditions. Keywords: Machine learning. Remote sensing. Satellites. Vegetation indices.

Para esta tese, dois capítulos foram elaborados baseados no uso de imagens de satélites e técnicas de aprendizagem de máquinas para automatização do manejo de pastagens. No primeiro capítulo foi levantada a hipótese de que índices de vegetação (IV) obtidos por meio de satélites de moderada resolução espacial (Landsat-8 e Sentinel-2), combinados com dados meteorológicos, podem prever com acurácia a biomassa de forragem em pastagens de Brachiaria (sin. Urochloa) no Brasil. Foram usados dados de biomassa obtidos a campo entre os anos de 2015 e 2019 em quatro regiões distintas do Brasil para avaliar: (i) a relação entre três diferentes IV e dados meteorológicos com biomassa fresca (BF), biomassa seca (BS) e concentração de matéria seca (CMS); e (ii) o desempenho dos algoritmos de regressão linear simples (RLS), regressão linear múltipla (RLM) e random forest (RF) para a predição da biomassa de forragem. Os resultados destacam forte correlação (r) entre IV e BF, principalmente NDVI (r = 0,52 a 0,84). Os algoritmos RLM e RF demonstraram alto potencial para predizer BF (R 2 = 0,76 a 0,85) e CMS (R 2 = 0,78 a 0,85). Foi concluído que os algoritmos RLM e RF melhoraram a acurácia de previsão da biomassa usando imagens de satélite combinadas com dados meteorológicos, e podem ser usados para a previsão da biomassa em pastos de Brachiaria (sin. Urochloa). No segundo capítulo o objetivo foi desenvolver um modelo para classificação automatizada da altura e avaliar a acurácia das estimativas indiretas da biomassa de forragem em pastagens de Panicum maximum cv. Mombaça (sin. Megathyrsus maximus cv. Mombaça). Este modelo baseia-se na análise de imagens obtidas através do satélite Sentinel-2 utilizando técnicas de aprendizado de máquinas para suportar a tomada de decisão quanto ao manejo do pastejo e ajustes da taxa de lotação. Foram utilizadas diferentes bandas do satélite Sentinel-2 que foram obtidas e processadas inteiramente em nuvem. Três classes de altura do pasto foram previamente definidas como classe 0 (<45cm), classe 1 (45–80cm) e classe 2 (>80cm) de acordo com as recomendações de manejo do capim-mombaça. O algoritmo RF foi usado para classificar a altura do pasto e prever a biomassa usando dados de altura e biomassa obtidos a campo em 54 piquetes no Brasil entre os anos 2016 e 2018 como dados de referência. Os resultados demonstram valores de precisão, sensibilidade e acurácia de até 83,90 e 83%, respectivamente, para classificação da altura do piquete e potencial para prever a BF e CMS do pasto (R2 = 0,69 e 0,82, respectivamente). Conclui-se que o uso combinado de imagens de satélite e técnicas de aprendizado de máquina possibilita classificar a altura e prever a biomassa de Panicum maximum cv. Mombaça (sin. Megathyrsus maximus cv. Mombaça) com acurácia, suportando a tomada de decisão quanto ao manejo do pastejo e ajustes das taxas de lotação. No entanto, mais estudos devem ser realizados para melhorar os modelos propostos em ambos os capítulos e mais esforços devem feitos para implementação da ferramenta em condições de campo. Palavras-chave: Aprendizagem de máquinas. Índices de vegetação. Satélites. Sensoriamento remoto.