Monitoramento nutricional de palma de óleo (Elaeis Guineensis) utilizando métodos de aprendizagem de máquina e dados espectrais

Abstract

A palma de óleo (Elaeis guineenses), é uma oleaginosa que fornece dois principais produtos, o óleo de palma e o óleo de palmiste, extraídos da polpa do fruto e semente, respectivamente. Os países Indonésia e Malásia, são os principais produtores mundiais, e o Brasil ocupa o 10º lugar do ranking, com grande maciço concentrados no Estado do Pará. Monitorar a condição nutricional destas lavouras permite ter mais informações sobre as taxas de extração e remobilização de nutrientes e consequentemente melhor compreensão sobre a nutrição e sua relação com as produtividades de cachos de frutos. O fato de muitos materiais genéticos terem produções mensais, exige uma forma de monitoramento nutricional que seja mais rápido, assertivo e com informações capazes de subsidiar as estratégias de manejo de fertilização da palma de óleo. Neste contexto, foi proposto utilizar ferramentas de programação e imagens do satélite Sentinel 2A, para compreender o comportamento espectral da cultura através dos índices de vegetação e relacionar estas variáveis com os resultados de tecido foliar. Com base neste banco de dados, foi possível calcular diversos índices de vegetação, treinar e validar diferentes algoritmos capazes de predizer a condição nutricional de macronutrientes, micronutrientes e produtividade dos plantios de forma eficaz. Além do tradicional NDVI, foi possível selecionar índices que apresentaram melhor performance para avaliação nutricional da palma, destacando-se o GRNDVI, MSAVI, ARI, VARI e NDWI. Quando se trata de produtividade, os índices Red_edge_NDVI, RGVI, GRNDI e LAI foram os que melhor se ajustaram na base de dados deste estudo. Os algoritmos, Cubist, Ranger e Random Forest mostram-se eficientes para predizer a produtividade. Os resultados obtidos neste trabalho evidenciam o grande potencial desta ferramenta para monitoramento dos plantios. Quanto maior o detalhamento e estratificação das informações por material genético e idade, a tendencia é obter melhores ajustes dos modelos e seleção dos índices cada vez mais apropriados para monitorar a condição nutricional e produtividade dos plantios de palma de óleo. Palavras-chave: Machine learning; Diagnose foliar; Amazonia; Índices de vegetação.

Oil palm (Elaeis guineenses) is an oleaginous plant that provides two main products, palm oil and palm kernel oil, extracted from the pulp of the fruit and seed, respectively. The countries Indonesia and Malaysia are the main world producers, and Brazil occupies the 10th place in the ranking, with plantations concentrated in the State of Pará. Monitoring the nutritional condition of these crops allows for more information on the rates of extraction and remobilization of nutrients and, consequently, a better understanding of nutrition and its relationship with the productivity of fruit bunches. The fact that many genetic materials have monthly productions requires a form of nutritional monitoring that is faster, more assertive and with information capable of subsidizing oil palm fertilization management strategies. In this context, it was proposed to use programming tools and Sentinel 2A satellite images, to understand the spectral behavior of the crop through vegetation indices and relate these variables with the results of leaf tissue. Based on this database, it was possible to calculate different vegetation indices, train and validate different algorithms capable of predicting the nutritional condition of macronutrients, micronutrients and productivity of plantations in an efficient way. In addition to the traditional NDVI, it was possible to select indices that presented the best performance for the nutritional assessment of cactus pear, with emphasis on GRNDVI, MSAVI, ARI, VARI and NDWI. When it comes to productivity, the Red_edge_NDVI, RGVI, GRNDI and LAI indices were the best fit in the database of this study. The Cubist, Ranger and Random Forest algorithms are efficient to predict productivity. The results obtained in this work show the great potential of this tool for monitoring plantations. The greater the detailing and stratification of information by genetic material and age, the tendency is to obtain better adjustments of the models and selection of increasingly appropriate indices to monitor the nutritional condition and productivity of oil palm plantations. Keywords: Machine learning; Leaf diagnosis; Amazonia; Vegetation indices.