Estimativa da variabilidade espacial da produtividade de citros: por meio de técnicas de sensoriamento óptico e machine learning

Abstract

A fruticultura é estratégica na agricultura brasileira tanto para a geração de empregos quanto para a exportação de produtos alimentícios. Durante a colheita, grande parte dos sistemas usados na fruticultura ainda operam de modo manual, exigindo muita mão-de-obra e demandando que as técnicas de produção se adaptem às necessidades específicas de cada local. Assim, é importante que os métodos de avaliação de produtividade sejam adaptados de forma simples e eficiente. Uma das soluções é a elaboração de mapas de produtividade que são utilizados em diversas culturas a fim de quantificar e até predizer a produtividade. Dessa forma, o presente estudo estimou a produtividade de citros através da criação de mapas de produtividade e fez a predição de outras áreas por meio de dados de sensoriamento remoto, sensoriamento óptico proximal e técnicas de aprendizado de máquina. A área de estudo foi composta por 19 talhões de pomares comerciais. Dados de sensoriamento remoto, e de sensoriamento proximal, utilizando um sensor imageador comercial, foram obtidos imediatamente antes da colheita. Durante a colheita, os bags de 500 kg foram georreferenciados, e os mapas de produtividade foram produzidos por meio de geoprocessamento e geoestatística. Os dados foram compilados e segmentados em conjunto de treino/teste (14 talhões) e predição (5 talhões), para o desenvolvimento do modelo de predição Random Forest. Após a elaboração do mapa final, conseguiu-se quantificar a produção total e a produtividade média da área de estudo, com produção total estimada em 5792 toneladas e produtividades médias de 57,05 ton ha-1 na zona 605, 16,20 ton ha-1 na zona 606 e 28,01 ton ha-1 na zona 607. Nos talhões de predição, o valor de produtividade observada e predita foram de 40,75 ton ha-1 e 37,32 ton ha-1. Quanto ao modelo de predição, ele apresentou acurácia de 6,3 ton ha-1, entretanto, não foi eficiente na estimativa de talhões com produtividade inferior a 20 ton ha-1, subestimando a produtividade. Estudos futuros devem ser realizados para avaliar algoritmos alternativos, como modelos de classificação ou uso de dados temporais. Palavras-chave: agricultura de precisão; agricultura digital; mapas de produtividade; geoprocessamento; aprendizado de máquina.

Fruit farming has become strategic in Brazilian agriculture, both for job creation and for the export of food products. During harvest, a large portion of the systems used in fruit farming still operates manually, requiring significant labor and necessitating production techniques to adapt to the specific needs of each location. Thus, it is important that productivity assessment methods be adapted in a simple and efficient way. One solution is the creation of productivity maps, which are used in various crops to quantify and even predict productivity. This study estimated citrus productivity by creating productivity maps and predicting other areas using data from remote sensing, proximal optical sensing, and machine learning techniques. The study area consisted of 19 plots of commercial orchards. Remote sensing and proximal sensing data, using a commercial imaging sensor, were collected immediately before harvest. During harvest, 500 kilogram bins were georeferenced, and productivity maps were generated through geoprocessing and geostatistics. The data were compiled and segmented into training/testing sets (14 plots) and prediction sets (5 plots) for the development of the Random Forest prediction model. After creating the final map, it was possible to quantify the total production and average productivity of the study area, with the total production estimated at 5,792 tons and average productivities of 57.05 tons ha-1 in zone 605, 16.20 tons ha-1 in zone 606, and 28.01 tons ha-1 in zone 607. In the prediction plots, the observed and predicted productivity values were 40.75 tons ha-1 and 37.32 tons ha-1, respectively. Regarding the prediction model, it showed an accuracy of 6.3 tons ha-1. However, it was not effective in estimating plots with productivity below 20 tons ha-1, as it underestimated productivity. Future studies should explore alternative algorithms, such as classification models or the use of temporal data. Keywords: precision agriculture; digital agriculture; productivity maps; geoprocessing; machine learning.