Análise da fenologia e produtividade da soja utilizando índices de vegetação em diferentes resoluções espaciais

Silva, Airton Andrade da

Use este identificador para citar ou linkar para este item: https://repositorio.uema.br/jspui/handle/123456789/6394

Título:	Análise da fenologia e produtividade da soja utilizando índices de vegetação em diferentes resoluções espaciais
Título(s) alternativo(s):	Análise da fenologia e produtividade da soja utilizando índices de vegetação em diferentes resoluções espaciais
Autor(es):	Silva, Airton Andrade da
Orientador:	Silva, Francisco Charles dos Santos
Membro da Banca:	Barrozo, Leandra Matos
Data do documento:	2024-01-29
Editor:	Universidade Estadual do Maranhão
Resumo:	O objetivo foi identificar Índices de Vegetação com potencial para identificar os estádios fenológicos e estimar a produtividade da soja a partir de diferentes sistemas-sensores. A pesquisa foi realizada, em Balsas, MA, Brasil, numa área de pivô central com avaliações semanais da fenologia e do Índice de Área Foliar (IAF). Foram coletados dados espectrais da área de estudo a partir dos sensores MSI e WFI embarcados nos satélites Sentinel-2 e Amazônia-1, respectivamente. Os dados foram processados para obtenção dos índices NDVI, NDWI, SAVI, VARI, IV GREEN e GLI. A eficiência na identificação dos estádios fenológicos foi determinada por análise discriminante de Anderson e o algoritmo de aprendizado de máquinas Randon Forest. Já estimativa da produtividade foi realizada a partir da análise multivariada Análise de trilha, com uma pré filtragem utilizando correlação de Pearson representada por redes de correlações. Nenhum índice de vegetação obtido nos sistemas sensores apresentou 100% de eficácia na identificação de todos os estádios fenológicos, mas índices específicos RGB e NIR podem ser utilizados na identificação de alguns estádios fenológicos chaves, como a floração (R1 e R2), o final do desenvolvimento das vagens (R4) e desenvolvimento dos grãos dentro das vagens (R4 a R5.2). Os índices de vegetação de forma individual e em grupos RGB e NIR não são eficientes na identificação dos estádios fenológicos, o uso dos índices de forma conjunta utilizando o algoritmo Floresta Aleatória é a maneira mais eficiente para identificar os estádios fenológicos, e o sistema-sensor Sentinel-2 é superior ao sistema-sensor Amazonia-1 na identificação dos estádios fenológicos da soja. Já em relação a estimativa da produtividade, os índices SAVI e NDVI (infravermelho) possibilitaram satisfatoriamente a estimativa da produtividade da soja nos estádios V5 e R2, respectivamente, no sistema-sensor Amazonia-1, e o índice VARI (RGB) nos estádios R2 e R5.2, no sistema-sensor Sentinel-2. As resoluções espaciais utilizadas nesse estudo não foram fator limitante para a estimativa de produtividade da soja. Os índices de vegetação obtidos a partir de sensores orbitais são eficazes na identificação dos estágios fenológicos da soja de forma rápida e barata
Resumo:	The objective was to identify vegetation indices with the potential to identify phenological stages and estimate soybean yield using data from different sensor systems. The research was conducted in Balsas, Maranhão, Brazil, in a center-pivot irrigated area, with weekly assessments of phenology and Leaf Area Index (LAI). Spectral data were collected from the study area using the MSI and WFI sensors onboard the Sentinel-2 and Amazônia-1 satellites, respectively. The data were processed to calculate the NDVI, NDWI, SAVI, VARI, Green VI, and GLI indices. The efficiency of identifying phenological stages was determined using Anderson's discriminant analysis and the Random Forest machine learning algorithm. Yield estimation was performed using path analysis (a multivariate technique), with pre-filtering based on Pearson correlation represented by correlation networks. No single vegetation index from the sensor systems showed 100% effectiveness in identifying all phenological stages; however, specific RGB and NIR indices can be used to identify key stages, such as flowering (R1 and R2), the end of pod development (R4), and grain development within pods (R4 to R5.2). Vegetation indices—whether used individually or in RGB and NIR groups—are not efficient for identifying phenological stages on their own; using the indices jointly with the Random Forest algorithm is the most efficient method for this purpose. Furthermore, the Sentinel-2 sensor system outperforms the Amazônia-1 system in identifying soybean phenological stages. Regarding yield estimation, the SAVI and NDVI (infrared) indices enabled satisfactory estimation of soybean yield at the V5 and R2 stages, respectively, using the Amazonia-1 sensor system, while the VARI (RGB) index did so at the R2 and R5.2 stages using the Sentinel-2 sensor system. The spatial resolutions employed in this study were not a limiting factor for soybean yield estimation. Vegetation indices derived from orbital sensors are effective for rapidly and cost-efficiently identifying soybean phenological stages
Palavras-chave:	Fisiologia Vegetal Sensoriamento Remoto Sensores Orbitais Estatística Multivariada Aprendizado de Máquinas Plant Physiology Remote Sensing Orbital Sensors Multivariate Statistics Machine Learning
Aparece nas coleções:	Mestrado em Agricultura e Ambiente - Campus Balsas UEMA - Dissertações

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
DISSERTAÇÃO - AIRTON ANDRADE DA SILVA - PROGRAMA DE PÓS-GRADUAÇÃO EM AGRICULTURA E AMBIENTE - CAMPUS BALSAS - 2024 (1).pdf	PDF A	1.67 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro completo do item Visualizar estatísticas

UEMA Repositório

O UEMA Repositório preserva e provê acesso fácil e aberto a todos os tipos de objetos digitais, incluindo: textos, imagens, vídeos e conjuntos de dados.