INTEGRANDO SENSORIAMENTO REMOTO, INTELIGÊNCIA ARTIFICIAL E ÍNDICES TOPOGRÁFICOS PARA PREVISÃO DE PRODUTIVIDADE DE AMENDOIM

A estimativa de produtividade auxilia no planejamento, a tomada de decisão e o gerenciamento de recursos da cultura. Diante disto, objetivou-se desenvolver modelos de predição da produtividade do amendoim utilizando técnicas de SR e aprendizado de máquinas. Os experimentos foram conduzidos no estado de São Paulo na safra 2021/2022. Em cada campo experimental foram instalados 20 pontos amostrais para produtividade. Em cada ponto amostral, utilizou-se uma armação de 2 m² para mensurar a produtividade. Para as imagens de satélite foram utilizados dados do sensor da plataforma PlanetScope CubeSat. Após o processamento das imagens calculou-se os índices de vegetação e os índices topográficos. Os algoritmos Extremely randomized trees, gradient boosting machine (GBM), XGBoost algorithms, stacked ensemble models (SE) e Deep Learning (DL) foram utilizados para gerar os modelos de predição. Os erros de predição de produtividade de amendoim ficaram menores que 650 kg ha-1. Os modelos desenvolvidos apresentaram boa precisão e acuracia na predição da produtividade do amendoim.