Redes neurais artificiais aplicadas na estimativa do índice de área foliar utilizando imagens de sensoriamento remoto / Artificial neural networks applied to estimating the leaf area index using remote sensing images

Abstract

Objetivou-se com esse estudo, obter o Índice de Área Foliar (IAF) por meio de Redes Neurais Artificiais (RNAs) tendo como dados de entrada o Índice de Vegetação por Diferença Normalizada (NDVI) obtido por meio de imagens de sensoriamento remoto. O estudo foi realizado em área comercial de 35 ha de tomate industrial, irrigado por pivô central, no município de Vila Propício, Goiás. Os dados utilizados para o treinamento da RNA foram obtidos in loco e por sensoriamento remoto utilizando imagens dos sensores OLI/Landsat 8 e MSI/Sentinel-2 (A e B). Para universalizar a utilização da RNA escolhida, as coordenadas utilizadas no treinamento ou na entrada da rede foram obtidas pela diferença das coordenadas X e Y, e altitude de cada ponto em relação ao centro do pivô, respectivamente. Após o treinamento, foi feita a validação externa das RNAs, metodologia na qual se apresenta dados novos para a rede. A melhor RNA treinada teve o coeficiente de determinação (R2) geral de 0,74 e o EQM geral menor que 4%. Com base no R2 obtido entre o IAF estimado e o aferido, o emprego de sistemas computacionais inteligentes na estimava do IAF é viável.

Sentinel Image to Estimate Industrial Tomato Leaf Area Index

“…The LAI of the study area was obtained in the second phase of the vegetative cycle of the tomato crop, ranging from 69 to 84 DAT, between these days the crop was in the post-flowering stage, leaving for the maturation of the fruits, which is the period from its IAF apex, heading for its slope [17].…”

“…Sampling was carried out in a regular grid of 60x60m (Figure 2) based on bibliographic surveys of related works [15,16]. The sample grid was constructed with the aid of the geographic information system (GIS) software Arcmap ®, create fishnet routine, Universal Transverse Mercartor (UTM) plane coordinate system, 22 S spindle, totaling 88 georeferenced points [17]. To help identify the 88 sampling points, they were staked with the aid of a navigation GPS 30 days after transplanting (DAT).…”

“…The evaluations of the Number of Plants (NP), Leaf Area (AF), and the Leaf Area Index Brazilian Archives of Biology and Technology. Vol.66: e23220422, 2023 www.scielo.br/babt (LAI) were carried out at 76 DAT at each point of the sampling grid, according to the methodology proposed by Rocha [17].…”