Detection of Planting Failures in Eucalyptus Stands Using Spectral Indices and Machine Learning on Sentinel-2 Imagery

• João Gabriel V. Camargo IFMS
• Luis Guilherme V. Camargo IFMS
• Giovani L. Dos Reis USP
• Carlos R. dos Santos Junior IFMS

DOI: https://doi.org/10.5753/eniac.2026.31582

Resumo

O cultivo de eucalipto tem papel econômico central em regiões como o Vale da Celulose de Mato Grosso do Sul, onde grandes plantações impulsionam o desenvolvimento regional. A detecção precoce de falhas nesses plantios é essencial para reduzir perdas e apoiar a tomada de decisão operacional. Este trabalho investiga se algoritmos de Aprendizado de Máquina supervisionados superam um baseline de limiar de NDVI na detecção de falhas de plantio quando alimentados exclusivamente por atributos espectrais simples. Imagens Sentinel-2 coletadas em abril de 2024 foram processadas no QGIS, segmentadas em células de 30m × 30m e rotuladas manualmente como normal ou falha. Estatísticas derivadas do NDVI e das bandas B04 e B08 foram organizadas em quatro grupos de atributos. Os modelos Random Forest, SVM, Regressão Logística e MLP foram treinados com um conjunto de desenvolvimento (506 amostras) e avaliados em um conjunto de teste independente (545 amostras) de um talhão distinto. O Baseline NDVI obteve o melhor desempenho (F1 = 0,7870), superando todos os modelos de ML. Esse resultado mostra que atributos espectrais simples limitam o ganho dos modelos de ML em relação a uma regra de limiar básica, contribuindo para orientar escolhas metodológicas em problemas de detecção com espaço de atributos restrito. Entre os algoritmos de ML, o MLP obteve o melhor resultado isolado (F1 = 0,7788). Como trabalho futuro, pretende-se incorporar contexto espacial e análise multitemporal para enriquecer a representação de atributos e explorar melhor o potencial dos algoritmos de ML.

Referências

Breiman, L. (2001). Random Forests. Machine Learning, 45(1):5–32.

Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3):273–297.

Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society: Series B (Methodological), 20(2):215–232.

da Silva, M. P., Schaefer, M. A., Oliveira, H. N., Reis, J. C., Nunes, I. M., and dos Santos, J. A. (2024). Learning visual patterns in remote sensing: An overview of agricultural applications. In 2024 37th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), pages 1–6. IEEE.

ESA (2015). Sentinel-2 user handbook. Issue 1, revision 2, European Space Agency.

Florenzano, T. G. (2011). Iniciação em Sensoriamento Remoto. Oficina de Textos, São Paulo, 3 edition.

Galvão, M. d. F. (2024). Sensoriamento remoto para identificação de falhas em cultura do eucalipto. Trabalho de Conclusão de Curso (Graduação) - Engenharia Agrícola e Ambiental, Universidade Federal de Viçosa, Viçosa.

Ham, A. G., Nafornita, C., Vesa, V. C., Copacean, G., Davidovici, V. D., and Nafornita, I. (2025). Grid search and genetic algorithm optimization of neural networks for automotive radar object classification. Sensors, 25(19):6017.

Huang, X., Liu, J., Zhu, W., Atzberger, C., and Liu, Q. (2019). The optimal threshold and vegetation index time series for retrieving crop phenology based on a modified dynamic threshold method. Remote Sensing, 11(23):2725.

Jensen, J. R. (2009). Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. Parêntese Editora, São José dos Campos, SP. Tradução de José Carlos Neves Epiphanio.

Leivas, J. F., Teixeira, A. H. d. C., Takemura, C. M., and Garçon, E. A. M. (2022). Análise da dinâmica temporal de índices de vegetação NDVI, EVI, SAVI e IRECI através de imagens Sentinel-2a e MODIS. In Ciências Agrárias: o avanço da ciência no Brasil, volume 4, pages 334–343. Editora Científica Digital.

Massruhá, S. M. F. S., LEITE, M. A. d. A., OLIVEIRA, S. R. d. M., MEIRA, C. A. A., LUCHIARI JUNIOR, A., and BOLFE, É. L., editors (2020). Agricultura digital: pesquisa, desenvolvimento e inovação nas cadeias produtivas. Embrapa, Brasília, DF.

Reis, A. A. d., Carvalho, M. C., de Mello, J. M., Gomide, L. R., Ferraz Filho, A. C., and Acerbi Junior, F. W. (2018). Spatial prediction of basal area and volume in Eucalyptus stands using Landsat TM data: an assessment of prediction methods. New Zealand Journal of Forestry Science, 48(1):1–17.

Rumelhart, D. E., Hinton, G. E., and Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088):533–536.

Santos, E. K. M. d., Figueiredo, S. M. d. M., and Figueiredo, E. O. (2020). Comportamento fenológico de espécies florestais detectado por sistemas aéreos não tripulados. In Biodiversidade e Biotecnologia no Brasil 1, chapter 17, pages 260–277. Editora Stricto Sensu.