Estimating peanut invisible losses using machine learning and remote sensing
Resumo
Monitoring losses of underground crops still needs to be studied, mainly for estimating losses using new techniques that facilitate the farmer's decision-making. This study aimed to estimate peanut invisible losses using remote sensing and machine learning. The experimental area was conducted in a peanut agricultural region near Taquaritinga in São Paulo, Brazil. Seventy sample points were collected, encompassing various aspects of peanut losses, including visible and invisible losses, yield, maturation, and orbital remote sensing data. The statistical analysis used were Principal Components Analysis and Random Forest. The study concluded that the best results were RGB, RE + NIR, NIR + R, and RE to estimate peanut invisible losses.
Palavras-chave:
Arachis hypogaea, orbital satellite images, artificial intelligence
Referências
Alvares, C. A., Stape, J. L., Sentelhas, P. C., Gonçalves, J. L. de M., and Sparovek, G. (2013). “Köppen’s climate classification map for Brazil”. Meteorologische Zeitschrift, 22(6), pages 711-728. doi: 10.1127/0941-2948/2013/0507
Carneiro, F. M., Furlani, C. E. A., Zerbato, C., Menezes, P. C., Gírio, L. A. S., Oliveira, M. F. (2020). Comparison between vegetation indices for detecting spatial and temporal variabilities in soybean crop using canopy sensors. Precision Agriculture, 21, 979-1007. doi: 10.1007/s11119-019-09704-3
Carneiro, F. M., de Brito Filho, A. L., Ferreira, F. M., Junior, G. D. F. S., Brandao, Z. N., da Silva, R. P., & Shiratsuchi, L. S. (2023). Soil and satellite remote sensing variables importance using machine learning to predict cotton yield. Smart Agricultural Technology, 5, 100292. doi: 10.1016/j.atech.2023.100292
Florenzano, T. G. (2011) “Iniciação em Sensoriamento Remoto”. 3 ed. ampl. e atual. São Paulo: Oficina de Textos, 128p.
Jensen, J. R. (2009) “Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres”. São José dos Campos: Parêntese, 598p.
Molin, J. P., Amaral, L. R., and Colaço, A. F. (2015) “Agricultura de precisão”. Oficina de Textos: São Paulo, p.119-153.
Povh, F. P., Molin, J. P., Gimenez, L. M., Pauletti, V., Molin, R., Salvi, J. V. (2008) Comportamento do NDVI obtido por sensor ótico ativo em cereais. Pesquisa agropecuária brasileira 43, pages 1075-1083.
Shiratsuchi, L. S., Brandão, Z. N., Vicente, L. E., Victoria, D. C., Ducati, J. R., Oliveira, R. P., and Vilela, M. F. (2014) “Sensoriamento Remoto: conceitos básicos e aplicações na Agricultura de Precisão”. In: Bernardi ACC, Naime JM, Resende AV, Bassoi LH, Inamasu RY (2014) Agricultura de precisão: resultados de um novo olhar. Brasília: EMBRAPA, 2014. Cap. 4. p.58-73.
Williams, E.J., and Drexler, J.S. (1981). “A non-destructive method for determining peanut pod maturity”. Peanut Science, 8, pages 134-141.
Carneiro, F. M., Furlani, C. E. A., Zerbato, C., Menezes, P. C., Gírio, L. A. S., Oliveira, M. F. (2020). Comparison between vegetation indices for detecting spatial and temporal variabilities in soybean crop using canopy sensors. Precision Agriculture, 21, 979-1007. doi: 10.1007/s11119-019-09704-3
Carneiro, F. M., de Brito Filho, A. L., Ferreira, F. M., Junior, G. D. F. S., Brandao, Z. N., da Silva, R. P., & Shiratsuchi, L. S. (2023). Soil and satellite remote sensing variables importance using machine learning to predict cotton yield. Smart Agricultural Technology, 5, 100292. doi: 10.1016/j.atech.2023.100292
Florenzano, T. G. (2011) “Iniciação em Sensoriamento Remoto”. 3 ed. ampl. e atual. São Paulo: Oficina de Textos, 128p.
Jensen, J. R. (2009) “Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres”. São José dos Campos: Parêntese, 598p.
Molin, J. P., Amaral, L. R., and Colaço, A. F. (2015) “Agricultura de precisão”. Oficina de Textos: São Paulo, p.119-153.
Povh, F. P., Molin, J. P., Gimenez, L. M., Pauletti, V., Molin, R., Salvi, J. V. (2008) Comportamento do NDVI obtido por sensor ótico ativo em cereais. Pesquisa agropecuária brasileira 43, pages 1075-1083.
Shiratsuchi, L. S., Brandão, Z. N., Vicente, L. E., Victoria, D. C., Ducati, J. R., Oliveira, R. P., and Vilela, M. F. (2014) “Sensoriamento Remoto: conceitos básicos e aplicações na Agricultura de Precisão”. In: Bernardi ACC, Naime JM, Resende AV, Bassoi LH, Inamasu RY (2014) Agricultura de precisão: resultados de um novo olhar. Brasília: EMBRAPA, 2014. Cap. 4. p.58-73.
Williams, E.J., and Drexler, J.S. (1981). “A non-destructive method for determining peanut pod maturity”. Peanut Science, 8, pages 134-141.
Publicado
08/11/2023
Como Citar
BRITO FILHO, Armando L. de; CARNEIRO, Franciele M.; ALMEIDA, Samira L. H. de; FERREIRA, Francielle M.; SHIRATSUCHI, Luciano S.; SILVA, Rouverson P. da.
Estimating peanut invisible losses using machine learning and remote sensing. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 14. , 2023, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 56-63.
ISSN 2177-9724.
DOI: https://doi.org/10.5753/sbiagro.2023.26541.
