Sensoriamento remoto aéreo e inteligência computacional como ferramentas para o manejo agrícola e florestal

Resumo: Este trabalho tem como objetivo utilizar técnicas de sensoriamento remoto e machine learning para identificação automatizada de culturas agrícolas e florestais, avaliando a acurácia de diferentes modelos e a possibilidade de uso de diferentes sensores embarcados em veículo aéreo não-tripulado. O estudo será conduzido na área experimental do Centro de Ciências Agrárias da UFES do município de Alegre – ES. Serão realizados inúmeros aerolevantamentos na área, sendo os com voos executados em diferentes estádios fenológicos das plantas e estações do ano. Para os aerolevantamentos serão utilizados dois veículos aéreos não-tripulados (VANT) e dois sensores embarcados em cada um destes, sendo um RGB e outro multiespectral. A partir dos ortomosaicos serão calculados diferentes índices de vegetação. In loco serão determinadas as coordenadas geográficas de n indivíduos (plantas) de cada espécie envolvida no estudo. Esses indivíduos serão utilizados como amostras para alimentação dos modelos de classificação. Serão distribuídos 24 GCP ao longo de toda a área e 20 pontos de verificação (Checkpoints) visando avaliar a precisão do aerolevantamento. As coordenadas dos pontos serão determinadas utilizando receptor GNSS de precisão subcentimétrica. Serão realizados pelo menos quatro aerolevantamentos na área, em diferentes alturas em relação ao ponto de decolagem (60, 80, 100 e 120m). Os voos serão automatizados seguindo planejamentos pré-estabelecidos. Após os aerolevantamentos serão construídos os ortomosaicos e a realização das correções posicionais. A avaliação dos ortomosaicos será feita observando a acurácia posicional destes em relação aos Checkpoints para determinar o número mínimo de GCP. Para cada cenário obtido a partir dos números de GCP e altura de voo, serão estimadas as medidas de altura de plantas e diâmetros e volume das copas bananeiras, goiabeiras e mangueiras. Para cada uma das plantas serão mensurados, in loco, as mesmas medidas biométricas. A avaliação da precisão das estimativas biométricas será realizada comparando a média dos erros (RMSE) e erro absoluto médio (MAE) utilizando o teste t-student ao nível de 5% de probabilidade. Com os resultados, espera-se obter o número mínimo de GCPs necessários para correção posicional de ortomosaicos e melhor estimativa de medidas biométricas. Para a classificação pixel-a-pixel das imagens serão utilizados os algoritmos Random Forest – RF, Máquina de Vetores de Suporte – SVM e K Nearest Neighbor (KNN). A avaliação da acurácia dos modelos será realizada utilizando a validação cruzada. A precisão e o recall dos modelos serão avaliados para melhor descrever o desempenho do classificador. Espera-se definir o(s) melhor(es) modelo(s) para classificação das culturas e, estabelecer os ideias para cada tipo de sensor.

Data de início: 21/06/2022
Prazo (meses): 48

Participantes:

Papel	Nome
Coordenador	SAMUEL DE ASSIS SILVA
Pesquisador	JULIÃO SOARES DE SOUZA LIMA
Pesquisador	ALEXANDRE CÂNDIDO XAVIER
Pesquisador	MOISÉS ZUCOLOTO