Sensoriamento remoto e inteligência artificial na gestão dos sistemas integrados de produção agropecuária (SIPA)

Abstract

Esta tese, estruturada no formato de artigos científicos, apresenta dois capítulos que abordam o uso integrado de sensoriamento remoto (SR), inteligência artificial (IA) e dados meteorológicos no monitoramento e na predição de variáveis biofísicas em Sistemas Integrados de Produção Agropecuária (SIPA). O primeiro capítulo corresponde ao artigo “Combining Optical Orbital, SAR and Meteorological Data to Classify Pasture by Heights and Estimate Biomass Using Random Forest”, que investigou a aplicação de imagens ópticas (Landsat 7, 8, 9 e Sentinel-2), radar de abertura sintética (SAR, Sentinel-1) e variáveis meteorológicas para a classificação da altura do dossel e a estimativa da biomassa acima do solo (BAS) e biomassa acumulada (BA) de pastagens de azevém (Lolium multiflorum Lam.) no sul do Brasil, utilizando o algoritmo de aprendizado de máquina Random Forest (RF). O estudo classificou alturas do pasto em três categorias (baixa – 0,10 m, ótima – 0,20–0,30 m, e alta – 0,40 m), alcançando até 65% de acurácia para a classe ótima, embora com desempenho limitado na predição de BAS, BA e altura do dossel (R² de 0,63, 0,39 e 0,38, respectivamente). Apesar das limitações, os resultados indicam que a combinação de imagens orbitais e dados climáticos tem potencial promissor para a caracterização estrutural de pastagens, destacando a necessidade de ajustes nos modelos para aprimorar sua aplicabilidade em campo. O segundo capítulo, intitulado “Sensoriamento Remoto e Inteligência Artificial na Estimativa da Produtividade da Soja em Sistemas Integrados de Produção Agropecuária”, amplia essa abordagem ao investigar a capacidade preditiva dos mesmos recursos tecnológicos na estimativa da produtividade da soja cultivada em rotação com pastagens. A metodologia integrou dados ópticos obtidos ao longo de diferentes safras, utilizando índices espectrais como NDVI e SAVI, variáveis meteorológicas (temperatura mínima, umidade relativa, insolação, entre outras) e dados de campo para alimentar modelos de aprendizado de máquina. Os resultados demonstraram alto desempenho preditivo do modelo RF, com coeficientes de determinação superiores a 91% nos estágios fenológicos críticos da soja (florescimento e enchimento de grãos), evidenciando a robustez da abordagem para fins de previsão de safras. Constatou-se que a intensidade de pastejo teve influência reduzida na produtividade da soja, exceto na fase de maturação, o que sugere efeitos acumulativos ao longo do ciclo agrícola. A simplificação dos modelos, por meio da exclusão de variáveis redundantes, resultou em maior eficiência computacional sem prejuízo da acurácia. Conclui-se que a modelagem preditiva baseada na fusão de dados de SR orbital, SAR e meteorologia, aliada à IA, configura-se como uma ferramenta estratégica para o manejo sustentável dos SIPA, proporcionando suporte à tomada de decisão, otimização do uso de insumos, prevenção da degradação do solo e melhoria na logística agrícola.

This thesis, structured in the format of scientific articles, comprises two chapters that explore the integrated use of remote sensing (RS), artificial intelligence (AI), and meteorological data to monitor and predict biophysical variables in Integrated Crop-Livestock Systems (ICLS). The first chapter, titled “Combining Optical Orbital, SAR and Meteorological Data to Classify Pasture by Heights and Estimate Biomass Using Random Forest”, investigates the application of optical satellite imagery (Landsat 7, 8, 9 and Sentinel-2), synthetic aperture radar (SAR, Sentinel-1), and meteorological variables to classify canopy height and estimate aboveground biomass (AGB) and accumulated biomass (BA) of Italian ryegrass (Lolium multiflorum Lam.) in southern Brazil, using the Random Forest (RF) machine learning algorithm. Pasture height was classified into three categories (low – 0.10 m, optimal – 0.20–0.30 m, and high – 0.40 m), reaching up to 65% accuracy for the optimal class, although the model showed limited performance in predicting AGB, BA, and canopy height (R² = 0.63, 0.39, and 0.38, respectively). Despite these limitations, the results suggest that the fusion of orbital imagery and climate data holds promising potential for structural characterization of pastures, though model refinement is needed for field application. The second chapter, “Remote Sensing and Artificial Intelligence in Soybean Yield Estimation in Integrated Crop-Livestock Systems”, extends this approach by evaluating the predictive capacity of the same technologies in estimating soybean yield in rotation with pasture. The methodology integrated multi-season optical data using spectral indices (e.g., NDVI and SAVI), meteorological variables (such as minimum temperature, relative humidity, and solar radiation), and field observations to train machine learning models. Results demonstrated high predictive performance of the RF algorithm, with R² values exceeding 91% during critical phenological stages (flowering and grain filling), confirming the robustness of the approach for yield forecasting. Grazing intensity showed limited influence on soybean yield, except during the maturation phase, indicating cumulative effects throughout the crop cycle. Model simplification through the removal of redundant variables improved computational efficiency without compromising accuracy. In conclusion, predictive modeling based on the fusion of orbital RS, SAR, and meteorological data, combined with AI, constitutes a strategic tool for the sustainable management of ICLS, supporting decision-making, optimizing input use, preventing soil degradation, and improving agricultural logistics.