Desempenho de modelos de aprendizado de máquina na estimativa de biomassa de centeio (secale cereale L.) a partir de imagens multiespectrais obtidas por Vant

Abstract

A utilização de plantas de cobertura tem se expandido nos sistemas agrícolas devido aos benefícios relacionados à proteção e estruturação do solo, ao controle da erosão e à ciclagem de nutrientes. Contudo, sua eficiência depende da biomassa produzida, cuja quantificação tradicional é realizada por métodos destrutivos, que exigem tempo e mão de obra e limitam sua aplicação em escala operacional. Nesse contexto, o sensoriamento remoto por veículos aéreos não tripulados (VANT), associado ao aprendizado de máquina surge como alternativa para estimativas não destrutivas em larga escala. Este estudo avaliou o desempenho de seis modelos na estimativa da biomassa de centeio (Secale cereale L.), utilizado como planta de cobertura, a partir de imagens multiespectrais obtidas por VANT. O experimento foi conduzido em North Platte, Nebraska (EUA). Foram extraídas 212 variáveis a partir de 30 índices de vegetação, validadas por amostragem destrutiva georreferenciada. Os modelos avaliados foram Partial Least Squares (PLS), Random Forest, CatBoost, LightGBM, Kernel Ridge Regression e Gaussian Process Regression, validados por Leave-One-Out Cross-Validation. O PLS obteve o melhor desempenho geral (R²=0,848, CCC=0,910, RMSE=17,00 g, RPD=2,56), demonstrando capacidade preditiva satisfatória. Os resultados evidenciam o potencial da integração entre VANTs e aprendizado de máquina para estimativas não destrutivas de biomassa.