MODELING MAIZE YIELD USING ARTIFICIAL NEURAL NETWORKS INTEGRATING VEGETATION INDICES AND ENVIRONMENTAL VARIABLES
Modelagem da produtividade do milho com redes neurais artificiais integrando índices de vegetação e outras variáveis ambientais
AUTORES/AUTHORS
Amanda Avozani¹, Lúcio de Paula Amaral², Luiz Patric Kayser², Telmo J. C. Amado², Felipe Guadagnini Leite², Luciano Zucuni Pes²
RESUMO
A disponibilidade hídrica é um fator determinante para o desenvolvimento e rendimento de culturas agrícolas. O presente estudo avaliou a influência do aporte hídrico na produtividade do milho em áreas irrigadas e não irrigadas, por meio de análise fatorial (AF) e redes neurais artificiais (RNA). Sensores de umidade do solo e pluviômetros foram instalados em campo, e voos com sensor multiespectral permitiram o cálculo de índices de vegetação. A AF indicou que mesmo baixos volumes de irrigação modificaram o sistema produtivo. Em condições sem irrigação, o déficit hídrico severo reduziu a produtividade, sendo refletido nos índices espectrais. No ambiente irrigado, o maior vigor vegetativo e a atividade fisiológica resultaram em maior rendimento. As RNAs apresentaram elevada acurácia preditiva, com destaque para variáveis como o conteúdo de água no solo e o índice PSRI na estimativa da produtividade.
Palavras-chave: Redes neurais artificiais. Sensoriamento remoto. Predição de produtividade.
ABSTRACT
Water availability is a determining factor for the development and yield of agricultural crops. This study assessed the impact of water input on maize productivity under irrigated (BIR) and non-irrigated (BNIR) conditions using factor analysis (FA) and artificial neural networks (ANNs). Soil moisture sensors and rain gauges were installed, and multispectral aerial imagery was used to compute vegetation indices. FA revealed that even low irrigation volumes modified the production system. Under non-irrigated conditions, severe water stress significantly reduced yield, as reflected in vegetation indices. In the irrigated environment, greater vegetative vigor and physiological activity led to higher productivity. ANNs demonstrated high predictive accuracy, with soil moisture and the PSRI index emerging as key variables for yield estimation.
Keywords: Artificial neural networks. Remote sensing. Yield prediction.
