AMPLIANDO AS FRONTEIRAS DO MONITORAMENTO DE LAVOURAS: IMAGENS SAR EM PERÍODOS DE ALTA NEBULOSIDADE
EXPANDING THE FRONTIERS OF CROP MONITORING: SAR IMAGES IN PERIODS OF HIGH CLOUD
AUTORES/AUTHORS
Renan Francisco Rimoldi Tavanti1; Douglas Pedrini1; Guilherme Morais1
1 SLC Agrícola, Av. Dr. Nilo Peçanha – 2900, 91330-001, Porto Alegre – Rio Grande do Sul, Brasil
renan.tavanti@slcagricola.com.br
RESUMO
O objetivo deste estudo foi verificar a correlação espacial entre as bandas e os índices de vegetação (IV) obtidos por imagens SAR (Synthetic Aperture Radar) com o NDVI (Normalized Difference Vegetation Index) na fase de maturação da soja, utilizando técnicas de correlação linear e aprendizado de máquina. O estudo foi conduzido durante a safra 2022/23 em três fazendas de produção de soja localizadas nos estados do Mato Grosso, Bahia e Piauí. Imagens dos satélites Sentinel-1 e Planet Scope foram adquiridas durante o período de maturação da soja. Foram realizadas análises estatísticas descritivas e de correlação monotônica de Spearman. Um modelo para previsão do NDVI foi proposto para identificar as relações com os índices calculados pelas bandas SAR. Os resultados indicaram correlações moderadas e positivas entre as bandas das imagens SAR e o NDVI. Também se observou que o modelo proposto foi ajustado aos dados de treinamento com alta precisão (R² ajustado: 0,95). Os resultados dos testes e validação indicaram precisão nas estimativas, demonstrando ser um método promissor para a utilização de imagens SAR na agricultura de precisão.
Palavras-chave: Bandas polarimétricas. Random Forest. Machine learning.
ABSTRACT
"The objective of this study was to assess the spatial correlation between bands and vegetation indices (VI) obtained from Synthetic Aperture Radar (SAR) images and the Normalized Difference Vegetation Index (NDVI) during the soybean maturation phase, using linear correlation techniques and machine learning. The study was conducted during the 2022/23 crop season on three soybean production farms located in the states of Mato Grosso, Bahia, and Piauí, Brazil. Images from the Sentinel-1 and Planet Scope satellites were acquired during the soybean maturation period. Descriptive statistical analyses and Spearman's monotonic correlation were performed. A model for predicting NDVI was proposed to identify the relationships with indices calculated from SAR bands. The results indicated moderate and positive correlations between SAR image bands and NDVI. Additionally, it was observed that the proposed model was well-fitted to the training data with high accuracy (Adjusted R-squared: 0.95). The results of testing and validation indicated accuracy in the estimates, demonstrating it to be a promising method for the use of SAR images in precision agriculture.
Keywords: Polarimetric bands. Random Forest. Machine learning.