03614nam a2200373 a 450000100080000000500110000800800410001902200140006010000230007424502320009726000620032949000830039152023420047465000160281665000280283265000180286065000220287865000140290065000240291465000260293865000210296465000160298565000290300165000170303065000220304765000220306965000160309165000190310765300100312665300290313665300260316565300230319170000260321421462982022-09-12       2022    bl uuuu     u0uu1 u    #d  a1809-50031 aCARVALHO, R. da S.  aProcessamento digital e aprendizado de máquina de imagens aéreas obtidas por aeronaves remotamente pilotadas (RPA) para estimar percentual de cobertura do solo por gramíneas perenes em pomar de citros.h[electronic resource]  aCruz das Almas, BA: Embrapa Mandioca e Fruticulturac2022  a(Embrapa Mandioca e Fruticultura. Boletim de Pesquisa e Desenvolvimento, 137).  aA presente metodologia digital tem como objetivo estimar o percentual de cobertura do solo com gramíneas (Urochloa spp.) nas entrelinhas de pomares de citros para fins de pesquisa. Esse processo metodológico digital, combina ferramentas de processamento de imagens aéreas de aeronaves remotamente pilotadas (RPA) e softwares livres de código aberto Fiji ImageJ e Weka (Waikato Environment for Knowledge Analysis), sendo que este último utiliza algoritmos de última geração e técnicas de inteligência artificial (IA) da subárea de aprendizado de máquina (supervisionado). Utilizou-se o método preditivo de classificação de árvore de decisão tendo como algoritmo classificador Random Forest, que é acionado no software Fiji ImageJ a partir do plugin TWS (Trainable Weka Segmentation). Por meio da supervisão do pesquisador, um conjunto de entrada de padrões de pixels são rotulados e representados com suas características (atributos) e, em seguida, usados como um conjunto de dados para treinamento do algoritmo classificador. Uma vez que o modelo classificador é treinado, este é utilizado para classificar o restante de pixels de entrada da imagem ou em outras imagens com novos dados. Após o treinamento do modelo, procede-se com a segmentação e classificação da imagem da subamostra que gera, posteriormente, como resultado, uma nova imagem RGB a partir do plugin TWS. Posteriormente, procede-se com a transformação dessa imagem RGB para imagem tipo 8bit e, em seguida, faz-se o pós-processamento digital para limiarização/binarização da imagem para obtenção do percentual de cobertura vegetal. O desempenho do modelo classificador treinado foi avaliado utilizando-se métricas gerais e qualitativas disponíveis no módulo Explorer do software Weka. Como resultado, verificou-se que todas as métricas de avaliação de desempenho do modelo indicaram excelente desempenho e adequação do modelo ao objetivo com alta acurácia (94,73%). Conclui-se que a presente tecnologia digital apresenta menor custo relativo para fins de pesquisa científica devido aos softwares gratuitos utilizados e poderá auxiliar na tomada de decisão sobre manejo de coberturas vegetais com gramínea Urochloa spp. nos pomares de citros, gerando dados mais precisos para se estimar o percentual de cobertura do solo.  aAgriculture  aArtificial intelligence  aCitrus fruits  aDrums (equipment)  aEquipment  aGround cover plants  aPrecision agriculture  aVegetation cover  aAgricultura  aAgricultura de Precisão  aCitricultura  aCobertura do Solo  aCobertura Vegetal  aEquipamento  aFruta Cítrica  aDrone  aInteligência artificial  aProcessamento digital  aTecnologia digital1 aCARVALHO, J. E. B. de