TY - JOUR AU - Safre, Anderson Luiz dos Santos AU - Fernandes, Caio Nascimento AU - Saad, João Carlos Cury PY - 2021/11/18 Y2 - 2024/03/29 TI - ESTIMATIVA DE UMIDADE DO SOLO POR MEIO DE APRENDIZADO DE MÁQUINA USANDO IMAGENS DE VEICULO AÉREO NÃO TRIPULADO (VANT) JF - IRRIGA JA - R_I VL - 26 IS - 3 SE - Artigos DO - 10.15809/irriga.2021v26n3p684-700 UR - https://revistas.fca.unesp.br/index.php/irriga/article/view/4485 SP - 684-700 AB - <p> </p><p><strong>ESTIMATIVA DE UMIDADE DO SOLO POR MEIO DE APRENDIZADO DE MÁQUINA USANDO IMAGENS DE VEICULO AÉREO NÃO TRIPULADO (VANT)</strong></p><p><strong> </strong></p><p><strong> </strong></p><p><strong>ANDERSON LUIZ DOS SANTOS SAFRE<sup>1</sup>; CAIO NASCIMENTO FERNANDES<sup>2</sup>; JOÃO CARLOS CURY SAAD<sup>3</sup> </strong></p><p><strong><sup> </sup></strong></p><p><sup>1</sup><em>Aluno de Doutorado em Irrigação e Drenagem, Departamento de Engenharia Rural, UNESP-Faculdade de Ciências Agronômicas, R. José Barbosa de Barros, 1780, CEP 18610-034, Botucatu-SP, Brasil. E-mail: andersonsafre@gmail.com</em></p><p><sup>2</sup><em>Aluno de Mestrado em Irrigação e Drenagem, Departamento de Engenharia Rural, UNESP-Faculdade de Ciências Agronômicas, R. José Barbosa de Barros, 1780, CEP 18610-034, Botucatu-SP, Brasil. E-mail: caionfernandes@hotmail.com</em></p><p><sup>3</sup><em>Professor Titular, Departamento de Engenharia Rural, UNESP-Faculdade de Ciências Agronômicas, R. José Barbosa de Barros, 1780, CEP 18610-034, Botucatu-SP, Brasil. E-mail: joaosaad@fca.unesp.br</em></p><p><em> </em></p><p><em> </em></p><p><strong>1 RESUMO</strong></p><p><strong> </strong></p><p>A umidade do solo é um parâmetro importante para o cálculo da lâmina e manejo da irrigação, pois está diretamente relacionada ao conteúdo de água no solo. Técnicas de sensoriamento remoto aliadas a modelos estatísticos  podem ser usadas para estimar a variabilidade espacial da umidade do solo, extrapolando medidas pontuais. O objetivo desse estudo foi determinar a umidade do solo por meio de algoritmos de <em>machine learning</em> (aprendizado de máquina) como <em>Support Vector Regression</em> (SVR), <em>Random Forests</em> (RF) e <em>Artificial Neural Networks</em> (ANN). Utilizou-se imagens multiespectrais de alta resolução adquiridas por meio de um Veículo Aéreo Não Tripulado (VANT) em uma área de feijão irrigado na Fazenda Experimental Lageado da Unesp, em Botucatu, SP, Brasil. Adotou-se como dados de entrada nos modelos, as refletâncias nas bandas do verde, vermelho, infravermelho próximo e o NDVI. Todos os algoritmos tiveram performance adequada, porém o modelo que melhor estimou a umidade do solo foi o SVR, com erro médio quadrático (RMSE) de 0,46 vol. % e coeficiente de determinação (R²) de 0,71.</p><p> </p><p><strong>Palavras-chave: </strong>umidade do solo, aprendizado de máquinas, VANT, redes neurais.</p><p> </p><p> </p><p><strong>SAFRE, A. L. S.; FERNANDES, C. N.; SAAD, J. C. C.</strong></p><p><strong>SOIL MOISTURE ESTIMATION THROUGH MACHINE LEARNING USING UNMANNED AERIAL VEHICLE (UAV) IMAGES</strong></p><p><strong> </strong></p><p> </p><p><strong>2 ABSTRACT</strong></p><p><strong> </strong></p><p>The soil moisture is an important parameter for the calculation of water depth and irrigation management since it is directly related to the soil water content. Remote sensing techniques combined with statistical models can be used to estimate the spatial variability of soil moisture, extrapolating point measurements. The objective of this study was to determine the soil moisture through machine learning algorithms such as Support Vector Regression (SVR), Random Forests (RF), and Artificial Neural Networks (ANN). High resolution multispectral images obtained by an Unmanned Aerial Vehicle (UAV) in an irrigated bean area at the Experimental Lageado Farm at Unesp in Botucatu, SP, Brazil, were used. The reflectances in the Green, Red and Near Infrared bands along with the NDVI vegetation index were used as inputs for the models. All the algorithms performed well; however, the model that best fitted the data was the SVR, with mean square error (RMSE) of 0.46% of the estimated soil moisture and determination coefficient (R²) of 0.71.</p><p> </p><p><strong>Keywords: </strong>soil moisture, machine learning, UAV, artificial neural networks.</p> ER -