Inteligência artificial e sistemas de irrigação por pivô central : desenvolvimento de estratégias e técnicas para o aprimoramento do mapeamento automático

Abstract

A irrigação é o principal responsável pelo aumento da produtividade dos cultivos. Os sistemas de irrigação por pivô central (SIPC) são líderes em irrigação mecanizada no Brasil, com expressivo crescimento nas últimas décadas e projeção de aumento de mais de 134% de área até 2040. O método mais utilizado para identificação de SIPC é baseado na interpretação visual e mapeamento manual das feições circulares, tornando a tarefa demorada e trabalhosa. Nesse contexto, métodos baseados em Deep Learning (DL) apresentam grande potencial na classificação de imagens de sensoriamento remoto, utilizando Convolutional Neural Networks (CNN’s). O uso de DL provoca uma revolução na classificação de imagens, superando métodos tradicionais e alcançando maior precisão e eficiência, permitindo monitoramento regional e contínuo com baixo custo e agilidade. Essa pesquisa teve como objetivo aplicação de técnicas de DL utilizando algoritmos baseados em CNN’s para identificação de SIPC em imagens de sensoriamento remoto. O presente trabalho foi dividido em três capítulos principais: (a) identificação de SIPC em imagens Landsat-8/OLI, utilizando segmentação semântica com três algoritmos de CNN (U-Net, Deep ResUnet e SharpMask); (b) detecção de SIPC usando segmentação de instâncias de imagens multitemporais Sentinel-1/SAR (duas polarizações, VV e VH) utilizando o algoritmo Mask-RCNN, com o backbone ResNeXt-101-32x8d; e (c) detecção de SIPC utilizando imagens multitemporais Sentinel-2/MSI com diferentes percentuais de nuvens e segmentação de instâncias utilizando Mask-RCNN, com o backbone ResNext-101. As etapas metodológicas foram distintas entre os capítulos e todas apresentaram altos valores de métricas e grande capacidade de detecção de SIPC. As classificações utilizando imagens Landsat-8/OLI, e os algoritmos U-Net, Depp ResUnet e SharpMask tiveram respectivamente 0,96, 0,95 e 0,92 de coeficientes Kappa. As classificações usando imagens Sentinel-1/SAR apresentaram melhores métricas na combinação das duas polarizações VV+VH (75%AP, 91%AP50 e 86%AP75). A classificação de imagens Sentinel-2/MSI com nuvens apresentou métricas no conjunto de 6 imagens sem nuvens (80%AP e 93%AP50) bem próximas aos valores do conjunto de imagens com cenário extremo de nuvens (74%AP e 88%AP50), demonstrando que a utilização de imagens multitemporais, aumenta o poder preditivo no aprendizado. Uma contribuição significativa da pesquisa foi a proposição de reconstrução de imagens de grandes áreas, utilizando o algoritmo de janela deslizante, permitindo várias sobreposições de imagens classificadas e uma melhor estimativa de pivô por pixel. O presente estudo possibilitou o estabelecimento de metodologia adequada para detecção automática de pivô central utilizando três tipos diferentes de imagens de sensoriamento remoto, que estão disponíveis gratuitamente, além de um banco de dados com vetores de SIPC no Brasil Central.