Spatiotemporal Canopy Temperature Forecasting for Precision Irrigation Management

Resumo Técnico: Previsão Espaciotemporal da Temperatura do Dossel para o Gerenciamento de Irrigação de Precisão

Declaração do Problema
A temperatura do dossel ($T_c$) é um indicador fisiológico crítico do estresse hídrico e térmico no algodão, amplamente utilizada na Austrália e nos EUA para programar a irrigação via "horas de estresse" (horas cumulativas onde $T_c > 28^\circ\text{C}$). Atualmente, aproximadamente 60% dos produtores de algodão australianos dependem de um único sensor in-situ de $T_c$ para representar toda uma área de manejo. Esta "suposição de uniformidade" falha em considerar a substancial variabilidade espacial em $T_c$ causada pela distribuição não uniforme de água, heterogeneidade do solo e microclimas. Em sistemas de irrigação por sulcos, culturas adjacentes podem exibir diferenças de $T_c$ de $2-3^\circ\text{C}$, levando a decisões de irrigação divergentes (diferindo em até dois eventos de irrigação por temporada) e aplicação subótima de água. Embora a detecção espacial de $T_c$ via Veículos Aéreos Não Tripulados (VANTs) e satélites seja viável, os métodos existentes são frequentemente retrospectivos ou exigem dados espaciotemporais de alta resolução (ex: imagens térmicas contínuas) que são indisponíveis para a maioria das fazendas. Há uma necessidade de um modelo de previsão espaciotemporal (ET) prospectivo que utilize restrições de dados práticas (poucos sensores, imagens semanais, previsões meteorológicas) para permitir decisões de irrigação de taxa variável.

Metodologia: O Modelo UAV-linear
Os autores propõem o UAV-linear, um novo modelo de previsão espaciotemporal projetado para gerar previsões espaciais horárias de alta resolução para um horizonte de 7 dias. O modelo integra três fontes de dados:

1. Sensores in-situ: Um pequeno número de sensores de $T_c$ terrestres existentes (tipicamente 3–4).
2. Sensoriamento Remoto: Imagens de infravermelho térmico (TIR) semanais (simuladas ou reais) fornecendo instantâneos espaciais.
3. Previsões Meteorológicas: Dados meteorológicos preditivos (temperatura do ar, umidade, radiação solar, velocidade do vento).

A metodologia procede em duas etapas:

1. Previsão Temporal: Modelos de séries temporais precisos (especificamente LightGBM, auto-ARIMA e periodiCTs) são usados para prever a $T_c$ para os sensores de referência baseados em covariáveis meteorológicas.
2. Interpolação Espacial: Uma abordagem de escala generalizada e harmônica adapta a previsão de referência para locais não medidos. O modelo assume que a diferença espacial entre um sensor de referência e um local alvo é relativamente estável ao longo de um intervalo semanal. Ele aplica um ajuste harmônico residual baseado na diferença entre o sensor de referência e a média da $T_c$ do meio-dia do alvo (derivada da imagem semanal).

A previsão para um local alvo $ctx$ no tempo $t$, baseada em um sensor de referência $cts$, é definida como:
$$\hat{T}_{ctx}(cts, t) = \begin{cases} a_1 \hat{T}_{cts}(t) + a_2 [g(t) * (\bar{T}_{ctx}(t_i) - \bar{T}_{cts}(t_i))] + a_3 t_{day} + a_4, & \text{se } 9 \le t_{hour} \le 21 \\ \hat{T}_{cts}(t), & \text{caso contrário} \end{cases}$$
Onde $g(t)$ é uma função senoidal com pico em 14:00, e $\bar{T}$ representa a média de $T_c$ de 11:00–14:00 derivada das observações semanais. Esta abordagem evita a necessidade de redes de sensores de alta densidade ou modelos geoestatísticos complexos que exigem forte autocorrelação espacial, que muitas vezes é fraca em campos agrícolas devido a efeitos locais não lineares.

Principais Contribuições e Resultados
O estudo avalia o UAV-linear usando dois conjuntos de dados de fazenda única (alta irrigação e baixa irrigação) e um conjunto de dados prático de grande escala cobrindo 22 locais em 50.000 hectares.

• Desempenho vs. Baselines: O UAV-linear supera significativamente a abordagem padrão de "sem transferência" (usando um único sensor para toda a fazenda). Em cenários de baixa irrigação (alto estresse), melhorou a previsão de horas de estresse em 25–35% em comparação com a suposição de uniformidade.
• Comparação com Modelos Ideais: Notavelmente, o UAV-linear alcançou precisão comparável a modelos independentes "ideais" treinados com dados históricos exaustivos de todos os sensores. Por exemplo, no conjunto de dados de baixa irrigação, o Erro Médio Absoluto (MAE) para $T_c > 28^\circ\text{C}$ usando o UAV-linear com apenas 3 sensores ficou dentro de $0,05^\circ\text{C}$ do modelo independente usando todo o histórico dos sensores.
• Validação Prática: Através dos 22 locais práticos (representando diversas fazendas e práticas de manejo), o UAV-linear melhorou a previsão de horas de estresse em 22% em relação à suposição de uniformidade, mantendo a precisão comparável aos marcos históricos. Reduziu a incerteza nas decisões de irrigação, com um desvio padrão de erro três vezes menor do que a abordagem de sensor único.
• Robustez: O modelo demonstrou que "imagens simuladas" semanais (derivadas das médias dos sensores ao meio-dia) são suficientes para capturar a estrutura espacial da $T_c$ para uma previsão de 7 dias, desde que o padrão espacial de temperaturas elevadas permaneça estável.

Significância e Alegações
O artigo afirma que o UAV-linear fornece um framework prático e de baixo custo para o manejo de precisão diferenciado em sistemas de irrigação por sulcos de algodão. Ao combinar dados in-situ esparsos com sensoriamento remoto semanal, o método estende o gerenciamento de temperatura de dossel com visão antecipada de medições pontuais para a tomada de decisão em toda a fazenda.

Os autores enfatizam que esta abordagem aborda uma lacuna crítica: permitir decisões de irrigação antes que o estresse ocorra em locais específicos, em vez de reagir a medições pontuais que podem não representar o campo. O estudo conclui que, embora o modelo seja simplificado e não capture interações espaciais complexas (que exigiriam aprendizado profundo e dados mais densos), ele oferece um nível de precisão suficiente para melhorar a eficiência do uso da água e o rendimento da cultura sem os custos proibitivos de monitoramento contínuo de alta resolução. O trabalho sugere que as práticas atuais de sensor único são subótimas e que integrar a previsão espaciotemporal pode entregar benefícios econômicos e agronômicos mensuráveis para os produtores de algodão australianos.