Predicting Paddy Rice NDVI from Meteorological Variables Using Linear Regression

Resumo Técnico: Predição de NDVI de Arroz Irrigado a partir de Variáveis Meteorológicas Usando Regressão Linear

Problema
Os índices de vegetação, particularmente o Índice de Vegetação por Diferença Normalizada (NDVI), são críticos para o monitoramento do crescimento e da saúde das culturas. Embora o NDVI derivado de satélite ofereça ampla cobertura espacial, ele sofre com limitações de resolução temporal devido a condições climáticas (ex: nuvens, precipitação) e ciclos de observação. Por outro lado, sensores baseados em solo fornecem dados in situ de alta frequência, mas carecem de amplitude espacial. Essas limitações dificultam a alocação oportuna de recursos e a tomada de decisão no manejo das culturas. Embora várias abordagens de aprendizado de máquina (ML), incluindo modelos de aprendizagem profunda como o Long Short-Term Memory (LSTM), tenham sido propostas para prever o NDVI usando dados climáticos, elas frequentemente requerem princípios físicos complexos ou grandes conjuntos de dados e carecem de interpretabilidade. Este estudo aborda a necessidade de um modelo de predição de NDVI para arroz irrigado que seja rápido, preciso e interpretável, baseado em dados meteorológicos e sensores de reflectância espectral terrestres, especificamente adaptado para ambientes agrícolas onde a eficiência computacional é primordial.

Metodologia
O estudo desenvolveu e avaliou modelos preditivos utilizando variáveis meteorológicas para estimar o NDVI médio diário do arroz irrigado.

• Coleta de Dados: Os dados foram coletados ao longo de cinco temporadas de cultivo (2020–2024) de um único campo de arroz em Sacheon-si, Coreia do Sul. Os dados meteorológicos (precipitação, umidade, radiação solar, temperatura, velocidade do vento) foram registrados horariamente por uma estação meteorológica automática ATMOS-41. O NDVI foi medido horariamente usando um sensor de reflectância espectral (SRS) fixo no solo.
• Variáveis de Entrada: Oito características foram consideradas: Temperatura Média Diária (MTEM), Temperatura Acumulada (ATEM), Radiação Solar Diária (SOL), Radiação Solar Acumulada (ASOL), Precipitação Diária (DPR), Precipitação Acumulada (APR), Precipitação Antecedente de 3 dias (PPR) e Dias Após o Transplante (DAT).
• Configuração do Modelo: O estudo gerou 255 modelos distintos representando todas as combinações possíveis das oito variáveis de entrada. Dois algoritmos principais foram empregados:
  1. Regressão Linear Múltipla (MLR): Modelagem de relações lineares entre variáveis dependentes e independentes.
  2. Regressão Polinomial (PR): Extensão da regressão linear para capturar relações não lineares usando termos quadráticos (PR2) e cúbicos (PR3).
• Treinamento e Validação: Os modelos foram treinados usando Gradiente Descendente Estocástico (SGD) com regularização Elastic Net para evitar o sobreajuste (overfitting). Os hiperparâmetros foram otimizados via GridSearchCV com validação cruzada de cinco dobras (five-fold cross-validation).
• Métricas de Avaliação: O desempenho foi avaliado usando Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e o Coeficiente de Determinação ($R^2$).

Principais Resultados

• Desempenho do Modelo: Os modelos de Regressão Polinomial (PR) superaram significativamente os modelos de Regressão Linear Múltipla (MLR). O modelo PR3 de melhor desempenho (C8-1, usando todas as oito variáveis) alcançou um $R^2$ de 0,754, comparado ao melhor modelo MLR com $R^2$ de 0,528.
• Não Linearidade: O modelo PR2 demonstrou que capturar relações não lineares era crucial. Notavelmente, um modelo de variável única PR2 usando apenas "Dias Após o Transplante" (DAT) alcançou um $R^2$ de 0,582, superando modelos MLR multivariáveis (ex: o modelo MLR de cinco variáveis C5-2 teve um $R^2$ de 0,528).
• Importância das Variáveis:
  • Alta Influência: DAT, temperatura média diária, temperatura acumulada, radiação solar diária e radiação solar acumulada foram os preditores mais influentes.
  • Cumulativo vs. Diário: Variáveis cumulativas (ATEM, ASOL) exibiram maior poder explicativo do que suas contrapartes médias diárias (MTEM, SOL), sugerindo que condições climáticas de longo prazo impulsionam o vigor da cultura mais do que flutuações de curto prazo.
  • Baixa Influência: Variáveis relacionadas à precipitação (DPR, APR, PPR) mostraram capacidade preditiva relativamente baixa.
• Complexidade vs. Precisão: O aumento da complexidade do modelo de PR2 para PR3 resultou em melhorias de desempenho negligenciáveis (ex: o $R^2$ aumentou de 0,738 para 0,754 para o modelo de todas as variáveis). O estudo identificou que modelos com quatro ou mais variáveis em PR2 (ex: C4-60 com $R^2$ = 0,730) ofereceram um equilíbrio prático entre precisão e simplicidade.

Significância e Alegações
Os autores afirmam que modelos baseados em regressão linear, especificamente quando aprimorados com termos polinomiais, oferecem uma alternativa altamente eficaz aos modelos complexos de aprendizagem profunda (como LSTM) para a predição de NDVI agrícola. O estudo destaca três vantagens principais:

1. Interpretabilidade: Ao contrário dos modelos de "caixa-preta" de aprendizagem profunda, os modelos de regressão linear e polinomial permitem a identificação clara dos fatores meteorológicos influentes.
2. Eficiência Computacional: Estes modelos são computacionalmente leves, tornando-os adequados para a tomada de decisão em tempo real em ambientes agrícolas.
3. Robustez com Dados Limitados: Os modelos demonstraram desempenho estável mesmo com conjuntos de dados menores, o que é frequentemente uma restrição em estudos de campo agrícolas específicos.

O artigo conclui que, embora os modelos de aprendizagem profunda se destaquem na captura de dependências de longo prazo, a abordagem de regressão linear proposta fornece precisão preditiva comparável com maior transparência e eficiência. O estudo sugere que, para o monitoramento de arroz irrigado, focar na temperatura e radiação solar cumulativas junto com o estágio de crescimento (DAT) é mais crítico do que os dados de precipitação, particularmente no clima úmido da área de estudo. Os autores recomendam pesquisas futuras em modelos híbridos que integrem as forças de abordagens lineares e de aprendizagem profunda, bem como investigações sobre o desempenho do modelo sob condições climáticas extremas e em diferentes tipos de culturas.