Título:	Estimating the biomass of tropical pastures from vegetation indices and machine learning: comparison between random forest, svm radial and xgboost.
Autoria:	ROCHA, D. S. da PEZZOPANE, J. R. M. BUENO, J. O. de A. PASQUINI NETO, R. BOURSCHEIDT, V. GIGLIO, L. C.
Afiliação:	DANILO SERRA DA ROCHA, CPPSE; JOSE RICARDO MACEDO PEZZOPANE, CPPSE; JOSÉ OTÁVIO DE ALMEIDA BUENO, UNIVERSIDADE DE SÃO PAULO; ROLANDO PASQUINI NETO, UNIVERSIDADE DE SÃO PAULO; VANDOIR BOURSCHEIDT, UNIVERSIDADE FEDERAL DE SÃO CARLOS; LUIZA CAMPOS GIGLIO, UNIVERSIDADE FEDERAL DE SÃO CARLOS.
Ano de publicação:	2025
Referência:	In: SIMPÓSIO NACIONAL DE INSTRUMENTAÇÃO AGROPECUÁRIA, 5., 2025, São Carlos. Ciência, tecnologia, inovação e mercado: anais. São Carlos: Embrapa Instrumentação, 2025. p. 701-706.
Conteúdo:	Abstract: Biomass productivity is a key variable for the efficient management of pasturelands. This study evaluated machine learning models to estimate green biomass (kg/ha) in tropical pastures using vegetation indices derived from Unmanned aerial vehicle (UAV) and environmental variables. The dataset comprised 1,188 georeferenced observations collected between 2023 and 2024 under different grazing systems and management conditions. Three algorithms were compared in the R software: Random Forest (RF), Support Vector Machine with a radial kernel (SVM Radial), and Extreme Gradient Boosting (XGBoost), all using 10-fold cross-validation. Model performance was evaluated using R² (Coefficient of Determination), RMSE (Root Mean Squared Error), and MAE (Mean Absolute Error) metrics. Regarding vegetation indices, NDRE and CHL stood out as the most influential predictors, both of which are strongly linked to chlorophyll content and vegetation vigor, thereby reinforcing their relevance in biomass prediction. Among the tested models, SVM demonstrated the most balanced performance between training and testing (R² = 0.5880 in testing), along with lower bias and a more stable residual distribution, making it the most suitable option for practical applications. The integration of remote sensing and machine learning has proven effective for biomass estimation, providing valuable support for pasture management in tropical systems. | Resumo: A produtividade da biomassa é uma variável fundamental para o manejo eficiente das pastagens. Este estudo avaliou modelos de aprendizado de máquina para estimar a biomassa verde (kg/ha) em pastagens tropicais usando índices de vegetação derivados de Aeronaves Pilotadas Remotamente (RPA) e variáveis ambientais. O conjunto de dados consistiu em 1.188 observações georreferenciadas coletadas entre 2023 e 2024 sob diferentes sistemas de pastoreio e condições de manejo. Três algoritmos foram comparados pelo software R: Random Forest (RF), Support Vector Machine com kernel radial (SVM Radial) e Extreme Gradient Boosting (XGBoost), usando validação cruzada de 10 vezes. O desempenho do modelo foi avaliado usando as métricas R² (coeficiente de determinação), RMSE (raiz do erro médio quadrático) e MAE (erro médio absoluto). Em relação aos índices de vegetação, NDRE e CHL se destacaram como os preditores mais influentes, ambos fortemente ligados ao teor de clorofila e ao vigor da vegetação, reforçando sua relevância na previsão da biomassa. Entre os modelos testados, o SVM demonstrou o desempenho mais equilibrado entre treinamento e teste (R² = 0,5880 no teste), combinado a menor viés e uma distribuição residual mais estável, tornando-o a opção mais adequada para aplicações práticas. A integração do sensoriamento remoto e do aprendizado de máquina provou ser eficaz para a estimativa da biomassa, fornecendo um suporte valioso para o manejo de pastagens em sistemas tropicais.
Thesagro:	Sensoriamento Remoto Biomassa
NAL Thesaurus:	Remote sensing Vegetation index Pastures
Palavras-chave:	Machine learning Pasture monitoring Random forest Aprendizado de máquina Índice de vegetação Monitoramento de pastagem SVM Radial Extreme Gradient Boosting XGBoost
ISSN:	2358-9132
Notas:	Editores: Paulo Sergio de Paula Herrmann Junior, Henriette Monteiro Cordeiro de Azeredo, Maria Fernanda Berlingieri Durigan, Luís Henrique Bassoi. 5 SIAGRO 2025
Tipo do material:	Artigo em anais e proceedings
Acesso:	openAccess
Aparece nas coleções:	Artigo em anais de congresso (CPPSE)