Fusão Profunda com Rede Neural de Atenção para Estimativa de Rendimento de Culturas com Base na Saúde do Solo Usando Imagens de Sensoriamento Remoto

A estimativa de rendimento de culturas, vital para o planejamento agrícola, incorpora clima, saúde do solo e tecnologia. Utilizar sensoriamento remoto para analisar a saúde do solo melhora a gestão agrícola e a otimização de recursos. Apesar dos desafios, como a precisão dos dados e a interferência de nuvens, o proposto modelo de atenção cruzada de múltiplas cabeças com rede de energia de cápsulas (mhca-cevn) enfrenta essas questões. Esta pesquisa integra dados do sentinel-1 e sentinel-2 com medições de campo, empregando métodos avançados de pré-processamento e extração de características, como o filtro de janela lateral de múltiplas camadas guiado e a transformação shearlet. O otimizador de busca de mantis híbrido gold rush seleciona características chave para um método de fusão baseado em atenção visual profunda. O modelo de classificação mhca-cevn resultante alcança desempenho excepcional, com precisão, sensibilidade, taxa de erro, f1-score, erro percentual absoluto médio e erro percentual absoluto médio simétrico de 97,59%, 95,21%, 6,65%, 90,21%, 5,01% e 0,042%, respectivamente. Essas métricas destacam a eficácia do modelo em enfrentar diversos desafios de rendimento de culturas, estabelecendo-o como uma solução robusta para sensoriamento remoto.