Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/42126
metadata.teses.dc.title: Selection of virtual remote sensing libraries and machine learning techniques for digitalimage processing applied to coffee crop
metadata.teses.dc.title.alternative: Seleção de bibliotecas virtuais de sensoriamento remoto e técnicas de aprendizagem de máquinas para processamento digital de imagens aplicadas a cafeicultura.
metadata.teses.dc.creator: Miranda, Jonathan da Rocha
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/8926492182964044
metadata.teses.dc.contributor.advisor1: Alves, Marcelo de Carvalho
metadata.teses.dc.contributor.referee1: Nascimento, Cristina Rodrigues
metadata.teses.dc.contributor.referee2: Sanches, Luciana
metadata.teses.dc.contributor.referee3: Volpato, Margarete Marin Lordelo
metadata.teses.dc.contributor.referee4: Carvalho, Gladyston Rodrigues
metadata.teses.dc.subject: Metadata
Validation of algorithms
Colletrochium ssp
Spectral behaviour
Spectral agrometerological model
Precision agriculture
Metadados
Validação de algoritmos
Variação espectral
Modelo agrometerológico espectral
Agricultura de precisão
metadata.teses.dc.date.issued: 29-Jul-2020
metadata.teses.dc.identifier.citation: MIRANDA, J. da R. Selection of virtual remote sensing libraries and machine learning techniques for digitalimage processing applied to coffee crop. 2020. 110 p. Tese (Doutorado em Engenharia Agrícola) – Universidade Federal de Lavras, Lavras, 2020.
metadata.teses.dc.description.resumo: Com o uso do Sensoriamento Remoto há possibilidade de monitorar, estimar com acertos razoáveis a produtividade e o estado nutricional e fitossanitário de cafeeiros em produção. Com sensores acoplados em satélites foi possível obter informações acerca da assinatura espectral da cultura do café numa escala de tempo pertinente ao monitoramento e detecção de mudanças fenológicas. A reflectância da superfície pode ser obtida em diversas bibliotecas virtuais de sensoriamento remoto, podendo cada uma adotar um método de processamento dos dados o que pode causar em divergência na informação. Objetivou-se avaliar a fonte de aquisição de dados orbitais e processamento de imagens digitais para uso na cafeicultura. Para avaliar a fonte de aquisição de dados, foi analisado se existe divergências dos valores radiométricos e geométricos entre as plataformas SATVeg, AppEEARS e Google Earth Engine comparando um total de 900 pontos amostrais distribuídos em 3 cenas do MOD13Q1 para diferentes datas. Em relação ao processamento de imagens, foram avaliados os algoritmos de Machine Learning Random Forest, Naive Bayes e Rede Neural na detecção da necrose dos frutos do cafeeiro comparando a acurácias dos modelos pelo método de Friedman Nemenyi. Para avaliar se os algoritmos de Machine Learning são mais eficazes que o modelo agrometeorologico espectral, estimado a produtividade por ambos modelos utilizando a serie temporal das imagens Landsat. Com base nos resultados as plataformas virtuais GEE e AppEEARS podem ser utilizadas com acurácia satisfatória quanto aos valores radiométricos na condição de estar na projeção sinusoidal. Sobre o uso de técnicas de machine learning para detectar necrose em frutos de cafeeiro, com o método Naive Bayes houve melhores resultados na detecção da necrose de frutos por meio de imagens Landsat. Com relação à estimativa de produtividade de frutos de cafeeiro, com o método Random Forest observaram-se melhores estimativas em relação ao modelo agrometerológico espectral sendo um método mais indicado quando se pretende estimar a produtividade em nível de pixel do Landsat, nas condições de área e disponibilidade de imagens em que o experimento foi realizado.
metadata.teses.dc.description.abstract: Remote Sensing allows the possibility of monitoring and reasonably estimating the productivity, plant health and mineral nutrition of the coffee tree. By using sensors coupled to satellites it was possible to obtain information about the spectral signature of the coffee crop on a time scale relevant to the monitoring and detection of phenological changes. Surface reflectance can be obtained from a number of remote virtual sensing libraries, each of which can adopt a method of processing the data which may cause divergence in the information. The aim was to evaluate the source of orbital data acquisition and digital image processing for use in coffee growing. Data acquisition source was analyzed for radiometric and geometric differences between SATVeg, AppEEARS and Google Earth Engine platforms comparing a total of 900 sample points distributed in 3 scenes of MOD13Q1 for different dates. Regarding image processing, Machine Learning Random Forest, Naive Bayes and Rede Neural algorithms were evaluated to detect necrosis of coffee tree fruits by comparing the acuractia of the models using Friedman Nemenyi's method. To evaluate whether the Machine Learning algorithms are more effective than the agrometeorological spectral model, estimated productivity by both models using the time series of Landsat images. Based on the results the virtual platforms GEE and AppEEARS can be used with satisfactory accuracy regarding the radiometric values in the condition of being in the sinusoidal projection. Regarding the use of machine learning techniques to detect necrosis in coffee tree fruits, with the Naive Bayes method there were better results in the detection of fruit necrosis through Landsat images. On the yield estimation of coffee tree fruits, with the Random Forest method better estimates were observed in relation to the spectral agrometerological model, being a more indicated method when one intends to estimate the yield at pixel level of Landsat, in the area conditions and availability of images in which the experiment was performed.
metadata.teses.dc.description: Arquivo retido, a pedido do autor até julho 2021.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/42126
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: eng
Appears in Collections:DEG - Engenharia Agrícola - Doutorado (Teses)

Files in This Item:
There are no files associated with this item.


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.