Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/46901
Registro completo de metadados
Campo DCValorIdioma
dc.creatorMarin, Diego Bedin-
dc.date.accessioned2021-08-20T17:07:31Z-
dc.date.available2021-08-20T17:07:31Z-
dc.date.issued2021-08-20-
dc.date.submitted2021-06-23-
dc.identifier.citationMARIN, D. B. Remotely piloted aircraft in spatial multispectral modeling of stressors in coffee plantantions. 2021. 106 p. Tese (Doutorado em Engenharia Agrícola) – Universidade Federal de Lavras, Lavras, 2021.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/46901-
dc.description.abstractThe use of Remotely Piloted Aircraft for remote sensing in coffee plantations can assist the producer to identify management strategies to be adopted, making the activity more competitive, increasing productivity, and reducing the environmental impact. Therefore, this study aimed to develop a methodology to evaluate and monitor the spatial variability of biotic and abiotic stress in coffee (Coffea arabica L.), using multispectral Remote Sensing data obtained from Remotely Piloted Aircraft. In the first study, 09 vegetation indices were applied to evaluate the damage caused by frost in coffee plants. The results show that the vegetation indices have a strong relation and great precision to the frost damage identified in the coffee plants. In between the indices assessed, the Normalized Difference Vegetation Index (NDVI) has shown the best performances (r = -0.89, R2 = 0.79, MAE = 10.87, and RMSE = 14.35). Additionally, the spatial distribution of the vegetation indices allowed the verification of topography’s influence on the frost occurrence in coffee plantations. The second study evaluated the potential of the Random Forest machine learning method applied to vegetation indices to measure the nitrogen content in coffee leaves. The proposed model presented global accuracy and kappa coefficient of up to 0.91 and 0.86, respectively. The best results were achieved with the indices Green Normalized Difference Vegetation Index (GNDVI) and Green Optimal Soil Adjusted Vegetation Index (GOSAVI). Furthermore, the indices made it possible to verify that only 22% of the entire crop area had symptoms of nitrogen (N) deficiency in the plants, which would result in a 78% reduction in the amount of N applied by the producer. Finally, in the third study, 63 vegetation indices were combined to different machine learning methods, and decision trees to detect the severity of rust disease in coffee plants. The study concluded that the method Logistic Model Tree (LMT) was the one that most contributed to the accurate prediction of the disease. This method achieved overall precision, recall, and f-measure of 0.672, 0.747, and 0.695, respectively. Still, for classes 1 and 4, it returned F values of 0.915 and 0.875, being a good indicator of early Coffee Leaf Rust (CLR) between 2 and 5%, and at later stages of CLR, between 20 and 40 %. It also concluded that this model could help in precision farming practices, as it offers efficient, non-invasive, and spatially continuous monitoring of the disease.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.languageengpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsrestrictAccesspt_BR
dc.subjectSensoriamento remotopt_BR
dc.subjectAgricultura de precisãopt_BR
dc.subjectVeículo aéreo não tripuladopt_BR
dc.subjectÍndices de vegetaçãopt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectÁrvore de decisãopt_BR
dc.subjectRemote sensingpt_BR
dc.subjectPrecision agriculturept_BR
dc.subjectUnmanned aerial vehiclept_BR
dc.subjectVegetation indicespt_BR
dc.subjectMachine learningpt_BR
dc.subjectDecision tTreept_BR
dc.titleRemotely piloted aircraft in spatial multispectral modeling of stressors in coffee plantantionspt_BR
dc.title.alternativeAeronave remotamente pilotada na modelagem espacial multiespectral de estressores em lavouras cafeeiraspt_BR
dc.typetesept_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Agrícolapt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Ferraz, Gabriel Araújo e Silva-
dc.contributor.referee1Ferraz, Gabriel Araújo e Silva-
dc.contributor.referee2Schwerz, Felipe-
dc.contributor.referee3Santos, Adão Felipe dos-
dc.contributor.referee4Machado, Marley Lamounier-
dc.contributor.referee5Rossi, Giuseppe-
dc.description.resumoA utilização do Sensoriamento Remoto por meio de Aeronaves Remotamente Pilotadas, pode auxiliar o cafeicultor a identificar estratégias de manejo a serem adotadas, tornando a atividade mais competitiva, aumentando a produtividade e reduzindo o impacto ambiental. Nesse contexto, objetivou-se com esse estudo desenvolver uma metodologia para avaliar e monitorar a variabilidade espacial dos estressores bióticos e abióticos do cafeeiro (Coffea arabica L.), usando dados de Sensoriamento Remoto multiespectral obtidos a partir de Aeronave Remotamente Pilotada. No primeiro estudo, foram utilizados 09 índices de vegetação para avaliar os danos por geada em uma lavoura cafeeira. Os resultados obtidos demonstraram que os índices de vegetação têm forte relação e alta precisão com os danos da geada nos cafeeiros. Dentre os índices estudados, o Índice de Vegetação por Diferença Normalizada (NDVI) apresentou os melhores desempenhos (r = -0,89, R2 = 0,79, MAE = 10,87 e RMSE = 14,35). Além disso, a distribuição espacial dos índices de vegetação permitiu a constatação da influência da topografia na ocorrência de geadas na cafeicultura. No segundo estudo, foi avaliado o potencial do método de aprendizado de máquina Random Forest aplicado a índices de vegetação para mensurar o conteúdo de nitrogênio nas folhas dos cafeeiros. O modelo sugerido apresentou acurácia global e coeficiente kappa de até 0,91 e 0,86, respectivamente. Os melhores resultados foram alcançados com os índices Green Normalized Difference Vegetation Index (GNDVI) e Green Optimal Soil Adjusted Vegetation Index (GOSAVI). Além disso, esses índices permitiram verificar que apenas 22% de toda a área da lavoura apresentava plantas com sintomas de deficiência de nitrogênio (N), o que resultaria em uma redução de 78% na quantidade de N aplicada pelo produtor. E por fim, no terceiro estudo, 63 índices de vegetação foram combinados com diferentes métodos de aprendizado de máquina e árvores de decisão para detectar a severidade da ferrugem em cafeeiros. Concluiu-se que o método Logistic Model Tree (LMT) foi o que mais contribuiu para a previsão precisa da doença. Esse método alcançou overall precision, recall e f-measure de 0,672, 0,747 e 0,695, respectivamente. No entanto, para as classes 1 e 4, retornou valores de medida F de 0,915 e 0,875, sendo um bom indicador de Coffee Leaf Rust (CLR) precoce (entre 2 e 5%) e de estágios posteriores de CLR (entre 20 e 40%). Concluiu-se também que este modelo pode auxiliar nas práticas de agricultura de precisão, pois oferece o monitoramento eficiente não invasivo e espacialmente contínuo da doença.pt_BR
dc.publisher.departmentDepartamento de Engenhariapt_BR
dc.subject.cnpqEngenharia Agrícolapt_BR
dc.creator.Latteshttp://lattes.cnpq.br/3881543910730103pt_BR
Aparece nas coleções:Engenharia Agrícola - Doutorado (Teses)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TESE_Remotely piloted aircraft in spatial multispectral modeling of stressors in coffee plantantions.pdf3,37 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.