Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/15623
Título: Análise espaçotemporal da sigatoka amarela da bananeira utilizando sensoriamento remoto e geoestatística
Título(s) alternativo(s): Space-temporal analysis of yellow sigatoka in banana using remote sensing and geostatistics
Autor : Rodrigues, Julia Dal Poggetto
Lattes: http://lattes.cnpq.br/1162337395772363
Primeiro orientador: Alves, Marcelo de Carvalho
Primeiro coorientador: Pozza, Edson Ampélio
Primeiro membro da banca: Alves, Marcelo de Carvalho
Segundo membro da banca: Oliveira, Marcelo Silva de
Terceiro membro da banca: Freitas, Aurivan Soares de
Palavras-chave: Banana – Doenças e pragas – Distribuição espacial
Banana – Doenças e pragas – Análise de séries temporais
Sigatoka amarela
Geologia – Métodos estatísticos
Sensoriamento remoto
Bananas – Diseases and pests – Spatial distribution
Bananas – Diseases and pests – Time-series analysis
Yellow sigatoka
Geostatistics
Remote sensing
Data da publicação: 6-Nov-2017
Agência(s) de fomento: Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
Referência: RODRIGUES, J. D. P. Análise espaçotemporal da sigatoka amarela da bananeira utilizando sensoriamento remoto e geoestatística. 2017. 87 p. Dissertação (Mestrado em Engenharia Agrícola)-Universidade Federal de Lavras, Lavras, 2017.
Resumo: A Sigatoka amarela, cujo agente etiológico é o Pseudocercospora musae (Mycosphaerella musicola), está entre as doenças que mais afetam a bananeira. O progresso da doença ocorre tanto no tempo como no espaço e as ciências Sensoriamento Remoto e Geoestatística espaço-tempo oferecem suporte para a análise desse processo dinâmico. Portanto, o objetivo deste trabalho foi realizar a predição espaçotemporal da Sigatoka amarela em diferentes épocas, calcular e avaliar índices de vegetação derivados do sensor Enhanced Thematic Mapper Plus (ETM+), satélite Landsat 7, para inferir sobre a ocorrência da doença, avaliar a existência de correlação espacial e temporal entre dados obtidos pelo sensor e dados in situ e, por fim, analisar a assinatura espectral da planta afetada pela doença. No primeiro estudo, foram utilizaradas imagens do satélite Landsat 7, sensor ETM+, com correção atmosférica método Dark Object Substraction 1 (DOS1) e Second Simulation of Sattelite Signal in the Solar Spectrum (6S). Foram calculados os índices Vegetação da Diferença Normalizada (NDVI), Índice de Vegetação da Diferença Normalizada no Verde (GNDVI) e Índice de Água de Diferença Normalizada (NDWI). Na assinatura espectral referente aos meses de setembro e outubro, a região do infravermelho médio possibilitou a análise das características da doença na planta. Os índices NDVI e GNDVI mostraram diferenças na correção atmosférica e em relação à doença o NDWI foi o que apresentou melhor resultado. No segundo estudo, os modelos de covariância espaçotemporais separáveis, Duplamente Exponencial, e não separáveis, de Gneiting, foram testados com os métodos de ajuste Weight Least Squares (WLS), Restricted Maximum Likelihood (REML) e Likelihood Pairwise. O modelo não separável de Gneiting, método de ajuste WLS, em que a tendência foi modelada, permitiu reduzir as incertezas de predição espacial e temporal da doença, bem como caracterizar o padrão espaçotemporal do monociclo da doença.
Abstract: Yellow Sigatoka leaf spot, caused by Pseudocercospora musae (Mycosphaerella musicola), is among the diseases that most affect banana crop. The disease progress occurs in both time and space, and the Remote Sensing sciences and the space-time Geostatistics provide support for the analysis of this dynamic process. Therefore, the objective of this study was to perform the spatiotemporal prediction of yellow Sigatoka at different times, to calculate and evaluate vegetation indices derived from the Enhanced Thematic Mapper Plus (ETM +) sensor, from the Landsat 7 satellite, to infer about the disease occurrence, to evaluate the existence of spatial and temporal correlation between data obtained by the sensor and data in situ, and finally to analyze the spectral signature of the plant affected by the disease. The first study used images from the Landsat 7 satellite, ETM + sensor, with atmospheric correction method Dark Object Substraction 1 (DOS1) and Second Simulation of Sattelite Signal in the Solar Spectrum (6S). Normalized Difference Vegetation Index (NDVI), Green Standard Difference Vegetation Index (GNDVI) and Normalized Difference Water Index (NDWI) were calculated. In the spectral signature related to the months of September and October, the mid-infrared region allowed the characterization of the disease in the plant. The NDVI and GNDVI indices showed differences in the atmospheric correction and in relation to the disease the NDWI presented better result. In the second study, Gneiting's separable spatiotemporal, Double Exponential, and non-separable covariance models were tested with the Weight Least Squares (WLS), Restricted Maximum Likelihood (REML) and Likelihood Pairwise methods. The Gneiting‟s non-separable model, WLS adjustment method, in which the trend was modeled, allowed to reduce as uncertainties of spatial and temporal prediction of the disease, as well as to characterize the pattern of monocycle temporality of the disease.
URI: http://repositorio.ufla.br/jspui/handle/1/15623
Publicador: Universidade Federal de Lavras
Idioma: por
Aparece nas coleções:DEG - Engenharia Agrícola - Mestrado (Dissertações)



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