
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Santos, Adão Felipe dos | - |
| Autor(es): dc.contributor | Nunes, Lorena Lacerda | - |
| Autor(es): dc.contributor | Ferraz, Gabriel Araujo e Silva | - |
| Autor(es): dc.contributor | Oliveira, Luan Pereira de | - |
| Autor(es): dc.creator | Costa, Octávio Pereira da | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:11:55Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:11:55Z | - |
| Data de envio: dc.date.issued | 2024-12-16 | - |
| Data de envio: dc.date.issued | 2024-12-16 | - |
| Data de envio: dc.date.issued | 2024-12-16 | - |
| Data de envio: dc.date.issued | 2024-12-16 | - |
| Data de envio: dc.date.issued | 2024-08-16 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/59756 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1135769 | - |
| Descrição: dc.description | Arquivo retido, a pedido da autor, até dezembro de 2025. | - |
| Descrição: dc.description | The cultivation of corn (Zea mays L.) in Brazil is crucial for food security, and precision agriculture, which uses remote sensing, can optimize agricultural management. However, the use of orbital images presents several challenges, including the availability of images with the absence of clouds and the interference of the atmosphere in the radiation captured by the sensors. Atmospheric correction methods have been developed by several authors, however the impact of the methods on continuous monitoring and the impact on advanced data processing techniques is still poorly studied. This study evaluates three atmospheric correction methods, Dark Object Subtraction (DOS), Image Correction for Atmospheric Effects (iCOR), and Sentinel-2 Correction (Sen2Cor), as well as images with L1C processing that are data referring to radiation at the Top of the Atmosphere (TOA) to improve the quality of free orbital imagery data from the Sentinel-2 satellite in the characterization of the corn cycle and yield prediction using vegetation indices. The analysis showed that the iCOR correction is the most effective method in characterizing the corn cycle when using NDVI and GNDVI. For yield prediction, the DOS and Sen2Cor corrections were the most effective in all the algorithms tested, Random Forest (RF), k-Nearest Neighbors (kNN), and Support Vector Machine (SVM), with RF presenting the best performance, especially in the off-season, with an average R2 of 0.82. The proper choice of atmospheric correction method and vegetation index is essential to increase accuracy in monitoring and forecasting productivity, contributing to more efficient and sustainable agricultural management. | - |
| Descrição: dc.description | O cultivo do milho (Zea mays L.) no Brasil é crucial para a segurança alimentar, e a agricultura de precisão, que usa sensoriamento remoto, pode otimizar o manejo agrícola. Porém a utilização de imagens orbitais apresenta diversos desafios, entre eles a disponibilidade de imagens com ausência de nuvens e a interferência da atmosfera na radiação captada pelos sensores. Métodos de correção atmosférica foram desenvolvidas por diversos autores, entretanto o impactos dos métodos nos monitoramentos contínuo e o impacto em técnicas avançadas de processamento de dados ainda é pouco estudado. Este estudo avalia três métodos de correção atmosférica, Dark Object Subtraction (DOS), Image Correction for Atmospheric Effects (iCOR), e Sentinel-2 Correction (Sen2Cor), e também imagens com processamento L1C que são dados referentes a radiação no Topo da Atmosfera (TOA) para melhorar a qualidade dos dados de imagens orbitais gratuitas do satélite Sentinel-2 na caracterização do ciclo do milho e predição de produtividade utilizando índices de vegetação. A análise demonstrou que a correção iCOR é o método mais eficaz na caracterização do ciclo do milho quando utilizado o NDVI e GNDVI. Já para apredição de produtividade, as correções DOS e Sen2Cor foram as mais eficazes em todos os algoritmos testados, Random Forest (RF), k-Nearest Neighbors (kNN), e Support Vector Machine (SVM), com o RF apresentando o melhor desempenho, especialmente na safrinha, com um R2 médio de 0,82. A escolha adequada do método de correção atmosférica e do índice de vegetação é essencial para aumentar a precisão no monitoramento e previsão de produtividade, contribuindo para uma gestão agrícola mais eficiente e sustentável. | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Agronomia/Fitotecnia | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Escola de Ciências Agrárias de Lavras - ESAL | - |
| Direitos: dc.rights | restrictAccess | - |
| Palavras-chave: dc.subject | Agricultura de precisão | - |
| Palavras-chave: dc.subject | Inteligência artificial | - |
| Palavras-chave: dc.subject | Sensoriamento remoto | - |
| Palavras-chave: dc.subject | Monitoramento agrícola | - |
| Palavras-chave: dc.subject | Precision agriculture | - |
| Palavras-chave: dc.subject | Artificial intelligence | - |
| Palavras-chave: dc.subject | Remote sensing | - |
| Palavras-chave: dc.subject | Agricultural monitoring | - |
| Palavras-chave: dc.subject | Ciências Agrárias | - |
| Título: dc.title | Impacto da correção atmosférica em imagens de satélite na previsão de produtividade utilizando aprendizado de máquina | - |
| Título: dc.title | Impact of atmospheric correction in satellite imagery on productivity prediction using machine learning | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: