
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 | Alves, Marcelo de Carvalho | - |
| Autor(es): dc.contributor | Nascimento, Cristina Rodrigues | - |
| Autor(es): dc.contributor | Sanches, Luciana | - |
| Autor(es): dc.contributor | Volpato, Margarete Marin Lordelo | - |
| Autor(es): dc.contributor | Carvalho, Gladyston Rodrigues | - |
| Autor(es): dc.creator | Miranda, Jonathan da Rocha | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:46:57Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:46:57Z | - |
| Data de envio: dc.date.issued | 2020-07-29 | - |
| Data de envio: dc.date.issued | 2020-07-29 | - |
| Data de envio: dc.date.issued | 2020-07-29 | - |
| Data de envio: dc.date.issued | 2020-07-07 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/42126 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1147342 | - |
| Descrição: dc.description | 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. | - |
| Descrição: dc.description | 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. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Agrícola | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Engenharia | - |
| Direitos: dc.rights | restrictAccess | - |
| Palavras-chave: dc.subject | Metadata | - |
| Palavras-chave: dc.subject | Validation of algorithms | - |
| Palavras-chave: dc.subject | Colletrochium ssp | - |
| Palavras-chave: dc.subject | Spectral behaviour | - |
| Palavras-chave: dc.subject | Spectral agrometerological model | - |
| Palavras-chave: dc.subject | Precision agriculture | - |
| Palavras-chave: dc.subject | Metadados | - |
| Palavras-chave: dc.subject | Validação de algoritmos | - |
| Palavras-chave: dc.subject | Variação espectral | - |
| Palavras-chave: dc.subject | Modelo agrometerológico espectral | - |
| Palavras-chave: dc.subject | Agricultura de precisão | - |
| Palavras-chave: dc.subject | Engenharia Agrícola | - |
| Título: dc.title | Selection of virtual remote sensing libraries and machine learning techniques for digitalimage processing applied to coffee crop | - |
| Título: dc.title | Seleção de bibliotecas virtuais de sensoriamento remoto e técnicas de aprendizagem de máquinas para processamento digital de imagens aplicadas a cafeicultura. | - |
| Tipo de arquivo: dc.type | tese | - |
| 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: