Navegar por:

O uso do sensoriamento remoto para mitigação de riscos no sistema financeiro : uma aplicação para controle e acompanhamento de produção agrícola

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/911469
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBias, Edilson de Souza-
Autor(es): dc.contributorsumaia@aluno.unb.br-
Autor(es): dc.creatorAboud Neta, Sumaia Resegue-
Data de aceite: dc.date.accessioned2024-10-23T16:33:38Z-
Data de disponibilização: dc.date.available2024-10-23T16:33:38Z-
Data de envio: dc.date.issued2021-07-19-
Data de envio: dc.date.issued2021-07-19-
Data de envio: dc.date.issued2021-07-19-
Data de envio: dc.date.issued2020-06-08-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/41450-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/911469-
Descrição: dc.descriptionTese (doutorado)—Universidade de Brasília, Instituto de Geociências, Pós-Graduação em Geociências Aplicadas, 2020.-
Descrição: dc.descriptionA globalização e o avanço tecnológico têm provocado mudanças na forma de atuação das Organizações. No cenário competitivo empresarial, em que a informação é primordial para a tomada de decisões estratégicas, é imprescindível o uso de ferramentas que permitam a gestão eficiente dos dados. Neste contexto, as geotecnologias têm contribuído para o monitoramento contínuo e ágil da realidade junto à sociedade. O Banco Central (BACEN), através da Resolução nº 4427 de 25 de Junho de 2015, publicou uma recomendação para que Bancos e Instituições Financeiras, passíveis de operações de crédito rural, fizessem uso do Sensoriamento Remoto (SR) para contratação e fiscalização das operações de crédito agrícola. Neste cenário, a proposta deste trabalho foi propor um método por meio de uma ferramenta open source, para controle e acompanhamento de produção agrícola, sendo capaz de realizar a detecção multitemporal de mudanças no comportamento de áreas agriculturáveis, para atuar na mitigação de riscos, visando atender o BACEN. Foram definidas dez áreas testes com plantios em diferentes regiões, onde o modelo foi aplicado em imagens Nano Satélite Planet gerando 98 classificações para 27 cenas, no período de 2017 a 2019. Foi desenvolvida uma ferramenta em linguagem Python, denominada LimiariZC, onde foi proposto um método para detectar alterações nos padrões das áreas agrícolas, emitindo mensagens em casos de desvio de comportamento. Foram desenvolvidos os modelos de Picos e Vales (PV), de Índice de Vegetação da Diferença Normalizada (NDVI) e de Diferença de Bandas (DB). A ferramenta proposta emite mensagens individualizadas para cada um dos modelos, sendo de alerta quando detectado entre as cenas alterações de comportamento com perda de vegetação e de aviso quando detectado crescimento vegetacional. Se mais de dois terços dos modelos emitirem alertas, é emitido um alerta geral na ferramenta com base na validação cruzada, indicando a necessidade de fiscalização em campo. Para o modelo de PV, com limiarização multinível, o alerta é emitido com base nos picos, vales e na análise de tendência estatística entre as cenas, onde foi implementado um refinamento Orientado a Objetos pelo descritor de Escala e aplicação de Filtro de Convolução Média Passa Baixa. A partir dos limiares detectados foram geradas classificações limiarizadas, sendo extraídos índices de concordância para todas as classificações, onde os valores medianos obtidos foram de Kappa 0,95, Tau 0,95, Acurácia Global (A.G.) 97,29%, além de índices de Discordância Global de Alocação 0,56% e de Quantidade 0,42%. Para os modelos de NDVI e DB, os alertas são disparados mediante o quantitativo de anomalias negativas na imagem resultante da diferença sazonal entre as cenas, conforme limiar máximo tolerável de mudanças personalizado pelo usuário. Para o modelo de delta NDVI e delta DB NIR, a partir das classificações de anomalias, foram extraídos índices de concordância, onde os valores medianos foram respectivamente de Kappa 0,81 e 0,77, Tau 0,85 e 0,82, A.G. 90,01% e 88,03% e Discordância Global por Alocação (0,25% e 0%) e Quantidade (8,77% e 9,59%). Para os modelos foram realizados testes de hipótese Z, tendo sido obtidos resultados com acurácia significativa. Com base nos valores médios e medianos dos índices, o modelo de PV foi considerado o melhor dos modelos desenvolvidos. As emissões de alertas/avisos foram analisadas e validadas por interpretação visual por meio das chaves de interpretação, analisando se de fato deveriam ou não ter sido emitidos, sendo os resultados assertivos em todos os testes. Por fim, com o conjunto de resultados, foi possível aferir a qualidade dos modelos e verificar a viabilidade do objetivo proposto do uso do SR para mitigar riscos no Sistema Financeiro, monitorando produções agrícolas sem necessariamente haver visitas in loco. Assim, concluiu-se que os modelos são assertivos, sendo possível ser operacionalizados.-
Descrição: dc.descriptionGlobalization and technological advances has caused changes in the Organizations. In the competitive business scenario, where information is essential for strategic decisions, it is essential to use of tools that allow efficient data management. In this context, geotechnologies has contributed to the continuous and agile monitoring of reality with society. The Central Bank of Brazil (BACEN), through Resolution 4427, of June 25, 2015, published a recommendation for Banks and Financial Institutions, engaged in rural credit operations, to make use of the Remote Sensing for supervision of Credit Operations agricultural. In this scenario, the proposal of this Thesis was to propose and develop a method through an open source tool, for control and monitoring of agricultural production, being able to perform a multitemporal detection of changes in the behavior of agricultural areas, to risk mitigation, and to complice with the BACEN Resolution. Ten test areas were defined with different plantation in different regions, where the model was applied in Nano Satellite Planet images, generating 98 classifications for 27 scenes, between 2017 and 2019. A tool in Python language, called LimiariZC, was developed a method to detect changes in the patterns of agricultural areas, emitting messages in cases of behavior change. The Peaks and Valleys (PV), Normalized Difference Vegetation Index (NDVI) and Band Difference (DB) models were developed. The proposed tool emits individualized messages for each of the model, being message of alert when changes in behavior are detected with loss of vegetation between scenes and warning message when vegetative growth is detected. In addition, when more than two thirds of de models issue alerts, is issued a general message of alert in the tool, based on the cross-validation of the models, indicating the need for inspection in the field. For the PV model, with Multilevel Thresholding, the message of alert is issued based on peaks, valleys and statistical data analysis between the scenes, where an Object-Oriented technique for refinements was implemented by the Scale descriptor with application of Low Pass Filter by Mean Convolution. From the detected thresholds classifications, were extracted concordance indexes for all classifications, where the medians values Kappa were 0.95, Tau 0.95, Overall Accuracy 97.29% and the global disagreements index with Allocation Disagreement 0.56% and Quantity Disagreement 0.42%. For the NDVI and the DB models, alerts are triggered by the amount of negative anomalies in the image resulting from the seasonal difference between the scenes, according to the maximum tolerable change threshold customized by the user. For the delta NDVI and the delta DB NIR models, from the anomaly classifications, were extracted concordance indexes for all classifications, where the medians values Kappa were respectively 0.81 and 0.77, Tau 0.85 and 0.82, Overall Accuracy 90.01% and 88.03% and the Global Disagreements index with Allocation Disagreement (0.25% and 0%) and Quantity Disagreement (8.77% and 9.59%). For the three models, Z hypothesis tests were performed, where were obtained results with significant accuracy. Based on the mean and median values of the extracted index, the PV model was considered the best of the developed models. The emissions of messages of alerts and the warnings, were analyzed and validated by visual interpretation in the images, aiming to verify by interpretation keys whether or not should have been emitted visually, having obtained assertive results in all the tests. Finally, with the set of results, it was possible to assess the quality of the models and verify the feasibility of the proposed objective of using Remote Sensing to mitigate risks in the Financial System to monitor agricultural production without necessarily visiting the places. Thus, it was concluded that the models are assertive, being possible to put them in production to be operationalized.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectBanco Central do Brasil-
Palavras-chave: dc.subjectClassificação baseada em objetos-
Palavras-chave: dc.subjectSensoriamento remoto-
Título: dc.titleO uso do sensoriamento remoto para mitigação de riscos no sistema financeiro : uma aplicação para controle e acompanhamento de produção agrícola-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação