Navegar por:

Modelagem para previsão do índice SPAD e crescimento do milho a partir de imagens de veículo aéreo não tripulado

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/916628
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho Júnior, Osmar Abílio de-
Autor(es): dc.creatorArgôlo, Eduardo Dourado-
Data de aceite: dc.date.accessioned2024-10-23T16:45:41Z-
Data de disponibilização: dc.date.available2024-10-23T16:45:41Z-
Data de envio: dc.date.issued2024-06-11-
Data de envio: dc.date.issued2024-06-11-
Data de envio: dc.date.issued2024-06-11-
Data de envio: dc.date.issued2023-02-27-
Fonte completa do material: dc.identifierhttp://repositorio2.unb.br/jspui/handle/10482/48215-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/916628-
Descrição: dc.descriptionTese (doutorado) - Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2023.-
Descrição: dc.descriptionO propósito principal desta pesquisa é contribuir para o aprimoramento das técnicas de monitoramento agrícola por meio da utilização de Veículos Aéreos Não Tripulados (VANTs) para sensoriamento remoto. O objetivo específico foi avaliar modelos de predição de clorofila utilizando o SPAD (Soil Plant Analysis Development) e do crescimento do milho, com os efeitos da aplicação de nitrogênio em parcelas previamente estipuladas. O estudo utilizou imagens capturadas por meio de uma câmera MAPIR-2 equipada com bandas RGNIR (vermelho, verde e infravermelho próximo) com uma resolução espacial de 4,05 x 4,05 cm, tanto no solo quanto embarcada em um VANT. Como resultado, foram geradas imagens com dados da folha índice (DFI) e dados do dossel (DD) para análise. Regressões lineares múltiplas, Backward e modelos não lineares, como Backpropagation Neural Network (BP-NN), Sequential Minimal Optimization for Regression (SMOreg) e Support Vector Machine (SVR), foram usados para desenvolver modelos de previsão (MRSC) para SPAD e crescimento do milho examinando o efeito do N em cada parcela, através dos dados das bandas e índices de vegetação da câmera. Os modelos Backward tiveram desempenho satisfatório considerando os sobrevoos, com DD (R2 = 0,70, RMSE=6,27 e MAE=5,00) e DFI (R2 = 0,9054, RMSE= 6,87, MAE=17,3). Quando se aplica os sobrevoos e as parcelas individuais, os valores foram DD (R2 = 0,82, RMSE=6,72 e MAE=4,51) e DFI (R2 = 0,97, RMSE= 20,66 e MAE=4,51). O melhor modelo não linear para SPAD foi o SMOreg, com DD (R2 =0,51, RMSE=4,94 e MAE=6,62). Para DFI foi BP-NN com (R2 = 0,97, RMSE= 20,66 e MAE=4,51). O melhor modelo não linear para SPAD foi o SMOreg, enquanto para DFI foi BP-NN. Para o modelo de predição de altura, utilizando o Backward com os dados do VANT obteve os resultados para sobrevoos DD (R2 = 0,95, RMSE=17,57 e MAE=11,2) e DFI (R2 = 0,95, RMSE= 18,99 e MAE=15,5). Considerando os sobrevoos e as parcelas, os resultados foram para DD (R2 = 0,98, RMSE=9,63 e MAE=13,5) e DFI (R2 = 0,97, RMSE=19,99 e MAE=17,3). Na aplicação de regressão não linear o melhor modelo foi o BP-NN para DD (R2 = 0,88, RMSE=19,66 e MAE=25,76) e BP-NN para DFI (R2 = 0,81, RMSE=19,71 e MAE=25,76). Na aplicação de regressão não linear, o melhor modelo foi o BP-NN para DD e DFI. A aplicação de ureia e cobertura adicional nas fases 4 e 8 foi a mais eficaz em termos de SPAD e crescimento. As imagens de predições evidenciaram a diferença de SPAD, o crescimento e fenologia por manejo. Empregando o algoritmo de mineração de dados APRIORI, as melhores correspondências para o SPAD foram NDVI, SAVI e RVI para dados do VANT e NDVI e SAVI para a folha índice. Para o crescimento da cultura, as melhores variáveis foram RVI, NDVI e a banda Verde para dados do VANT e NDVI, SAVI e a banda Verde para a folha índice no solo. Este estudo foi importante para analisar modelos em fases cruciais da adubação na cultura do milho, dando subsídios para criação de imagens de predições para traçar o desempenho do SPAD e do crescimento do milho. Além disso, os resultados apresentados contribuem para o aprimoramento das técnicas de monitoramento agrícola por meio da utilização de VANTs para sensoriamento remoto. Com isso, é possível reduzir o consumo de fertilizantes com reflexos econômicos e ambientais positivos.-
Descrição: dc.descriptionThis research primarily aims to improve agricultural monitoring techniques using Unmanned Aerial Vehicles (UAVs) for remote sensing. The specific objective was to evaluate chlorophyll prediction models using SPAD (Soil Plant Analysis Development) and corn growth, with the effects of nitrogen application in previously stipulated plots. The study used images captured using a MAPIR-2 camera equipped with RGNIR bands (red, green, and near-infrared) with a spatial resolution of 4.05 x 4.05 cm, both on the ground and aboard a UAV. As a result, index leaf (DFI) and canopy (DD) images were generated for analysis. Multiple linear regressions, Backward and non-linear models such as Backpropagation Neural Network (BP-NN), Sequential Minimal Optimization for Regression (SMOreg), and Support Vector Machine (SVR) were used to develop predictive models (MRSC) for SPAD and growth of corn by examining the effect of N in each plot, through data from bands and vegetation indices from the camera. The Backward models performed satisfactorily considering the overflights, with DD (R2 = 0.70, RMSE=6.27 and MAE=5.00) and DFI (R2= 0.9054, RMSE=6.87, MAE=17, 3). When flyovers and individual plots are applied, the values were DD (R2 = 0.82, RMSE=6.72 and MAE=4.51) and DFI (R2 = 0.97, RMSE= 20.66 and MAE= 4.51). The best non-linear model for SPAD was the SMOreg, with DD (R2 = 0.51, RMSE=4.94, and MAE=6.62). For DFI, it was BP-NN with (R2 = 0.97, RMSE= 20.66, and MAE=4.51). The best non-linear model for SPAD was SMOreg, while for DFI, it was BP-NN. Using the Backward with UAV data for the height prediction model obtained the results for DD flyovers (R2 = 0.95, RMSE=17.57 and MAE=11.2) and DFI (R2 = 0.95, RMSE=18.99 and MAE=15.5). Considering the flyovers and plots, the results were for DD (R2 = 0.98, RMSE=9.63 and MAE=13.5) and DFI (R2 = 0.97, RMSE=19.99 and MAE=17, 3). In applying non-linear regression, the best model was the BP-NN for DD (R2 = 0.88, RMSE=19.66 and MAE=25.76) and BP-NN for DFI (R2 = 0.81, RMSE= 19.71, and MAE=25.76). Using non-linear regression, the best model was the BP-NN for DD and DFI. Applying urea and additional coverage in phases 4 and 8 was the most effective regarding SPAD and growth. The cartograms showed the difference in SPAD, growth, and phenology by management. Employing the APRIORI data mining algorithm, the best matches for the SPAD were NDVI, SAVI, and RVI for UAV data and NDVI and SAVI for the index sheet. For crop growth, the best variables were RVI, NDVI, the Green band for UAV and NDV data, SAVI, and the Green band for the index leaf on the ground. This study was important for analyzing models in crucial phases of fertilization in the corn crop, providing subsidies for creating cartograms, and tracing the performance of SPAD and corn growth. In addition, the results presented contribute to improving agricultural monitoring techniques using UAVs for remote sensing. With this, it is possible to reduce the consumption of fertilizers with positive economic and environmental consequences.-
Descrição: dc.descriptionInstituto de Ciências Humanas (ICH)-
Descrição: dc.descriptionDepartamento de Geografia (ICH GEA)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Geografia-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
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.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, 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.subjectSensoriamento remoto-
Palavras-chave: dc.subjectAdubação nitrogenada-
Palavras-chave: dc.subjectVeículo aéreo não tripulado-
Título: dc.titleModelagem para previsão do índice SPAD e crescimento do milho a partir de imagens de veículo aéreo não tripulado-
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