Inteligência artificial na análise de dados de um plantio comercial de Eucalyptus saligna Smith por meio de imagens multiespectrais
Visualizar/ Abrir
Data
2024-03-01Primeiro membro da banca
Benedetti, Ana Caroline Paim
Segundo membro da banca
Marchesan, Juliana
Terceiro membro da banca
Weiler, Elenice Broetto
Quarto membro da banca
Eugenio, Fernando Coelho
Metadata
Mostrar registro completoResumo
Os avanços das Aeronaves Remotamente Pilotadas (ARPs), juntamente com a inteligência artifical, vêm facilitando e melhorando a coleta dos dados de campo em termos de precisão temporal e espacial, com a possibilidade de criar conjuntos de dados personalizados de acordo com necessidades específicas. A presente tese tem como objetivo geral aplicar técnicas de inteligência artificial para identificação e estimativa de contagem de Eucalyptus saligna Smith, por meio da utilização de imagens multiespectrais de alta resolução espacial embarcado em Aeronave Remotamente Pilotada (ARP). A área de estudo está inserida no município de Eldorado do Sul - RS. Foram obtidas curvas de reflectância espectral das folhas por meio do espectrorradiômetro Analytical Spectral Devices (ASD) FieldSpec® 3. Para cada uma das três espécies de plantas selecionadas, foram realizadas cinco medições, resultando em um total de 15 leituras para cada espécie. Para essa análise, levou-se em consideração os intervalos de comprimento de onda do FieldSpec® 3 e os intervalos restritos às quatro bandas (Green, Red, RedEdge e NIR) do sensor multiespectral da Parrot Sequoia®. Posteriormente, os dados foram submetidos ao teste de Shapiro-Wilk para verificação da normalidade ao nível de significância de 95%. Dada a ausência da distribuição normal, optou-se pelo teste não-paramétrico de Kruskal-Wallis. Os resultados obtidos dos comprimentos de onda do FieldSpec® 3 e do sensor Parrot Sequoia® demonstraram capacidade de caracterizar e distinguir o E. saligna em relação à maioria das plantas espontâneas (PEs), principalmente na faixa da RedEdge e NIR. Em outro momento, também foram adquiridas imagens do plantio florestal aos 180 dias pós-plantio por meio da ARP. Algoritmos de aprendizado de máquina (Random Forest - RF) e aprendizado profundo (YOLOv8n) foram utilizados para identificar, detectar e contar o E. saligna, respetivamente. O algoritmo RF demonstrou ser eficiente na identificação do E. saligna e das demais classes temáticas analisadas (PEs, solo exposto e sombra), obtendo uma acurácia global de 93%. O modelo YOLOv8n demonstrou ser promissor tanto na detecção (recall de 0,93) quanto na estimativa de contagem (0,915) demonstrando um desempenho excelente. Os resultados obtidos sugerem que o uso de ARP, imagens multiespectrais e tecnologias avançadas são altamente promissores para o setor florestal.
Coleções
Os arquivos de licença a seguir estão associados a este item: