dc.creator | Cerutti, Douglas Henrique Haubert | |
dc.date.accessioned | 2019-10-08T13:28:16Z | |
dc.date.available | 2019-10-08T13:28:16Z | |
dc.date.issued | 2019-03-29 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/18504 | |
dc.description.abstract | Climatic changes in the last years project a future where water resources become more
and more scarce. For that reason, it will affect considerably the world food production. A
persistent challenge for agriculture is to maintain a high yield production and fit wisely and reasonably
the water use with weather conditions in order to get optimal yield results. Currently,
remote sensing provides constant crop scout, especially due to water stress correspondence with
biophysical characteristics of vegetation during its growth. The combination of vegetation indices
with plant features at the field level provides valuable information to irrigation monitoring
and management during crop development. In this study, soybeans (Glycine Max) characteristics
were analyzed, in Southern Brazil, for a field with full water demands supplied and a rainfed
field. Field data were collected during all crop season, registering information as crop phenology,
the fraction of ground covered, the leaf area index, crop height, and grain yield. These data
were used such for the simulation phase, as a source for crop yield prediction, utilizing soybeans
crop coefficients derived from vegetation indices for classification of the yield map, provided by
the harvester machine at the end of the season. The experiment and data collection were established
from November 2017 to April 2018. The results of the actual crop coefficents estimated
with NDVi showed a consistent relation with data provided by SimDualKc, for both rainfed and
irrigated fields, with correlation factors around 92% and regression coefficent equal to 1. Such
numbers demonstrate how much the estimativates trend from simulated validated data. This
statistics highlight how much the soybeans transpirative fluxes, with basal crop coefficent Kcb,
might be evaluated through remote sensing to support irrigation management. These basal crop
coefficents were parallel with harvest maps and yield, considering 22 satellite images. With
machine learning approach, accuracy values of 90% were found using as feature Kcb, based on
decision three classifier. Adding simulated data with the remote sensing estimates, Adaboost
classifier was the most efficient, with 97,1% of accuracy. This paper show results that implies
that it is possible estimate soybeans grain yield based on plant transpiration and remote sensing
data. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Predição de rendimentos | por |
dc.subject | Sensoriamento remoto | por |
dc.subject | Soja | por |
dc.subject | Imagens multiespectrais | por |
dc.subject | Classificação supervisionada | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Yield prediction | eng |
dc.subject | Remote sensing | eng |
dc.subject | Soybeans | eng |
dc.subject | Multispectral images | eng |
dc.subject | Supervised classification | eng |
dc.subject | Machine learning | eng |
dc.title | Combinação de imagens multi-espectrais e modelo de balanço hídrico para predição de rendimentos da soja no Sul do Brasil | por |
dc.title.alternative | Combining high resolution multispectral images and soilwater balance model to estimate soybean water requirements in Southern Brazil | eng |
dc.type | Dissertação | por |
dc.description.resumo | As mudanças climáticas nos últimos anos projetam um horizonte em que os recursos
hídricos se tornem cada vez mais escassos e, por este motivo, irão afetar consideravelmente
a produção de alimentos no mundo. Um desafio constante para a agricultura é manter o nível
de produção elevado e empregar de forma inteligente e racional a água em complemento
às condições climáticas para que se possa obter o melhor rendimento com precisão na aplicação
de irrigação. Atualmente, o sensoriamento remoto permite o monitoramento contínuo das
culturas, sobretudo em virtude das correspondências do estresse hídrico e das características
biofísicas da vegetação durante seu crescimento. A combinação de índices de vegetação com
as características da planta analisadas em nível de campo fornecem informações valiosas ao
manejo e monitoramento de irrigação durante o desenvolvimento das culturas. Neste estudo,
foram analisadas as características da cultura da soja (Glycine Max), na região central do Rio
Grande do Sul, Brasil, para área com total disponibilidade hídrica e área de sequeiro. Dados
em campo foram coletados durante todo o período de cultivo, registrando informações como
estádio fenológico, fração de cobertura do solo, índice de área foliar, altura da planta e rendimento
dos grãos. Estes dados foram usados tanto para simulação, quanto para a origem do
modelo de predição de rendimento, utilizando coeficientes de cultura da soja gerados com índices
de vegetação para classificação dos dados obtidos pelo mapa de rendimento fornecido pela
colhedora ao final da safra. O experimento e coleta de dados foram estabelecidos nos meses
de novembro de 2017 à abril de 2018. Os resultados dos coeficientes de cultura estimados com
NDVI mostraram uma relação consistente com os dados encontrados no simulador SimDualKc
para área irrigada e sequeiro, com fatores de correlação superiores 90% e coeficiente de regressão
iguais a 1. Tais indicadores representam que tanto a tendência quanto as estimativas
estão próximas dos valores simulados. Isso ressalta que a demanda transpirativa da soja, com
o coeficiente basal Kcb, pode ser avaliada por meio de sensoriamento remoto em apoio ao manejo
de irrigação. Estes coeficientes basais foram confrontados com o mapa de colheita e seus
valores de rendimento de grãos considerando 22 imagens de satélite. Por meio de abordagens
de aprendizado de máquina, encontrou-se valores de acurácia superiores a 90% considerando
Kcb, pelo classificador de árvore de decisão. Adicionando coeficientes simulados com os coeficientes
de sensoriamento remoto, o classificador Adaboost se mostrou mais eficiente para
predição das oscilações de rendimento, com acurácia de 97,1%. O presente trabalho apresenta
resultados que implicam que é possível classificar rendimentos para a cultura da soja, baseado
na na transpiração da planta e dados de sensoriamento remoto. | por |
dc.contributor.advisor1 | Lima, João Carlos Damasceno | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8369217264362638 | por |
dc.contributor.advisor-co1 | Petry, Mirta Teresinha | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/0358609083747198 | por |
dc.contributor.referee1 | Trois, Celio | |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/1906595965183698 | por |
dc.contributor.referee2 | Martins, Juliano Dalcin | |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/5624403392916420 | por |
dc.creator.Lattes | http://lattes.cnpq.br/2751195010568150 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Ciência da Computação | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |