dc.creator | Schwalbert, Raí Augusto | |
dc.date.accessioned | 2020-02-06T12:04:21Z | |
dc.date.available | 2020-02-06T12:04:21Z | |
dc.date.issued | 2019-09-10 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/19493 | |
dc.description.abstract | As global food security issues become increasingly challenging, reliable estimates of crop yields are
becoming more imperative than ever for the scientific community. Today, with greater ease of
accessing remote sensing data from satellite-embedded sensors, this source of information has become
very promising for developing crop yield forecast models. Nevertheless, the use of such models is still
limited in most operational efforts to monitor crop yield at different geographic scales. In general,
satellite-based yield forecast models can be evaluated by considering three aspects: i) the accuracy of
the predictions; ii) the date when the yield forecast is released in relation to the crop harvest date; and
iii) the spatial scale of the forecasting unit, (e.g. country, state, county, field, etc.). The main objectives
of this study were: i) to develop a complete model based on satellite images capable of predicting corn
(in the US Corn Belt) and soybean (in the state of Rio Grande do Sul – Brazil) in county and
municipality levels, respectively; ii) evaluate the performance of the model after the inclusion of
weather variables along with satellite derived vegetation indices; iii) test different machine learning
algorithms to predict yield at the regional level; and iv) evaluate the generalization capacity of
predictive models developed at field level when applied to fields in different regions from which they
were parameterized. The main results were: i) satellite-based predictive models and weather variables
can anticipate corn yield by up to 122 days (approximately 16 days prior to the first USDA/NASS
state-level corn yield report) with an mean absolute error of less than 1 Mg ha-1, and soybean yield by
up to 70 days with an mean absolute error of 0.42 Mg ha-1; ii) air temperature, canopy surface
temperature and vapor pressure deficit improved model performance in relation to models based only
on vegetation indices (NDVI and EVI); iii) the Long Short Term Memory Neural Network algorithm
performed better compared to the other algorithms tested (e.g. random forest and ordinary least
squares regression); and iv) the models parameterized at field level presented limited generalization
capacity outside the limits where they were adjusted, but similarities in the data distribution used for
model parameterization can provide guidance on how they can be extrapolated. The results presented
in this study have potential to assist farmers and policy makers in the decision making process. Future
studies on this topic should explore the fusion of mechanistic (process-based) with empirical models in
order to increase the spatio-temporal limits of predictability and make models less dependent on third
party data. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | por |
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 | Imagens de satélite | por |
dc.subject | Predição de produtividade | por |
dc.subject | Aprendizagem de máquina | por |
dc.subject | Satellite imagery | eng |
dc.subject | Yield forecast | eng |
dc.subject | Machine learning | eng |
dc.title | Imagens de satélite para predição espaço-temporal da produtividade de milho e soja em diferentes escalas geográficas | por |
dc.title.alternative | Satellite imagery for spatio-temporal corn and soybean yield prediction at different geographical levels | eng |
dc.type | Tese | por |
dc.description.resumo | À medida que as questões relacionadas à segurança alimentar global se tornam cada vez mais
desafiadores, estimativas confiáveis da produtividade de culturas agrícolas passam a ser mais
imperativas do que nunca para a comunidade científica. Atualmente, com a maior facilidade de acesso
a dados provenientes de sensores embarcados em satélites, essa fonte de informação tem se tornado
muito promissora para o desenvolvimento de modelos de previsão de produtividade de culturas
agrícolas. Apesar disso, seu uso ainda é limitado na maioria dos esforços operacionais para monitorar
produtividade em diferentes escalas geográficas. De maneira geral, os modelos de previsão de
produtividade baseados em imagens de satélite podem ser avaliados considerando três aspectos: i) a
acurácia das previsões; ii) a antecedência com que a previsão é realizada em relação à data de colheita;
e iii) a escala espacial da unidade de previsão, (e.g. país, estado, município, área agrícola, etc.). Os
principais objetivos desse estudo foram: i) desenvolver um modelo de previsão de produtividade com
base em imagens de satélite capazes de predizer a produtividade da cultura do milho (no Corn Belt dos
Estados Unidos) e da soja (no estado do Rio Grande do Sul- Brasil) nos níveis de condado e
município, respectivamente; ii) avaliar o desempenho do modelo após a inclusão de variáveis
meteorológicas juntamente aos índices de vegetação derivados de satélite; iii) testar diferentes
algoritmos de aprendizado de máquina para prever a produtividade em nível regional; e iv) avaliar a
capacidade de generalização dos modelos preditivos desenvolvidos em nível de área agrícola quando
aplicados para áreas localizadas em diferentes regiões em relação à onde eles foram parametrizados.
Os principais resultados foram: i) modelos preditivos baseados em imagens de satélite e variáveis
meteorológicas podem antecipar a produtividade da cultura do milho em até 122 dias
(aproximadamente 16 dias antes do primeiro relatório de produtividade de milho em nível estadual da
USDA/NASS) com um erro médio absoluto menor que 1 Mg ha-1, e em até 70 dias para a soja com
erro médio absoluto de 0,42 Mg ha-1; ii) temperatura do ar, temperatura da superfície do dossel e
deficit de pressão de vapor melhoraram o desempenho dos modelos em relação aos modelos baseados
apenas em índices de vegetação (NDVI e EVI); iii) o algoritmo Long Short Term Neural Network
apresentou desempenho superior em comparação com os outros algoritmos testados (e.g. random
forest e regressão ordinária de mínimos quadrados); iv) os modelos de previsão de produtividade
parametrizados em nível de área agrícola apresentaram capacidade de generalização limitada fora dos
limites onde foram ajustados, mas as semelhanças nos dados usados para parametrização do modelo
podem fornecer diretrizes de como eles podem ser extrapolados. Os resultados apresentados nesse
estudo têm potencial para auxiliar agricultores e agentes formuladores de políticas durante o processo
de tomada de decisão. Estudos futuros sobre esse tópico devem explorar a fusão de modelos
mecanísticos (baseados em processos) com modelos empíricos, a fim de aumentar os limites espaçotemporais
de predicabilidade e tornar os modelos menos dependente de dados oriundos de terceiros. | por |
dc.contributor.advisor1 | Amado, Telmo Jorge Carneiro | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8591926237097756 | por |
dc.contributor.referee1 | Ciampitti, Ignacio | |
dc.contributor.referee1Lattes | Sem currículo lattes. | por |
dc.contributor.referee2 | Peralta, Nahuel | |
dc.contributor.referee3 | Amaral, Lúcio de Paula | |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/6612592358172016 | por |
dc.contributor.referee4 | Bredemeier, Christian | |
dc.contributor.referee4Lattes | http://lattes.cnpq.br/0364795290228832 | por |
dc.creator.Lattes | http://lattes.cnpq.br/4972203586342021 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Engenharia Agrícola | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Agrícola | por |
dc.subject.cnpq | CNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA | por |
dc.publisher.unidade | Centro de Ciências Rurais | por |