dc.creator | Melos, Natália Duarte | |
dc.date.accessioned | 2023-06-15T14:24:49Z | |
dc.date.available | 2023-06-15T14:24:49Z | |
dc.date.issued | 2023-03-09 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/29437 | |
dc.description.abstract | The highlight in the Brazilian economy is agribusiness, specifically grain production,
which takes place from north to south of the country. Farmers aim to increase their
production efficiency with minimal input usage on the same cultivated area. Precision
Agriculture aligns with this objective as an essential tool for detecting problems within
the property and aiding in decision-making processes. However, some productivity
variations cannot be explained solely by traditional mapping of variables; it is
necessary to perform analyses with multiple variables to find indicators that contribute
to understanding this scenario. The objective of this study was to define zones of
productive potential through multivariate analysis for an agricultural cultivation area
using data from various sources. The study was conducted in a commercial soybean
field covering 35.40 hectares with a sampling grid of one point every two hectares,
generating a database with altitude, clay content, soil fertility for the year 2018,
fertilization, corrections, and productivity (basic data). These data, combined with
remote sensing data (NDVI, NDRE, NDWI, and Surface Brightness Temperature) for
the four subsequent harvests following the sampling, increased the degree of data
utilization to intermediate and advanced levels. The mesh file was used to create
Voronoi polygons, and the data was tabulated and subjected to cluster analysis. The
polygons were grouped according to the dendrograms of each analysis based on the
data acquisition degree. The productivity data from the four harvests were used to
calculate the historical average productivity. The results formed the maps of zones of
potential productivity for each dendrogram of each cut and were compared to identify
the stabilization of zone formation. To choose the final map representing the
management areas, the maps were subjected to map algebra to find the map of zones
of potential productivity. Thus, the map that best represented the arrangement of zones
of potential productivity belonged to the intermediate category for the 2nd cut of the
dendrogram, comprising five zones of potential productivity ranging from very low to
very high productivity. The results were satisfactory, and the objective of the study was
achieved. The two methodologies for finding management zones and potential
productivity converged to the same arrangement in this study, incorporating not only
traditional Precision Agriculture data but also remote sensing data. However, in other
analyses, it is possible to include data on variable seed rates, rainfall, electrical
conductivity, and other variables. | 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 | Sensoriamento remoto | por |
dc.subject | Análise de clusters | por |
dc.subject | Mapas de colheita | por |
dc.subject | Remote sensing | eng |
dc.subject | Cluster analysis | eng |
dc.subject | Harvest maps | eng |
dc.title | Uso de análise multivariada para identificação de zonas de potenciais produtivos agrícolas | por |
dc.title.alternative | Using multivariate analysis for the identification of agricultural productive potential zones | eng |
dc.type | Dissertação | por |
dc.description.resumo | O destaque na economia brasileira é o agronegócio, em específico, a produção de
grãos que é realizada de norte a sul do país. Os agricultores objetivam cada vez mais
aumentar sua eficiência na produção com baixo uso de insumo na mesma porção de
área cultivada. A Agricultura de Precisão vem de encontro com esse objetivo, pois é
uma ferramenta essencial para detectar problemas dentro da propriedade e ajudar no
momento de tomadas de decisão. Porém, alguns problemas de variação na
produtividade não se explicam apenas com o mapeamento tradicional das variáveis,
é necessário realizar análises com múltiplas variáveis para encontrar os indicativos
que colaborem no entendimento deste cenário. O objetivo deste trabalho foi realizar
uma definição de zonas de potencial produtivo através de análise multivariada para
uma área de cultivo agrícola com dados de diversas fontes. O trabalho foi realizado
em uma lavoura comercial de 35,40 ha de soja com grid amostral de um ponto a cada
dois hectares, gerando um banco de dados com altitude, argila, fertilidade do solo do
ano de 2018, adubação, correções, produtividade (dados básicos) que aliados a
dados de sensoriamento remoto (NDVI, NDRE, NDWI e Temperatura de Brilho da
Superfície) para as quatro safras subsequentes à amostragem, elevaram o grau de
utilização de dados a pré-intermediário e avançado. O arquivo da malha foi utilizado
para criar os polígonos de voronoi e os dados foram tabulados e submetidos à análise
de cluster. Os polígonos foram agrupados conforme os dendrogramas de cada análise
de acordo com o grau de obtenção de dados. Os dados de produtividade das quatro
safras foram utilizados para realizar o cálculo da produtividade média histórica. Os
resultados compuseram os mapas de zonas de potencial produtividade para cada
dendrograma de cada corte e foram comparados para identificar a estabilização da
formação de zonas. Para escolha do mapa final para representar as áreas de manejo,
os mapas foram submetidos a álgebra de mapas para encontrar o mapa de zonas de
potencial produtivo. Com isso o mapa que melhor configurou o arranjo de zonas de
potencial produtivo foi da categoria intermediário para 2º corte do dendrograma, cinco
zonas de potencial produtivo, variando de muito baixa produtividade a muito alta
produtividade. Os resultados foram satisfatórios e o objetivo do trabalho foi alcançado,
as duas metodologias para encontrar as zonas de manejo e potencial produtivo
conseguiram convergir para o mesmo arranjo, neste estudo buscou trabalhar com,
além dos dados tradicionais da AP com dados de sensoriamento remoto. Porém, em
outras análises é possível agregar dados de taxa variada de semente, pluviosidade,
condutividade elétrica e outros IV. | por |
dc.contributor.advisor1 | Amaral, Lúcio de Paula | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6612592358172016 | por |
dc.contributor.advisor-co1 | Kayser, Luiz Patric | |
dc.contributor.referee1 | Sebem, Elódio | |
dc.contributor.referee2 | Moraes, Bibiana Silveira | |
dc.creator.Lattes | http://lattes.cnpq.br/7131856457004430 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Agronomia | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Agricultura de Precisão | por |
dc.subject.cnpq | CNPQ::CIENCIAS AGRARIAS::AGRONOMIA | por |
dc.publisher.unidade | Colégio Politécnico da UFSM | por |