Mapeamento de feições agrícolas através de redes neurais artificiais com fotos obtidas por veículo aéreo não-tripulado (VANT)

Página do item simplificado
dataload.collectionmapped01 - Doutorado - Agronomiapt_BR
dataload.filenamenourau988.pdfpt_BR
dataload.handlemapped123456789/2pt_BR
dataload.idpergamum120460pt_BR
dataload.idvirtuanourauvtls000125742pt_BR
dataload.idvirtuapergamumvtls000125742pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000125742pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000125742pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorGuimarães, Maria de Fátima [Orientador]pt_BR
dc.contributor.authorPereira Neto, Osvaldo Coelhopt_BR
dc.contributor.bancaValério Filho, Máriopt_BR
dc.contributor.bancaCainzos, Rigoberto Lázaro Prietopt_BR
dc.contributor.bancaFelinto, Alan Salvanypt_BR
dc.contributor.bancaFontes, Maurício Paulo Ferreirapt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T13:09:03Z
dc.date.available2024-05-01T13:09:03Z
dc.date.created2007.00pt_BR
dc.date.defesa09.02.2007pt_BR
dc.description.abstractResumo: A evolução da tecnologia aplicada a agricultura coloca os setores da pesquisa agrícola, atualmente, perante um novo paradigma: o da "Agricultura de Precisão"; muitas pesquisas tem sido conduzidas ao mapeamento da fertilidade do solo, e pouco tem sido feito com relação ao mapeamento de plantas daninhas nas lavouras O objetivo deste trabalho é produzir um mapeamento preciso das infestações de plantas invasoras em uma cultura de soja, utilizando fotos obtidas através de aeromodelos radiocontrolados Na primeira etapa do trabalho, com uma foto do aeromodelo sobre a soja, foram feitas várias classificações digitais com os classificadores Maxver, MaxverICM, Bhattacharya, Distância Euclidiana e Redes Neurais e comparadas com uma classificação feita manualmente (tomada como sendo a verdade terrestre), para se avaliar a porcentagem de acerto total O melhor classificador foi o de Redes Neurais Em uma segunda etapa, foram obtidas fotos aéreas por aeromodelo de controle remoto em culturas de cana-de-açúcar, na fase inicial de crescimento, para avaliar falhas de plantio através de processamento de imagens e do classificador por Redes Neurais A partir do processamento de imagens foi possível a identificação e a quantificação das falhas de plantio na lavoura de cana-de-açúcar Além das falhas foram identificadas áreas com alteração na lavoura, indicativo de alguma anormalidade, como Migdolus sp, nematóide, etc Estas anormalidades foram classificadas e mapeadas O desempenho das Redes Neurais foi satisfatório em todas as situações analisadas Na terceira e última etapa, foi desenvolvido um software de uniformização de temas para se avaliar a melhoria da precisão de mapeamento sobre a foto de cultura de soja contendo infestação de planta daninha, usada na primeira etapa Testou-se vários graus de intensidade de uniformização; cada nova imagem gerada com a aplicação da uniformização foi interseccionada com a imagem "verdade terrestre" também da primeira etapa Todas as matrizes de erro foram avaliadas a partir de 3 índices de precisão de mapeamento: Exatidão Global, Tau e Kappa Observou-se um aumento da precisão de mapeamento com o aumento da intensidade de uniformização de temas até um grau de intensidade máximo de 14 pixels, a partir do qual a precisão começou a decair O classificador por Redes Neurais mostrou-se uma ferramenta muito eficaz na geração dos mapas temáticos deste trabalho, podendo ser melhorada a precisão de mapeamento desse mapa com aplicação de técnicas de uniformização de temaspt_BR
dc.description.abstractother1Abstract: The evolution of the technology applied to agriculture places the sectors of the agricultural research, nowadays, before a new paradigm: the "Precision Agriculture"; many researches have been conducted to the mapping of the soil fertility, and little has been done related to the mapping of the weed in crops The aim of this work is to produce a precise mapping of the infestations of invading plants into a soy plantation, using photos obtained by radio-controlled aeromodels In the first stage of this work, with a photo taken by the aeromodel over the soy, several digital classifications were made with the classifiers Maxver, Maxver-ICM, Bhattacharya, Euclidian Distance and Neural Networks and compared to a classification made manually (taken as being the terrestrial truth), in order to evaluate the percentage of total findings The best classifier was the one of Neural Networks In a second stage, aerial photos of sugarcane plantation were obtained through remote control aeromodel, in the initial growing stage, in order to evaluate the failures of farming through image processing and the Neural Network classifier From the image processing, it was possible the identification and the quantification of the failures of farming in the sugarcane field Besides the failures, areas with alteration in the fields were identified and mapped, indicating some abnormality, like Migdolus sp, nematodes, etc The Neural Networks performance was satisfactory in all of the analysed situation In the third and last stage, a post-classification software was developed in order to evaluate the improvement of the precision of the mapping on the photo of the soy plantation containing weed infestation, used in the first stage Several smoothing intensity degrees have been tested; each new image generated with the application of the smoothing was intersectioned with the image of the "terrestrial truth" also from the first stage All of the error matrixes were evaluated from 3 indexes of mapping precision: Global Exactness, Tau and Kappa It was observed an increase of the mapping precision with the increase of the intensity of smoothing of themes until a maximum degree of intensity of 14 pixels, from where the precision started falling The classifier through Neural Networks has appeared as a very effective tool in the generation of thematic maps in this work, where the mapping precision of these maps can be improved with the application of post-classification techniquespt_BR
dc.description.notesTese (Doutorado em Agronomia) - Universidade Estadual de Londrina, Centro de Ciências Agrárias, Programa de Pós-Graduação em Agronomiapt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/10962
dc.languagepor
dc.relation.coursedegreeDoutoradopt_BR
dc.relation.coursenameAgronomiapt_BR
dc.relation.departamentCentro de Ciências Agráriaspt_BR
dc.relation.ppgnamePrograma de Pós-graduação em Agronomiapt_BR
dc.subjectAgricultura de precisãopt_BR
dc.subjectVegetaçãopt_BR
dc.subjectMapeamentopt_BR
dc.subjectAgricultura e tecnologiapt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectPrecision farmingpt_BR
dc.subjectVegetation mappingpt_BR
dc.subjectNeural networks (Computer science)pt_BR
dc.titleMapeamento de feições agrícolas através de redes neurais artificiais com fotos obtidas por veículo aéreo não-tripulado (VANT)pt_BR
dc.typeTesept_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
988.pdf
Tamanho:
2.95 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

01 - Doutorado - Agronomia