Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis

Detalhes bibliográficos
Autor(a) principal: Marcio Pupin Mello
Data de Publicação: 2013
Tipo de documento: Tese
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações do INPE
Texto Completo: http://urlib.net/sid.inpe.br/mtc-m19/2013/09.17.18.58
Resumo: Informações agrícolas confiáveis tem se tornado cada vez mais importantes para os tomadores de decisões. Especialmente quando são obtidas em tempo hábil, essas informações são altamente relevantes para o planejamento estratégico do país. Apesar de o sensoriamento remoto mostrar-se promissor para aplicações em mapeamento agrícola, com potencial de melhorar as estatísticas agrícolas oficiais, esse potencial não tem sido amplamente explorado. Existem poucos exemplos bem sucedidos do uso operacional do sensoriamento remoto para mapeamento sistemático de culturas agrícolas e, para garantir resultados precisos, eles são fortemente baseados em interpretação visual de imagens. De fato, apesar dos substanciais avanços em análise de dados de sensoriamento remoto, novas técnicas para automatizar a análise de dados em sensoriamento remoto com aplicações agrícolas são desejáveis, especialmente no propósito de manter a consistência e a precisão dos resultados. Neste contexto, existe uma demanda crescente pelo desenvolvimento e implementação de métodos automatizados de análise de dados de sensoriamento remoto com aplicações em agricultura. Assim, o principal objetivo desta tese é propor o desenvolvimento e a implementação de métodos para automatizar a análise de dados de sensoriamento remoto em aplicações agrícolas, com foco na consistência e precisão dos resultados. Este documento foi escrito como uma coleção de dois artigos, cada um com foco nos seguintes pontos: (i) análise multitemporal, multiespectral e multisensor, permitindo a descrição das variações espectrais de alvos agrícolas ao longo do tempo; e (ii) inteligência artificial na modelagem de fenômenos usando dados de sensoriamento remoto e informações complementares de maneira integrada. Dois estudos de caso referentes ao mapeamento da colheita da cana em São Paulo e ao mapeamento da soja no Mato Grosso foram usados para testar as metodologias batizadas de STARS e BayNeRD, respectivamente. Os resultados dos testes confirmaram que ambos os métodos propostos foram capazes de automatizar processos de análises de dados de sensoriamento remoto com aplicações agrícolas, com consistência e precisão.
id INPE_38e166655746b334e84233ee79ebbd4a
oai_identifier_str oai:urlib.net:sid.inpe.br/mtc-m19/2013/09.17.18.58.16-0
network_acronym_str INPE
network_name_str Biblioteca Digital de Teses e Dissertações do INPE
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisSpectral-temporal and Bayesian methods for agricultural remote sensing data analysisMétodos Espectro-temporal e Bayesiano para análise de dados em sensoriamento remoto agrícola2013-08-19Bernado Friedrich Theodor RudorffRafael Duarte Coelho dos SantosGetúlio Teixeira BatistaCarlos Antônio Oliveira VieiraMarcio Pupin MelloInstituto Nacional de Pesquisas Espaciais (INPE)Programa de Pós-Graduação do INPE em Sensoriamento RemotoINPEBRspectral-temporal response surfacesugarcane pre-harvest burningBayesian Networkplausible reasoningsoybean mappingsuperfície de resposta espectro-temporalqueima da palha na pré-colheita da cana-de-açúcarrede Bayesianalógica racionalmapeamento da sojaInformações agrícolas confiáveis tem se tornado cada vez mais importantes para os tomadores de decisões. Especialmente quando são obtidas em tempo hábil, essas informações são altamente relevantes para o planejamento estratégico do país. Apesar de o sensoriamento remoto mostrar-se promissor para aplicações em mapeamento agrícola, com potencial de melhorar as estatísticas agrícolas oficiais, esse potencial não tem sido amplamente explorado. Existem poucos exemplos bem sucedidos do uso operacional do sensoriamento remoto para mapeamento sistemático de culturas agrícolas e, para garantir resultados precisos, eles são fortemente baseados em interpretação visual de imagens. De fato, apesar dos substanciais avanços em análise de dados de sensoriamento remoto, novas técnicas para automatizar a análise de dados em sensoriamento remoto com aplicações agrícolas são desejáveis, especialmente no propósito de manter a consistência e a precisão dos resultados. Neste contexto, existe uma demanda crescente pelo desenvolvimento e implementação de métodos automatizados de análise de dados de sensoriamento remoto com aplicações em agricultura. Assim, o principal objetivo desta tese é propor o desenvolvimento e a implementação de métodos para automatizar a análise de dados de sensoriamento remoto em aplicações agrícolas, com foco na consistência e precisão dos resultados. Este documento foi escrito como uma coleção de dois artigos, cada um com foco nos seguintes pontos: (i) análise multitemporal, multiespectral e multisensor, permitindo a descrição das variações espectrais de alvos agrícolas ao longo do tempo; e (ii) inteligência artificial na modelagem de fenômenos usando dados de sensoriamento remoto e informações complementares de maneira integrada. Dois estudos de caso referentes ao mapeamento da colheita da cana em São Paulo e ao mapeamento da soja no Mato Grosso foram usados para testar as metodologias batizadas de STARS e BayNeRD, respectivamente. Os resultados dos testes confirmaram que ambos os métodos propostos foram capazes de automatizar processos de análises de dados de sensoriamento remoto com aplicações agrícolas, com consistência e precisão.Reliable agricultural statistics has become increasingly important to decision makers. Especially when timely obtained, agricultural information is highly relevant to the strategic planning of the country. Although remote sensing shows to be of great potential for agricultural mapping applications, with the benefit of further improving official agricultural statistics, its potential has not been fully explored. There are very few successful examples of operational remote sensing application for systematic mapping of agricultural crops, and they are strongly supported by visual image interpretation to allow accurate results. Indeed, despite the substantial advances in remote sensing data analysis, techniques to automate remote sensing data analysis focusing on agricultural mapping applications are highly valuable but have to maintain consistency and accuracy. In this context, there continues to be a demand for development and implementation of computer aided methods to automate the processes of analyzing remote sensing datasets for agriculture applications. Thus, the main objective of this thesis is to propose implementation of computer aided methodologies to automate, maintaining consistency and accuracy, processes of remote sensing data analyses focused on agricultural thematic mapping applications. This thesis was written as a collection of two papers related to a core theme, each addressing the following main points: (i) multitemporal, multispectral and multisensor image analysis that allow the description of spectral changes of agricultural targets over time; and (ii) artificial intelligence in modeling phenomena using remote sensing and ancillary data. Study cases of sugarcane harvest in São Paulo and soybean mapping in Mato Grosso were used to test the proposed methods named STARS and BayNeRD, respectively. The two methods developed and tested confirm that remotely sensed (and ancillary) data analysis can be automated with computer aided methods to model a range of cropland phenomena for agriculture applications, maintaining consistency and accuracy.http://urlib.net/sid.inpe.br/mtc-m19/2013/09.17.18.58info:eu-repo/semantics/openAccessengreponame:Biblioteca Digital de Teses e Dissertações do INPEinstname:Instituto Nacional de Pesquisas Espaciais (INPE)instacron:INPE2021-07-31T06:54:17Zoai:urlib.net:sid.inpe.br/mtc-m19/2013/09.17.18.58.16-0Biblioteca Digital de Teses e Dissertaçõeshttp://bibdigital.sid.inpe.br/PUBhttp://bibdigital.sid.inpe.br/col/iconet.com.br/banon/2003/11.21.21.08/doc/oai.cgiopendoar:32772021-07-31 06:54:18.499Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)false
dc.title.en.fl_str_mv Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis
dc.title.alternative.pt.fl_str_mv Métodos Espectro-temporal e Bayesiano para análise de dados em sensoriamento remoto agrícola
title Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis
spellingShingle Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis
Marcio Pupin Mello
title_short Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis
title_full Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis
title_fullStr Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis
title_full_unstemmed Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis
title_sort Spectral-temporal and Bayesian methods for agricultural remote sensing data analysis
author Marcio Pupin Mello
author_facet Marcio Pupin Mello
author_role author
dc.contributor.advisor1.fl_str_mv Bernado Friedrich Theodor Rudorff
dc.contributor.referee1.fl_str_mv Rafael Duarte Coelho dos Santos
dc.contributor.referee2.fl_str_mv Getúlio Teixeira Batista
dc.contributor.referee3.fl_str_mv Carlos Antônio Oliveira Vieira
dc.contributor.author.fl_str_mv Marcio Pupin Mello
contributor_str_mv Bernado Friedrich Theodor Rudorff
Rafael Duarte Coelho dos Santos
Getúlio Teixeira Batista
Carlos Antônio Oliveira Vieira
dc.description.abstract.por.fl_txt_mv Informações agrícolas confiáveis tem se tornado cada vez mais importantes para os tomadores de decisões. Especialmente quando são obtidas em tempo hábil, essas informações são altamente relevantes para o planejamento estratégico do país. Apesar de o sensoriamento remoto mostrar-se promissor para aplicações em mapeamento agrícola, com potencial de melhorar as estatísticas agrícolas oficiais, esse potencial não tem sido amplamente explorado. Existem poucos exemplos bem sucedidos do uso operacional do sensoriamento remoto para mapeamento sistemático de culturas agrícolas e, para garantir resultados precisos, eles são fortemente baseados em interpretação visual de imagens. De fato, apesar dos substanciais avanços em análise de dados de sensoriamento remoto, novas técnicas para automatizar a análise de dados em sensoriamento remoto com aplicações agrícolas são desejáveis, especialmente no propósito de manter a consistência e a precisão dos resultados. Neste contexto, existe uma demanda crescente pelo desenvolvimento e implementação de métodos automatizados de análise de dados de sensoriamento remoto com aplicações em agricultura. Assim, o principal objetivo desta tese é propor o desenvolvimento e a implementação de métodos para automatizar a análise de dados de sensoriamento remoto em aplicações agrícolas, com foco na consistência e precisão dos resultados. Este documento foi escrito como uma coleção de dois artigos, cada um com foco nos seguintes pontos: (i) análise multitemporal, multiespectral e multisensor, permitindo a descrição das variações espectrais de alvos agrícolas ao longo do tempo; e (ii) inteligência artificial na modelagem de fenômenos usando dados de sensoriamento remoto e informações complementares de maneira integrada. Dois estudos de caso referentes ao mapeamento da colheita da cana em São Paulo e ao mapeamento da soja no Mato Grosso foram usados para testar as metodologias batizadas de STARS e BayNeRD, respectivamente. Os resultados dos testes confirmaram que ambos os métodos propostos foram capazes de automatizar processos de análises de dados de sensoriamento remoto com aplicações agrícolas, com consistência e precisão.
dc.description.abstract.eng.fl_txt_mv Reliable agricultural statistics has become increasingly important to decision makers. Especially when timely obtained, agricultural information is highly relevant to the strategic planning of the country. Although remote sensing shows to be of great potential for agricultural mapping applications, with the benefit of further improving official agricultural statistics, its potential has not been fully explored. There are very few successful examples of operational remote sensing application for systematic mapping of agricultural crops, and they are strongly supported by visual image interpretation to allow accurate results. Indeed, despite the substantial advances in remote sensing data analysis, techniques to automate remote sensing data analysis focusing on agricultural mapping applications are highly valuable but have to maintain consistency and accuracy. In this context, there continues to be a demand for development and implementation of computer aided methods to automate the processes of analyzing remote sensing datasets for agriculture applications. Thus, the main objective of this thesis is to propose implementation of computer aided methodologies to automate, maintaining consistency and accuracy, processes of remote sensing data analyses focused on agricultural thematic mapping applications. This thesis was written as a collection of two papers related to a core theme, each addressing the following main points: (i) multitemporal, multispectral and multisensor image analysis that allow the description of spectral changes of agricultural targets over time; and (ii) artificial intelligence in modeling phenomena using remote sensing and ancillary data. Study cases of sugarcane harvest in São Paulo and soybean mapping in Mato Grosso were used to test the proposed methods named STARS and BayNeRD, respectively. The two methods developed and tested confirm that remotely sensed (and ancillary) data analysis can be automated with computer aided methods to model a range of cropland phenomena for agriculture applications, maintaining consistency and accuracy.
description Informações agrícolas confiáveis tem se tornado cada vez mais importantes para os tomadores de decisões. Especialmente quando são obtidas em tempo hábil, essas informações são altamente relevantes para o planejamento estratégico do país. Apesar de o sensoriamento remoto mostrar-se promissor para aplicações em mapeamento agrícola, com potencial de melhorar as estatísticas agrícolas oficiais, esse potencial não tem sido amplamente explorado. Existem poucos exemplos bem sucedidos do uso operacional do sensoriamento remoto para mapeamento sistemático de culturas agrícolas e, para garantir resultados precisos, eles são fortemente baseados em interpretação visual de imagens. De fato, apesar dos substanciais avanços em análise de dados de sensoriamento remoto, novas técnicas para automatizar a análise de dados em sensoriamento remoto com aplicações agrícolas são desejáveis, especialmente no propósito de manter a consistência e a precisão dos resultados. Neste contexto, existe uma demanda crescente pelo desenvolvimento e implementação de métodos automatizados de análise de dados de sensoriamento remoto com aplicações em agricultura. Assim, o principal objetivo desta tese é propor o desenvolvimento e a implementação de métodos para automatizar a análise de dados de sensoriamento remoto em aplicações agrícolas, com foco na consistência e precisão dos resultados. Este documento foi escrito como uma coleção de dois artigos, cada um com foco nos seguintes pontos: (i) análise multitemporal, multiespectral e multisensor, permitindo a descrição das variações espectrais de alvos agrícolas ao longo do tempo; e (ii) inteligência artificial na modelagem de fenômenos usando dados de sensoriamento remoto e informações complementares de maneira integrada. Dois estudos de caso referentes ao mapeamento da colheita da cana em São Paulo e ao mapeamento da soja no Mato Grosso foram usados para testar as metodologias batizadas de STARS e BayNeRD, respectivamente. Os resultados dos testes confirmaram que ambos os métodos propostos foram capazes de automatizar processos de análises de dados de sensoriamento remoto com aplicações agrícolas, com consistência e precisão.
publishDate 2013
dc.date.issued.fl_str_mv 2013-08-19
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
status_str publishedVersion
format doctoralThesis
dc.identifier.uri.fl_str_mv http://urlib.net/sid.inpe.br/mtc-m19/2013/09.17.18.58
url http://urlib.net/sid.inpe.br/mtc-m19/2013/09.17.18.58
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Instituto Nacional de Pesquisas Espaciais (INPE)
dc.publisher.program.fl_str_mv Programa de Pós-Graduação do INPE em Sensoriamento Remoto
dc.publisher.initials.fl_str_mv INPE
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Instituto Nacional de Pesquisas Espaciais (INPE)
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações do INPE
instname:Instituto Nacional de Pesquisas Espaciais (INPE)
instacron:INPE
reponame_str Biblioteca Digital de Teses e Dissertações do INPE
collection Biblioteca Digital de Teses e Dissertações do INPE
instname_str Instituto Nacional de Pesquisas Espaciais (INPE)
instacron_str INPE
institution INPE
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)
repository.mail.fl_str_mv
publisher_program_txtF_mv Programa de Pós-Graduação do INPE em Sensoriamento Remoto
contributor_advisor1_txtF_mv Bernado Friedrich Theodor Rudorff
_version_ 1706809355553210368

Registros relacionados