Identificação de áreas de regadio em imagens de observação da terra
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/160628 |
Resumo: | O aumento da população leva a que produção agrícola também aumente. A agricultura irrigada representa 70% de toda a água retirada de lagos, rios e aquíferos subterrâneos, sendo a sua monitorização um processo importante. Com o objetivo de melhorar a eficiência do re-gadio e de técnicas agrícolas mais sustentáveis, o Remote Sensing desempenha um papel fun-damental. Com a crescente utilização de satélites para a observação da Terra é possível realizar estudos mais completos e precisos sobre o planeta. As imagens multiespetrais provenientes, por exemplo, do Sentinel são de grande utilidade, uma vez que cada tipo diferente de ocupa-ção do solo apresenta diferentes refletâncias, podendo assim ser usadas para classificações de vários tipos. Nesta dissertação é proposta uma metodologia que engloba a obtenção dos dados e o seu tratamento. A partir destes são calculados índices de vegetação que irão ajudar nos pro-cessos de classificação. Posteriormente são selecionados os melhores atributos para a identi-ficação de Áreas de Cultivo. De entre os algoritmos de Machine Learning foram testados o Random Forest, Artificial Neural Networks e Support Vector Machine, sendo o que obteve um menor erro de classificação o Random Forest. Numa fase final da dissertação para distinguir as Áreas de Cultivo em áreas irrigadas e não irrigadas, é feito o levantamento do valor máximo do NDVI (Normalized Difference Vegetation Index) de cada pixel ao longo de todas as datas das observações feitas. Cada um destes valores é depois comparado com um threshold, sendo o produto final uma imagem classificada com as seguintes classes: Outra Ocupação de Solo, Área não irrigada e Área irrigada. Foram obtidos resultados satisfatórios. |
id |
RCAP_bd05db8e991f7c5d5c8f08de9183d234 |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/160628 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Identificação de áreas de regadio em imagens de observação da terraÁreas de RegadioObservação da TerraRemote SensingSentinel-2Imagens MultiespetraisMachine LearningDomínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaO aumento da população leva a que produção agrícola também aumente. A agricultura irrigada representa 70% de toda a água retirada de lagos, rios e aquíferos subterrâneos, sendo a sua monitorização um processo importante. Com o objetivo de melhorar a eficiência do re-gadio e de técnicas agrícolas mais sustentáveis, o Remote Sensing desempenha um papel fun-damental. Com a crescente utilização de satélites para a observação da Terra é possível realizar estudos mais completos e precisos sobre o planeta. As imagens multiespetrais provenientes, por exemplo, do Sentinel são de grande utilidade, uma vez que cada tipo diferente de ocupa-ção do solo apresenta diferentes refletâncias, podendo assim ser usadas para classificações de vários tipos. Nesta dissertação é proposta uma metodologia que engloba a obtenção dos dados e o seu tratamento. A partir destes são calculados índices de vegetação que irão ajudar nos pro-cessos de classificação. Posteriormente são selecionados os melhores atributos para a identi-ficação de Áreas de Cultivo. De entre os algoritmos de Machine Learning foram testados o Random Forest, Artificial Neural Networks e Support Vector Machine, sendo o que obteve um menor erro de classificação o Random Forest. Numa fase final da dissertação para distinguir as Áreas de Cultivo em áreas irrigadas e não irrigadas, é feito o levantamento do valor máximo do NDVI (Normalized Difference Vegetation Index) de cada pixel ao longo de todas as datas das observações feitas. Cada um destes valores é depois comparado com um threshold, sendo o produto final uma imagem classificada com as seguintes classes: Outra Ocupação de Solo, Área não irrigada e Área irrigada. Foram obtidos resultados satisfatórios.The increase in population means that agricultural production also increases. Irrigated agriculture represents 70% of all water withdrawn from lakes, rivers and underground aquifers, and its monitoring is an important process. Aiming to improve the efficiency of irrigation and more sustainable agricultural techniques, Remote Sensing plays a fundamental role. With the growing use of satellites for Earth observation, it is possible to carry out more complete and accurate studies of the planet. The multispectral images coming from, for exam-ple, Sentinel are very useful, since each different type of land cover has different reflectances, so they can be used for classifications of different types. This dissertation proposes a methodology that encompasses data collection and treat-ment. From these, vegetation indices are calculated that will help in the classification processes. Subsequently, the best attributes are selected for the identification of Cultivation Areas, as well as the best Machine Learning algorithm to execute it. Among these algorithms, Random Forest, Artificial Neural Networks and Support Vector Machine are tested, and the one with the small-est classification error is Random Forest. In a final stage of the dissertation, to distinguish the Cultivation Areas in irrigated and non-irrigated areas, the maximum NDVI value of each pixel is surveyed throughout all the dates of the observations made. Each of these values is then compared with a threshold, with the final product being an image classified into the following classes: Other Land Occupation, Non-irrigated area and Irrigated area. Satisfactory results were obtained.Mora, AndréRUNMargarido, Ricardo Amado2023-11-28T20:31:11Z2022-022022-02-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/160628porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-03-11T05:43:16Zoai:run.unl.pt:10362/160628Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:58:06.147456Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Identificação de áreas de regadio em imagens de observação da terra |
title |
Identificação de áreas de regadio em imagens de observação da terra |
spellingShingle |
Identificação de áreas de regadio em imagens de observação da terra Margarido, Ricardo Amado Áreas de Regadio Observação da Terra Remote Sensing Sentinel-2 Imagens Multiespetrais Machine Learning Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Identificação de áreas de regadio em imagens de observação da terra |
title_full |
Identificação de áreas de regadio em imagens de observação da terra |
title_fullStr |
Identificação de áreas de regadio em imagens de observação da terra |
title_full_unstemmed |
Identificação de áreas de regadio em imagens de observação da terra |
title_sort |
Identificação de áreas de regadio em imagens de observação da terra |
author |
Margarido, Ricardo Amado |
author_facet |
Margarido, Ricardo Amado |
author_role |
author |
dc.contributor.none.fl_str_mv |
Mora, André RUN |
dc.contributor.author.fl_str_mv |
Margarido, Ricardo Amado |
dc.subject.por.fl_str_mv |
Áreas de Regadio Observação da Terra Remote Sensing Sentinel-2 Imagens Multiespetrais Machine Learning Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Áreas de Regadio Observação da Terra Remote Sensing Sentinel-2 Imagens Multiespetrais Machine Learning Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
O aumento da população leva a que produção agrícola também aumente. A agricultura irrigada representa 70% de toda a água retirada de lagos, rios e aquíferos subterrâneos, sendo a sua monitorização um processo importante. Com o objetivo de melhorar a eficiência do re-gadio e de técnicas agrícolas mais sustentáveis, o Remote Sensing desempenha um papel fun-damental. Com a crescente utilização de satélites para a observação da Terra é possível realizar estudos mais completos e precisos sobre o planeta. As imagens multiespetrais provenientes, por exemplo, do Sentinel são de grande utilidade, uma vez que cada tipo diferente de ocupa-ção do solo apresenta diferentes refletâncias, podendo assim ser usadas para classificações de vários tipos. Nesta dissertação é proposta uma metodologia que engloba a obtenção dos dados e o seu tratamento. A partir destes são calculados índices de vegetação que irão ajudar nos pro-cessos de classificação. Posteriormente são selecionados os melhores atributos para a identi-ficação de Áreas de Cultivo. De entre os algoritmos de Machine Learning foram testados o Random Forest, Artificial Neural Networks e Support Vector Machine, sendo o que obteve um menor erro de classificação o Random Forest. Numa fase final da dissertação para distinguir as Áreas de Cultivo em áreas irrigadas e não irrigadas, é feito o levantamento do valor máximo do NDVI (Normalized Difference Vegetation Index) de cada pixel ao longo de todas as datas das observações feitas. Cada um destes valores é depois comparado com um threshold, sendo o produto final uma imagem classificada com as seguintes classes: Outra Ocupação de Solo, Área não irrigada e Área irrigada. Foram obtidos resultados satisfatórios. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-02 2022-02-01T00:00:00Z 2023-11-28T20:31:11Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10362/160628 |
url |
http://hdl.handle.net/10362/160628 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799138162425987072 |