Avaliação da eficiência do uso da mineração de dados clássica e espacial na estimativa de produtividade de grãos em imagens obtidas por meio de aeronave remotamente pilotada

• Main Author: Viniski, Antônio David
• Publication Date: 2018
• Format: Master thesis
• Language: por
• Source: Biblioteca Digital de Teses e Dissertações da UEPG
• Download full: http://tede2.uepg.br/jspui/handle/prefix/2490
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Mineração de dados espaciais; sensoriamento remoto; aprendizado de máquina; resolução espacial; drone; krigagem.; spatial data mining; remote sensing; machine learning; spatial resolution; drone; kriging

O sensoriamento remoto agrícola tem fornecido um volumoso conjunto de dados espaciais, os quais podem ser utilizados em diferentes segmentos, como na estimativa de produtividade de grãos. Dentre as tecnologias empregadas no SR, a utilização de aeronaves remotamente pilotadas (RPA) na agricultura vêm crescendo, sendo uma alternativa na obtenção de dados para a estimativa de produtividade. Porém, esses conjuntos de dados gerados demandam métodos e técnicas capazes de extrair informações úteis e relevantes dos mesmos. Algumas técnicas de geoestatística, como a krigagem, têm sido empregadas, mas a utilização da mineração de dados (MD), assim como da mineração de dados espaciais (MDE), podem ser alternativas viáveis para suprir essa demanda. Este trabalho teve como objetivo avaliar o uso de técnicas de MD e MDE na estimativa da produtividade de grãos de soja e trigo, utilizando dados de imagens obtidas por meio de RPA. A área de estudo localiza-se no município de Piraí do Sul, Paraná. Foi utilizada uma RPA de asa fixa para o acompanhamento das culturas de soja e trigo. No imageamento do trigo foram utilizadas duas câmeras, uma com a captura de imagens no espectro visível (RGB), e outra no infravermelho próximo (NIR), tendo sendo analisadas também as resoluções espaciais de 10 e 20 cm/pixel para cada câmera. Para a soja apenas a câmera RGB foi utilizada e as resoluções espaciais sobrevoadas foram 10, 20 e 26 cm/pixel. Os dados do atributo meta, a produtividade das culturas, foram obtidos por meio de colhedoras de precisão. Os atributos de predição, correspondendo aos valores das bandas espectrais e altitude do terreno, foram submetidos aos algoritmos de MD empregando as técnicas de regressão linear múltipla (RLM), redes neurais artificiais (RNA) e máquina de vetores de suporte para regressão (SVR). Para a MDE, foi utilizado o modelo aditivo generalizado (GAM). Para fins de comparação, os dados foram também analisados pelo método tradicional de krigagem. As técnicas foram testadas considerando duas abordagens principais: (i) utilizando apenas as bandas espectrais para estimativa e, (ii) utilizando as bandas espectrais e os valores de altitude do terreno. Para a MD clássica, os melhores resultados foram obtidos com a técnica SVR, utilizando o kernel Laplacian. Na MDE, o método GAM com a função de ajuste gaussiana apresentou os melhores resultados. Tanto para as técnicas clássicas de MD como para a MDE, a incorporação da altitude nos modelos de regressão possibilitou aumento considerável nos coeficientes de correlação e determinação, com consequente diminuição no erro (RMSE). Os valores de correlação obtidos com a MDE foram semelhantes aos obtidos com o método de krigagem, porém a MDE foi mais eficiente em avaliar o impacto dos atributos de predição (valores das bandas espectrais e altitude) na estimativa do atributo meta. Com isso, conclui-se que a MDE mostra-se viável de ser utilizada como ferramenta na geração de modelos para estimativa de produtividade de grãos com base em dados de imagens de RPA.