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: | |
---|---|
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 |
Summary: | 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. |
id |
UEPG_64cc167e6d2f33cdf072dd0d24d57cb7 |
---|---|
oai_identifier_str |
oai:tede2.uepg.br:prefix/2490 |
network_acronym_str |
UEPG |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UEPG |
repository_id_str |
|
spelling |
Guimarães, Alaine Margaretehttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4705808J5Caires, Eduardo FáveroRocha, Josè Carlos Ferreira daJoris, Helio Antoniohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4302841T8Viniski, Antônio David2018-05-08T17:08:26Z2018-05-082018-05-08T17:08:26Z2018-03-16VINISKI, Antônio David. 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. 2018, 64f. Dissertação (Mestrado em Computação Aplicada), Universidade Estadual de Ponta Grossa, 2018.http://tede2.uepg.br/jspui/handle/prefix/2490O 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.Agricultural remote sensing (RS) has provided a massive set of spatial data which can be used in different segments, such as in grain yield estimation. Among the technologies applied in RS, the use of remotely piloted aircraft (RPA) in agriculture is growing as an alternative to obtain data for estimating productivity. However, these generated data sets require methods and techniques capable of extracting useful and relevant information from them. Some geostatistics techniques have been applied, such as kriging, but the use of data mining (DM) as well as spatial data mining (SDM) can be viable alternatives to meet that demand. The goal of this work was to evaluate the use of DM and SDM techniques for estimating soybean and wheat grain yield using image data obtained by RPA. The study area is located in Piraí do Sul, Paraná State. A fixed wing RPA was used to monitor soybean and wheat crops. In wheat crop imaging two cameras were used, one to capture images in the visible spectrum (RGB), and the other one using the near infrared (NIR) spectrum. Also, it was analyzed the spatial resolutions of 10 and 20 cm / pixel for each camera. For soybean only the RGB camera was used and the overhead spatial resolutions were 10, 20 and 26 cm / pixel. The goal attribute data (crop yield), was obtained by precision harvester. The prediction attributes, corresponding to the values of spectral bands and terrain altitude, were submitted to DM algorithms using the multiple linear regression (MLR), artificial neural networks (ANN) and support vector regression (SVR) techniques. For SDM, the generalized additive model (GAM) was used. For comparison purposes, data were also analyzed by the traditional kriging method. The techniques were tested using two main approaches: (i) using only spectral bands for estimation and, (ii) using spectral bands and terrain altitude values. For classical DM, the best results were obtained with SVR technique, using the Laplacian kernel. The GAM method with the Gaussian fit function presented the best results for SDM. For both classical DM and SDM techniques, adding altitude in the regression models allowed a considerable increase in correlation and determination coefficients, with consequent decrease in error (RMSE). The correlation values obtained with SDM were similar to those obtained with kriging method, but SDM was more efficient in evaluating the impact of the prediction attributes (spectral bands and altitude) in the estimation of the goal attribute. Thus, it is concluded that SDM can be useful as a tool for estimating grain yield based on RPA image data.Submitted by Angela Maria de Oliveira (amolivei@uepg.br) on 2018-05-08T17:08:26Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Antonio David Viniski.pdf: 3962317 bytes, checksum: f5afcd11e4083b0ae065ae21490ac77f (MD5)Made available in DSpace on 2018-05-08T17:08:26Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Antonio David Viniski.pdf: 3962317 bytes, checksum: f5afcd11e4083b0ae065ae21490ac77f (MD5) Previous issue date: 2018-03-16Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Estadual de Ponta GrossaPrograma de Pós Graduação Computação AplicadaUEPGBrasilDepartamento de InformáticaAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOMineração de dados espaciaissensoriamento remotoaprendizado de máquinaresolução espacialdronekrigagem.spatial data miningremote sensingmachine learningspatial resolutiondronekrigingAvaliação 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 pilotadainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Biblioteca Digital de Teses e Dissertações da UEPGinstname:Universidade Estadual de Ponta Grossa (UEPG)instacron:UEPGLICENSElicense.txtlicense.txttext/plain; charset=utf-81866http://tede2.uepg.br/jspui/bitstream/prefix/2490/3/license.txt43cd690d6a359e86c1fe3d5b7cba0c9bMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811http://tede2.uepg.br/jspui/bitstream/prefix/2490/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52ORIGINALAntonio David Viniski.pdfAntonio David Viniski.pdfdissertação completa em pdfapplication/pdf3962317http://tede2.uepg.br/jspui/bitstream/prefix/2490/1/Antonio%20David%20Viniski.pdff5afcd11e4083b0ae065ae21490ac77fMD51prefix/24902018-05-08 14:08:26.543oai:tede2.uepg.br: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 Digital de Teses e Dissertaçõeshttps://tede2.uepg.br/jspui/PUBhttp://tede2.uepg.br/oai/requestbicen@uepg.br||mv_fidelis@yahoo.com.bropendoar:2018-05-08T17:08:26Biblioteca Digital de Teses e Dissertações da UEPG - Universidade Estadual de Ponta Grossa (UEPG)false |
dc.title.pt_BR.fl_str_mv |
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 |
title |
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 |
spellingShingle |
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 Viniski, Antônio David 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 |
title_short |
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 |
title_full |
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 |
title_fullStr |
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 |
title_full_unstemmed |
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 |
title_sort |
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 |
author |
Viniski, Antônio David |
author_facet |
Viniski, Antônio David |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Guimarães, Alaine Margarete |
dc.contributor.advisor1Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4705808J5 |
dc.contributor.advisor-co1.fl_str_mv |
Caires, Eduardo Fávero |
dc.contributor.referee1.fl_str_mv |
Rocha, Josè Carlos Ferreira da |
dc.contributor.referee2.fl_str_mv |
Joris, Helio Antonio |
dc.contributor.authorLattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4302841T8 |
dc.contributor.author.fl_str_mv |
Viniski, Antônio David |
contributor_str_mv |
Guimarães, Alaine Margarete Caires, Eduardo Fávero Rocha, Josè Carlos Ferreira da Joris, Helio Antonio |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
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 |
dc.subject.por.fl_str_mv |
Mineração de dados espaciais sensoriamento remoto aprendizado de máquina resolução espacial drone krigagem. spatial data mining remote sensing machine learning spatial resolution drone kriging |
description |
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. |
publishDate |
2018 |
dc.date.accessioned.fl_str_mv |
2018-05-08T17:08:26Z |
dc.date.available.fl_str_mv |
2018-05-08 2018-05-08T17:08:26Z |
dc.date.issued.fl_str_mv |
2018-03-16 |
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.citation.fl_str_mv |
VINISKI, Antônio David. 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. 2018, 64f. Dissertação (Mestrado em Computação Aplicada), Universidade Estadual de Ponta Grossa, 2018. |
dc.identifier.uri.fl_str_mv |
http://tede2.uepg.br/jspui/handle/prefix/2490 |
identifier_str_mv |
VINISKI, Antônio David. 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. 2018, 64f. Dissertação (Mestrado em Computação Aplicada), Universidade Estadual de Ponta Grossa, 2018. |
url |
http://tede2.uepg.br/jspui/handle/prefix/2490 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Estadual de Ponta Grossa |
dc.publisher.program.fl_str_mv |
Programa de Pós Graduação Computação Aplicada |
dc.publisher.initials.fl_str_mv |
UEPG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Departamento de Informática |
publisher.none.fl_str_mv |
Universidade Estadual de Ponta Grossa |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UEPG instname:Universidade Estadual de Ponta Grossa (UEPG) instacron:UEPG |
instname_str |
Universidade Estadual de Ponta Grossa (UEPG) |
instacron_str |
UEPG |
institution |
UEPG |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UEPG |
collection |
Biblioteca Digital de Teses e Dissertações da UEPG |
bitstream.url.fl_str_mv |
http://tede2.uepg.br/jspui/bitstream/prefix/2490/3/license.txt http://tede2.uepg.br/jspui/bitstream/prefix/2490/2/license_rdf http://tede2.uepg.br/jspui/bitstream/prefix/2490/1/Antonio%20David%20Viniski.pdf |
bitstream.checksum.fl_str_mv |
43cd690d6a359e86c1fe3d5b7cba0c9b e39d27027a6cc9cb039ad269a5db8e34 f5afcd11e4083b0ae065ae21490ac77f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UEPG - Universidade Estadual de Ponta Grossa (UEPG) |
repository.mail.fl_str_mv |
bicen@uepg.br||mv_fidelis@yahoo.com.br |
_version_ |
1797039458064793600 |