Made available in DSpace on 2017-05-12T14:48:42Z (GMT). No. of bitstreams: 1 Claudio.pdf: 8512630 bytes, checksum: ab5b2087ffb29cad05f9d8e20d22b7fd (MD5) Previous issue date: 2011-12-12 / Water and soil conservation is essential for water resources management. Thus, conservationist actions are developed and applied in order to make part of a set of measures which enable the supply management, based on an appropriate recharge of the aquifers as well as the improvement of their quality, from the reduction of erosive processes and volume of effluents discharged in lakes and rivers. Some of these actions are associated to the precision agriculture, which aims at improving yield, reducing costs as well as the environmental impact by a site-specific management in an agricultural area. Thus, the main goal of this research is the development of software to determine the management zones, using empirical and grouping methods to be applied for soil and water conservation. This software tool, multiplatform, provides the ability to input and output data through specific standards, draws thematic maps according to well-known methods of interpolation (inverse of distance, moving average and the nearest neighbor) As well as evaluates management zones, generated by methods of relative efficiency and comparison test of averages. The software was tested according to physical and chemical data and soybean yield, so that management zones were generated and evaluated. Water leaching data were analyzed if the management zones can be used to identify the places with the greatest potential for leaching. The use of software allowed the generation of management zones in an easier way, as well as their analyses. Therefore, it identified that the generated management zones could be used as a source of recommendation and analysis of most of the studied attributes. Except nitrogen, the other attributes had the same potential for leaching, according to the comparison test of straight lines / A conservação da água e do solo é de fundamental importância para a gestão dos recursos hídricos. Para isso, são desenvolvidas e aplicadas ações conservacionistas que compreendem um conjunto de medidas que possibilitam a gestão da oferta, por meio da adequada recarga dos aquíferos e da melhoria de sua qualidade, a partir da redução dos processos erosivos e do volume de efluentes lançados nos lagos e rios. Algumas dessas ações estão relacionadas à agricultura de precisão, a qual visa, além do aumento da produtividade, diminuir tanto os custos como o impacto ambiental a partir do gerenciamento localizado da lavoura. Neste contexto, esta pesquisa teve como objetivo principal a elaboração de um software para definição de unidades de manejo, com métodos empíricos e de agrupamento para auxiliar na conservação do solo e da água. A ferramenta computacional, multiplataforma, fornece a possibilidade de entrada e saída de dados a partir de padrões específicos, realiza a geração de mapas temáticos por métodos conhecidos de interpolação (Inverso da distância elevado à determinada potência, média móvel e vizinho mais próximo) e permite avaliar unidades de manejo, geradas utilizando métodos de eficiência relativa e teste de comparação de médias. O software foi testado a partir dos dados físicos, químicos e da produtividade da soja, sendo geradas e avaliadas as unidades de manejo. Dados provenientes de água lixiviada foram analisados, visando identificar se unidades de manejo podem ser utilizadas para identificar locais com maior potencial à lixiviação. O uso do software possibilitou a geração de unidades de manejo de forma facilitada, bem como a realização de análises sobre as mesmas. Logo, permitiu identificar que as unidades de manejo geradas podem ser utilizadas como fonte de recomendação e análise da maior parte dos atributos estudados. Com exceção do nitrogênio, os demais atributos apresentaram-se com o mesmo potencial de lixiviação, conforme teste de comparação de retas

In this research we aim to achieve cybernetic cohesion information flow in precision agriculture, integrating machine learning methods, computer vision, geographical information system and UAV-photogrammetry in an irrigated area with slaughterhouse wastewater, under five treatments (W100 - irrigation with superficial water and 100% of nitrogen mineral fertilization, E0, E33, E66 and E100 - irrigation with treated effluent from slaughterhouse and addition of 0, 33, 66 and 100% of nitrogen mineral fertilization, respectively) and four replications on grassland (Cynodon dactylon (L.) Pers.). Several images (between one hundred and two hundred) with red, green, blue (RGB) color model were captured using a quadcopter flying at 20 meter altitude and obtaining spatial resolution of 1 centimeter on a surface of approximately 0.5 ha. The images were orthorectified together with nine ground control points done by differential global positioning system (GPS), both processed in the Agisoft PhotoScan software. Thirteen photogrammetric projects were done over time with 30-day revisit, the root mean squared error (RMSE) was used as accuracy measurement, and reached values lower than 5 centimeters for x, y and z axis. The orthoimage obtained with unmanned aerial vehicle (UAV) photogrammetry was changed from RGB to hue, saturation, value (HSV) color model, and the hue color space was chosen due to independence of illumination, beyond it has a good description of exposure of soil and vegetation, but it is dependent of light source temperature, so difficult to estabilish a static threshold, so we selected an unsupervised classification method, K-Means, to classify the unknown patterns along the area. Polygons were drawn delimiting the area represented by each portion and a supervised classification method based on entropy was used, the decision tree, to explore and find patterns that recognize each treatment. These steps are also displayed in forms of georeferenced thematic maps and were executed in the open source softwares Python, QGIS and Weka. The rules defined on the hue color space reached an accuracy of 100% on the training set, and provided a better understanding about the distribution of soil and vegetation on the parcels. This methodology shows a great potential for analysis of spectral data in precision agriculture. / Nesta pesquisa pretendemos alcançar a coesão cibernética no fluxo de informações dentro da agricultura de precisão, integrando métodos de aprendizagem de máquinas, visão computacional, sistema de informação geográfica e aerofotogrametria em uma área irrigada com efluente de matadouro, sob cinco tratamentos (W100 - irrigação com água superficial e 100 % de adubação mineral nitrogenada, E0, E33, E66 e E100 - irrigação com efluente tratado de abatedouro e adição de 0, 33, 66 e 100% de adubação mineral nitrogenada, respectivamente) e quatro repetições em pastagem (Cynodon dactylon (L.) Pers.) Várias imagens (entre cem e duzentas) com modelo de cor vermelho, verde e azul (RGB) foram capturadas por um quadricóptero voando a 20 metros de altitude, e obtendo resolução espacial de 1 centímetro em uma superfície de aproximadamente 0.5 ha. As imagens foram ortorretificadas juntamente com nove pontos de controle, realizados pelo sistema de posicionamento global diferencial (GPS), ambos processados no software Agisoft PhotoScan. Treze projetos fotogramétricos foram realizados ao longo do tempo com revisita de 30 dias, a raiz do erro quadrático médio (RMSE) foi usada como medida de acurácia e atingiu valores menores que 5 centímetros para os eixos x, y e z. A ortoimagem obtida com a fotogrametria do veículo aéreo não tripulado (UAV) foi alterada de RGB para matiz, saturação, valor (HSV) e o espaço de cor matiz foi escolhido devido a independência da iluminação, além de ter boa descrição da exposição do solo e vegetação. Entretanto este é dependente da temperatura da fonte de luz, portanto difícil de se estabelecer um limiar estático, logo selecionamos um método de classificação não supervisionado, o K-Means, para classificar os padrões desconhecidos ao longo da área. Polígonos foram traçados delimitando a área representada por cada parcela e um método supervisionado de classificação baseado na entropia foi utilizado, a árvore de decisão, para explorar e encontrar padrões que reconheçam cada tratamento. Essas etapas também são exibidas em formas de mapas temáticos georeferenciados e foram executadas nos softwares de código aberto Python, QGIS e Weka. As regras definidas no espaço de cor matiz atingiram uma acurácia de 100% no conjunto de treinamento e proporcionaram um melhor entendimento sobre a distribuição do solo e da vegetação nas parcelas. Esta metodologia mostra um grande potencial para análise de dados na agricultura de precisão.

A citricultura é de fundamental importância para a economia brasileira devido à sua expressiva participação como item de exportação e pela geração de grande quantidade de empregos. A colheita manual é atualmente realizada na quase totalidade das propriedades citrícolas nacionais, o que permite a seleção qualitativa dos frutos removidos das plantas. Esse método apresenta diversificação entre as empresas para adaptar-se a necessidades internas. A ausência de técnicas e recursos para a geração rotineira de mapas de produtividade em áreas de citros é uma das grandes dificuldades para implantação de um sistema de agricultura de precisão mais amplo. Isso impede a adoção da estratégia de gerenciamento integrado de entradas e saídas e não permite a mensuração dos efeitos de adoção de taxas variadas de insumos, o que justifica o esforço em empreender técnicas e equipamentos para a geração dessa informação. O que se objetivou com este trabalho foi iniciar com o correto entendimento dos diferentes sistemas de colheita existentes, suas características úteis e limitações relativas à coleta de dados com vistas à obtenção de mapas de produtividade. A partir de então desenvolver e testar uma proposta para a geração de dados para obtenção de mapas de rodutividade, com procedimentos simples e que respeitem as rotinas pré-existentes nos sistemas de colheita manual vigentes. Para caracterizar os sistemas de colheita utilizados comercialmente, empresas citrícolas foram contactadas no sentido de fornecer informações consideradas como necessárias ao processo de caracterização. Posteriormente contactou-se uma dessas empresas onde procedeu-se a pesagem de uma população de sacolões ("big bag") para que fosse possível aferir a informação de massa estimada pela pessoa que acompanha as frentes de colheita e realiza essa estimativa para fins de pagamento dos colhedores. Esses dados foram devidamente analisados e indicaram que a estimativa volumétrica feita a campo é aceitável para a obtenção de peso dos sacolões. Na seqüência selecionou-se uma área específica e georreferenciou-se todos os sacolões de colheita. A partir da largura da faixa de colheita e do cálculo de distâncias entre os sacolões obtiveram-se as áreas de contribuição de cada um. Com os dados de área e das massas obtidas no apontamento foi possível determinar a produtividade dos pontos. Após a análise estatística e geoestatística dos dados estes foram interpolados gerando o mapa de produtividade. O método se mostrou válido para a coleta de dados e geração do mapa de produtividade que mostrou a grande variabilidade espacial existente na lavoura estudada. / Citriculture activity is important for the Brazilian economy due to its expressive participation on exporting and for the generation of a number of job positions. Manual harvesting is currently predominant and allows the qualitative selection of the removed fruits from plants. The method includes variations among companies and farms, adapted to internal necessities.Techniques and resources for the routine generation of yield mapping for citrus is necessary for implementing compreensive precision agriculture strategies of integrated management of inputs and extractions. It will also allow the measurement of the effect of adoption of variable rate input applications, what justifies the efforts developing techniques for the generation of yield mapping for citrus. The objective of this research was to promote the correct undestanding of the variations on harvesting systems, their useful characteristics and limitations relative to data collection to attain yield maps, also propose and test a methodology for collecting data in a simple way, without interfering with the harvesting. To characterize the harvesting systems used commercially, farms were contacted to supply the necessary information. Later, in one specific farm a population on big bags was weighed for confronting and checking the weight estimated by the harvesting manager for the payment of the individual workers. Data were analyzed and indicated that the volumetric estimation is acceptable for attaing the weight of the bags. Finaly a field was selected and all the big bags of harvest were georeferenced, allowing for the calculation of the representative individual area of each one. The area was obtained from the constant strip width and distance between bags. With the area, location and mass of each bag it was possible to determine the productivity of each points and after interpolation the yield map was generated. The method is considered simple and efficient for data collection and generation of the yield the map wich showed a great variability within the field.

In this research we aim to achieve cybernetic cohesion information flow in precision agriculture, integrating machine learning methods, computer vision, geographical information system and UAV-photogrammetry in an irrigated area with slaughterhouse wastewater, under five treatments (W100 - irrigation with superficial water and 100% of nitrogen mineral fertilization, E0, E33, E66 and E100 - irrigation with treated effluent from slaughterhouse and addition of 0, 33, 66 and 100% of nitrogen mineral fertilization, respectively) and four replications on grassland (Cynodon dactylon (L.) Pers.). Several images (between one hundred and two hundred) with red, green, blue (RGB) color model were captured using a quadcopter flying at 20 meter altitude and obtaining spatial resolution of 1 centimeter on a surface of approximately 0.5 ha. The images were orthorectified together with nine ground control points done by differential global positioning system (GPS), both processed in the Agisoft PhotoScan software. Thirteen photogrammetric projects were done over time with 30-day revisit, the root mean squared error (RMSE) was used as accuracy measurement, and reached values lower than 5 centimeters for x, y and z axis. The orthoimage obtained with unmanned aerial vehicle (UAV) photogrammetry was changed from RGB to hue, saturation, value (HSV) color model, and the hue color space was chosen due to independence of illumination, beyond it has a good description of exposure of soil and vegetation, but it is dependent of light source temperature, so difficult to estabilish a static threshold, so we selected an unsupervised classification method, K-Means, to classify the unknown patterns along the area. Polygons were drawn delimiting the area represented by each portion and a supervised classification method based on entropy was used, the decision tree, to explore and find patterns that recognize each treatment. These steps are also displayed in forms of georeferenced thematic maps and were executed in the open source softwares Python, QGIS and Weka. The rules defined on the hue color space reached an accuracy of 100% on the training set, and provided a better understanding about the distribution of soil and vegetation on the parcels. This methodology shows a great potential for analysis of spectral data in precision agriculture. / Nesta pesquisa pretendemos alcançar a coesão cibernética no fluxo de informações dentro da agricultura de precisão, integrando métodos de aprendizagem de máquinas, visão computacional, sistema de informação geográfica e aerofotogrametria em uma área irrigada com efluente de matadouro, sob cinco tratamentos (W100 - irrigação com água superficial e 100 % de adubação mineral nitrogenada, E0, E33, E66 e E100 - irrigação com efluente tratado de abatedouro e adição de 0, 33, 66 e 100% de adubação mineral nitrogenada, respectivamente) e quatro repetições em pastagem (Cynodon dactylon (L.) Pers.) Várias imagens (entre cem e duzentas) com modelo de cor vermelho, verde e azul (RGB) foram capturadas por um quadricóptero voando a 20 metros de altitude, e obtendo resolução espacial de 1 centímetro em uma superfície de aproximadamente 0.5 ha. As imagens foram ortorretificadas juntamente com nove pontos de controle, realizados pelo sistema de posicionamento global diferencial (GPS), ambos processados no software Agisoft PhotoScan. Treze projetos fotogramétricos foram realizados ao longo do tempo com revisita de 30 dias, a raiz do erro quadrático médio (RMSE) foi usada como medida de acurácia e atingiu valores menores que 5 centímetros para os eixos x, y e z. A ortoimagem obtida com a fotogrametria do veículo aéreo não tripulado (UAV) foi alterada de RGB para matiz, saturação, valor (HSV) e o espaço de cor matiz foi escolhido devido a independência da iluminação, além de ter boa descrição da exposição do solo e vegetação. Entretanto este é dependente da temperatura da fonte de luz, portanto difícil de se estabelecer um limiar estático, logo selecionamos um método de classificação não supervisionado, o K-Means, para classificar os padrões desconhecidos ao longo da área. Polígonos foram traçados delimitando a área representada por cada parcela e um método supervisionado de classificação baseado na entropia foi utilizado, a árvore de decisão, para explorar e encontrar padrões que reconheçam cada tratamento. Essas etapas também são exibidas em formas de mapas temáticos georeferenciados e foram executadas nos softwares de código aberto Python, QGIS e Weka. As regras definidas no espaço de cor matiz atingiram uma acurácia de 100% no conjunto de treinamento e proporcionaram um melhor entendimento sobre a distribuição do solo e da vegetação nas parcelas. Esta metodologia mostra um grande potencial para análise de dados na agricultura de precisão.

Com o avanço da agricultura de precisão, em que a variabilidade da produtividade entre os diversos pontos de uma determinada área é levada em consideração, é necessário aprimorar, cada vez mais, o sistema de coleta de dados, para que os resultados possam ser confiáveis. Dentre outros, faz-se necessário conhecer o desempenho dos sensores localizados nas colhedoras, para que se saiba o nível de acurácia dos dados de campo para a geração dos mapas de produtividade. O objetivo do presente trabalho foi caracterizar o desempenho, sob condições controladas, de um equipamento comercial, especialmente o sensor de fluxo de volume e suas interações com os sensores de inclinação, de velocidade de deslocamento da máquina e de grau de umidade dos grãos, destinados à mensuração da produtividade de culturas de grãos em geral. Foi montada uma bancada de ensaio constituída de um tanque alimentador com comporta de abertura variável, que escoa grãos a um condutor helicoidal, que são transportados para um elevador de taliscas de uma colhedora comercial. Os grãos transportados pelo elevador passam através dossensores de fluxo de volume e grau de umidade e, em seguida, são descarregados num tanque superior suspenso por uma célula de carga com capacidade de 2.000kg (desprezando a variação da gravidade com relação ao nível do mar) para que os dados de massa sejam comparados com os registrados pelo sensor de fluxo de volume. O monitor de produtividade foi ensaiado na bancada para simulações de fluxos constantes e variados em três diferentes posições transversais do elevador. Os resultados mostraram que a bancada de ensaio mostrou-se eficiente para os tipos de ensaios propostos. Sua estrutura é resistente e a variação da angulação do elevador é de fácil manejo. A geometria da construção do tanque de alimentação mostrou-se eficiente para fornecer vazões uniformes com o tempo, obtendo-se taxas de fluxo constantes dentro dos limites de 2,0 a 8,0kg.s-1. O sensor de velocidade apresentou erro médio relativo de 0,31% e o de grau de umidade, erro médio em módulo de 5,01% para as condições estudadas. Quanto mais afastado do fluxo médio de calibração, pior é a estimativa do fluxo pelo monitor de produtividade. O erro médio geral dos ensaios com taxas de fluxo constantes foi de -5,31%, com desvio padrão de 4,14. O monitor propiciou, em 70% dos ensaios, erros pontuais menores que 6% para ensaios com fluxo constante. Suas leituras superestimaram valores menores do que o ponto da taxa de fluxo média de calibração e subestimaram valores para taxas de fluxo maiores que este ponto. As leituras do monitor responderam imediatamente as variações impostas ao fluxo processado pelo elevador de grãos. O clinômetro ou o algoritmo que considera a inclinação é eficiente para compensar as inclinações transversais da máquina, mesmo em condições de taxas de fluxo variadas. O erro médio geral dos ensaios com taxas de fluxo variadas, calculado a partir do erro médio em módulo de cada ensaio foi, 4,84%. O erro médio global encontrado do monitor de produtividade para as leituras com taxas de fluxo constantes e variadas, foi 5,12%. / With the progress of the precision agriculture where spatial yield variability is taken into account, it is necessary to improve data collection so the results can be more reliable. It is necessary to understand how yield sensor used on combines works in order to know the accuracy of the field data for generation of the yield maps. This work aims to characterize the performance, under controlled conditions, of a commercial equipment, its yield sensor and interactions with the hillside sensor, forward speed sensor and grain moisture sensor. A test bench with a tank feeder was built with a variable opening floodgate, which drains grains to the foot of the paddle elevator of a commercial combine. The grain flow transported by the elevator pass through the yield and moisture sensor and is unloaded in a superior tank hold by a load cell with capacity of 2.000kg (desconsidering the variation of the gravity) so that the mass data is compared with that registered by the monitor. The monitor was tested on simulations of constant and variable flow rates in three different transverse positions of the elevator. The results showed that the test bench was shown efficient for the types of proposed tests. Its structure is resistant and the variation of the angle of the elevator is of easy handling. The geometry of the feeding tank was shown efficient to supply uniform flow rates, between 2,0 and 8,0kg.s-1. The speed sensor showed relative mean error of 0,31% and the moisture sensor presented a module mean error of 5,01%. Flow estimation got worst increasing or decreasing the flow rate apart from calibration region. Main mean error of the test with constant flow rates was of -5,31%, with standard deviation of 4,14. On 70% of the test monitor, readings resulted in erros less than 6,00% with constant flow. Its readings overestimated flow values under the mean flow rate of calibration and underestimated flow above it. The readings of the yield monitor responded to the variations imposed to the flow through by the elevator immediately. The hillside sensor and the algorithm that considers the inclination are efficient for compensating the transverse inclinations of the machine, even in conditions of varied flow rates. The general mean error test with varied flow rates, was 4,84%. The global mean error shown by the yield monitor for the readings with varied and constant flow rates was 5,12%.

O trabalho apresentado destaca a importância do uso de práticas agrícolas que estimulem a manutenção da agricultura em níveis de alta produtividade, mas que, ao mesmo tempo, viabilizem uma minimização dos efeitos negativos da agricultura sobre o meio ambiente. O trabalho situa-se no contexto da aquisição de informação sobre a plantação considerando sua variabilidade para uso em Agricultura de Precisão. Foi proposto o desenvolvimento de um método inteligente de amostragem, que faz uso de sensores embarcados em veículos autônomos com capacidade de processamento em conjunto com técnicas geoestatísticas de amostragem. O processo de amostragem proposto leva em consideração a dependência espacial do campo, obtendo apenas a quantidade de informação necessária para reproduzir confiavelmente a variável em estudo para análises posteriores, amostrando mais densamente áreas de maior variabilidade e menos densamente áreas de menor variabilidade. O método desenvolvido estabelece a exploração em duas fases. Na fase de levantamento exploratório é utilizado um esquema de amostragem aninhado adaptado para as características do sistema de coleta de dados, nesta fase é realizada uma primeira avaliação sobre a escala espacial de variabilidade do campo. Na fase do levantamento principal são realizados ciclos de amostragens em grade, quantas vezes seja necessário até que critérios de decisão sejam atingidos. Nestes ciclos, ou etapas, são tomadas decisões com base na qualidade e na densidade de variabilidade das amostras. Tais decisões estabelecem se a área deve ser mais amostrada ou dividida em subáreas. A mínima precisão que se deseja alcançar é determinada pelo usuário e também limitada pelas capacidades estruturais da máquina que realizará aplicações a taxa variada. Em comparação com métodos tradicionais de obtenção de dados com sensores embarcados, as análises dos resultados mostram reduções que chegam a 98% na quantidade de pontos amostrados e redução de mais de 49% na distância final percorrida pelo veículo. Assim, a utilização do método proposto viabiliza a redução em custos computacionais de armazenagem e processamento, de gastos com combustíveis e de tempo de mão de obra. Os resultados evidenciam que é viável a amostragem baseada na densidade de variabilidade, racionalizando a quantidade, a qualidade e a disposição da informação obtida e armazenada. Em conclusão, o método de amostragem proposto apresenta potencial capacidade para sua utilização como uma ferramenta de apoio às novas práticas agrícolas, oferecendo uma alternativa mais eficiente e inteligente aos métodos tradicionais de coleta de dados. / The present work highlights the importance of using farming practices that encourage the maintenance of agriculture in high levels of productivity and, at the same time, enable reduction of the negative effects of agriculture on the environment. The work is in the context of acquisition of crop information considering its variability for use in Precision Agriculture. The development of a smart sampling method has been proposed, which uses of embedded sensors in autonomous vehicles with a processing capacity together with sampling geostatistics techniques. The sampling process takes into account the spatial dependence of the field, obtaining strictly the necessary amount of information to subsequent analyzes in a reliable way. It also aims to sample areas of higher variability more densily and areas of lower variability less densily. The developed method performs the exploration in two phases. In the exploratory phase, a nested sampling scheme adapted to the characteristics of the system is used. In this phase, the first assessment about the spatial scale of variability of the field is done. In the main survey phase, grid samplings are performed in stages, as many times as necessary until the decision criteria are reached. At the stages of the main survey, decisions are taken based on the quality and variability density of the samples, and this establishes whether the area should be better sampled or divided into subareas. The user determines the minimum precision to be reached. The structural capabilities of the machine, that will perform the variable rate applications, also restrict the system precision. The result analyses show that the number of samples reduced 98% and the final distance ran by the autonomous vehicle reduced 49%, compared to traditional methods that use embedded sensors to collect data. Thus, the use of the proposed method represents reduced computational costs of data storage and processing, fuel costs and manpower. The results show that the sampling based on variability density is feasible, rationalizing the quantity, quality and layout of the information obtained and stored. In summary, the proposed sampling method shows potential capacity to be used as a tool to support new agricultural practices, offering a more efficient and smart alternative to traditional methods of data collection.

Orientador: Rouverson Pereira Silva / Resumo: A utilização de técnicas de sensoriamento remoto teve expressivo aumento na agricultura nos últimos anos para muitas culturas, contudo, ainda são escassos os trabalhos que envolvem a cultura de amendoim, principalmente os que visam solucionar um dos seus principais problemas, a predição da maturação. Dessa forma, foram desenvolvidos trabalhos no Brasil e nos EUA visando verificar o potencial uso do sensoriamento aéreo e orbital na predição da maturação de amendoim. No primeiro capítulo desta tese, encontra-se a revisão de literatura. No segundo, realizou-se uma análise de variabilidade utilizando cartas de controle para identificar diferenças no comportamento da reflectância espectral e dos índices de vegetação obtidos por imagens de drone e do satélite PlanetScope, em que se chegou à conclusão que as duas plataformas apresentam comportamento similares ao longo do tempo. No terceiro capítulo, foram utilizadas duas áreas comerciais nos EUA, irrigada e não irrigada, e as imagens foram obtidas por meio de drone. Observou-se que os índices de vegetação que tiveram comportamento similar nas duas áreas foram aqueles em que se modificou a equação original, substituindo a banda do red pelo red edge (NLI e MNLI). No quarto capítulo, utilizou-se uma área comercial no Brasil, sendo as imagens utilizadas para extrair a reflectância obtidas do satélite PlanetScope. Os melhores índices de vegetação, com menores erros na predição da maturação foram o NDVI e o SR. Por fim, no capítulo cinco,... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: The use of remote sensing techniques has had a significant increase in agriculture in recent years for many crops; however, the work involving peanut cultivation is still scarce, mainly to solve one of the main problems of the crop, the prediction of maturity. Thus, work was developed in Brazil and the USA to verify the potential use of aerial and orbital remote sensing in the prediction of peanut maturity. The first chapter of this thesis is the literature review. In the second, a variability analysis was performed using control charts to identify differences in reflectance response and vegetation indices obtained by drone images and PlanetScope satellite, in which it was concluded that the two platforms have similar responses over the period. In the third, two commercial areas were used in the USA, irrigated and non-irrigated, and the images were obtained by drone. It was observed that the vegetation indices that had similar responses in both areas were those in which the original equation was modified, replacing the red band by the red edge (NLI and MNLI). In the fourth chapter, a commercial area was used in Brazil, with the images used to extract the reflectance obtained from the PlanetScope satellite. The best vegetation indices, with the lowest errors in the prediction of maturity, were NDVI and SR. Finally, in chapter five, final considerations with some recommendations and the next steps of the research are stated. / Doutor

Orientador: Gener Tadeu Pereira / Resumo: A cana-de-açúcar é uma das culturas mais expressivas do mercado agrícola nacional. Visando um aumento de produtividade e qualidade da matéria prima, técnicas como a de manejo localizado, que já vem sendo adotada há muitos anos pelas usinas, porém, ainda de forma manual. O objetivo desse trabalho é determinar ambientes de manejo de cana-de-açúcar utilizando quantidade reduzida de variáveis de baixo custo, por meio de técnica de aprendizagem de máquina. Para atingir a máxima eficiência na predição, os dados foram submetidos à estatística descritiva, em seguida, à seleção de regressão “stepwise” para determinar quais variáveis seriam úteis ao modelo. Em seguida foi aplicado teste de multicolinearidade e, por fim, a árvore de decisão classificatória. Para avaliar a eficiência do modelo foi preparada uma matriz de confusão. Foi detectado que as variáveis ligadas às características de formação do solo foram as escolhidas para determinar os ambientes de produção, dando destaque a variável areia. A técnica de regressão “stepwise” mostrou-se eficiente na seleção de variáveis e a árvore de decisão mostrou eficiência na determinação dos ambientes, obtendo a satisfatória acurácia de 75%, além de ter gerado ambientes de manejo mais contínuos na área de cultivo. / Abstract: Sugar cane is one of the most significant crops in the national agricultural market. Aiming to increase the quality and quality of the raw material, techniques such as localized management, which has been adopted for many years by the plants, but still manually. The objective of this work is to determine the sugarcane management environments, using the reduced number of low-cost variables, through the machine learning technique. To achieve maximum prediction efficiency, the data were subjected to descriptive statistics, followed by stepwise regression selection to determine useful variable variables useful in the model. Then, the multicollinearity test was applied and, finally, a classification decision tree. To evaluate the efficiency of the model, a confusion matrix was prepared. It was detected that the variables selected to the soil characteristics were chosen to determine the production environments, highlighting a sand variable. A stepwise regression technique was efficient in the selection of variables and a reduced decision tree in the determination of environments, obtaining a satisfactory satisfaction of 75%, besides showing more continuous management environments in the cultivation area. / Mestre

A cana-de-açúcar é uma importante cultura semi-perene em regiões tropicais do mundo como a principal fonte de açúcar e bioenergia e o Brasil é seu maior produtor. Como qualquer outra cultura, demanda um aperfeiçoamento prática constante, buscando uma cultura sustentável e com maiores rendimentos e menores custos. Uma das alternativas é a utilização de práticas de agricultura de precisão para explorar a variabilidade espacial dos rendimentos potenciais e para tanto, os mapas de produtividade são essenciais. Para obter os dados necessários para gerar um mapa confiável, é necessário um sistema com capacidade de ler e georreferenciar os dados do sensor e compará-los a uma calibração. No entanto, os resultados das pesquisas mais recentes associadas aos monitores de rendimento comercial, que utilizam apenas um tipo de sensor para determinar os mapas de produtividade, não retratam a exatidão exigida para a cana-de-açúcar. Este estudo teve como objetivo explorar o potencial do uso de dados provenientes de sensores instalados em diferentes partes da colhedora de cana-de-açúcar para determinação e aplicação em monitores de produtividade e determinação de falhas na lavoura. Para fins de comparação foi utilizado um transbordo instrumentado com células de carga para aferição da massa colhida. Foram utilizadas abordagens estatísticas convencionais e inteligência artificial para fusão dos dados e predição da produtividade da cana-de-açúcar, os métodos convencionais foram regressão linear simples e múltipla, e comparado com o método de redes neurais. Além da produtividade foi possível constatar que é possível identificar as falhas na lavoura através dos dados coletados e das falhas produzidas manualmente, todos os sensores medidos identificaram as falhas georeferenciadas. Com relação aos modelos implementados e utilizados, os baseados em regressão linear múltipla não apresentaram potencial na integração e predição da produtividade com os valores de erros definidos nas premissas do trabalho que é de menor que 2%. Além disso os mapas gerados com esses modelos tiveram algumas discrepâncias quanto ao aumento da produtividade em algumas áreas e extração das falhas existentes. Já o modelo de fusão utilizando redes neurais artificiais apresentou uma excelente alternativa para predição da produtividade. Uma vez que a rede é treinada, a mesma apresentou erros inferiores a 2% em todos os mapas gerados. De maneira geral todos os sensores quando avaliados individualmente apresentaram vantagens e desvantagens na determinação da produtividade. Porém, quando fundido os dados dos diversos sensores, as respostas encontradas apresentaram coeficiente de determinação R2 superiores a 95%, RMSE menor que 1kg e RE menor que 2%. / Sugarcane is an important semi-perennial crop in tropical regions of the world as the main source of sugar and bioenergy, and Brazil is its largest producer. Like any other culture, it demands constant improvement in practice, seeking a sustainable culture with higher yields and lower costs. One of the alternatives is the use of precision farming practices to explore the spatial variability of potential yields and for that, productivity maps are essential. To obtain the data needed to generate a reliable map, a system is required that is capable of reading and georeferencing the sensor data and comparing them to a calibration. However, the results of the most recent surveys associated with commercial yield monitors, which use only one type of sensor to determine productivity maps, do not depict the exactitude required for sugarcane. This study aimed to explore the potential of using data from sensors installed in different parts of the sugarcane harvester for determination and application in productivity monitors and determination of crop failure, for comparison purposes a transhipment was used instrumented with load cells to measure the mass harvested. We used conventional statistical approaches and artificial intelligence for data fusion and prediction of sugarcane productivity, conventional methods were simple and multiple linear regression, and compared with the neural network method. In addition to productivity, it was possible to verify that it is possible to identify crop failures through the data collected and the failures produced manually, all the measured sensors identified georeferenced faults. Regarding the implemented and used models, those based on multiple linear regression did not present potential in the integration and prediction of productivity with the values of errors defined in the assumptions of the work that is less than 2%. In addition, the maps generated with these models had some discrepancies regarding productivity increase in some areas and extraction of existing flaws. On the other hand, the model of fusion using artificial neural networks presented an excellent alternative for prediction of productivity; since the network is trained the same one presented in all the generated maps errors inferior to 2%. In a general way all the sensors when evaluated individually presented advantages and disadvantages in determining the productivity, but when fused the data of the various sensors the answers found of coefficient of determination R2 higher than 95%, RMSE less than 1kg and RE less than 2%.

The feasibility of using optical sensors and non-nitrogen limiting reference crops to determine post-emergent nitrogen fertilizer requirements of canola was evaluated. Normalized difference vegetation index was well suited for estimating yield potential and nitrogen status. Although sensor-based nitrogen management was generally agronomically feasible for canola, the economic benefits of doing so remain uncertain because of the added cost of applying post-emergent nitrogen. / February 2008