Made available in DSpace on 2017-07-21T14:19:29Z (GMT). No. of bitstreams: 1 TIAGO GERKE.pdf: 2494737 bytes, checksum: 62b5d2787dcdebe0e9ccf39bfa75f626 (MD5) Previous issue date: 2017-02-03 / Wheat cultivation plays an important role to Brazil and the world economic development, as well as in the human diet. The wheat Brazilian production is insufficient to meet the national demand, making research needed in order to improve the yield of this cereal. The goal of this work was to estimate wheat yield, searching for a predictive model through the data mining techniques, with data obtained from high spatial resolution images collected by unmanned aerial vehicles (UAV). The work was carried out in two experimental areas at Ponta Grossa city, Parana state, where for each area eight images were taken, at different culture development stages, with spatial resolution of 3.4cm/px and two images with resolution 10cm/px and 20cm/px, using an eBee UAV with an RGB and a NIR camera. The image processing was done with the Pix4D software, and resulted in an orthomosaics with reflectance values at different wavelengths: Red, Green and Blue, from the RGB camera and Red, Greed and NIR from the NIR camera, besides an image with NDVI values obtained from the arithmetic of NIR and Red wavelengths. The georeferencing correction of each orthomosaic and the extraction of the reflectance values were done with Quantum GIS geographic information system (GIS). From the extracted reflectance values, databases in different proportions (10%, 20%, 40%, 70% and 100%) were created for data mining, using the SMOReg algorithm, based on a support vector machine (SVM) for regression (SVR). The georreferencing correction using 10 control points provided ortomosaics with mean square error (RSME) of distance of 0.35m, which did not show significant difference compared to the correction with 5 control points (RMSE = 0.38m). The reflectance values were different for each study area, making it difficult to indicate better periods for estimating wheat yield. The highest correlation were obtained with data from RGB camera images, followed by the NIR and NDVI camera, with correlations of 0.6168,0.5423 and 0.5324, respectively. The amount of information extracted from the images, reflected in the proportion of the databases, was not significant to generated predictive models, as well as in the correlation indexes, which were statistically the same. Better correlation indices were obtained from the data extracted from the images with spatial resolution of 20cm/px, which suggests that high spatial resolution images may not be adequate for wheat yield estimation. / O cultivo do trigo desempenha um papel importante no desenvolvimento econômico de várias regiões do Brasil e do mundo, bem como na dieta humana. A produção brasileira do trigo é insuficiente para atender à demanda nacional, tornando necessárias pesquisas com intuito de melhorar a produtividade desse cereal. O objetivo desse trabalho foi a estimativa de produtividade do trigo, a partir da criação de modelos preditivos por meio da mineração de dados obtidos em imagens de alta resolução espacial, coletadas por aeronave remotamente pilotada (RPA). O trabalho foi realizado em duas áreas experimentais na cidade de Ponta Grossa – PR, onde para cada área foram feitas oito coletas de imagens, em diferentes estádios de desenvolvimento da cultura, com resolução espacial de 3,4cm/px e duas coletas com resolução 10cm/px e 20cm/px, através de uma RPA eBee utilizando uma câmera RGB e outra NIR. O processamento das imagens foi feito a partir do software Pix4D, e resultou em um ortomosaicos com os valores de refletância em diferentes comprimentos de onda: R, G e B da câmera RGB e R, G e NIR da câmera NIR, além de uma imagem com valores de NDVI obtidos a partir da aritmética das bandas Nir e Red (vermelho). A correção de georreferenciamento de cada ortomosaico e a extração dos valores de refletância foram feitas com auxílio do sistema de informação geográfica (SIG) Quantum GIS. A partir dos valores de refletância extraídos, foram criadas bases de dados em diferentes proporções (10%, 20%, 40%, 70% e 100%) para mineração de dados por meio do algoritmo SMOReg, baseado em máquina de vetor de suporte (SVM) para regressão (SVR). A correção de georreferenciamento utilizando 10 pontos de controle proporcionou ortomosaicos com erro médio quadrático (RSME) de distância de 0,35m, o qual não mostrou diferença significativa para a correção com 5 pontos de controle (RMSE = 0,38m). Os valores de refletância foram diferentes para cada área de estudo, tornando difícil a indicação de melhores períodos para a estimativa de produtividade do trigo. Os maiores índices de correlação da produtividade com os comprimentos de onda, foram obtidos com os dados das imagens da câmera RGB, seguido da câmera NIR e NDVI, com as correlações de 0,6168, 0,5423 e 0,5324, respectivamente. A quantidade de informação extraída das imagens, refletida na proporção das bases de dados, não se mostrou significativa nos modelos preditivos gerados, bem como nos índices de correlação, os quais foram estatisticamente iguais. Índices de correlação melhores foram obtidos a partir dos dados extraídos das imagens com resolução espacial de 20cm/px, o que sugere que imagens de alta resolução espacial podem não ser adequadas para estimativa de produtividade do trigo.