Submitted by Sandra Pereira (srpereira@ufrrj.br) on 2018-02-09T11:41:07Z No. of bitstreams: 1 2016 - Ramon de Souza Victorino da Silva.pdf: 1815548 bytes, checksum: d38cb3bc107f782e4c75f4e66118d838 (MD5) / Made available in DSpace on 2018-02-09T11:41:07Z (GMT). No. of bitstreams: 1 2016 - Ramon de Souza Victorino da Silva.pdf: 1815548 bytes, checksum: d38cb3bc107f782e4c75f4e66118d838 (MD5) Previous issue date: 2016-02-18 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior, CAPES, Brasil. / The aim of this project was to develop a statistical classifier based on algorithms using Bayesian theorem for prediction of nitrogen applied to the soil using low cost multispectral images Tifton85 pastures From information obtained from these images the indexes were calculated spectrum, which was used in a feature vector for discriminating N levels applied to the soil. The research was developed in the Rural Federal University of Rio de Janeiro, Department of Engineering, Machinery Area and Energy in Agriculture. The data were obtained from an experiment installed in the production area of Company Feno Rio Agro LTDA, partner in the project. Images were acquired in 2 times one after 36 days due to the cutting standardization of culture using a UAV (Unmanned Aerial Vehicle) and at 7, 14, 21, 28, 35, 42, 56 days using an imaging platform an experiment with 6 portions 250m2 (10x25m) containing respectively the treatments (0, 50, 100, 150, 200 and 250 kg ha-? N), statistical analyzes were performed the computer program SAS version student using PROCDISCRIM procedure. It was determined discriminant functions for each dose of nitrogen, using as feature vectors vegetation indices (NDVI, GNIR, SAVI, GNDVI, RNIR). These discriminant functions were tested in a Bayesian classifier, and the highest accuracies were using vegetation indices together getting a Kappa coefficient and overall accuracy of 83% and 80%, respectively. The results indicate that low cost multispectral images can be used to develop classifiers of nitrogen applied to the soil. These binders may be applied in computational algorithms in agricultural machinery control systems for fertilizer application at variable rates in precision agriculture. / O objetivo geral deste projeto foi desenvolver um classificador estat?stico com base em algoritmos utilizando o teorema bayesianos para predi??o de doses de nitrog?nio aplicadas ao solo, atrav?s de imagens multiespectrais de baixo custo em pastagens de Tifton85 A partir de informa??es obtidas nessas imagens foram calculados os ?ndices espectrais, os quais foram utilizados em um vetor de caracter?sticas para discriminar n?veis de N aplicados ao solo. A pesquisa foi desenvolvida na Universidade Federal Rural do Rio de Janeiro, Departamento de Engenharia, ?rea de M?quinas e Energia na Agricultura. Os dados foram obtidos de um experimento instalado no campo de produ??o da Empresa Feno Rio Agro LTDA, parceira do projeto. As imagens foram adquiridas em 2 momentos uma ap?s 36 dias decorrentes ao corte de uniformiza??o da cultura utilizando um VANT (Ve?culo A?reo N?o Tripulado) e aos 7, 14, 21, 28, 35, 42, 56 dias utilizando uma plataforma de capta??o de imagens de um experimento com 6 parcelas contendo respectivamente os tratamentos (0, 50, 100, 150, 200 e 250 kg ha -? de N), as an?lises estat?sticas foram realizadas no programa computacional SAS vers?o estudante, utilizando o procedimento PROCDISCRIM. Determinou-se fun??es discriminantes para cada dose de nitrog?nio, utilizando-se como vetores de caracter?sticas os ?ndices de vegeta??o (NDVI, GNIR, SAVI, GNDVI, RNIR). Essas fun??es discriminantes foram testadas em um classificador bayesiano, sendo que a maior acur?cia de classifica??o foi utilizando os ?ndices de vegeta??o em conjunto obtendo um coeficiente Kappa e a exatid?o global de 83% e 80%, respectivamente. Os resultados indicam que imagens multiespectrais de baixo custo podem ser utilizadas para desenvolver classificadores de doses de nitrog?nio aplicadas ao solo. Esses classificadores poder?o ser aplicados em algoritmos computacionais em sistemas de controle de m?quinas agr?colas para aplica??o de fertilizantes a taxas vari?veis em agricultura de precis?o.

Made available in DSpace on 2014-06-11T19:22:25Z (GMT). No. of bitstreams: 0 Previous issue date: 2006-06-30Bitstream added on 2014-06-13T19:48:44Z : No. of bitstreams: 1 sartori_lr_me_prud.pdf: 1503241 bytes, checksum: 70f9983e4d75d8593ab7f2d397146db7 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Imagens multiespectrais de alta resolução espacial podem se constituir em uma fonte de dados adequada para o mapeamento de processos associados ao desenvolvimento de culturas agrícolas, como a detecção de plantas daninhas. A aerofotogrametria convencional e imagens de satélite de alta resolução espacial são alternativas para aquisição dessas imagens. Entretanto, devido ao custo elevado da aquisição destas imagens, tem sido desenvolvido, pelo Departamento de Cartografia da Faculdade de Ciências e Tecnologia da UNESP de Presidente Prudente, um Sistema de Sensoriamento Remoto Aerotransportado (SRA), capaz de oferecer resolução espacial sub-métrica. Este trabalho considerou a hipótese de que a partir de imagens adquiridas pelo Sistema é possível discriminar graus de infestação de plantas daninhas em culturas de café. Para investigar esta hipótese, foi realizado o mapeamento de plantas daninhas utilizando dois diferentes métodos: classificação de imagens multiespectrais (classificação por redes neurais artificiais - RNA) e análise geoestatística (krigagem por indicação com dados indiretos). Os mapas temáticos foram submetidos à análise da qualidade temática. A krigagem por indicação apresentou resultados suavizados e confusos, ao contrário da classificação por RNA, a qual se constituiu num método eficiente para o objetivo proposto, confirmando a hipótese inicial da investigação. / Multispectral images with high spatial resolution can be a suitable data source for the mapping of processes associated to the crop development, as detection of weed. The aerial photogrammetry and satellite image of high spatial resolution are alternatives for the aquisition of these images. However, due to the high cost of these images, a Sistema de Sensoriamento Remoto Aerotransportado - SRA, which is capable of to offer sub-metric spatial resolution has been developed by the Department of Cartography, FCT/Unesp (Presidente Prudente). This work taked into account the hypothesis that is possible to discriminate infestation degree of weed in coffee crop from high spatial resolution multispectral images. To investigate this hypothesis, it was accomplished the mapping using two different methods: multispectral images classification (artificial neural networks classification) and geoestatistics analysis (Indicator kriging with soft data). The thematics maps were submitted to the analysis of thematic quality. The indicator kriging showed smoothed and confused results instead of the artificial neural networks classification, whose results were efficient for the purpose, confirming the initial hypothesis of the investigation.

Made available in DSpace on 2014-06-11T19:22:26Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-02-15Bitstream added on 2014-06-13T20:48:55Z : No. of bitstreams: 1 martins_gd_me_prud.pdf: 2857305 bytes, checksum: 3730366c1c8f6736c55550fc5abd1140 (MD5) / O cultivo da cana-de-açúcar possui grande importância econômica para o Brasil por fornecer a matéria prima para a produção de açúcar, etanol e de energia elétrica, além de exercer um papel relevante tanto no mercado interno quanto externo. Nas últimas décadas, essa atividade agrícola tornou-se uma realidade na maioria das lavouras brasileiras, sendo assistida por sofisticadas técnicas de plantio e manejo utilizando uma diversidade de insumos agrícolas. Porém, mesmo sob a era da tecnologia, as lavouras de cana-de-açúcar são constantes alvos de pragas e parasitas, tais como a larva do besouro Migdolus fryanus e os nematoides do solo. Sabendo que esses problemas constituem um dos principais fatores responsáveis pela queda da produção canavieira e que a detecção e o controle destas infestações são, por muitas vezes, ineficazes cresceu, nos últimos anos, a necessidade de se desenvolver técnicas para detectar a ocorrência destes agentes nas culturas agrícolas, para um posterior controle e manejo das áreas de infestação. Neste contexto, a presente pesquisa embasa-se no uso de técnicas de Sensoriamento Remoto para detectar a ação dos nematoides e da larva do besouro Migdolus fryanus, mais especificamente em situações em que a ocorrência da infestação não é perceptível com uma simples verificação visual em campo. A metodologia proposta considera a integração de dados hiperespectrais e imagens multiespectrais para avaliar as diferenças espectrais e na configuração espacial de áreas sadias e afetadas por parasitos do sistema radicular da cana-de-açúcar. Portanto, o estudo teve como... / The cultivation of sugar cane has great economic importance to Brazil for providing the raw material for the production of sugar and alcohol, as well as plays a relevant role both domestically and externally. In recent decades, this farming became a reality in most Brazilian crops, assisted by sophisticated planting techniques and management using a variety of inputs. But even in the age of technology, the fields of sugar cane are constant targets of pests and parasites, such as beetle larvae Migdolus fryanus and soil nematodes. Knowing that these problems constitute one of the main factors responsible for the decline in sugarcane production and the detection and control of these infestations are, often ineffective grown in recent years, the need to develop techniques to detect the occurrence of these agents on crops agricultural, for further control and management of areas of infestation. In this context, the present research underlies on the use of remote sensing techniques to detect the action of these parasites, specifically in situations where the occurrence of infestation is not noticeable with a simple visual check on the field. The proposed methodology considers the integration of hyperspectral data and multispectral images to assess the differences in spectral and spatial configuration of areas affected by parasites and healthy root system of cane sugar. Therefore, in this context, the study aimed to characterize the spatial... (Complete abstract click electronic access below)

Orientador: Maria de Lourdes Bueno Trindade Galo / Banca: Caio Antonio Carbonari / Banca: Enner Herenio de Alcântara / Resumo: O cultivo da cana-de-açúcar possui grande importância econômica para o Brasil por fornecer a matéria prima para a produção de açúcar, etanol e de energia elétrica, além de exercer um papel relevante tanto no mercado interno quanto externo. Nas últimas décadas, essa atividade agrícola tornou-se uma realidade na maioria das lavouras brasileiras, sendo assistida por sofisticadas técnicas de plantio e manejo utilizando uma diversidade de insumos agrícolas. Porém, mesmo sob a era da tecnologia, as lavouras de cana-de-açúcar são constantes alvos de pragas e parasitas, tais como a larva do besouro Migdolus fryanus e os nematoides do solo. Sabendo que esses problemas constituem um dos principais fatores responsáveis pela queda da produção canavieira e que a detecção e o controle destas infestações são, por muitas vezes, ineficazes cresceu, nos últimos anos, a necessidade de se desenvolver técnicas para detectar a ocorrência destes agentes nas culturas agrícolas, para um posterior controle e manejo das áreas de infestação. Neste contexto, a presente pesquisa embasa-se no uso de técnicas de Sensoriamento Remoto para detectar a ação dos nematoides e da larva do besouro Migdolus fryanus, mais especificamente em situações em que a ocorrência da infestação não é perceptível com uma simples verificação visual em campo. A metodologia proposta considera a integração de dados hiperespectrais e imagens multiespectrais para avaliar as diferenças espectrais e na configuração espacial de áreas sadias e afetadas por parasitos do sistema radicular da cana-de-açúcar. Portanto, o estudo teve como... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: The cultivation of sugar cane has great economic importance to Brazil for providing the raw material for the production of sugar and alcohol, as well as plays a relevant role both domestically and externally. In recent decades, this farming became a reality in most Brazilian crops, assisted by sophisticated planting techniques and management using a variety of inputs. But even in the age of technology, the fields of sugar cane are constant targets of pests and parasites, such as beetle larvae Migdolus fryanus and soil nematodes. Knowing that these problems constitute one of the main factors responsible for the decline in sugarcane production and the detection and control of these infestations are, often ineffective grown in recent years, the need to develop techniques to detect the occurrence of these agents on crops agricultural, for further control and management of areas of infestation. In this context, the present research underlies on the use of remote sensing techniques to detect the action of these parasites, specifically in situations where the occurrence of infestation is not noticeable with a simple visual check on the field. The proposed methodology considers the integration of hyperspectral data and multispectral images to assess the differences in spectral and spatial configuration of areas affected by parasites and healthy root system of cane sugar. Therefore, in this context, the study aimed to characterize the spatial... (Complete abstract click electronic access below) / Mestre

Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2016-12-16T10:55:32Z No. of bitstreams: 1 texto completo.pdf: 3030977 bytes, checksum: bfbfdb30853d06b83a0f799c5c74b1ff (MD5) / Made available in DSpace on 2016-12-16T10:55:32Z (GMT). No. of bitstreams: 1 texto completo.pdf: 3030977 bytes, checksum: bfbfdb30853d06b83a0f799c5c74b1ff (MD5) Previous issue date: 2003-12-17 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / O trabalho consistiu na avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre. Foram utilizados os algoritmos da Mínima Distância, da Máxima Verossimilhança e de Redes Neurais Artificiais (backpropagation), em uma imagem do satélite IKONOS II com 4 metros de resolução espacial. Para cada algoritmo foi realizada uma classificação por pixel e uma por regiões, gerando seis métodos: Mínima Distância por pixel, Mínima Distância por regiões, Máxima Verossimilhança por pixel, Máxima Verossimilhança por regiões, Redes Neurais Artificiais (backpropagation) por pixel e Redes Neurais Artificiais (backpropagation) por regiões, que apresentaram níveis de aceitação dos índices kappa iguais a razoável, razoável, razoável, excelente, razoável e excelente, respectivamente. Dentre os resultados obtidos, podem ser destacados: a) os métodos que mostra- ram melhor desempenho foram Redes Neurais Artificiais (backpropagation) e Máxima Verossimilhança, ambos por regiões, não apresentando diferença estatística significativa a 95% de probabilidade pelo teste Z entre eles; b) os seguintes métodos não apresentaram diferenças significativas a 95% de proba- bilidade: Máxima Verossimilhança por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Mínima Distância por regiões, Redes Neurais Artificiais (backpropagation) por pixel em relação à Máxima Verossimilhança por pixel e Redes Neurais Artificiais (backpropagation) por regiões em relação à Máxima Verossimilhança por regiões; c) as classes mais homogêneas espectralmente foram melhor classificadas, apresentando menos sobreposição às outras classes; d) a baixa resolução espectral da imagem dificultou a distinção entre classes durante o processo de classificação; e) o algoritmo de classificação da Mínima Distância, que até então era utilizado com êxito para classificar imagens de média resolução espacial, apresentou desempenho inferior ao dos algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation) na classificação de imagens de alta resolução espacial; f) apesar de os resultados obtidos com os algoritmos de Máxima Verossimilhança e Redes Neurais Artificiais (backpropagation), ambos por regiões, não diferirem estatisticamente, recomenda-se, pelo menos para este estudo, o uso do algoritmo de Máxima Verossimilhança. Essa recomendação se deve ao fato de que este exige um menor esforço computacional e se encontra implementado na maioria dos softwares de processamento de imagens. / This work evaluated the methods of classification of IKONOS II imagery for land cover mapping. The algorithms Minimal Distance, Maximum Likelihood and Artificial Neural Networks (backpropagation) were used to classify a satellite IKONOS II image measuring 4 m of spacial resolution. A pixel based and a region- based classification were performed for each algorithm, generating six methods : Minimal Distance per pixel, Minimal Distance per regions, Maximum Likelihood per pixel, Maximum Likelihood per regions, Artificial Neural Nets (backpropagation) per pixel, and Artificial Neural Nets (backpropagation) per regions, which presented Kappa index acceptance levels equal to reasonable, reasonable, reasonable, excellent, reasonable and excellent, respectively. Some of the most oustanding results obtained were: a) the approaches Artificial Neural Nets (backpropagation) and Maximum Likelihood, both by regions, presented the best results, with no significant statistical difference at 95% probability by the test Z between them; b) the following methods did not present significant differences at 95% of probability: Maximum Likelihood per pixel in relation to Minimal Distance per regions, Artificial Neural Nets (backpropagation) per pixel in relation to Minimal Distance per regions, Artificial Neural Nets (backpropagation) per pixel in relation to Maximum Likelihood per pixel and Artificial Neural Nets (backpropagation) by regions in relation to Maximum Likelihood per regions; c) the most spectrally homogeneous classes were better classified, presenting less superposition to the other classes; d) the low spectral resolution of the imagery made it difficult to distinguish between classes during the classification process; e) the algorithm Minimal Distance, which was until then successfully used to classify medium spatial resolution imagery had a performance inferior to that of the algorithms Maximum Likelihood and Artificial Neural Nets (backpropagation) in the classification of imagery of high spatial resolution; f) despite the fact that the results obtained with the algorithms Maximum Likelihood and Artificial Neural Nets (backpropagation), both by regions, did not differ statistically, the use of the algorithm Maximum Likelihood is recommended, at least for this study. Such recommendation is due to the fact that this algorithm demands less computing effort and has been implemented in most imagery - processing softwares. / Não foi localizado o cpf do autor.

Este projeto de doutorado apresenta uma nova abordagem MAP-MRF para a classificação contextual de imagens multiespectrais utilizando combinação de modelos de Campos Aleatórios Markovianos definidos em sistemas de ordens superiores. A modelagem estatística para o problema de classificação segue o paradigma Bayesiano, com a definição de um modelo Markoviano para os dados observados (Gaussian Markov Random Field multiespectral) e outro modelo para representar o conhecimento a priori (Potts). Nesse cenário, o parâmetro β do modelo de Potts atua como um parâmetro de regularização, tendo papel fundamental no compromisso entre as observações e o conhecimento a priori, de modo que seu correto ajuste é necessário para a obtenção de bons resultados. A introdução de sistemas de vizinhança de ordens superiores requer a definição de novos métodos para a estimação dos parâmetros dos modelos Markovianos. Uma das contribuições desse trabalho é justamente propor novas equações de pseudo-verossimilhança para a estimação desses parâmetros no modelo de Potts em sistemas de segunda e terceira ordens. Apesar da abordagem por máxima pseudo-verossimilhança ser amplamente utilizada e conhecida na literatura de campos aleatórios, pouco se conhece acerca da acurácia dessa estimação. Foram derivadas aproximações para a variância assintótica dos estimadores propostos, caracterizando-os completamente no caso limite, com o intuito de realizar inferências e análises quantitativas sobre os parâmetros dos modelos Markovianos. A partir da definição dos modelos e do conhecimento dos parâmetros, o próximo estágio é a classificação das imagens multiespectrais. A solução para esse problema de inferência Bayesiana é dada pelo critério de estimação MAP, onde a solução ótima é determinada maximizando a probabilidade a posteriori, o que define um problema de otimização. Como não há solução analítica para esse problema no caso de prioris Markovianas, algoritmos iterativos de otimização combinatória foram empregados para aproximar a solução ótima. Nesse trabalho, adotam-se três métodos sub-ótimos: Iterated Conditional Modes, Maximizer of the Posterior Marginals e Game Strategy Approach. Porém, é demonstrado na literatura que tais métodos convergem para máximos locais e não globais, pois são altamente dependentes de sua condição inicial. Isto motivou o desenvolvimento de uma nova abordagem para combinação de classificadores contextuais, que utiliza múltiplas inicializações simultâneas providas por diferentes classificadores estatísticos pontuais. A metodologia proposta define um framework MAP-MRF bastante robusto para solução de problemas inversos, pois permite a utilização e a integração de diferentes condições iniciais em aplicações como classificação, filtragem e restauração de imagens. Como medidas quantitativas de desempenho, são adotados o coeficiente Kappa de Cohen e o coeficiente Tau de Kendall para verificar a concordância entre as saídas dos classificadores e a verdade terrestre (amostras pré-rotuladas). Resultados obtidos mostram que a inclusão de sistemas de vizinhança de ordens superiores é de fato capaz de melhorar significativamente não apenas o desempenho da classificação como também a estimação dos parâmetros dos modelos Markovianos, reduzindo tanto o erro de estimação quanto a variância assintótica. Além disso, a combinação de classificadores contextuais através da utilização de múltiplas inicializações simultâneas melhora significativamente o desempenho da classificação se comparada com a abordagem tradicional com apenas uma inicialização. / This work presents a novel MAP-MRF approach for multispectral image contextual classification by combining higher-order Markov Random Field models. The statistical modeling follows the Bayesian paradigm, with the definition of a multispectral Gaussian Markov Random Field model for the observations and a Potts MRF model to represent the a priori knowledge. In this scenario, the Potts MRF model parameter (β) plays the role of a regularization parameter by controlling the tradeoff between the likelihood and the prior knowledge, in a way that a suitable tunning for this parameter is required for a good performance in contextual classification. The introduction of higher-order MRF models requires the specification of novel parameter estimation methods. One of the contributions of this work is the definition of novel pseudo-likelihood equations for the estimation of these MRF parameters in second and third order neighborhood systems. Despite its widely usage in practical MRF applications, little is known about the accuracy of maximum pseudo-likelihood approach. Approximations for the asymptotic variance of the proposed MPL estimators were derived, completely characterizing their behavior in the limiting case, allowing statistical inference and quantitative analysis. From the statistical modeling and having the model parameters estimated, the next step is the multispectral image classification. The solution for this Bayesian inference problem is given by the MAP criterion, where the optimal solution is obtained by maximizing the a posteriori distribution, defining an optimization problem. As there is no analytical solution for this problem in case of Markovian priors, combinatorial optimization algorithms are required to approximate the optimal solution. In this work, we use three suboptimal methods: Iterated Conditional Modes, Maximizer of the Posterior Marginals and Game Strategy Approach, a variant approach based on non-cooperative game theory. However, it has been shown that these methods converge to local maxima solutions, since they are extremelly dependent on the initial condition. This fact motivated the development of a novel approach for combination of contextual classifiers, by making use of multiple initializations at the same time, where each one of these initial conditions is provided by different pointwise pattern classifiers. The proposed methodology defines a robust MAP-MRF framework for the solution of general inverse problems since it allows the use and integration of several initial conditions in a variety of applications as image classification, denoising and restoration. To evaluate the performance of the classification results, two statistical measures are used to verify the agreement between the classifiers output and the ground truth: Cohens Kappa and Kendalls Tau coefficient. The obtained results show that the use of higher-order neighborhood systems is capable of significantly improve not only the classification performance, but also the MRF parameter estimation by reducing both the estimation error and the asymptotic variance. Additionally, the combination of contextual classifiers through the use of multiple initializations also improves the classificatoin performance, when compared to the traditional single initialization approach.

Made available in DSpace on 2015-03-26T13:28:40Z (GMT). No. of bitstreams: 1 texto completo.pdf: 1954884 bytes, checksum: e05012da0f1e291b4123e380e1682d25 (MD5) Previous issue date: 2007-03-06 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Remote sensing images have spatial, spectral, radiometric and temporal characteristics, which become an important tool for agricultural applications, in several aspects. This thesis describes a methodology for classification of extensive agricultural areas, in regional scale, using MODIS (Moderate Resolution Imaging Spectro-radiometer) images. It was used a spectral-temporal surface response, where each pixel of the image is represented in a three-dimensional space and the axes are: time, wavelength and reflectance, respectively. The methodology consists of an interpolation of analytical surfaces, passing through control points, using two types of interpolators (Collocation and Polynomial Trend Surfaces). Through these interpolation methods, the surface coefficients were generated, which describe the distribution of the surface in the three-dimensional space. These coefficients were then used into the classification process. Two classification algorithms were used, the maxima likelihood and artificial neural network classifiers. One of the drawbacks, in supervised classification process, is the acquisition of the reference image. For this work were used three distinct methodologies for its attainment: thematic image sampling from the spatial resolution of 30m to 250m; digitalization of homogeneous polygons on the screen; and neighborhood operation, which consists of the elimination of pixels with neighborhood with high variation on the digital level. Statistical analyses were used in order to validate the results. The results show that the classification using neural networks had the best resulted, even with small training sample size. The results also show the importance of high quality reference image generations. / Imagens do sensoriamento remoto possuem características espaciais, espectrais, radiométricas e temporais, tornando-se assim uma importante ferramenta para aplicações agrícolas nos mais diversos aspectos. Neste sentido, esta dissertação descreve uma metodologia para a classificação de extensas áreas agrícolas, em escala regional, utilizando imagens MODIS (Moderate Resolution Imaging Spectroradiometer). Fez-se uso de superfícies de resposta espectral-temporal, onde cada pixel da imagem é representado em um espaço tridimensional, onde os eixos são respectivamente: o tempo, o comprimento de onda e a refletância. A metodologia consiste na interpolação de uma superfície analítica passando por pontos de controle, usando dois tipos de interpoladores (Collocation e Análise de Tendência Polinomial). Através dessa interpolação obtiveram-se os coeficientes que descrevem a distribuição da superfície no espaço tridimensional, e os mesmos foram utilizados para a classificação das imagens digitais. Para a classificação foram utilizados dois algoritmos, o classificador Gaussiano da Máxima verossimilhança e as Redes Neurais Artificiais. Uma das limitações, no processo de classificação supervisionada, é a aquisição da imagem de referência, assim para este trabalho foram usadas três metodologias distintas para sua obtenção: Reamostragem das imagens temáticas com resolução espacial de 30 para a resolução de 250 metros; Digitalização de polígonos homogêneos em tela; e Operação de vizinhança, que consiste na eliminação de pixels com vizinhança com alta variação no nível digital. Para a avaliação dos resultados obtidos foram utilizados testes e análises estatísticas. Os resultados mostram que as classificações pelas redes neurais apresentam os melhores resultados, até mesmo com poucas amostras de treinamento. Os resultados também mostram importância da alta qualidade na geração da imagem de referência.

Resumo: Imagens multiespectrais de alta resolução espacial podem se constituir em uma fonte de dados adequada para o mapeamento de processos associados ao desenvolvimento de culturas agrícolas, como a detecção de plantas daninhas. A aerofotogrametria convencional e imagens de satélite de alta resolução espacial são alternativas para aquisição dessas imagens. Entretanto, devido ao custo elevado da aquisição destas imagens, tem sido desenvolvido, pelo Departamento de Cartografia da Faculdade de Ciências e Tecnologia da UNESP de Presidente Prudente, um Sistema de Sensoriamento Remoto Aerotransportado (SRA), capaz de oferecer resolução espacial sub-métrica. Este trabalho considerou a hipótese de que a partir de imagens adquiridas pelo Sistema é possível discriminar graus de infestação de plantas daninhas em culturas de café. Para investigar esta hipótese, foi realizado o mapeamento de plantas daninhas utilizando dois diferentes métodos: classificação de imagens multiespectrais (classificação por redes neurais artificiais - RNA) e análise geoestatística (krigagem por indicação com dados indiretos). Os mapas temáticos foram submetidos à análise da qualidade temática. A krigagem por indicação apresentou resultados suavizados e confusos, ao contrário da classificação por RNA, a qual se constituiu num método eficiente para o objetivo proposto, confirmando a hipótese inicial da investigação. / Abstract: Multispectral images with high spatial resolution can be a suitable data source for the mapping of processes associated to the crop development, as detection of weed. The aerial photogrammetry and satellite image of high spatial resolution are alternatives for the aquisition of these images. However, due to the high cost of these images, a Sistema de Sensoriamento Remoto Aerotransportado - SRA, which is capable of to offer sub-metric spatial resolution has been developed by the Department of Cartography, FCT/Unesp (Presidente Prudente). This work taked into account the hypothesis that is possible to discriminate infestation degree of weed in coffee crop from high spatial resolution multispectral images. To investigate this hypothesis, it was accomplished the mapping using two different methods: multispectral images classification (artificial neural networks classification) and geoestatistics analysis (Indicator kriging with soft data). The thematics maps were submitted to the analysis of thematic quality. The indicator kriging showed smoothed and confused results instead of the artificial neural networks classification, whose results were efficient for the purpose, confirming the initial hypothesis of the investigation. / Orientador: Maria de Lourdes Bueno Trindade Galo / Coorientador: Nilton Nobuhiro Imai / Banca: Bernardo Friedrich Theoodor Rudorff / Banca: Vilma Mayumi Tachibana / Mestre

Este projeto de doutorado apresenta uma nova abordagem MAP-MRF para a classificação contextual de imagens multiespectrais utilizando combinação de modelos de Campos Aleatórios Markovianos definidos em sistemas de ordens superiores. A modelagem estatística para o problema de classificação segue o paradigma Bayesiano, com a definição de um modelo Markoviano para os dados observados (Gaussian Markov Random Field multiespectral) e outro modelo para representar o conhecimento a priori (Potts). Nesse cenário, o parâmetro β do modelo de Potts atua como um parâmetro de regularização, tendo papel fundamental no compromisso entre as observações e o conhecimento a priori, de modo que seu correto ajuste é necessário para a obtenção de bons resultados. A introdução de sistemas de vizinhança de ordens superiores requer a definição de novos métodos para a estimação dos parâmetros dos modelos Markovianos. Uma das contribuições desse trabalho é justamente propor novas equações de pseudo-verossimilhança para a estimação desses parâmetros no modelo de Potts em sistemas de segunda e terceira ordens. Apesar da abordagem por máxima pseudo-verossimilhança ser amplamente utilizada e conhecida na literatura de campos aleatórios, pouco se conhece acerca da acurácia dessa estimação. Foram derivadas aproximações para a variância assintótica dos estimadores propostos, caracterizando-os completamente no caso limite, com o intuito de realizar inferências e análises quantitativas sobre os parâmetros dos modelos Markovianos. A partir da definição dos modelos e do conhecimento dos parâmetros, o próximo estágio é a classificação das imagens multiespectrais. A solução para esse problema de inferência Bayesiana é dada pelo critério de estimação MAP, onde a solução ótima é determinada maximizando a probabilidade a posteriori, o que define um problema de otimização. Como não há solução analítica para esse problema no caso de prioris Markovianas, algoritmos iterativos de otimização combinatória foram empregados para aproximar a solução ótima. Nesse trabalho, adotam-se três métodos sub-ótimos: Iterated Conditional Modes, Maximizer of the Posterior Marginals e Game Strategy Approach. Porém, é demonstrado na literatura que tais métodos convergem para máximos locais e não globais, pois são altamente dependentes de sua condição inicial. Isto motivou o desenvolvimento de uma nova abordagem para combinação de classificadores contextuais, que utiliza múltiplas inicializações simultâneas providas por diferentes classificadores estatísticos pontuais. A metodologia proposta define um framework MAP-MRF bastante robusto para solução de problemas inversos, pois permite a utilização e a integração de diferentes condições iniciais em aplicações como classificação, filtragem e restauração de imagens. Como medidas quantitativas de desempenho, são adotados o coeficiente Kappa de Cohen e o coeficiente Tau de Kendall para verificar a concordância entre as saídas dos classificadores e a verdade terrestre (amostras pré-rotuladas). Resultados obtidos mostram que a inclusão de sistemas de vizinhança de ordens superiores é de fato capaz de melhorar significativamente não apenas o desempenho da classificação como também a estimação dos parâmetros dos modelos Markovianos, reduzindo tanto o erro de estimação quanto a variância assintótica. Além disso, a combinação de classificadores contextuais através da utilização de múltiplas inicializações simultâneas melhora significativamente o desempenho da classificação se comparada com a abordagem tradicional com apenas uma inicialização. / This work presents a novel MAP-MRF approach for multispectral image contextual classification by combining higher-order Markov Random Field models. The statistical modeling follows the Bayesian paradigm, with the definition of a multispectral Gaussian Markov Random Field model for the observations and a Potts MRF model to represent the a priori knowledge. In this scenario, the Potts MRF model parameter (β) plays the role of a regularization parameter by controlling the tradeoff between the likelihood and the prior knowledge, in a way that a suitable tunning for this parameter is required for a good performance in contextual classification. The introduction of higher-order MRF models requires the specification of novel parameter estimation methods. One of the contributions of this work is the definition of novel pseudo-likelihood equations for the estimation of these MRF parameters in second and third order neighborhood systems. Despite its widely usage in practical MRF applications, little is known about the accuracy of maximum pseudo-likelihood approach. Approximations for the asymptotic variance of the proposed MPL estimators were derived, completely characterizing their behavior in the limiting case, allowing statistical inference and quantitative analysis. From the statistical modeling and having the model parameters estimated, the next step is the multispectral image classification. The solution for this Bayesian inference problem is given by the MAP criterion, where the optimal solution is obtained by maximizing the a posteriori distribution, defining an optimization problem. As there is no analytical solution for this problem in case of Markovian priors, combinatorial optimization algorithms are required to approximate the optimal solution. In this work, we use three suboptimal methods: Iterated Conditional Modes, Maximizer of the Posterior Marginals and Game Strategy Approach, a variant approach based on non-cooperative game theory. However, it has been shown that these methods converge to local maxima solutions, since they are extremelly dependent on the initial condition. This fact motivated the development of a novel approach for combination of contextual classifiers, by making use of multiple initializations at the same time, where each one of these initial conditions is provided by different pointwise pattern classifiers. The proposed methodology defines a robust MAP-MRF framework for the solution of general inverse problems since it allows the use and integration of several initial conditions in a variety of applications as image classification, denoising and restoration. To evaluate the performance of the classification results, two statistical measures are used to verify the agreement between the classifiers output and the ground truth: Cohens Kappa and Kendalls Tau coefficient. The obtained results show that the use of higher-order neighborhood systems is capable of significantly improve not only the classification performance, but also the MRF parameter estimation by reducing both the estimation error and the asymptotic variance. Additionally, the combination of contextual classifiers through the use of multiple initializations also improves the classificatoin performance, when compared to the traditional single initialization approach.

Orientadores: Rubens Augusto Camargo Lamparelli, Jansle Vieira Rocha / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agricola / Made available in DSpace on 2018-08-06T11:37:32Z (GMT). No. of bitstreams: 1 Machado_HermogenesMoura_M.pdf: 1839058 bytes, checksum: ffeba6a1df211c5b76b90a6548fd58fb (MD5) Previous issue date: 2003 / Resumo: O monitoramento e estimativa da quantidade de biomassa da cana-de-açúcar são de fundamental importância no planejamento das atividades de condução, colheita, transporte, processamento e comercialização da produção. Com o avanço tecnológico, técnicas de sensoriamento remoto têm-se mostrado úteis no monitoramento de áreas agrícolas onde se tem observado o potencial em especial do sistema Landsat no fornecimento de informações sobre a cultura da cana-de-açúcar. Dentre estas técnicas pode-se citar a aplicação de índices de vegetação obtidos através de transformação linear entre o valor espectral das diferentes bandas do sensor. Com o objetivo de avaliar a aplicação de imagens multiespectrais do satélite Landsat 7 - ETM+ e dos diversos índices de vegetação, no mapeamento da variação espacial da biomassa, e o seu potencial para estimativa da produtividade utilizando-se de um modelo matemático. O estudo foi desenvolvido nos municípios de Araras e Leme - SP. Para os dois anos de estudo foram analisadas duas passagens por ano, sendo a primeira anterior à colheita (fevereiro a abril) e a segunda dias antes da colheita. As imagens em nível de cinza foram transformadas em valores de reflectância aparente e, através da correção atmosférica, para valores de reflectância real. Sob a área de estudo foram distribuídas amostras de acordo com a variação espacial da resposta espectraL As amostras foram localizadas, demarcadas e colhidas.Foram realizadas análises de correlação entre os valores de produtividade e sua resposta espectraL A correção atmosférica não influenciou na correlação entre os dados de produtividade e a resposta espectraL As melhores correlações foram encontradas com os valores da banda 4 (IVP) e do índice de vegetação GVI. No primeiro ano de estudo os valores da banda 4 e do GVI explicaram respectivamente 51,6% e 52,66% da variação da produtividade. Enquanto que no segundo ano ambos explicaram 83% da variação da produtividade. O modelo polinomial de 2° grau foi o que melhor se adaptou ao comportamento dos dados de produtividade da cultura. A produtividade estimada pelo modelo apresentou um erro médio de 4,O4t/ha e um desvio padrão de 2,47t1ha, este resultado comprovou eficiência da utilização da resposta espectral no processo de estimativa da produtividade da cana-de-açúcar / Abstract: The monitoring and biomass estimate in sugar cane are the fundamental importance in leading, harvest, transport, processing and production marketing. With the technologic advanced techniques in remote sensing has showed very high potential in monitoring of sugarcane are as in special the Landsat system. Among these techniques it can to mention the application of the vegetation indices. Therefore that work has the objective of to evaluate the application of ETM+/Landsat 7 spectral images and different vegetation index to mapping biomass spatial variation and its potential for yield estimate using statistical model. The study was developed in Araras and Leme / SP counties at São João Mill in two years. During that time were analyzed two images per year, being the first before the harvest (February to April) and the second just some days before the harvest. The images in raw level had been transformed into values of apparent reflectance and through the atmospheric correction to values of real reflectance. Through the study area were allocated samples according the spectral response variation. After than this were full filled correlation analysis between yield and spectral response. The atmospheric correction hasn't provoked influence in the correlations. The best correlations had been found with the values of the band 4 (IVP) and of the index of vegetation GVI. In the first year of study band 4 and GVI indices values had explained 51.6% and 52.66% of the variation of the yield, respectively. While that in the second year both had explained 83% of the yield variation. The polynomial model of2° degree had the best agree in relation of the yield data behavior. The estimative productivity calculated by the model presented an average error of 4.04t/ha and a standard deviation of 2.47t/ha, attesting the efficiency of the use of the spectral response in the process of the yield estimate in sugar cane culture / Mestrado / Planejamento e Desenvolvimento Rural Sustentável / Mestre em Engenharia Agrícola