Made available in DSpace on 2014-06-12T15:50:15Z (GMT). No. of bitstreams: 2 arquivo1402_1.pdf: 3159163 bytes, checksum: f1456cd735a3541751542a864fd7d8ae (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / A crescente popularização dos dispositivos móveis, como celular ou GPS, tem gerado uma grande quantidade de dados espaço-temporais. Estes dados são também denominados como dados de trajetórias de objetos móveis. Em seu formato original de coleta, estes dados não possuem qualquer tipo de semântica. Desta forma, diversos estudos têm focado na extração de conhecimento a partir de dados de trajetórias. Buscando a adição de semântica a partir deste tipo de dado, recentemente foi definido um modelo conceitual para defini-lo: o modelo de stops e moves. Diferentes trabalhos têm estendido este modelo com o objetivo de se extrair conhecimento sobre dados gerados pelos objetos móveis. Estes trabalhos têm investigado como extrair conhecimento dos dados de trajetórias fazendo uso de suas propriedades geométricas e geográficas, porém, pouca atenção tem sido dada às propriedades de contexto das trajetórias. O trabalho apresentado nesta dissertação propõe um método que faz uso de informações de contexto do objeto móvel para extrair conhecimento e, conseqüentemente, adicionar semântica em dados de trajetórias, este método é denominado MTSA (Method for Trajectory Semantic Annotation). Para que o mesmo fosse desenvolvido, foi necessário definir um modelo de contexto para dados de trajetórias com o objetivo de representar os principais conceitos referentes ao significado de informações de contexto na área de trajetórias de objetos móveis. O método proposto adiciona semântica a trajetórias por meio de elementos básicos definidos como stops e moves e acessa as informações de contexto representadas em uma base de dados que contém informações sobre as principais situações de contexto que um objeto móvel pode realizar em um domínio específico. Para validar o MTSA, foram obtidos resultados da execução do mesmo sobre três conjuntos de dados de trajetórias de domínios diferentes. Estes resultados mostraram que o uso do MTSA pode ser útil para extração de conhecimento, definição de padrões de comportamento e adição de semântica a trajetórias

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: 2018-03-16 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / 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. / 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.

Made available in DSpace on 2015-05-14T12:36:39Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 1608529 bytes, checksum: 06fa4bcadb445d4cf1a5c20f034c323b (MD5) Previous issue date: 2012-08-23 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Data mining has become an important activity for decision-making in large and small companies since it allows the extraction of relevant and non-trivial information so that corrections and adjustment in administrative and economic strategies could be selected. Consequently, an increase in the geographical data storage is seen in such a way that conventional data mining cannot carry out the extraction of knowledge from a high dimension database. According to the current literature, there are few tools capable of extracting knowledge from geographical data, mainly if the database is made of conventional (numeral and textual) and geographical (point, line and polygon) data. The aim of this study is to present a new algorithm for spatial data mining DMGP using the two types of data to carry out the information extraction from a determined base. This algorithm is based on the DMGeo algorithm which also seeks to extract knowledge from the two types of data. These algorithms are based on Genetic Programming and were developed to obtain classification rules of patterns existing in the numeral and geographical attributes. To obtain a better performance for the DMGeo, the use of meta-heuristic GRASP and ILS in the performance of DMGP algorithm was proposed to improve the individuals from the generated population . GRASP and ILS were used to generate the initial population and disturb some individuals aiming at finding better solutions. / A mineração de dados tornou-se uma importante atividade para o processo de tomada de decisão para grandes ou pequenas corporações, pois a partir dela é possível extrair informações relevantes e não triviais de forma que correções e ajustes em estratégias econômicas e administrativas possam ser selecionadas. Assim, vê-se um aumento no armazenamento de dados geográficos, de tal maneira que a mineração de dados convencionais não suporta realizar a extração de conhecimento em um banco de dados de elevada dimensão. De acordo com a literatura atual, poucas ferramentas capazes de extrair conhecimento a partir de dados geográficos são encontradas, principalmente, quando a base de dados é composta por dados convencionais (numéricos e textuais) e geográficos (ponto, linha e polígono). Este trabalho tem como objetivo principal apresentar um novo algoritmo, chamado DMGP, para a atividade de mineração de dados espaciais utilizando os dois tipos de dados para realizar a extração de informações de uma determinada base. O algoritmo em questão tem como base o algoritmo DMGeo que, por sua vez, também visa extrair conhecimento a partir dos dois tipos de dados. Estes algoritmos são baseados na Programação Genética e foram desenvolvidos a fim de obter regras de classificação de padrões existentes nos atributos numéricos e geográficos. Visando obter um melhor desempenho para o DMGeo, foi proposto a utilização das meta-heuríticas GRASP e ILS no funcionamento do algoritmo DMGP para aperfeiçoar os indivíduos das populações geradas. Tais meta-heurísticas foram usadas para gerar a população incial e para realizar uma perturbação de alguns indivíduos, com o intuito de encontrar soluções melhores.