Syftet med detta examensarbete har varit att konstruera ett kollisionsvarningsljus till en drönare åt Etteplan Industry AB. Företaget använder denna för att utföra tjänster åt olika företag så som flygfotografering och 3D-modelleringar.Svårigheterna i detta arbete har legat i bristen på plats och vikt samt att hålla effektförbrukningen så låg som möjligt för att inte påverka flygtiden för mycket. Samtidigt finns en hel del krav från luftfartsorgan på hur ett kollisionsvarningsljus ska konstrueras. Mycket fokus har legat på att testa och välja ut de LEDs med så mycket lumens/watt som möjligt utan att överskrida de riktlinjer som fanns angående effektförbrukning och vikt. För att åstadkomma detta har strömsnåla komponenter använts samtidigt som ett PCB har designats så litet som möjligt.Produkten har uppfyllt de krav som ställts, även om de resulterande strömmarna inte riktigt blev enligt förväntan på grund av olika faktorer. Produkten har ännu inte testats i luften på grund av att företagets UAS varit ute på uppdrag, men i slutändan blev ändå alla parter nöjda med resultatet.

Unmanned aerial vehicle (UAV) technology was used to determine tidal extent in Kimages Creek, a restored tidal wetland located in Charles City County, Virginia. A Sensefly eBee Real-Time Kinematic UAV equipped with the Sensor Optimized for Drone Applications (SODA) camera (20-megapixel RGB sensor) was flown during a single high and low tide event in Summer 2017. Collectively, over 1,300 images were captured and processed using Pix4D. Horizontal and vertical accuracy of models created using ground control points (GCP) ranged from 0.176 m to 0.363 m. The high tide elevation model was subtracted from the low tide using the ArcMap 10.5.1 raster calculator. The positive difference was displayed to show the portion of high tide that was above the low tide. These results show that UAVs offer numerous spatial and temporal advantages, but further research is needed to determine the best method of GCP placement in areas of similar forest structure.

Submitted by Angela Maria de Oliveira (amolivei@uepg.br) on 2018-05-09T13:45:12Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Alessandro Stachak.pdf: 2666037 bytes, checksum: b9d6cfbe55279b9d7942ae1afa0c2115 (MD5) / Made available in DSpace on 2018-05-09T13:45:12Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Alessandro Stachak.pdf: 2666037 bytes, checksum: b9d6cfbe55279b9d7942ae1afa0c2115 (MD5) Previous issue date: 2018-03-15 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Estimar a produtividade de biomassa na agricultura é uma ferramenta chave no manejo da lavoura, gerando informações que podem auxiliar a complexa tomada de decisões no campo. O nitrogênio (N), por ser é um nutriente que participa da estrutura e de funções celulares vitais à planta, apresenta estreita correlação com a produtividade de biomassa, principalmente na cultura do trigo (Triticum aestivum L.). Uma técnica muito utilizada na estimativa de biomassa e estado nutricional de N é o sensoriamento remoto (SR), que consiste na aquisição de informações de um objeto sem existir contato entre o sensor e o alvo. No SR existem três plataformas de obtenção de dados, sendo elas: orbital, por meio de satélites; aéreo, com aviões, helicópteros e aeronaves remotamente pilotadas (RPA); e terrestre, com sensores óticos e espectroradiômetros. Na criação de modelos de estimativa de produtividade de biomassa e de teor foliar de N, as três plataformas do SR são empregadas, já existindo produtos comerciais para tais finalidades. Entretanto, existe carência de informações a respeito da eficiência das tais plataformas em um mesmo estudo de campo. Tradicionalmente, os modelos preditivos com dados de SR na agricultura são gerados por técnicas clássicas de estatística, como a regressão linear. No entanto, técnicas da mineração de dados (MD) podem obter resultados mais relevantes. Dentre as técnicas da MD promissoras, a máquina de vetores de suporte para regressão (SVR), devido a sua grande capacidade de generalização e criação de modelos lineares e não lineares, tem sido empregada em dados de SR. Os objetivos deste trabalho foram:(i) avaliar a correlação entre os dados obtidos a partir das três plataformas do SR na estimativa da produtividade de biomassa seca da parte aérea e da concentração de N nas folhas de trigo, e (ii) comparar os resultados obtidos com a técnica clássica de regressão linear em relação aqueles gerados pela SVR. Para isso, plantas de trigo, cultivar TBIO Sinuelo, foram cultivadas em diferentes ambientes envolvendo manejos distintos de adubação nitrogenada. A avaliação da capacidade dos sensores foi abordada de duas formas: (i) com amostras aleatórias em diferentes estádios de desenvolvimento da cultura do trigo dentro de cada tratamento de adubação nitrogenada, verificando a capacidade do sensor em detectar a variabilidade em áreas com um mesmo tratamento, e (ii) com as médias das amostras em cada tratamento, avaliando a capacidade do sensor em detectar as diferenças provocadas por manejos variados de adubação nitrogenada. Os resultados obtidos demonstraram existência de correlação dos dados gerados pelos equipamentos utilizados (sensor terrestre GREENSEEKER, satélites RAPIDEYE e RPA EBEE) com a produtividade de biomassa seca da parte aérea e a concentração de N nas folhas de trigo. A SVR gerou coeficientes de correlação (r) mais expressivos do que a regressão linear sobre os dados obtidos com todos os equipamentos utilizados. Dentre as plataformas, considerando a abordagem com as amostras aleatórias no campo, os dados gerados com a RPA EBEE apresentaram correlação mais estreita com a estimativa de biomassa da parte aérea e a concentração foliar de N. Já, quando se consideraram as médias dos tratamentos de adubação nitrogenada, tanto a RPA EBEE como os satélites RAPIDEYE apresentaram resultados similares na estimativa de produtividade de biomassa da parte aérea. Porém, para a predição do teor foliar de N, a RPA EBEE proporcionou resultados superiores em relação aos obtidos com os satélites RAPIDEYE. Concluiu-se que a plataforma RPA EBEE foi mais eficiente do que as plataformas terrestre (GREENSEEKER) e orbital (satélites RAPIDEYE) para estimar a produtividade de biomassa da parte aérea e a concentração de N nas folhas de trigo, quando existe maior variabilidade na área de estudo, e que a SVR foi uma técnica mais eficiente do que a regressão linear para análise dos dados das três plataformas: orbital, aérea e terrestre. / Estimating biomass productivity in agriculture is a key part in crop management, providing information that can help the complex decision making in the field. Nitrogen (N), for being a nutrient that participates in the structure and vital cellular functions to the plant, has a close correlation with biomass productivity, mainly in wheat crop (Triticum aestivum L.). Remote sensing (RS), which consists of acquiring information from an object without contact between the sensor and the target, is a widely employed technique in estimating biomass and nutritional status of N. There are three RS platforms for obtaining data: orbital, with satellites; aerial, with aircraft, helicopters and remotely piloted aircraft (RPA); and terrestrial, with optical sensors and spectral radiometers. When determining biomass productivity and N foliar content estimation models, both RS platforms are employed, and commercial products for these purposes already exists. However, there is a lack of information regarding the efficiency of the three platforms in the same experimental area. Traditionally, predictive models with RS data in agriculture are generated by classic statistical techniques, such as linear regression. However, data mining (DM) techniques can provide more relevant results. Due to its generalization capacity and feature of creating linear and nonlinear models, support vector machine for regression (SVR) is a DM technique with intensive use over RS data. The goals of this work were: (i) to evaluate the correlation between data obtained from the three RS platforms for estimating dry biomass productivity and N concentration in wheat leaves, and (ii) to compare the results obtained with a classical linear regression technique against those of the SVR technique. Were cultivated wheat plants, TBIO Sinuelo variety, in different environments involving distinct management of nitrogen fertilization. The sensors evaluation was performed in two ways: (i) with random samples at different wheat crop development stages for each nitrogen fertilization treatment, aiming to verify the sensor ability to detect variability in areas with the same treatment, and (ii) considering the mean value of the samples in each treatment, evaluating the ability of the sensor to detect the differences caused by varied management of nitrogen fertilization. The results showed that data generated by the equipment (GREENSEEKER terrestrial sensor, RAPIDEYE satellites and RPA EBEE) displayed correlation with dry biomass productivity and N concentration in wheat leaves. More expressive correlation coefficients (r) were obtained with SVR against those of linear regression in the data obtained with all equipment used. Considering the approach with the random samples in the field, data generated with the RPA EBEE showed a closer correlation with the biomass estimation and the foliar concentration of N. When considering the mean value of nitrogen fertilization treatments, both RPA EBEE and RAPIDEYE satellites presented similar results for estimating biomass productivity, however, the RPA EBEE provided results slightly higher than those obtained with the RAPIDEYE satellites for the prediction of N foliar content. It was concluded that, for estimating the biomass productivity and the N concentration in the wheat leaves RPA EBEE platform is more efficient than the terrestrial (GREENSEEKER) and orbital platforms (RAPIDEYE satellites) when there is greater variability in the study area. Also, SVR was a more efficient technique than linear regression for data analysis of the three platforms: orbital, aerial and terrestrial.