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.
| Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-17012019-180101 |
| Date | 30 August 2018 |
| Creators | Camargo, Marcel Pinton de |
| Contributors | Aprilanti, Tamara Maria Gomes |
| Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
| Source Sets | Universidade de São Paulo |
| Language | English |
| Detected Language | Portuguese |
| Type | Dissertação de Mestrado |
| Format | application/pdf |
| Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.0018 seconds