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.
Identifer | oai:union.ndltd.org:IBICT/oai:tede2.uepg.br:prefix/2494 |
Date | 15 March 2018 |
Creators | Stachak, Alessandro |
Contributors | Caires, Eduardo Fávero, Guimarães, Alaine Margarete, Rocha, José Carlos Ferreira da, Kapp Junior, Claudio, Joris, Helio Antonio Wood, Campos Junior, Arion de |
Publisher | Universidade Estadual de Ponta Grossa, Programa de Pós Graduação Computação Aplicada, UEPG, Brasil, Departamento de Informática |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Biblioteca Digital de Teses e Dissertações da UEPG, instname:Universidade Estadual de Ponta Grossa, instacron:UEPG |
Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0033 seconds