CoordenaÃÃo de AperfeÃoamento de Pessoal de NÃvel Superior / A interpretaÃÃo de dados do sensoriamento remoto fundamenta-se, basicamente, na anÃlise do comportamento da reflectÃncia espectral dos materiais no intervalo de comprimento de onda do visÃvel ao infravermelho de ondas curtas (400 a 2500 nm). Para isso, pode-se usar a espectrorradiometria de reflectÃncia, que à uma tÃcnica capaz de medir, em diferentes comprimentos de ondas, a energia eletromagnÃtica refletida da superfÃcie dos materiais e representÃ-la na forma de um grÃfico denominado curva de reflectÃncia espectral. O poder analÃtico desta tÃcnica advÃm do fato da informaÃÃo espectral se correlacionar diretamente com a composiÃÃo quÃmica e com as caracterÃsticas fÃsicas das substÃncias contidas no alvo. No entanto, o grande volume de informaÃÃes contidas em uma assinatura espectral aumenta a dificuldade de analisÃ-la, principalmente quando se trabalha com imagens. Com isso, o emprego de modelos computacionais se mostra como uma saÃda viÃvel para a anÃlise de curvas espectrais. Dessa forma, o objetivo desta tese à avaliar o desempenho de diferentes modelos computacionais como: mÃnimos quadrados (MQ), rede neural artificial do tipo perceptron de mÃltiplas camadas (MLP) e mÃquina de aprendizagem extrema (ELM), treinados em laboratÃrio para estimar a condutividade elÃtrica do solo, e aplicÃ-los em imagens de alta resoluÃÃo espectral. Esta tese foi separada em trÃs etapas onde foram avaliados: a capacidade dos modelos computacionais em estimar a condutividade elÃtrica do extrato de saturaÃÃo (CEes) a partir de amostra de condutividade elÃtrica 1:1 (CE1:1); as estratÃgias computacionais que melhor estimam a condutividade elÃtrica de amostras de solo a partir de leituras espectrais de solos obtidas em laboratÃrio; e testar desempenho da melhor estratÃgia obtida no passo anterior, aplicando-a em uma imagem do sensor aerotransportado SpecTIR, coletado na regiÃo do PerÃmetro Irrigado de Morada Nova. Para avaliaÃÃo dos algoritmos, foram coletadas amostras de solos na regiÃo de Morada Nova com histÃrico de Ãreas afetadas por sais. Estas amostras foram utilizadas para a calibraÃÃo e validaÃÃo dos modelos. Dados espectrais foram obtidos utilizando o espectrorradiÃmetro FieldSpec 4 Hi-Res, entre 350 a 2500 nm. Foi avaliado o ganho de performance dos modelos matemÃticos pela transformaÃÃo dos dados atravÃs da anÃlise por componente principal e pela anÃlise derivativa. Com os resultados obtidos, pÃde-se observar que as melhores respostas foram alcanÃadas pelo modelo linear dos mÃnimos quadrados aplicados aos dados puros, onde as bandas selecionadas para estimar a condutividade elÃtrica foram de 395, 1642 e 1717 nm. Para estimar a condutividade elÃtrica do solo na imagem do sensor SpecTIR sobre a Ãrea de estudo, o modelo calibrado em laboratÃrio se mostrou interessante, produzindo um RPD de 1,46 e um coeficiente de correlaÃÃo de Pearson de 0,80. Com isso, conclui-se que os modelos calibrados utilizando amostras em laboratÃrio sÃo satisfatÃrios para estimar a CE de imagens hiperespectrais. / Remote sensing data interpretation is based primarily on the spectral reflectance analysis of materials for wavelength ranging from visible to short wave
infrared (400 to 2500nm). For this, one can use reflectance spectroscopy which is a technique capable of measuring, at different wavelengths, the electromagnetic energy reflected from the surface of materials and represent it in the form of a graph called spectral reflectance curve. The analytical power of this technique derives from the spectral information being correlated directly with the chemical composition and physical characteristics of the substances that makes the target. However, the large volume of information contained in a spectral signature increases the difficulty of analyzing it, especially if the dataset is made of images. Thus, computational models are expected to be a viable means of analyzing these spectral curves. The refore, the objective of this thesis is to evaluate the performance of different computational models, such as least squares (LS), multilayer perceptron (MLP) and extreme learning machine (ELM) artificial neural networks, trained on laboratory data to estimate the electrical conductivity
of salty soils, and to apply them to a hyperspectral image of the field . This thesis was organized in three parts: first, the ability of computer models to estimate the electrical conductivity of saturation extract (ECse) based on electrical conductivity data from a 1:1 dilution (EC 1:1) is assessed; second, computing strategy for best estimating the electrical conductivity of soil samples using their spectral readings under laboratory conditions are evaluated; and finally, the performance of the best found model applied to an airborne SpecTIR sensor hyperspectral image collected at the Irrigated District of the Morada Nova was evaluated. To evaluate the proposed algorithms, soil samples were collected in the Morada Nova Irrigation District with a history of salinity. These samples were used for model calibration and validation. Spectral data were obtained using the spectroradiometer FieldSpec 3Hi-Res, from 350 to 2500nm. In an attempt to improve the performance of the models, data transformation was applied using either principal component analysis or derivative analysis. The results show the best performance was produced by the linear model fitted by least squares algorithm applied to the raw data (no transformation), and the spectral bands selected to estimate the electrical conductivity were 395, 1642 and 1717 nm. To estimate the soil's electrical conductivity from SpecTIR's image sensor data, the model calibrated in the laboratory has proved to be feasible, generating a value o f 1.46 for RPD, and 0.80 for the Pearson correlation coefficient. Therefore,
one can conclude that the calibrated models using samples in the laboratory are satisfactory for estimating EC based on hyperspectral images.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.teses.ufc.br:10874 |
| Date | 19 February 2016 |
| Creators | OdÃlio Coimbra da Rocha Neto |
| Contributors | Adunias dos Santos Teixeira, Guilherme de Alencar Barreto, LuÃs ClÃnio JÃrio Moreira, Lenio Soares GalvÃo, FlÃvio Jorge Ponzoni |
| Publisher | Universidade Federal do CearÃ, Programa de PÃs-GraduaÃÃo em Engenharia AgrÃcola, UFC, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.1063 seconds