Banca de DEFESA: JONATHAN ROCHA MIRANDA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JONATHAN ROCHA MIRANDA
DATA: 07/07/2020
HORA: 14:00
LOCAL: Remotamente via Google Meet
TÍTULO:

SELEÇÃO DE BIBLIOTECAS VIRTUAIS DE SENSORIAMENTO REMOTO E TÉCNICAS DE MACHINE LEARNING PARA PROCESSAMENTO DE IMAGENS DIGITAIS APLICADO A CAFEICULTURA.

PALAVRAS-CHAVES:

Metadados, Validação de algoritmos, Colletrochium ssp, variação espectral, Modelo agrometerológico espectral, Agricultura de precisão

PÁGINAS: 100
GRANDE ÁREA: Ciências Agrárias
ÁREA: Engenharia Agrícola
RESUMO:

Com o uso do Sensoriamento Remoto há possibilidade de monitorar, estimar com acertos razoáveis a produtividade, fitossanidade e nutrição mineral do cafeeiro. Com sensores acoplados em satélites foi possível obter informações acerca da assinatura espectral da cultura do café numa escala de tempo pertinente ao monitoramento e detecção de mudanças fenológicas. A reflectância da superfície pode ser obtida em diversas bibliotecas virtuais de sensoriamento remoto, podendo cada uma adotar um método de processamento dos dados o que pode causar em divergência na informação. Objetivou-se avaliar a fonte de aquisição de dados orbitais e processamento de imagens digitais para uso na cafeicultura. Para avaliar a fonte de aquisição de dados, foi analisado se existe divergências dos valores radiométricos e geométricos entre as plataformas SATVeg, AppEEARS e Google Earth Engine comparando um total de 900 pontos amostrais distribuídos em 3 cenas do MOD13Q1 para diferentes datas. Em relação ao processamento de imagens, foram avaliados os algoritmos de Machine Learning Random Forest, Naive Bayes e Rede Neural na detecção da necrose dos frutos do cafeeiro comparando a acurácias dos modelos pelo método de Friedman Nemenyi. Para avaliar se os algoritmos de Machine Learning são mais eficazes que o modelo agrometeorologico espectral, estimado a produtividade por ambos modelos utilizando a serie temporal das imagens Landsat. Com base nos resultados as plataformas virtuais GEE e AppEEARS podem ser utilizadas com acurácia satisfatória quanto aos valores radiométricos na condição de estar na projeção sinusoidal. Sobre o uso de técnicas de machine learning para detectar necrose em frutos de cafeeiro, com o método Naive Bayes houve melhores resultados na detecção da necrose de frutos por meio de imagens Landsat. Com relação à estimativa de produtividade de frutos de cafeeiro, com o método Random Forest observaram-se melhores estimativas em relação ao modelo agrometerológico espectral sendo um método mais indicado quando se pretende estimar a produtividade em nível de pixel do Landsat, nas condições de área e disponibilidade de imagens em que o experimento foi realizado.

MEMBROS DA BANCA:
Presidente - MARCELO DE CARVALHO ALVES (Membro)
Externo à Instituição - MARGARETE MARIN LORDELO VOLPATO - EPAMIG (Membro)
Externo à Instituição - MICHEL EUSTÁQUIO DANTAS CHAVES - INPE (Suplente)
Externo à Instituição - HELON SANTOS NETO - UFLA (Suplente)
Externo à Instituição - GLADYSTON RODRIGUES CARVALHO - EPAMIG (Membro)
Externo à Instituição - CRISTINA RODRIGUES NASCIMENTO - UFRPE (Membro)
Externo à Instituição - LUCIANA SANCHES - UFMT (Membro)