Banca de DEFESA: BRUNO DE OLIVEIRA SCHNEIDER

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: BRUNO DE OLIVEIRA SCHNEIDER
DATA: 14/08/2023
HORA: 14:00
LOCAL: Sala de defesa do PPGEA (Bloco 2, Depto de Eng. Agr.)
TÍTULO:

Identificação de cultivo de café por sensoriamento remoto e
aprendizagem de máquina

PALAVRAS-CHAVES:

mapeamento, café, uso da terra, sensoriamento remoto,
Sentinel-2, Random Forest, coerência espacial.

PÁGINAS: 70
GRANDE ÁREA: Ciências Agrárias
ÁREA: Engenharia Agrícola
RESUMO:

O cultivo de café é um elemento importante na economia brasileira,
produzindo receitas de exportação, empregos e movimentando a economia
local. O Brasil é o maior produtor e exportador de café do mundo e o
seu plantio é um elemento importante na nossa identidade cultural.
Conhecer com precisão as regiões de cultivo de café permite avaliar
melhor o balanço entre a oferta e demanda do produto, facilita
monitorar os problemas associados ao cultivo, auxiliando na tomada de
medidas preventivas ou determinação de políticas públicas para
direcionar essa atividade. O mapeamento, feito de forma tão automática
quanto possível, ajudaria a manter dados atualizados sobre as regiões
de cultivo, em grandes extensões de terra. Por outro lado, o
mapeamento automático desta cultura enfrenta diversos desafios
relacionados com a variedade de características de produção de café em
diferentes locais. As variações vão desde o uso de diferentes espécies
e variedades de plantas, como diferenças visuais relativas à idade das
plantas, cultivo em consórcio com outras culturas e técnicas de
cultivo e manejo, como o plantio sombreado. Este trabalho investiga o
mapeamento de cultivo de café, na forma de monocultura exposta, no
município de Lavras, MG, usando imagens do satélite Sentinel-2 (MSI) e
o algoritmo de classificação Random Forest. O Random Forest é um
algoritmo de aprendizado de máquina e portanto “aprende” a fazer a
classificação por meio de exemplos, o que requer uma pequena
classificação manual a fim de gerar exemplos que pretendam abranger os
vários casos possíveis de classificação. Produzir uma amostragem
adequada à criação de uma classificação cria problemas práticos
diversos, cujo impacto na classificação ainda precisa melhor estudado.
Neste trabalho, observamos que alguns aspectos práticos tem efeitos
bem mais significativos que outros. Foram realizados testes de
classificação, mostrando que a escolha de exemplos de classificação
acaba produzindo efeitos mais significativos do que a escolha das
bandas eletromagnéticas amostradas pelo satélite, a inclusão de ruído
(sombras, falhas no plantio, carreadores) nas amostras de plantio. Foi
também desenvolvida uma técnica para eliminar o ruído comum nas
classificações por pixel, produzindo áreas mais contínuas de
classificação, mais apropriadas para demarcação geométrica. A
investigação da classificação se concentrou na classificação de uma
região distinta do treinamento, uma característica pouco comum em
trabalhos de classificação anteriores, mas que é importante para a
viabilidade prática da classificação, uma vez que não é viável
produzir uma classificação manual numa grande região a fim de fazer o
treinamento do classificador. Foram obtidos resultados de
classificação com acerto de até 94,4%, com Kappa de 0,761, para
classificação em região distinta da de treinamento. O sistema de
classificação foi todo implementado com software livre, usando dados
de satélite que estão publicamente disponíveis, usando a linguagem R e
suas bibliotecas, incluindo uma implementação de Random Forest da
biblioteca ranger.

MEMBROS DA BANCA:
Externo à Instituição - MARGARETE MARIN LORDELO VOLPATO - EPAMIG (Suplente)
Presidente - MARCELO DE CARVALHO ALVES (Membro)
Externo à Instituição - LUCIANO TEIXEIRA DE OLIVEIRA - UFLA (Membro)
Externo à Instituição - JOÃO CARLOS GIACOMIN - UFLA (Suplente)
Externo à Instituição - JOSÉ SÉRGIO DE ARAÚJO - IFSM (Membro)
Externo à Instituição - GLADYSTON RODRIGUES CARVALHO - EPAMIG (Membro)
Externo ao Programa - FORTUNATO SILVA DE MENEZES - DFI/ICN (Membro)