Use este identificador para citar ou linkar para este item:
http://repositorio.ufla.br/jspui/handle/1/58550
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | Schneider, Bruno de Oliveira | - |
dc.date.accessioned | 2023-11-17T13:17:32Z | - |
dc.date.available | 2023-11-17T13:17:32Z | - |
dc.date.issued | 2023-11-16 | - |
dc.date.submitted | 2023-08-14 | - |
dc.identifier.citation | SCHNEIDER, B. de O. Coffee mapping by remote sensing and machine learning. 2023. 43 p. Tese (Doutorado em Engenharia Agrícola)–Universidade Federal de Lavras, Lavras, 2023. | pt_BR |
dc.identifier.uri | http://repositorio.ufla.br/jspui/handle/1/58550 | - |
dc.description.abstract | Coffee cultivation is an important element in the Brazilian economy, producing export revenues, jobs and driving the local economy. Brazil is the largest producer and exporter of coffee in the world and its cultivation is an important element in our cultural identity. Knowing precise locations of coffee growing allows a better assessment of the balance between supply and demand for the product, makes it easier to monitor problems associated with cultivation, helping to take preventive measures or determine public policies to guide this activity. Mapping, done as automatically as possible, would help keep up-to-date data on growing regions across large tracts of land. On the other hand, automatic mapping of this particular crop faces several challenges related to the variety of coffee growth systems in different locations. Variations range from the use of different species and varieties of plants, such as visual differences related to the age of the plants, intercropping with other crops, and cultivation and management techniques. This work investigates the mapping of coffee crops, in the form of sun exposed monoculture, in the municipality of Lavras, MG, using images from the Sentinel-2 MSI satellite and the Random Forest classification algorithm. Random Forest is a machine learning algorithm and therefore “learns” to classify through examples, which requires a little manual classification in order to generate examples that intend to cover the various possible cases of classification. Producing adequate sampling to create a classification creates several practical problems, whose impact on classification still needs to be better studied. In this work, we observed that some practical aspects have much more significant effects than others. Classification tests were carried out, showing that the choice of classification examples ends up producing more significant effects than the choice of electromagnetic bands sampled by the satellite. The inclusion of noise (shadows, planting failures, road tracks) in the crop samples did not lead to a bad classification. A technique was also developed to eliminate common noise in pixel-based classifications, producing more continuous areas of classification, more suitable for geometric demarcation. The accuracy analysis focused on the classification on an area distinct from the training region, an uncommon feature in previous works, but which is important for the practical feasibility of the classification, since it is not feasible to produce a manual classification in a large region to be used. in order to train the classifier. Classification results were obtained with accuracy of up to 94.4%, with Kappa of 0.761, for classification in a region other than the training one. The classification system was all implemented with free software, using satellite data that are publicly available, using the R language and its libraries, including a Random Forest implementation of the ranger library. | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Lavras | pt_BR |
dc.rights | acesso aberto | pt_BR |
dc.rights | Attribution-ShareAlike 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-sa/4.0/ | * |
dc.subject | Mapeamento | pt_BR |
dc.subject | Café - Cultivo | pt_BR |
dc.subject | Uso da terra | pt_BR |
dc.subject | Sensoriamento remoto | pt_BR |
dc.subject | Sentinel-2 | pt_BR |
dc.subject | Floresta aleatória | pt_BR |
dc.subject | Coerência espacial | pt_BR |
dc.subject | Crop mapping | pt_BR |
dc.subject | Coffee - Cultivation | pt_BR |
dc.subject | Land use | pt_BR |
dc.subject | Remote sensing | pt_BR |
dc.subject | Random forest | pt_BR |
dc.subject | Spatial coherence | pt_BR |
dc.subject | Coffee culture | pt_BR |
dc.title | Coffee mapping by remote sensing and machine learning | pt_BR |
dc.title.alternative | Identificação de cultivo de café por sensoriamento remoto e aprendizagem de máquina | pt_BR |
dc.type | tese | pt_BR |
dc.publisher.program | Programa de Pós-graduação em Engenharia Agrícola | pt_BR |
dc.publisher.initials | UFLA | pt_BR |
dc.publisher.country | brasil | pt_BR |
dc.contributor.advisor1 | Alves, Marcelo de Carvalho | - |
dc.contributor.referee1 | Menezes, Fortunato Silva de | - |
dc.contributor.referee2 | Araújo, José Sérgio de | - |
dc.contributor.referee3 | Carvalho, Gladyston Rodrigues | - |
dc.contributor.referee4 | Oliveira, Luciano Teixeira de | - |
dc.description.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 ser 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 não impediu a classificação adequada. Foi também desenvolvida uma técnica para eliminar o ruído comum nas classificações por pixel, produzindo áreas mais contínuas de classificação, que são mais apropriadas para demarcação geométrica. A análise de acurácia se concentrou na classificação de uma região distinta do treinamento, uma característica pouco comum em trabalhos 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 acurácia 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. | pt_BR |
dc.publisher.department | Departamento de Engenharia | pt_BR |
dc.subject.cnpq | Sensoriamento Remoto | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/9898188608363823 | pt_BR |
Aparece nas coleções: | Engenharia Agrícola - Doutorado (Teses) |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TESE_Coffee mapping by remote sensing and machine learning.pdf | 3,55 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons