Export iten: EndNote BibTex

Please use this identifier to cite or link to this item: http://tede.unioeste.br/handle/tede/4173
Tipo do documento: Tese
Title: Modelos agrometeorológicos, espectrais e de inteligência artificial para estimação de produtividade de soja
Other Titles: Agrometeorological, spectral, and artificial intelligence models for estimating soybean productivity
Autor: Richetti, Jonathan 
Primeiro orientador: Johann, Jerry Adriani
Primeiro coorientador: Opazo, Miguel Angel Uribe
Primeiro membro da banca: Guedes, Luciana Pagliosa Carvalho
Segundo membro da banca: Souza, Eduardo Godoy de
Terceiro membro da banca: Rolim, Glauco de Souza
Quarto membro da banca: Souza, Carlos Henrique Wachholz de
Resumo: Questões agrícolas globais e locais são levantadas frequentemente devido ao constante crescimento da demanda por alimentos e flutuações no preço das commodities. Pode-se obter informações sobre a produção agrícola de uma determinada região de diversas maneiras. Dentre os diferentes métodos para estimar as produções agrícolas, estão os censos e levantamentos subjetivos, que são os métodos utilizados pelos órgãos oficiais como IBGE e CONAB. Estes métodos demandam tempo e recursos, fazendo com que as informações demorem a ser disponibilizadas para consulta pública. Para melhorar a eficiência desse processo, métodos claros e objetivos são necessários. Portanto, o objetivo da tese foi desenvolver métodos objetivos para estimar a produtividade e a produção de soja no estado do Paraná que possam ser aplicados também para previsão de safras agrícolas. Assim, esta tese está dividida, fundamentalmente, em três artigos, cada um abordando um método para estimativa de produtividade da cultura da soja com uso de dados de sensoriamento remoto e técnicas de modelagem. O primeiro artigo aborda o uso de algoritmos de aprendizado de máquinas e inteligência artificial em dados de sensoriamento remoto para estimar a produtividade de soja no estado do Paraná. O segundo trata do uso de dados de sensoriamento remoto para calibrar o modelo de crescimento CROPGRO em duas fazendas, uma no Brasil e outra nos Estados Unidos. O terceiro apresenta a aplicação do modelo agrometeorológico da FAO para estimar a produtividade de soja no estado do Paraná. Os resultados do primeiro artigo apresentaram desempenhos com baixo erro médio (do inglês, Mean Error – ME) de 3,52 kg ha-1, raiz quadrada do erro médio (do inglês Root Mean Square Error – RMSE) de 373 kg ha-1 e índice de concordância de Wilmoott (dr) de 0,85 com os dados obtidos de fazendas. Já o segundo artigo apresentou um ME de -3,4 kg ha-1 para produtividade, com R2 de 89% no Paraná, Brasil. Já em Iowa, EUA, obteve-se um RMSE de 864 kg ha-1, e um dr de 0,98 para biomassa e RMSE de 904 kg ha-1 e outro dr de 0,89 para peso de vagem. A segunda publicação mostrou que a determinação dos valores do índice de área foliar e da interceptação da luz a partir de índices de vegetação de sensoriamento remoto, como os dados do Índice de Vegetação por Diferença Normalizada (do inglês Normalized Difference Vegetation Index – NDVI), podem ser usados para fins de calibração do modelo da cultura. O terceiro artigo avaliou o software CyMP para estimar a produtividade de soja no estado do Paraná de 2013 a 2016, obtendo diferenças a partir de 31 kg ha-1 entre a produtividade estimada e a reportada pela CONAB.
Abstract: Global and local agricultural issues are often raised due to the steady growth in demand for food and the fluctuations in the commodity prices. Various forms can be used to obtain information on the agricultural production of a particular region. Among the different methods of estimating agricultural production, censuses and surveys are the methods used by official institutes such as IBGE and CONAB. These methods are time consuming and labor intensive, causing the information to be delayed. In order to improve estimates, clear and accurate methods are needed. Therefore, the aim of this thesis is to present methods to estimate the yield and production of soybeans in the state that also can be applied for forecasting of agricultural yield. Thus, this thesis is divided, fundamentally, in three scientific papers; each one approaches a method to estimate soybean yield using remote sensing data and modeling techniques. The first paper presents the use of machine learning algorithms and artificial intelligence in remote sensing data to estimate soybean yield in the state of Paraná. The second one shows how remote sensing data can be used to calibrate the CROPGRO growth model in two farms, one in Brazil and another in the United States. The third one presents an application of the FAO agrometeorological model to estimate soybean yield in the state of Paraná. The first paper presented performances with a mean error (ME) of 3.52 kg ha-1, root mean square error (RMSE) of 373 kg ha-1 and Wilmoott concordance index (dr) of 0.85 when compared with farm data. The second article shows an ME of -3.4 kg ha-1 and R2 of 89% for yield in Paraná, Brazil. In Iowa, USA, a RMSE of 864 kg ha-1, dr of 0.98 for biomass and RMSE, dr of 904 kg ha-1, and dr of 0.89 for pod weight were obtained. This study showed that the determination of leaf area index and light interception values from remote sensing vegetation indexes, such as the Normalized Difference Vegetation Index (NDVI) data can be used for calibration purposes of the model. The third article evaluated the CyMP software to estimate soybean yield in the state of Paraná from 2013 to 2016, obtaining differences starting at 31 kg ha-1 between the estimated yield and reported yield by CONAB.
Keywords: Aprendizado de Máquina
Sensoriamento Remoto
Modelagem de Cultura
Machine Learning
Remote Sensing
Crop Modeling
CNPq areas: CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA
Idioma: por
País: Brasil
Publisher: Universidade Estadual do Oeste do Paraná
Sigla da instituição: UNIOESTE
Departamento: Centro de Ciências Exatas e Tecnológicas
Program: Programa de Pós-Graduação em Engenharia Agrícola
Campun: Cascavel
Citation: RICHETTI, Jonathan. Modelos agrometeorológicos, espectrais e de inteligência artificial para estimação de produtividade de soja. 2018. 81 f. Tese (Programa de Pós-Graduação em Engenharia Agrícola) - Universidade Estadual do Oeste do Paraná, Cascavel, 2018.
Tipo de acesso: Acesso Aberto
Endereço da licença: http://creativecommons.org/licenses/by-nc-nd/4.0/
URI: http://tede.unioeste.br/handle/tede/4173
Issue Date: 13-Nov-2018
Appears in Collections:Doutorado em Engenharia Agrícola (CVL)

Files in This Item:
File Description SizeFormat 
Jonathan_Richetti2018.pdf3.86 MBAdobe PDFView/Open Preview


This item is licensed under a Creative Commons License Creative Commons