|
|
Registros recuperados : 9 | |
2. | | OLDONI, L. V.; CATTANI, C. E. V.; MERCANTE, E.; JOHANN, J. A.; ANTUNES, J. F. G.; ALMEIDA, L. Annual cropland mapping using data mining and OLI Landsat-8. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 23, n. 12, p. 952-958, 2019. Biblioteca(s): Embrapa Agricultura Digital. |
| |
4. | | CATTANI, C. E. V.; SILVA, B. B. da; OLDONI, L. V.; MERCANTE, E.; ANTUNES, J. F. G.; ESQUERDO, J. C. D. M. Estimativa da evapotranspiração real diária para o município de São Gabriel do Oeste-MS utilizando imagens orbitais. Acta Iguazu, Cascavel, v. 6, n. 2, p. 13-24, 2017. Biblioteca(s): Embrapa Agricultura Digital. |
| |
5. | | SILVA, B. B. da; CATTANI, C. E. V.; OLDONI, L. V.; MERCANTE, E.; ANTUNES, J. F. G.; ESQUERDO, J. C. D. M. Estimativa de evapotranspiração real diária para o município de São Gabriel do Oeste utilizando algoritmo SEBAL e imagens Landsat 8. In: SIMPÓSIO DE GEOTECNOLOGIAS NO PANTANAL, 6., 2016, Cuiabá. Anais... São José dos Campos: INPE; Brasília, DF: Embrapa, 2016. p. 197-206. 1 CD-ROM. GeoPantanal 2016. Biblioteca(s): Embrapa Agricultura Digital. |
| |
7. | | PRUDENTE, V. H. R.; SKAKUN, S.; OLDONI, L. V.; XAUD, H. A. M.; XAUD, M. R.; ADAMI, M.; SANCHES, I. D. A. Multisensor approach to land use and land cover mapping in Brazilian Amazon. ISPRS Journal of Photogrammetry and Remote Sensing, v. 189, p. 95-109, 2022. Biblioteca(s): Embrapa Roraima. |
| |
9. | | CAON, I. L.; BECKER, W. R.; GANASCINI, D.; CATTANI, C. E. V.; MENDES, I. de S.; PRUDENTE, V. H. R.; OLDONI, L. V.; ANTUNES, J. F. G.; MERCANTE, E. Comparativo entre os classificadores RF e MAXVER, para classificação de uso e cobertura da terra, em diferentes densidades temporais. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 19., 2019, Santos. Anais... São José dos Campos: INPE, 2019. 4 p. Editores: Douglas Francisco Marcolino Gherardi, Ieda Del?Arco Sanches, Luiz Eduardo Oliveira e Cruz de Aragão. SBSR 2019. Biblioteca(s): Embrapa Agricultura Digital. |
| |
Registros recuperados : 9 | |
|
|
Registro Completo
Biblioteca(s): |
Embrapa Agricultura Digital. |
Data corrente: |
04/02/2019 |
Data da última atualização: |
04/02/2019 |
Tipo da produção científica: |
Orientação de Tese de Pós-Graduação |
Autoria: |
OLDONI, L. V. |
Afiliação: |
LUCAS VOLOCHEN OLDONI, Unioeste. |
Título: |
Mapeamento de soja e milho com mineração de dados e imagens sintéticas Landsat e Modis. |
Ano de publicação: |
2018 |
Fonte/Imprenta: |
2018. |
Páginas: |
119 p. |
Idioma: |
Português |
Notas: |
Dissertação (Mestrado em Engenharia Agrícola) - Universidade Estadual do Oeste do Paraná, Cascavel. Orientador: Erivelto Mercante, Coorientador: João Francisco Gonçalves Antunes. |
Conteúdo: |
Estudos referentes ao acompanhamento da produção agrícola têm um peso determinante e estratégico no planejamento econômico do país, devido à importância do agronegócio, e também para segurança alimentar. O sensoriamento remoto orbital é uma alternativa eficaz para realizar o monitoramento das culturas agrícolas, devido ao baixo custo, grande escala de abrangência e rapidez na coleta de dados. Porém, geralmente os sensores com alta resolução espacial possuem baixa resolução temporal, e os com alta resolução temporal possuem baixa resolução espacial. Assim, para se realizar o acompanhamento de culturas agrícolas com uma resolução espacial mais alta, a cobertura por nuvens pode ser um fator limitante. Estes problemas podem ser contornados com a utilização de fusão de imagens de diversos sensores com características temporais e espaciais diferentes, criando, assim, novas imagens, também chamadas de imagens sintéticas. Deste modo, o objetivo do trabalho foi realizar o mapeamento de áreas semeadas com soja e milho utilizando fusão espaço-temporal de imagens Landsat 8 e MODIS. Na primeira parte do trabalho, foram separadas culturas agrícolas de outros alvos. A classificação gerada serviu de entrada em um dos algoritmos de classificação, o Flexible Spatiotemporal Data Fusion (FSDAF), na segunda parte do trabalho. Nessa parte, além deste algoritmo, também foram utilizados os algoritmos Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) e Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) para gerar imagens nas safras de verão 2016/2017. Então, foram criados 5 cenários de classificação. Nos 1º e 2º foram considerados a utilização apenas das imagens espectrais das imagens Landsat 8 livres de nuvens. As 3º, 4º e 5º foram realizadas com as imagens geradas pelo STARFM, ESTARFM e FSDAF. No 3º cenário foram utilizadas as métricas espectrais das imagens Landsat 8 e as imagens espectrais gerados pelos algoritmos de fusão, no 4º foram considerados as métricas estatísticas e no 5º as métricas fenológicas extraídas do perfil temporal do Enhanced Vegetation Index (EVI). Os cenários que utilizaram métricas fenológicas do EVI a partir de imagens geradas pelo FSDAF e STARFM obtiveram melhores resultados, com exatidão global de 93,11 e 91,33%, respectivamente, resultados estes estatisticamente melhores que os obtidos apenas com as imagens Landsat 8 existentes. Assim, a utilização de métricas fenológicas obtidas de imagens sintéticas são importantes alternativas para o mapeamento de soja e milho. MenosEstudos referentes ao acompanhamento da produção agrícola têm um peso determinante e estratégico no planejamento econômico do país, devido à importância do agronegócio, e também para segurança alimentar. O sensoriamento remoto orbital é uma alternativa eficaz para realizar o monitoramento das culturas agrícolas, devido ao baixo custo, grande escala de abrangência e rapidez na coleta de dados. Porém, geralmente os sensores com alta resolução espacial possuem baixa resolução temporal, e os com alta resolução temporal possuem baixa resolução espacial. Assim, para se realizar o acompanhamento de culturas agrícolas com uma resolução espacial mais alta, a cobertura por nuvens pode ser um fator limitante. Estes problemas podem ser contornados com a utilização de fusão de imagens de diversos sensores com características temporais e espaciais diferentes, criando, assim, novas imagens, também chamadas de imagens sintéticas. Deste modo, o objetivo do trabalho foi realizar o mapeamento de áreas semeadas com soja e milho utilizando fusão espaço-temporal de imagens Landsat 8 e MODIS. Na primeira parte do trabalho, foram separadas culturas agrícolas de outros alvos. A classificação gerada serviu de entrada em um dos algoritmos de classificação, o Flexible Spatiotemporal Data Fusion (FSDAF), na segunda parte do trabalho. Nessa parte, além deste algoritmo, também foram utilizados os algoritmos Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) e Enhanced Spatial and Temporal Ada... Mostrar Tudo |
Palavras-Chave: |
Data mining; Fusão de imagens espaço-temporal; Fusion of spatio-temporal images; Métricas estatísticas; Métricas fenológicas; Mineração de dados; Phenological metrics; Statistical metrics. |
Thesagro: |
Milho; Sensoriamento Remoto; Soja. |
Thesaurus NAL: |
Remote sensing. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/191987/1/TS-LucasOldoni.pdf
|
Marc: |
LEADER 03605nam a2200277 a 4500 001 2105405 005 2019-02-04 008 2018 bl uuuu m 00u1 u #d 100 1 $aOLDONI, L. V. 245 $aMapeamento de soja e milho com mineração de dados e imagens sintéticas Landsat e Modis.$h[electronic resource] 260 $a2018.$c2018 300 $a119 p. 500 $aDissertação (Mestrado em Engenharia Agrícola) - Universidade Estadual do Oeste do Paraná, Cascavel. Orientador: Erivelto Mercante, Coorientador: João Francisco Gonçalves Antunes. 520 $aEstudos referentes ao acompanhamento da produção agrícola têm um peso determinante e estratégico no planejamento econômico do país, devido à importância do agronegócio, e também para segurança alimentar. O sensoriamento remoto orbital é uma alternativa eficaz para realizar o monitoramento das culturas agrícolas, devido ao baixo custo, grande escala de abrangência e rapidez na coleta de dados. Porém, geralmente os sensores com alta resolução espacial possuem baixa resolução temporal, e os com alta resolução temporal possuem baixa resolução espacial. Assim, para se realizar o acompanhamento de culturas agrícolas com uma resolução espacial mais alta, a cobertura por nuvens pode ser um fator limitante. Estes problemas podem ser contornados com a utilização de fusão de imagens de diversos sensores com características temporais e espaciais diferentes, criando, assim, novas imagens, também chamadas de imagens sintéticas. Deste modo, o objetivo do trabalho foi realizar o mapeamento de áreas semeadas com soja e milho utilizando fusão espaço-temporal de imagens Landsat 8 e MODIS. Na primeira parte do trabalho, foram separadas culturas agrícolas de outros alvos. A classificação gerada serviu de entrada em um dos algoritmos de classificação, o Flexible Spatiotemporal Data Fusion (FSDAF), na segunda parte do trabalho. Nessa parte, além deste algoritmo, também foram utilizados os algoritmos Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) e Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) para gerar imagens nas safras de verão 2016/2017. Então, foram criados 5 cenários de classificação. Nos 1º e 2º foram considerados a utilização apenas das imagens espectrais das imagens Landsat 8 livres de nuvens. As 3º, 4º e 5º foram realizadas com as imagens geradas pelo STARFM, ESTARFM e FSDAF. No 3º cenário foram utilizadas as métricas espectrais das imagens Landsat 8 e as imagens espectrais gerados pelos algoritmos de fusão, no 4º foram considerados as métricas estatísticas e no 5º as métricas fenológicas extraídas do perfil temporal do Enhanced Vegetation Index (EVI). Os cenários que utilizaram métricas fenológicas do EVI a partir de imagens geradas pelo FSDAF e STARFM obtiveram melhores resultados, com exatidão global de 93,11 e 91,33%, respectivamente, resultados estes estatisticamente melhores que os obtidos apenas com as imagens Landsat 8 existentes. Assim, a utilização de métricas fenológicas obtidas de imagens sintéticas são importantes alternativas para o mapeamento de soja e milho. 650 $aRemote sensing 650 $aMilho 650 $aSensoriamento Remoto 650 $aSoja 653 $aData mining 653 $aFusão de imagens espaço-temporal 653 $aFusion of spatio-temporal images 653 $aMétricas estatísticas 653 $aMétricas fenológicas 653 $aMineração de dados 653 $aPhenological metrics 653 $aStatistical metrics
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|