Aplicação de métodos de agrupamento de dados em índices de vegetação para geração de mapas de zonas de manejo
Resumo
Este artigo tem como objetivo avaliar o impacto do uso de diferentes índices agrícolas para a definição de zonas de manejo utilizando técnicas de pré-processamento visando preparar os dados para o uso de algoritmos de agrupamento em dados espaciais de uma plantação de algodão. A metodologia envolveu a aquisição de dados de índices agrícolas por drone, pré-processamento incluindo a remoção de valores not a number, criação de tabelas de valores separados por vírgula e seleção de índices com base na correlação. O algoritmo Fuzzy C-Means foi implementado para criar mapas de zonas de manejo com quatro grupos, identificando falhas na plantação. Com isso, obtivemos visualmente áreas com diferentes níveis de saúde para o cultivo.
Palavras-chave:
Zonas de manejo, Fuzzy C-Means, agricultura de precisão, pré-processamento, índices de vegetação
Referências
Bottega, E. L. (2014). Use of site-specific management for soybean production in the Brazilian Savannah. 2014. 92 f. Tese (Doutorado em Construções rurais e ambiência; Energia na agricultura; Mecanização agrícola) - Universidade Federal de Viçosa, Viçosa.
Nenos, L. et al. (2021) Machine learning in agriculture: A comprehensive updated review. Sensors, v. 21, n. 11, p. 3758.
Rodrigues, L. D. S; PEREIRA, D. R. (2021) Aprendizado de Máquina Aplicado Em Imagem Ndvi Para Previsão Da Produtividade Da Cana-De-Açúcar. In: Colloquium Exactarum. ISSN: 2178-8332. p. 82-98.
Devi, N. B.; Kavida, A. C. RETRACTED ARTICLE (2021): Pre-processing on remotely sensed data with unsupervised classification analysis. J Ambient Intell Human Comput 12, 6825–6839.
Hopewell, K. (2013) New protagonists in global economic governance: Brazilian agribusiness at the WTO. New Political Economy, v. 18, n. 4, p. 603-623.
Javed, T. et al. (2021) Performance and relationship of four different agricultural drought indices for drought monitoring in China's mainland using remote sensing data. Science of the total environment, v. 759, p. 143530.
Li, S. et al. High-quality vegetation index product generation (2021): A review of NDVI time series reconstruction techniques. International Journal of Applied Earth Observation and Geoinformation, v. 105, p. 102640.
Lindblom, J. et al. (2017). Promoting sustainable intensification in precision agriculture: review of decision support systems development and strategies. Precision agriculture, v. 18, p. 309-331.
Meneses, K. C. D. (2021). Rumo à agricultura inteligente: previsão de produtividade agrícola com dados agrometeorológicos usando machine learning.
Muruganantham, P. et al.(2022). A systematic literature review on crop yield prediction with deep learning and remote sensing. Remote Sensing, v. 14, n. 9, p. 1990.
Nallan, S. et al. (2014). Geospatial data pre-processing on watershed datasets: A GIS approach.
RUß, G. (2012). Spatial data mining in precision agriculture. Tese de Doutorado. Universitätsbibliothek.
Sharma, A. et al. (2020). Machine learning applications for precision agriculture: A comprehensive review. IEEE Access, v. 9, p. 4843-4873.
Santos, R. T. D. (2014). Um modelo de referência para o processo de definição de zonas de manejo em agricultura de precisão. Tese de Doutorado. Universidade de São Paulo.
Valente, D. S. M. (2010). Desenvolvimento de um sistema de apoio à decisão para definir zonas de manejo em cafeicultura de precisão.
Nenos, L. et al. (2021) Machine learning in agriculture: A comprehensive updated review. Sensors, v. 21, n. 11, p. 3758.
Rodrigues, L. D. S; PEREIRA, D. R. (2021) Aprendizado de Máquina Aplicado Em Imagem Ndvi Para Previsão Da Produtividade Da Cana-De-Açúcar. In: Colloquium Exactarum. ISSN: 2178-8332. p. 82-98.
Devi, N. B.; Kavida, A. C. RETRACTED ARTICLE (2021): Pre-processing on remotely sensed data with unsupervised classification analysis. J Ambient Intell Human Comput 12, 6825–6839.
Hopewell, K. (2013) New protagonists in global economic governance: Brazilian agribusiness at the WTO. New Political Economy, v. 18, n. 4, p. 603-623.
Javed, T. et al. (2021) Performance and relationship of four different agricultural drought indices for drought monitoring in China's mainland using remote sensing data. Science of the total environment, v. 759, p. 143530.
Li, S. et al. High-quality vegetation index product generation (2021): A review of NDVI time series reconstruction techniques. International Journal of Applied Earth Observation and Geoinformation, v. 105, p. 102640.
Lindblom, J. et al. (2017). Promoting sustainable intensification in precision agriculture: review of decision support systems development and strategies. Precision agriculture, v. 18, p. 309-331.
Meneses, K. C. D. (2021). Rumo à agricultura inteligente: previsão de produtividade agrícola com dados agrometeorológicos usando machine learning.
Muruganantham, P. et al.(2022). A systematic literature review on crop yield prediction with deep learning and remote sensing. Remote Sensing, v. 14, n. 9, p. 1990.
Nallan, S. et al. (2014). Geospatial data pre-processing on watershed datasets: A GIS approach.
RUß, G. (2012). Spatial data mining in precision agriculture. Tese de Doutorado. Universitätsbibliothek.
Sharma, A. et al. (2020). Machine learning applications for precision agriculture: A comprehensive review. IEEE Access, v. 9, p. 4843-4873.
Santos, R. T. D. (2014). Um modelo de referência para o processo de definição de zonas de manejo em agricultura de precisão. Tese de Doutorado. Universidade de São Paulo.
Valente, D. S. M. (2010). Desenvolvimento de um sistema de apoio à decisão para definir zonas de manejo em cafeicultura de precisão.
Publicado
28/11/2023
Como Citar
RUVER, Fábio S.; SANTOS, Raul T.; MARTINS, Claudia A..
Aplicação de métodos de agrupamento de dados em índices de vegetação para geração de mapas de zonas de manejo. In: ESCOLA REGIONAL DE INFORMÁTICA DE MATO GROSSO (ERI-MT), 12. , 2023, Cuiabá/MT.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 176-186.
ISSN 2447-5386.
DOI: https://doi.org/10.5753/eri-mt.2023.236619.
