Fechar
Metadados

@MastersThesis{Silva:2015:InReBa,
               author = "Silva, Alexsandro C{\^a}ndido de Oliveira",
                title = "Infer{\^e}ncia em redes bayesianas para mapeamento de {\'a}reas 
                         de cultivo e {\'a}reas aptas para expans{\~a}o de 
                         cana-de-a{\c{c}}ucar no estado de S{\~a}o Paulo",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2015",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2015-02-23",
             keywords = "intelig{\^e}ncia artificial, redes bayesianas, infer{\^e}ncia, 
                         planejamento territorial, artificial intelligence, bayesian 
                         networks, inference, territorial planning.",
             abstract = "O discurso sobre sustentabilidade tem ganhado proje{\c{c}}{\~a}o 
                         internacional com a necessidade de mitiga{\c{c}}{\~a}o das 
                         emiss{\~o}es de gases do efeito estufa atrav{\'e}s da 
                         utiliza{\c{c}}{\~a}o de biocombust{\'{\i}}veis. O Brasil se 
                         destaca por estar entre os maiores pa{\'{\i}}ses produtores de 
                         etanol, com vasta experi{\^e}ncia na produ{\c{c}}{\~a}o do 
                         mesmo a partir da cana-de-a{\c{c}}{\'u}car. Devido ao aumento da 
                         demanda ao uso de biocombust{\'{\i}}veis, at{\'e} mesmo na 
                         {\'a}rea de transporte a{\'e}reo, h{\'a} uma grande 
                         aten{\c{c}}{\~a}o voltada {\`a} amplia{\c{c}}{\~a}o 
                         sustent{\'a}vel do plantio da cana-de-a{\c{c}}{\'u}car. 
                         Portanto {\'e} fundamental que se fa{\c{c}}a um planejamento 
                         territorial que pode ser auxiliado por t{\'e}cnicas de 
                         Intelig{\^e}ncia Artificial, amplamente utilizadas em 
                         Sensoriamento Remoto. Dentro deste contexto, este trabalho 
                         prop{\~o}e mapear {\'a}reas de cultivo de 
                         cana-de-a{\c{c}}{\'u}car e {\'a}reas aptas ao seu plantio, no 
                         Estado de S{\~a}o Paulo, por meio de an{\'a}lises 
                         probabil{\'{\i}}sticas usando o modelo bayesiano \emph{Enhanced 
                         Bayesian Network for Raster} Data - e-BayNeRD implementado no 
                         software R. O sistema e-BayNeRD {\'e} uma vers{\~a}o aprimorada 
                         do BayNeRD, cujas melhorias s{\~a}o descritas, com detalhes, 
                         neste trabalho. Os principais resultados do sistema e-BayNeRD 
                         s{\~a}o \emph{layers} que mostram a distribui{\c{c}}{\~a}o 
                         espacial dos valores de probabilidade de ocorr{\^e}ncia de cada 
                         classe do fen{\^o}meno sob estudo. O modelo de Redes Bayesianas 
                         (RB) proposto neste trabalho usou as seguintes vari{\'a}veis: 
                         Zoneamento Agroambiental, Aptid{\~a}o Edafoclim{\'a}tica, 
                         Declividade, \emph{Crop Enhancement Index} (CEI), 
                         \emph{Normalized Difference Vegetation Index} (NDVI) e 
                         \${{"}}\$qualidade do solo\${{"}}\$. Al{\'e}m disso, o mapa 
                         de {\'a}reas aptas {\`a} expans{\~a}o da 
                         cana-de-a{\c{c}}{\'u}car, disponibilizados pela Embrapa Meio 
                         Ambiente, e o mapa {\'a}reas de cana-de-a{\c{c}}{\'u}car, 
                         produzido pelo projeto CANASAT, foram usados como refer{\^e}ncia 
                         para avaliar os resultados da classifica{\c{c}}{\~a}o obtidos 
                         neste trabalho. Os resultados da avalia{\c{c}}{\~a}o mostraram 
                         que o modelo n{\~a}o foi capaz de inferir com precis{\~a}o as 
                         {\'a}reas aptas {\`a} expans{\~a}o da 
                         cana-de-a{\c{c}}{\'u}car. O principal problema foi quanto 
                         {\`a}s limita{\c{c}}{\~o}es inerentes ao mapa de 
                         refer{\^e}ncia para as {\'a}reas aptas, que considerou 
                         {\'a}reas de preserva{\c{c}}{\~a}o ambiental como {\'a}rea 
                         aptas {\`a} expans{\~a}o, o que prejudicou a 
                         avalia{\c{c}}{\~a}o do mapa tem{\'a}tico das {\'a}reas aptas 
                         geradas pelo modelo RB proposto. Por outro lado, o mapa de 
                         incertezas, calculado a partir dos valores de probabilidade das 
                         \emph{layers}, indicou menores n{\'{\i}}veis de incerteza nas 
                         {\'a}reas de plantio de cana-de-a{\c{c}}{\'u}car. O sistema 
                         e-BayNeRD apresenta potencial para modelagem de sistemas complexos 
                         em diversas aplica{\c{c}}{\~o}es na {\'a}rea de 
                         observa{\c{c}}{\~a}o da Terra ABSTRACT: Sustainability speech 
                         has gained international recognition with the need to mitigate 
                         greenhouse gas emissions using biofuels. Brazil stands out for 
                         being among the largest ethanol producing countries, with vast 
                         experience in the producing of it from sugarcane. With increasing 
                         demand for the use of biofuels, even in air transport area, there 
                         is an attention focused on sustainable expansion of sugarcane 
                         crops. Therefore, it is essential to make a territorial planning 
                         that can be aided by Artificial Intelligence techniques, widely 
                         used in Remote Sensing. Within this context, this work proposes to 
                         map sugarcane areas and suitable areas to cultivate it in the 
                         State of S{\~a}o Paulo, through probabilistic analysis using the 
                         e-BayNeRD (Enhanced Bayesian Network for Raster Data), a Bayesian 
                         model implemented in R software. The system e-BayNeRD is an 
                         enhanced version of BayNeRD, whose improvements are described in 
                         detail in this work. The main results of BayNeRD system are layers 
                         that show the spatial distribution of the probability values for 
                         each class of the phenomenon under study. The proposed Bayesian 
                         Network (BN) model in this work used the following variables: 
                         Agro-environmental Zoning, the edaphoclimatic aptitude, the Slope 
                         terrain, the Crop Enhancement Index (CEI), the Normalized 
                         Difference Vegetation Index (NDVI) and soil quality. In addition, 
                         the map of suitable areas suitable for the expansion of sugarcane, 
                         provided by Embrapa Environment, and the sugarcane map in 2006/07 
                         harvest produced by CANASAT project, were used as reference maps 
                         to validate the classification results obtained in this work. The 
                         results showed that the model was not able to infer accurately the 
                         suitable areas for the expansion of sugarcane. The main problem 
                         was the inherent limitations in the reference map for suitable 
                         areas that considered areas of environmental preservation as areas 
                         suitable for the expansion, which hampered the assessment of 
                         suitable areas thematic map generated by the proposed RB model. On 
                         the other hand, the uncertainty map, computed from the probability 
                         values of the layers, indicated lower levels of uncertainty in the 
                         areas of sugarcane crops. The system e-BayNeRD shows potential for 
                         modeling complex systems in various applications in Earth 
                         Observation area.",
            committee = "Fonseca, Leila Maria Garcia (presidente/orientador) and Mello, 
                         M{\'a}rcio Pupin de (orientador) and Formaggio, Ant{\^o}nio 
                         Roberto and Korting, Thales Sehn and Picoli, Michelle Cristina 
                         Araujo",
           copyholder = "SID/SCD",
         englishtitle = "Bayesian network inference for mapping sugarcane areas and 
                         suitable areas for its expansion in S{\~a}o Paulo state",
             language = "pt",
                pages = "88",
                  ibi = "8JMKD3MGP3W34P/3HSF79B",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34P/3HSF79B",
           targetfile = "publicacao.pdf",
        urlaccessdate = "24 nov. 2020"
}


Fechar