@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/ibi/8JMKD3MGP3W34P/3HSF79B",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}