<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21d.sid.inpe.br 808</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34T/47LEFTP</identifier>
		<repository>sid.inpe.br/mtc-m21d/2022/09.20.00.17</repository>
		<lastupdate>2022:12.05.18.47.27 urlib.net/www/2021/06.04.03.40 banon</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21d/2022/09.20.00.17.07</metadatarepository>
		<metadatalastupdate>2023:05.19.03.33.15 urlib.net/www/2021/06.04.03.40 administrator {D 2022}</metadatalastupdate>
		<secondarykey>INPE-18625-TDI/3261</secondarykey>
		<citationkey>Lucena:2022:DeDePl</citationkey>
		<title>Uso de imagens centimétricas e algoritmos de aprendizado de máquina no suporte ao manejo de pomares de laranja: detecção e delineamento de plantas, identificação de linhas, falhas de plantio e de plantas com greening</title>
		<alternatetitle>Use of centimeter images and machine learning algorithms to support orange orchard management: detection and delineation of trees, identification of planting rows, planting gaps and trees with greening</alternatetitle>
		<course>SER-SRE-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2022</year>
		<date>2022-08-10</date>
		<thesistype>Dissertação (Mestrado em Sensoriamento Remoto)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>107</numberofpages>
		<numberoffiles>2</numberoffiles>
		<size>6274 KiB</size>
		<author>Lucena, Felipe Rafael de Sá Menezes,</author>
		<committee>Körting, Thales Sehn (presidente),</committee>
		<committee>Kux, Hermann Johann Heinrich (orientador),</committee>
		<committee>Breunig, Fábio Marcelo (orientador),</committee>
		<committee>Sanches, Ieda Del'Arco,</committee>
		<committee>Bassanezi, Renato Beozzo,</committee>
		<e-mailaddress>felipesa01@gmail.com</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>citricultura, agricultura de precisão, detecção de copas, identificação de linhas de plantio, identificação de falhas de plantio, citriculture, precision agriculture, canopy detection, identification of planting rows, identification of planting gaps.</keywords>
		<abstract>O cultivo de laranjas é uma das principais atividades da citricultura mundial e, nacionalmente, corresponde à maior produção de frutos do país. Contudo, apesar da potência produtiva do país, o desenvolvimento de técnicas adequadas de manejo ainda é demandado, pois estas são importantes aliadas para a gestão e condução dos desafios da agricultura em termos de produtividade, segurança alimentar, impacto ambiental e sustentabilidade. Neste sentido, este trabalho explorou o uso de imagens captadas por Veículo Aéreo Não Tripulado para extração de dados e informações a respeito da cultura visando o desenvolvimento de ferramentas de auxílio ao manejo agrícola. Os objetivos principais do estudo foram divididos em três principais frentes de atuação: detecção e delineamento de copas de árvores; identificação de linhas e falhas de plantio; e diagnóstico da situação fitossanitária da cultura em relação à contaminação pela doença do greening. Na análise de detecção e delineamento, foi utilizado o modelo de deep learning baseado em rede neural convolucional (Mask R-CNN) para comparação do desempenho da atividade entre imagens RGB com e sem a adição de uma quarta banda com o dado de altitude das copas. Além disso, nesta primeira etapa da pesquisa, foram discutidos e sugeridos métodos para operacionalização da atividade. Na segunda etapa, foi discutida proposição de um modelo baseado em análise espacial de padrões lineares para identificação não supervisionada de linhas e falhas de plantio a partir de dados de posição das copas. Por fim, os dados levantados nas duas primeiras etapas foram utilizados para avaliação da capacidade de diagnóstico preciso da doença do greening em uma área cuja inspeção visual foi realizada. A metodologia de diagnóstico proposta fez uso de atributos espectrais extraídos dos segmentos das copas aplicados ao classificador Random Forest. Os resultados encontrados na primeira etapa sugerem que o uso do dado de altitude das copas aumenta a capacidade de detecção do modelo, mas o delineamento pode ser impactado pela qualidade do dado de entrada. Na segunda etapa, a metodologia proposta se mostrou viável para identificação automatizada de linhas e falhas de plantio em talhões com até 20% de falhas. Além disso, a presença de plantas fora do alinhamento padrão do talhão não foi suficiente para inviabilizar os resultados encontrados. Por último, na terceira etapa, os resultados obtidos indicam o potencial do método em identificar a ocorrência da doença a partir da segmentação realizada e dos atributos espectrais adotados, mas sugerem novas abordagens no sentido de identificar uma solução operacional para o problema. Por fim, os processos adotados nesta pesquisa contribuem para o desenvolvimento de métodos práticos de auxílio à tomada de decisões dos produtores e prestadores de serviços. ABSTRACT: The orange cultivation is one of the main activities of citriculture worldwide and corresponds to the largest production of fruit nationally. However, despite the potential production, the development of management techniques is still required, because they are important tools for conduction of agriculture challenges in terms of productivity, food safety, environmental impact and sustainability. In this context, this work explored the use of images captured by Unmanned Aerial Vehicle (UAV) to extract useful data about the crop, aiming the development of tools to help agricultural management. The main objectives of study were organized in three main areas: detection and delineation of tree crowns; identification of planting rows and planting gaps; and diagnosis of the crop health status in terms of greening disease. In the detection and delineation analysis, deep learning model based on convolutional neural network (Mask R- CNN) was used to compare the performance between RGB images with and without addition of a channel with the canopy altitude data. Furthermore, in this first stage of our research, methods for operationalizing the activity were discussed. In the second stage, we proposed and discused a model based on spatial analysis of linear patterns for unsupervised identification of planting lines and planting gaps from crown position. Finally, the data collected in the first two stages were used to evaluate the ability to accurately diagnose the greening disease. The proposed diagnostic methodology used spectral attributes extracted from canopy areas and applied to the Random Forest classifier. The results found in the first stage suggest that the use of canopy altitude data increases the detection capability, but the delineation may be impacted by the quality of the input data. In the second stage, the proposed methodology proved feasible for automated identification of planting rows and planting gaps in plots with up to 20% gap rate. Furthermore, the presence of plants outside the alignment of the field was not enough to invalidate the results. Finally, in the third stage, the results indicated the potential of the method to identify the occurrence of the disease based on the segmentation performed and the spectral attributes chosen, but suggest new approaches in order to identify an operational solution to the problem. Finally, the processes adopted in this research contribute to the development of practical methods to assist the decision making process of the farmers and service providers.</abstract>
		<area>SRE</area>
		<language>pt</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>felipesa01@gmail.com</usergroup>
		<usergroup>pubtc@inpe.br</usergroup>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<rightsholder>originalauthor yes</rightsholder>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2021/06.04.03.40.25</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F3NU5S</nexthigherunit>
		<nexthigherunit>8JMKD3MGPCW/46KUATE</nexthigherunit>
		<hostcollection>urlib.net/www/2021/06.04.03.40</hostcollection>
		<agreement>autorizacao.pdf .htaccess .htaccess2</agreement>
		<url>http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2022/09.20.00.17</url>
	</metadata>
</metadatalist>