Detalhes bibliográficos
| Ano de defesa: |
2015 |
| Autor(a) principal: |
Alexsandro Cândido de Oliveira Silva |
| Orientador(a): |
Leila Maria Garcia Fonseca,
Márcio Pupin de Mello |
| Banca de defesa: |
Antônio Roberto Formaggio,
Thales Sehn Korting,
Michelle Cristina Araujo Picoli |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Instituto Nacional de Pesquisas Espaciais (INPE)
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação do INPE em Sensoriamento Remoto
|
| Departamento: |
Não Informado pela instituição
|
| País: |
BR
|
| Resumo em Inglês: |
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 São 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. |
| Link de acesso: |
http://urlib.net/sid.inpe.br/mtc-m21b/2015/02.02.19.00
|
Resumo: |
O discurso sobre sustentabilidade tem ganhado projeção internacional com a necessidade de mitigação das emissões de gases do efeito estufa através da utilização de biocombustíveis. O Brasil se destaca por estar entre os maiores países produtores de etanol, com vasta experiência na produção do mesmo a partir da cana-de-açúcar. Devido ao aumento da demanda ao uso de biocombustíveis, até mesmo na área de transporte aéreo, há uma grande atenção voltada à ampliação sustentável do plantio da cana-de-açúcar. Portanto é fundamental que se faça um planejamento territorial que pode ser auxiliado por técnicas de Inteligência Artificial, amplamente utilizadas em Sensoriamento Remoto. Dentro deste contexto, este trabalho propõe mapear áreas de cultivo de cana-de-açúcar e áreas aptas ao seu plantio, no Estado de São Paulo, por meio de análises probabilísticas usando o modelo bayesiano \emph{Enhanced Bayesian Network for Raster} Data - e-BayNeRD implementado no software R. O sistema e-BayNeRD é uma versão aprimorada do BayNeRD, cujas melhorias são descritas, com detalhes, neste trabalho. Os principais resultados do sistema e-BayNeRD são \emph{layers} que mostram a distribuição espacial dos valores de probabilidade de ocorrência de cada classe do fenômeno sob estudo. O modelo de Redes Bayesianas (RB) proposto neste trabalho usou as seguintes variáveis: Zoneamento Agroambiental, Aptidão Edafoclimática, Declividade, \emph{Crop Enhancement Index} (CEI), \emph{Normalized Difference Vegetation Index} (NDVI) e ${"}$qualidade do solo${"}$. Além disso, o mapa de áreas aptas à expansão da cana-de-açúcar, disponibilizados pela Embrapa Meio Ambiente, e o mapa áreas de cana-de-açúcar, produzido pelo projeto CANASAT, foram usados como referência para avaliar os resultados da classificação obtidos neste trabalho. Os resultados da avaliação mostraram que o modelo não foi capaz de inferir com precisão as áreas aptas à expansão da cana-de-açúcar. O principal problema foi quanto às limitações inerentes ao mapa de referência para as áreas aptas, que considerou áreas de preservação ambiental como área aptas à expansão, o que prejudicou a avaliação do mapa temático das áreas 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 níveis de incerteza nas áreas de plantio de cana-de-açúcar. O sistema e-BayNeRD apresenta potencial para modelagem de sistemas complexos em diversas aplicações na área de observação da Terra |
