Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/35996
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_ArthurBorgesBringelMachado_tcc.pdf17,4 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorSilva, William Reis-
dc.contributor.authorMachado, Arthur Borges Bringel-
dc.identifier.citationMACHADO, Arthur Borges Bringel. Convolutional neural network and remote sensing applied to sugarcane biomass prediction. 2023. 47 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Aeroespacial) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade UnB Gama, 2023.pt_BR
dc.description.abstractA indústria de cana-de-açúcar no Brasil está investindo em pesquisas para desen volver novas tecnologias para melhorar o manejo e a sustentabilidade da cultura, tentando simultaneamente reduzir custos de produção e aumentar sua rentabilidade. Este trabalho tem como objetivo avaliar a capacidade do modelo de prever a biomassa média do campo, bem como avaliar a variabilidade espacial da biomassa dentro do campo, acoplando estimativas de biomassa de imagens de satélite (Sentinel 2) com técnicas de aprendizado de máquina, especificamente usando Redes Neurais Convolucionais. O modelo foi avaliado em ambos os objetivos, experiências no campo como um todo e no nível do campo. Os resultados mostraram que o modelo previu a biomassa média do campo com um erro percentual absoluto médio (MAPE) de 3,95%, erro médio (AE) de 0,30 toneladas/ha, erro quadrático médio (RMSE) de 3,48 toneladas/ha e erro absoluto médio (MAE) de 3,07 toneladas/ha. No entanto, ele performou com uma baixa capacidade de previsão de mapa de biomassa com base na sua distribuição normal gaussiana e no seu gráfico de dispersão. O bom desempenho do erro dos mapas em comparação com os mapas de referência são indicadores de que estudos futuros podem aumentar a capacidade do modelo de prever mapas de biomassa.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRedes neurais convolucionais (Computação)pt_BR
dc.subject.keywordBiomassapt_BR
dc.titleConvolutional neural network and remote sensing applied to sugarcane biomass predictionpt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-09-21T15:26:00Z-
dc.date.available2023-09-21T15:26:00Z-
dc.date.submitted2023-06-27-
dc.identifier.urihttps://bdm.unb.br/handle/10483/35996-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.contributor.advisorcoBufon, Vinicius Bof-
dc.contributor.advisorcoShiratsuchi, Luciano Shozo-
dc.description.abstract1The Brazilian sugarcane industry is investing in research to develop new technolo gies to improve crop management and sustainability, trying simultaneously to reduce cost and improve profitability. This work aims to assess the capacity of the model to predict average field biomass, as well as to assess within-field biomass spatial vari ability, by coupling satellite imagery (Sentinel-2) biomass estimates with machine learning techniques, specifically using Convolutional Neural Networks. The model was assessed in both goals, field-as-a-whole- and whithin-field-level- experiments. The results showed that the model predicted average field biomass with a mean absolute percentage error (MAPE) of 3.95%, average error (AE) of 0.30 tonne/ha, root-mean-square error (RMSE) of 3.48 tonne/ha, and mean absolute error (MAE) of 3.07 tonne/ha. Nevertheless, it performed low capacity to predict a biomass map based on its Gaussian normal distribution and scatter plot. The good performance of the maps’ error compared to the reference maps are indicators that further studies can increase the model capacity of predicting biomass maps.pt_BR
Aparece na Coleção:Engenharia Aeroespacial



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.