Título: | Convolutional neural network and remote sensing applied to sugarcane biomass prediction |
Autor(es): | Machado, Arthur Borges Bringel |
Orientador(es): | Silva, William Reis |
Coorientador(es): | Bufon, Vinicius Bof Shiratsuchi, Luciano Shozo |
Assunto: | Redes neurais convolucionais (Computação) Biomassa |
Data de apresentação: | 27-Jun-2023 |
Data de publicação: | 21-Set-2023 |
Referência: | MACHADO, 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. |
Resumo: | A 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. |
Abstract: | The 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. |
Informações adicionais: | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade UnB Gama, 2023. |
Licença: | A 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. |
Aparece na Coleção: | Engenharia Aeroespacial
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.