Inteligência artificial e sistemas de irrigação por pivô central : desenvolvimento de estratégias e técnicas para o aprimoramento do mapeamento automático
Inteligência artificial e sistemas de irrigação por pivô central : desenvolvimento de estratégias e técnicas para o aprimoramento do mapeamento automático
ALBUQUERQUE, Anesmar Olino de. Inteligência artificial e sistemas de irrigação por pivô central: desenvolvimento de estratégias e técnicas para o aprimoramento do mapeamento automático. 2022. 118 f., il. Tese (Doutorado em Geografia) — Universidade de Brasília, Brasília, 2022.
Tese (doutorado) — Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2022.
Resumo Portugues
A irrigação é o principal responsável pelo aumento da produtividade dos cultivos. Os sistemas
de irrigação por pivô central (SIPC) são líderes em irrigação mecanizada no Brasil, com
expressivo crescimento nas últimas décadas e projeção de aumento de mais de 134% de área
até 2040. O método mais utilizado para identificação de SIPC é baseado na interpretação visual
e mapeamento manual das feições circulares, tornando a tarefa demorada e trabalhosa. Nesse
contexto, métodos baseados em Deep Learning (DL) apresentam grande potencial na
classificação de imagens de sensoriamento remoto, utilizando Convolutional Neural Networks
(CNN’s). O uso de DL provoca uma revolução na classificação de imagens, superando métodos
tradicionais e alcançando maior precisão e eficiência, permitindo monitoramento regional e
contínuo com baixo custo e agilidade. Essa pesquisa teve como objetivo aplicação de técnicas
de DL utilizando algoritmos baseados em CNN’s para identificação de SIPC em imagens de
sensoriamento remoto. O presente trabalho foi dividido em três capítulos principais: (a)
identificação de SIPC em imagens Landsat-8/OLI, utilizando segmentação semântica com três
algoritmos de CNN (U-Net, Deep ResUnet e SharpMask); (b) detecção de SIPC usando
segmentação de instâncias de imagens multitemporais Sentinel-1/SAR (duas polarizações, VV
e VH) utilizando o algoritmo Mask-RCNN, com o backbone ResNeXt-101-32x8d; e (c)
detecção de SIPC utilizando imagens multitemporais Sentinel-2/MSI com diferentes
percentuais de nuvens e segmentação de instâncias utilizando Mask-RCNN, com o backbone
ResNext-101. As etapas metodológicas foram distintas entre os capítulos e todas apresentaram
altos valores de métricas e grande capacidade de detecção de SIPC. As classificações utilizando
imagens Landsat-8/OLI, e os algoritmos U-Net, Depp ResUnet e SharpMask tiveram
respectivamente 0,96, 0,95 e 0,92 de coeficientes Kappa. As classificações usando imagens
Sentinel-1/SAR apresentaram melhores métricas na combinação das duas polarizações VV+VH
(75%AP, 91%AP50 e 86%AP75). A classificação de imagens Sentinel-2/MSI com nuvens
apresentou métricas no conjunto de 6 imagens sem nuvens (80%AP e 93%AP50) bem próximas
aos valores do conjunto de imagens com cenário extremo de nuvens (74%AP e 88%AP50),
demonstrando que a utilização de imagens multitemporais, aumenta o poder preditivo no
aprendizado. Uma contribuição significativa da pesquisa foi a proposição de reconstrução de
imagens de grandes áreas, utilizando o algoritmo de janela deslizante, permitindo várias
sobreposições de imagens classificadas e uma melhor estimativa de pivô por pixel. O presente
estudo possibilitou o estabelecimento de metodologia adequada para detecção automática de
pivô central utilizando três tipos diferentes de imagens de sensoriamento remoto, que estão disponíveis gratuitamente, além de um banco de dados com vetores de SIPC no Brasil Central.
Resumo Ingles
Irrigation is primarily responsible for increasing crop productivity. Center pivot irrigation
systems (CPIS) are leaders in mechanized irrigation in Brazil, with significant growth in recent
decades and a projected increase of more than 134% in area by 2040. The most used method
for identifying CPIS is based on the interpretation visual and manual mapping of circular
features, making the task time-consuming and laborious. In this context, methods based on
Deep Learning (DL) have great potential in the classification of remote sensing images, using
Convolutional Neural Networks (CNN's). The use of Deep Learning causes a revolution in
image classification, surpassing traditional methods and achieving greater precision and
efficiency, allowing regional and continuous monitoring with low cost and agility. This research
aimed to apply DL techniques using algorithms based on CNN's to identify CIPS in remote
sensing images. The present work was divided into three main chapters: (a) identification of
CIPS in Landsat-8/OLI images, using semantic segmentation with three CNN algorithms (UNet, Deep ResUnet and SharpMask); (b) CPIS detection using Sentinel-1/SAR multitemporal
image instance segmentation (two polarizations, VV and VH) using the Mask-RCNN
algorithm, with the ResNeXt-101-32x8d backbone; and (c) SIPC detection using Sentinel2/MSI multitemporal images with different percentages of clouds and instance segmentation
using Mask-RCNN, with the ResNext-101 backbone. The methodological steps were different
between the chapters and all presented high metric values and great CPIS detection capacity.
The classifications using Landsat-8/OLI images, and the U-Net, Depp ResUnet and SharpMask
algorithms had respectively 0.96, 0.95 and 0.92 of Kappa coefficients. Classifications using
Sentinel-1/SAR images showed better metrics in the combination of the two VV+VH
polarizations (75%AP, 91%AP50 and 86%AP75). The classification of Sentinel-2/MSI images
with clouds presented metrics in the set of 6 images without clouds (80%AP and 93%AP50)
very close to the values of the set of images with extreme cloud scenario (74%AP and
88%AP50), demonstrating that the use of multitemporal images increases the predictive power
in learning. A significant contribution of the research was the proposition of reconstruction of
images of large areas, using the sliding window algorithm, allowing several overlaps of
classified images and a better estimation of pivot per pixel. The present study made it possible
to establish an adequate methodology for automatic center pivot detection using three different
types of remote sensing images, which are freely available, in addition to a database with CPIS
vectors in Central Brazil.
Unidade academica
Instituto de Ciências Humanas (ICH)
Departamento
Departamento de Geografia (ICH GEA)
Programa de Pos-Graduacao
Programa de Pós-Graduação em Geografia
Idioma
eng
Tipo de documento
Tese
Formato
application/pdf
Direitos de acesso
Acesso Aberto
Termo de licenca
A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br,www.ibict.br,http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Palavras-chave
Deep Learning||Sensoriamento remoto||Reconstrução de mosaicos||Sistemas de irrigação
