Use este identificador para citar ou linkar para este item: http://www.repositorio.ufc.br/handle/riufc/18983
Título: Estimativa da condutividade elétrica por meio de dados hiperespectrais em solos afetados por sais
Título em inglês: Hiperspectral data applied for estimating electrical conductivity in salty soils
Autor(es): Rocha Neto, Odílio Coimbra da
Orientador(es): Teixeira, Adunias dos Santos
Palavras-chave: Engenharia de agua e solo
Salinidade
Algoritmos Computacionais
Regressão
Salinity
Computational Algorithms
Data do documento: 2016
Citação: ROCHA NETO, O. C. (2016)
Resumo: A interpretação de dados do sensoriamento remoto fundamenta-se, basicamente, na análise do comportamento da reflectância espectral dos materiais no intervalo de comprimento de onda do visível ao infravermelho de ondas curtas (400 a 2500 nm). Para isso, pode-se usar a espectrorradiometria de reflectância, que é uma técnica capaz de medir, em diferentes comprimentos de ondas, a energia eletromagnética refletida da superfície dos materiais e representá-la na forma de um gráfico denominado curva de reflectância espectral. O poder analítico desta técnica advém do fato da informação espectral se correlacionar diretamente com a composição química e com as características físicas das substâncias contidas no alvo. No entanto, o grande volume de informações contidas em uma assinatura espectral aumenta a dificuldade de analisá-la, principalmente quando se trabalha com imagens. Com isso, o emprego de modelos computacionais se mostra como uma saída viável para a análise de curvas espectrais. Dessa forma, o objetivo desta tese é avaliar o desempenho de diferentes modelos computacionais como: mínimos quadrados (MQ), rede neural artificial do tipo perceptron de múltiplas camadas (MLP) e máquina de aprendizagem extrema (ELM), treinados em laboratório para estimar a condutividade elétrica do solo, e aplicá-los em imagens de alta resolução espectral. Esta tese foi separada em três etapas onde foram avaliados: a capacidade dos modelos computacionais em estimar a condutividade elétrica do extrato de saturação (CEes) a partir de amostra de condutividade elétrica 1:1 (CE1:1); as estratégias computacionais que melhor estimam a condutividade elétrica de amostras de solo a partir de leituras espectrais de solos obtidas em laboratório; e testar desempenho da melhor estratégia obtida no passo anterior, aplicando-a em uma imagem do sensor aerotransportado SpecTIR, coletado na região do Perímetro Irrigado de Morada Nova. Para avaliação dos algoritmos, foram coletadas amostras de solos na região de Morada Nova com histórico de áreas afetadas por sais. Estas amostras foram utilizadas para a calibração e validação dos modelos. Dados espectrais foram obtidos utilizando o espectrorradiômetro FieldSpec® 4 Hi-Res, entre 350 a 2500 nm. Foi avaliado o ganho de performance dos modelos matemáticos pela transformação dos dados através da análise por componente principal e pela análise derivativa. Com os resultados obtidos, pôde-se observar que as melhores respostas foram alcançadas pelo modelo linear dos mínimos quadrados aplicados aos dados puros, onde as bandas selecionadas para estimar a condutividade elétrica foram de 395, 1642 e 1717 nm. Para estimar a condutividade elétrica do solo na imagem do sensor SpecTIR sobre a área de estudo, o modelo calibrado em laboratório se mostrou interessante, produzindo um RPD de 1,46 e um coeficiente de correlação de Pearson de 0,80. Com isso, conclui-se que os modelos calibrados utilizando amostras em laboratório são satisfatórios para estimar a CE de imagens hiperespectrais.
Abstract: Remote sensing data interpretation is based primarily on the spectral reflectance analysis of materials for wavelength ranging from visible to short wave infrared (400 to 2500nm). For this, one can use reflectance spectroscopy which is a technique capable of measuring, at different wavelengths, the electromagnetic energy reflected from the surface of materials and represent it in the form of a graph called spectral reflectance curve. The analytical power of this technique derives from the spectral information being correlated directly with the chemical composition and physical characteristics of the substances that makes the target. However, the large volume of information contained in a spectral signature increases the difficulty of analyzing it, especially if the dataset is made of images. Thus, computational models are expected to be a viable means of analyzing these spectral curves. The refore, the objective of this thesis is to evaluate the performance of different computational models, such as least squares (LS), multilayer perceptron (MLP) and extreme learning machine (ELM) artificial neural networks, trained on laboratory data to estimate the electrical conductivity of salty soils, and to apply them to a hyperspectral image of the field . This thesis was organized in three parts: first, the ability of computer models to estimate the electrical conductivity of saturation extract (ECse) based on electrical conductivity data from a 1:1 dilution (EC 1:1) is assessed; second, computing strategy for best estimating the electrical conductivity of soil samples using their spectral readings under laboratory conditions are evaluated; and finally, the performance of the best found model applied to an airborne SpecTIR sensor hyperspectral image collected at the Irrigated District of the Morada Nova was evaluated. To evaluate the proposed algorithms, soil samples were collected in the Morada Nova Irrigation District with a history of salinity. These samples were used for model calibration and validation. Spectral data were obtained using the spectroradiometer FieldSpec® 3Hi-Res, from 350 to 2500nm. In an attempt to improve the performance of the models, data transformation was applied using either principal component analysis or derivative analysis. The results show the best performance was produced by the linear model fitted by least squares algorithm applied to the raw data (no transformation), and the spectral bands selected to estimate the electrical conductivity were 395, 1642 and 1717 nm. To estimate the soil's electrical conductivity from SpecTIR's image sensor data, the model calibrated in the laboratory has proved to be feasible, generating a value o f 1.46 for RPD, and 0.80 for the Pearson correlation coefficient. Therefore, one can conclude that the calibrated models using samples in the laboratory are satisfactory for estimating EC based on hyperspectral images.
Descrição: ROCHA NETO, Odílio Coimbra da. Estimativa da condutividade elétrica por meio de dados hiperespectrais em solos afetados por sais. 2016. 117 f. : Tese (doutorado) - Universidade Federal do Ceará, Centro de Ciências Agrárias, Departamento de Engenharia Agrícola, Programa de Pós-Graduação em Engenharia Agrícola, Fortaleza-CE, 2016.
URI: http://www.repositorio.ufc.br/handle/riufc/18983
Aparece nas coleções:PPGENA - Teses defendidas na UFC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2016_tese_ocrochaneto.pdf3,56 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.