Computational application AGDATABOX-RS: remote sensing data management

Submitted by Neusa Fagundes (neusa.fagundes@unioeste.br) on 2021-12-08T19:40:50Z No. of bitstreams: 2 Giuvane_Conti2021.pdf: 2544844 bytes, checksum: 90a782adec1b94bf10dd80becb985403 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Made available in DSpace on 2021-12-08T19:40:50Z (GMT). No. of bitstreams: 2 Giuvane_Conti2021.pdf: 2544844 bytes, checksum: 90a782adec1b94bf10dd80becb985403 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2021-02-19 Remote sensing has the ability to assist in the evolution of agricultural practices, providing periodic information about the state of a crop over a harvest, at different scales and for different segments. Applications in precision agriculture use remote sensing practices, such as vegetation indexes, from multispectral images, to measure physical and chemical parameters of plants, along their development cycle. Technological advances allowed the development of innovative services for the agricultural sector, based on the internet and hosted in the cloud. Therefore, the objective of this research was to develop a computational module that integrates and provides remote sensing data for the AgDataBox precision agriculture platform. The developed application allows the persistence of a new area (field), the search for raster images of orbital satellites, the selection vegetation indexes, as well as vectorizing and inserting images of interest in the AgDataBox platform. The proposed module was tested with data from the 2018/2019 corn crop (summer harvest), in a study area at Céu Azul, Paraná. Twelve vectors were generated from Sentinel-2 satellite images, using the normalized difference vegetation index (NDVI), enhanced vegetation index (EVI) and enhanced vegetation index (EVI-2) of 11/12/2018, 12/16/2018, 15/01/2019 and 25/01/2019 and persisted in the AgDataBox platform. In addition, vectors were persisted with variables of productivity, altitude, sand, silt, clay, mechanical resistance to soil penetration at depths of 0-0.1, 0-0.2, 0.1-0.2, and 0.2-2.3 m. After autocorrelation analysis between the variables, with productivity as the target variable, EVI-2 and altitude were selected as the variables that showed the best cross autocorrelation with the target variable. Management zones (MZs) were delineated in the AgDataBox-Map module, using the fuzzy c-means method, for two, three, and four classes using three sets of input variables: (i) EVI-2_NM, (ii) Altitude, and (iii) EVI 2_NM + Altitude. After analyzing the results, it was concluded that the best design used the variable EVI-2 in the design of three classes of MZs. All designs for two classes showed statistical differences between their classes, with the best performance being obtained with the altitude variable. All designs with four classes were discarded, as there was no statistically significant difference between their classes. O sensoriamento remoto tem a capacidade de auxiliar na evolução das práticas agrícolas, fornecendo informações periódicas sobre o estado de uma cultura ao longo de uma safra, em diferentes escalas e para diferentes segmentos. Aplicações em agricultura de precisão utilizam práticas de sensoriamento remoto, como os índices de vegetação, derivados de imagens multiespectrais, para mensurar parâmetros físicos e químicos das plantas, no decorrer do seu ciclo de desenvolvimento. Os avanços tecnológicos oportunizaram o desenvolvimento de serviços inovadores para o setor agrícola, baseados na internet e hospedados em nuvem. Sendo assim, o objetivo dessa pesquisa foi desenvolver uma aplicação computacional que integre e forneça dados de sensoriamento remoto para a plataforma de agricultura de precisão AgDataBox. A aplicação desenvolvida permite o cadastro de uma nova área (talhão), buscar imagens raster de satélites orbitais, selecionar índices de vegetação, vetorizar e inserir as imagens de interesse na plataforma AgDataBox. A aplicação proposta foi testada com dados da safra de milho de 2018/201 (safra verão), em uma área de estudo no município de Céu Azul, Paraná. Foram gerados 12 vetores a partir de imagens do satélite Sentinel-2, utilizando o índice de vegetação por diferença normalizada (NDVI), índice de vegetação melhorado (EVI) e índice de vegetação melhorado 2 (EVI-2) dos dias 11/12/2018, 16/12/2018, 15/01/2019 e 25/01/2019 e inseridos na plataforma AgDataBox. Também foram inseridos vetores com variáveis de produtividade, altitude, areia, silte, argila, resistência mecânica a penetração do solo nas profundidades de 0-0,1 m, 0-0,2 m, 0,1-0,2 m e 0,2-0,3 m. Após a análise de autocorrelação entre as variáveis, tendo produtividade como variável alvo, foram selecionadas EVI2 e altitude como as variáveis que apresentaram melhor autocorrelação cruzada com a variável alvo. Foram delineadas zonas de manejo (ZMs) no módulo AgDataBox-Map, utilizando o método fuzzy c-means, para duas, três e quatro classes utilizando três conjuntos de variáveis de entrada: (i) EVI-2_NM, (ii) Altitude, e (iii) EVI 2_NM+Altitude. Após análise dos resultados, conclui-se que o melhor delineamento utilizou a variável EVI-2 no delineamento de três classes de ZMs. Todos os delineamentos para duas classes apresentaram diferença estatística entre suas classes, sendo o melhor desempenho obtido com a variável altitude. Todos os delineamentos com quatro classes foram descartados, pois não apresentaram diferença estatística significativa entre suas classes.