dc.contributor.author | Speranza, Eduardo Antonio | |
dc.date.accessioned | 2020-06-20T15:43:47Z | |
dc.date.available | 2020-06-20T15:43:47Z | |
dc.date.issued | 2017-09-12 | |
dc.identifier.citation | SPERANZA, Eduardo Antonio. Mineração de dados espaciais aplicada no delineamento de unidades de gestão diferenciada em agricultura de precisão. 2017. Tese (Doutorado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2017. Disponível em: https://repositorio.ufscar.br/handle/ufscar/12946. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/12946 | |
dc.description.abstract | Precision Agriculture (PA) is an agricultural cultivation strategy which uses technologies
and principles to manage the spatial and temporal variability related to all aspects that surround
a crop, in order to increase yield in a sustainable way, enabling both the reduction of
environmental risks and the increase of profits. One of the processes used by this strategy
to achieve this goal is the delineation of the crop area in smaller plots with similar characteristics,
known as differentiated management units (DMUs). In order to achieve success
in this process, dissimilarities between the DMUs must be properly identified from spatial
data collected through field or remote sensors. Therefore, the delineation of DMUs may
be considered as a spatial data clustering oriented process, in which a clustering solution
corresponds to a map of DMUs. The computational approaches found in literature in order
to assist in automating this process, usually based in fuzzy clustering algorithms, do
not consider, for the most part, the geographic coordinates which compose the collected
samples during their methods execution, which can make the DMU maps overly stratified.
Therefore, it is possible to observe the lack of a consensus approach in the literature which
may allow expert users to obtain DMU maps with minimum internal variability and which,
at the same time, are easily interpreted by expert users. Given the above, the process for
the delineation of DMUs in PA is discussed in this thesis, whose main contributions are: (i)
the SD-Spatial internal validation criteria, which considers issues related to clusters cohesion
and separation both in the attribute space and in the coordinate space; (ii) the SWMU
Clustering spatial clustering approach, which explores in a weighted way the dissimilarities
of the conventional and spatial attributes, using parameters provided by the expert user
without the determinism of the solutions being impaired; and (iii) the complementary approach
SWMU Polygon, which allows to represent the DMU maps in polygonal shape. Based
on the experiments, the SWMU Clustering approach presented average gains of 31.94%
in the validation measure considering both the attribute space and the coordinate space, in
comparison to approaches using fuzzy clustering; and the complementary approach SWMU
Polygon provided average performance gains of 61.14% in the retrieval of DMU maps stored
in spatial databases. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Mineração de dados espaciais | por |
dc.subject | Agrupamento espacial | por |
dc.subject | Agricultura de precisão | por |
dc.subject | Unidades de gestão diferenciada | por |
dc.subject | Zonas de manejo | por |
dc.subject | Spatial data mining | eng |
dc.subject | Spatial clustering | eng |
dc.subject | Precision agriculture | eng |
dc.subject | Differentiated management units | eng |
dc.subject | Management zones | eng |
dc.title | Mineração de dados espaciais aplicada no delineamento de unidades de gestão diferenciada em agricultura de precisão | por |
dc.title.alternative | Spatial data mining applied in the design of differentiated management units in precision agriculture | eng |
dc.type | Tese | por |
dc.contributor.advisor1 | Ciferri, Ricardo Rodrigues | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8382221522817502 | por |
dc.description.resumo | Agricultura de Precisão (AP) é uma estratégia de cultivo agrícola que se utiliza de tecnologias
e princípios para gerenciar a variabilidade espacial e temporal relacionada a todos
os aspectos que envolvem uma lavoura, com o objetivo de aumentar a produtividade de
maneira sustentável, possibilitando tanto a redução dos impactos ao meio ambiente quanto
o aumento do retorno econômico. Um dos processos utilizados por essa estratégia para
atingir esse objetivo é o delineamento da área de cultivo em parcelas menores com características
similares, conhecidas como unidades de gestão diferenciada (UGDs). Para que esse
processo possa ser executado com êxito, as dissimilaridades entre as UGDs devem ser corretamente
identificadas a partir de dados espaciais. Desse modo, o delineamento de UGDs
pode ser considerado como um processo orientado ao agrupamento de dados espaciais, no
qual uma solução de agrupamento corresponde a um mapa de UGDs. As abordagens computacionais
existentes na literatura para viabilizar a automatização desse processo, normalmente
baseadas em algoritmos de agrupamento fuzzy, não consideram, em sua maior parte,
as coordenadas geográficas que compõem as amostras coletadas durante a execução dos
seus métodos, o que pode tornar os mapas de UGDs excessivamente estratificados. Assim,
é possível observar a falta de uma abordagem de consenso que permita a obtenção de mapas
de UGDs com variabilidade interna mínima e que, ao mesmo tempo, sejam facilmente interpretados
pelos usuários especialistas. Diante do exposto, o processo para delineamento de
UGDs em AP é abordado nesta tese, cujas principais contribuições são: (i) o critério de validação
interna SD-Spatial, que considera questões relativas à coesão e separação de grupos
tanto no espaço de atributos quanto no espaço de coordenadas; (ii) a abordagem de agrupamento
espacial SWMU Clustering, que explora de maneira ponderada as dissimilaridades
dos atributos convencionais e espaciais, utilizando-se de parâmetros fornecidos pelo usuário
especialista sem que o determinismo das soluções seja prejudicado; e (iii) a abordagem
complementar SWMU Polygon, que permite representar os mapas de UGDs em formato
poligonal. Com base nos experimentos, a abordagem SWMU Clustering apresentou ganhos
médios de 31,94% em medida de validação considerando tanto o espaço de atributos quanto
o espaço de coordenadas, com relação a abordagens que utilizam agrupamento fuzzy; e a
abordagem complementar SWMU Polygon proporcionou ganhos médios de desempenho de
61,14% na recuperação de mapas de UGDs armazenados em bancos de dados espaciais. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/8378526334975196 | por |