Mostrar el registro sencillo del ítem
Productive Crop Field Detection
dc.contributor.author | Garcia do Nascimento, Eduardo | |
dc.date.accessioned | 2024-02-05T21:00:50Z | |
dc.date.available | 2024-02-05T21:00:50Z | |
dc.date.issued | 2024-01-15 | |
dc.identifier.citation | GARCIA DO NASCIMENTO, Eduardo. Productive Crop Field Detection. 2024. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, Sorocaba, 2024. Disponível em: https://repositorio.ufscar.br/handle/ufscar/19206. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/19206 | |
dc.description.abstract | In precision agriculture, detecting productive crop fields is an essential practice that allows the farmer to evaluate operating performance separately and compare different seed varieties, pesticides, and fertilizers. However, manually identifying productive fields is often time-consuming, costly, and subjective. Previous studies explore different methods to detect crop fields using advanced machine learning algorithms to support the specialists’ decisions, but they often lack good quality labeled data. In this context, we propose a framework for productive crop field detection based on high-quality dataset generated by machine operation combined with Sentinel-2 images tracked over time. As far as we know, it is the first one to overcome the lack of labeled samples by using this combination of techniques. In sequence, we present three methods, based on state-of-the-art supervised and self-supervised methods, selected according to the dataset characteristics, to detect productive crop fields. Finally, we demonstrate high accuracy results in Positive Unlabeled learning, which perfectly fits the problem where we have high confidence in the positive samples. Finally, best performances have been found with Contrastive Learning, given its ability to augment data, allowing the model to be trained with a larger dataset considering the artificially created samples. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | eng | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/3.0/br/ | * |
dc.subject | Agricultura de Precisão | por |
dc.subject | Detecção de talhões | por |
dc.subject | Aprendizado contrastivo | por |
dc.subject | Precision Agriculture | eng |
dc.subject | Crop field detection | eng |
dc.subject | Contrastive learning | eng |
dc.title | Productive Crop Field Detection | eng |
dc.title.alternative | Detecção Automática de Talhões Produtivos | por |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Almeida, Tiago | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5368680512020633 | por |
dc.contributor.advisor-co1 | Almeida, Jurandy | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/4495269939725770 | por |
dc.description.resumo | Em agricultura de precisão, detectar e delinear talhões produtivos é uma prática essencial que permite ao agricultor avaliar o desempenho operacional separadamente e comparar diversas variedades de sementes, defensivos e fertilizantes. Entretanto, a identificação manual de talhões produtivos é frequentemente demorada, cara e subjetiva. Estudos anteriores exploraram diferentes métodos de detecção de talhões utilizando algoritmos avançados de aprendizado de máquina para dar suporte às decisões de especialistas, entretanto, eles frequentemente enfrentam limitações devido à baixa disponibilidade de dados rotulados de alta qualidade. Neste contexto, é proposto um sistema de detecção de talhões produtivos baseados em um conjunto de dados de alta qualidade gerado a partir da combinação de dados operacionais de máquinas agrícolas com imagens de satélite Sentinel-2 extraídos ao longo do tempo. No melhor do nosso conhecimento, este é o primeiro trabalho científico que supera os desafios impostos pela segmentação de campos produtivos utilizando esta combinação de técnicas. Em seguida, são apresentados três métodos, utilizando como base o estado da arte em métodos supervisionados e auto- supervisionados, selecionados de acordo com as características da base, para a detecção automática de talhões produtivos. Adicionalmente, são reportados resultados com alta acurácia utilizando o aprendizado com exemplos positivos e não rotulados, o qual se encaixa perfeitamente neste cenário, onde temos alta confiança nos dados positivos. Por fim, melhores desempenhos foram obtidos com o Aprendizado Contrastivo considerando sua característica de aumento de dados que permite o treinamento com uma quantidade maior de amostras mesmo que artificialmente geradas. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC-So | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICA::SENSORIAMENTO REMOTO | por |
dc.publisher.address | Câmpus Sorocaba | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/1693471368947954 | por |
dc.contributor.authororcid | https://orcid.org/0009-0005-4332-1116 | por |