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 |