Please use this identifier to cite or link to this item:
https://rima.ufrrj.br/jspui/handle/20.500.14407/17707
Tipo do documento: | Tese |
Title: | Predição e Mapeamento de Propriedades de Solos no Parque Nacional de Itatiaia com Sensoriamento Remoto Proximal e Imagens Orbitais Hiperespectrais |
Other Titles: | Predicting and mapping soil properties in Itatiaia National Park with proximal remote sensing and hyperspectral orbital images |
Authors: | Gelsleichter, Yuri Andrei |
Orientador(a): | Anjos, Lúcia Helena Cunha dos |
Primeiro coorientador: | Debiasi, Paula |
Primeiro membro da banca: | Anjos, Lúcia Helena Cunha dos |
Segundo membro da banca: | Antunes, Mauro Antonio Homem |
Terceiro membro da banca: | Pinheiro, Helena Saraiva Koenow |
Quarto membro da banca: | Galvao, Lenio Soares |
Quinto membro da banca: | Nanni, Marcos Rafael |
Keywords: | Covariáveis espectrais;Predição espectral de solos;Mapa hiperespectral;Spectral covariates;Spectral prediction of soils;Hyperspectral map |
Área(s) do CNPq: | Engenharia Agrícola |
Idioma: | por |
Issue Date: | 25-Mar-2020 |
Publisher: | Universidade Federal Rural do Rio de Janeiro |
Sigla da instituição: | UFRRJ |
Departamento: | Instituto de Tecnologia |
Programa: | Programa de Pós-Graduação em Ciência, Tecnologia e Inovação em Agropecuária |
Citation: | ELSLEICHTER, Yuri Andrei. Predição e mapeamento de propriedades de solos no Parque Nacional de Itatiaia com sensoriamento remoto proximal e imagens orbitais hiperes-pectrais. 2020. 89 f. Tese (Doutorado em Ciência, Tecnologia e Inovação em Agropecuária) - Instituto de Tecnologia, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2020. |
Abstract: | O Parque Nacional de Itatiaia (INP, do inglês para Itatiaia National Park) fica localizado ao sul do estado do Rio de Janeiro, com o estudo realizado na Parte Alta do Parque, definida acima de 2000 msnm. Os objetivos do primeiro capítulo foram: (i) investigar a capacidade de pre dizer propriedades do solo (Al, Ca, K, Mg, Na, P, pH, Carbono Total (TC Total Carbon), H e N), utilizando os comprimentos de onda 350–2500 nm; e (ii) investigar e desenvolver pré processamentos espectrais para uso e comparação em algoritmos de aprendizado de máquina, como Redes Neurais Artificiais (ANN, Artificial Neural Networks), Random Forest (RF), Re gressão de Mínimos Quadrados Parciais (PLSR, Partial Least Squares Regression) e Cubist (CB). Foram coletadas amostras de solo, por horizontes, em 84 perfis de solo, compondo um total de 300 amostras. A validação cruzada aplicada para avaliar os modelos foi do tipo kfold. O melhor préprocessamento espectral foi o Inverso da Reflectância de Fator 104 (IRF4) para TC com CB que superou os métodos comumente utilizados, com coeficiente de determinação (R2 ) médio de 0,85, RMSE de 1,96 para TC; e 0,67 com 0,041, respectivamente, para H. Para o mapeamento do TC nos solos do INP foram utilizadas três cenas de imagens hiperespectrais do sensor Compact High Resolution Imager (CHRIS) do satélite (plataforma espacial) Project for On Board Autonomy (PROBA). Este sensor conta com 62 bandas espectrais no intervalo dos comprimentos de onda 406 a 1019 nm (referente as bordas da primeira e última bandas res pectivamente). As imagens foram corrigidas quanto a ruídos, striping, distorções geométricas e interferências atmosféricas. A predição de TC foi feita usando essas imagens e associando covariáveis de relevo e imagens do sensor orbital RapidEye, obtendo R2 de 0,33. Utilizandose apenas a cena RapidEye mais as covariáveis de terreno o R2 foi de 0,32. Essas imagens foram combinadas aos espectros proximais obtidos na primeira camada do solo, dos 84 perfis, para produzir imagens de refletância de solo de toda parte alta do INP. Essa técnica foi chamada de imageamento espectral de subsuperfície. A aplicação deste produto no Mapeamento Digital de Solos aumentou significativamente a predição de TC, com R2 de 0,58, com incremento de 75% em relação ao Mapeamento Digital de Solos convencional. Essa técnica inovadora, apresentada pela primeira vez neste estudo, é denominada Mapeamento Hiperespectral de Solos (HSM, em inglês Hyperspecrtal Soil Mapping), sendo o desenvolvimento desta técnica o objetivo princi pal do segundo capítulo. Essa técnica pode isolar o efeito de interferência atmosférica e efeitos de cobertura de solo e vegetação sobre a reflectância do solo. Pelo aumento da capacidade de predição do HSM, podese reduzir a quantidade amostral do levantamento pedológico, alcan çando assim resultado equivalente ao Mapeamento Digital do Solos. O HSM é ideal para áreas com acesso e locomoção muito restritos, como o INP, mas também pode ser aplicado para o mapeamento de atributos de solo, fins agrícolas e monitoramento ambiental. |
Abstract: | The Itatiaia National Park (INP) is located Southern of Rio de Janeiro State, in the boundary with Minas Gerais and São Paulo states, Southeast region of Brazil. This study was carried out in the Upper Part of the INP, defined above the 2000 msnm. The objectives of the first chapter of this study were: (i) to investigate the ability to predict soil properties (Al, Ca, K, Mg, Na, P, pH, Total Carbon (TC), H and N), using wavelengths 350–2500 nm; and (ii) to investigate and develop spectral preprocessing for usage and comparison in machine learning algorithms, such as Artificial Neural Networks (ANN), Random Forest (RF), Partial Least Squares Regression (PLSR) and Cubist (CB). In the Upper Part of the INP soil samples were collected from the horizons of 84 soil profiles, composing a total of 300 samples. The crossvalidation method used to evaluate the models was the kfold type. The best spectral preprocessing was the Inverse of Reflectance to Factor of 104 (IRF4) for TC with CB. IRF4 surpassed the common methods used for preprocessing, with an average coefficient of determination (R2 ) of 0.85, RMSE of 1.96 for TC; and 0.67 with 0.041, respectively, for H. The results pointed out IRF4 as one of the best preprocessing associated with the RF and CB algorithms. To map the TC in the INP soils, there were used three scenes of Hyperspectral images from the Compact HighResolution Imager (CHRIS) sensor from space platform Project for On Board Autonomy (PROBA), a satellite of the European Spatial Agency (ESA). This sensor contains 62 spectral bands in the wavelengths interval of 406 to 1019 nm (as reference, the edge of the first and last bands respectively). The images were corrected for noise, striping, geometric distortions and atmospheric interferences. The TC prediction was made using these images and associating relief covariates and images from the RapidEye orbital sensor, obtaining R2 of 0.33. Using only the RapidEye scene plus the terrain covariates the R2 was 0.32. These images were combined with the proximal spectra obtained in the top soil layer, of the 84 profiles, to produce soil reflectance images of INP Upper Part. This technique was called Subsurface spectral imaging, with the application of this product in Digital Soil Mapping the TC prediction increased significantly, with R2 0.58, showing an increase of 75% in relation to the conventional Digital Soil Mapping. This innovative technique is presented for the first time in this study, and is called Hyperspectral Soil Mapping (HSM). The development of this technique was the main objective of the second chapter. The spectral preprocessing image (in HSM) can isolate the effect of atmospheric interference and effects of the land cover and vegetation on the soil reflectance. Thus, by increasing the predictive capacity of the HSM, the sample size of the pedological survey can be reduced, having a result equivalent to the Digital Soil Mapping. In addition to reducing the cost of taking samples, this technique is ideal for areas with very restricted access and locomotion, as the case of INP, but it can also be applied for mapping of various soil properties, agricultural purposes and remote environmental monitoring |
URI: | https://rima.ufrrj.br/jspui/handle/20.500.14407/17707 |
Appears in Collections: | Doutorado em Ciência, Tecnologia e Inovação em Agropecuária |
Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
2020 - Yuri Andrei Gelsleichter.pdf | 80.87 MB | Adobe PDF | ![]() View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.