Por favor, use este identificador para citar o enlazar este ítem: https://rima.ufrrj.br/jspui/handle/20.500.14407/17707
Tipo do documento: Tese
Título: Predição e Mapeamento de Propriedades de Solos no Parque Nacional de Itatiaia com Sensoriamento Remoto Proximal e Imagens Orbitais Hiperespectrais
Otros títulos: Predicting and mapping soil properties in Itatiaia National Park with proximal remote sensing and hyperspectral orbital images
Autor: 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
Palabras clave: Covariáveis espectrais;Predição espectral de solos;Mapa hiperespectral;Spectral covariates;Spectral prediction of soils;Hyperspectral map
Área(s) do CNPq: Engenharia Agrícola
Idioma: por
Fecha de publicación: 25-mar-2020
Editorial: 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
Citación: 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.
Resumen: 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
Aparece en las colecciones: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!

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
2020 - Yuri Andrei Gelsleichter.pdf80.87 MBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.