Use este identificador para citar ou linkar para este item: http://repositorio.ufgd.edu.br/jspui/handle/prefix/5954
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisor1Cortez, Jorge Wilsonpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8920734890600057pt_BR
dc.contributor.referee1Motomiya, Anamari Viegas de Araújopt_BR
dc.contributor.referee2Prado, Eber Augusto Ferreira dopt_BR
dc.creatorFiedler, Silaspt_BR
dc.creatorLopes, Arthur Pereirapt_BR
dc.creator.Latteshttp://lattes.cnpq.br/6076478914106913pt_BR
dc.date.accessioned2025-04-04T17:48:32Zpt_BR
dc.date.available2023-05-04pt_BR
dc.date.available2025-04-04T17:48:32Zpt_BR
dc.date.issued2023-03-27pt_BR
dc.identifier.citationLOPES, A. P.; FIEDLER, S. Classificação supervisionada de imagens aéreas com drones para identificação de plantas daninhas. 2023. 36 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Agrícola) – Faculdade de Ciências Agrárias, Universidade Federal da Grande Dourados, Dourados, MS, 2023.pt_BR
dc.identifier.urihttp://repositorio.ufgd.edu.br/jspui/handle/prefix/5954pt_BR
dc.description.abstractThe use of remotely piloted aircraft, or drones, in agriculture is considered one of the most recent and innovative technologies being used. The present work aimed to analyze the behavior of data from RGB images obtained by drone to estimate weed areas in a property in the region of Caarapó-MS through vegetation indices and classification. The images were collected and processed in a free software WEBODM to make the orthomosaic. After this step, they were forwarded for processing in which the following analyses were performed in the QGIS software: calculation of the GLI indexes (Green leaf index); pGRVI (Passive Green Red Vegetation Index); and RI (Normalized Difference Red/Green Redness Index) as well as supervised analysis with the Dzetsaka complement in the Randon Forest, Support Vector Machines and K-Nearest Neighbors algorithms, to define the area of vegetation, straw, and exposed soil. Subsequently, the results obtained from the classification were compared by using the Kappa index, in wich demonstrate that using the KNN as an witness the classifications with higher similarity levels was between the RF and KNN, with 98,66 % hit rate between then.en
dc.description.resumoA utilização de aeronaves remotamente pilotadas, ou drones, na agricultura é considerada uma das tecnologias mais recentes e inovadoras. O presente trabalho teve como objetivo analisar o comportamento dos dados de imagens RGB obtidas via drone para estimativa de áreas de plantas daninhas em uma propriedade na região de Caarapó-MS por meio de índices de vegetação e classificação. As imagens foram coletadas e processadas em um software gratuito WEBODM para se realizar o ortomosaico. Após essa etapa, foram encaminhadas para o processamento no qual se realizou as seguintes análises no software QGIS: cálculo dos índices GLI (Green leaf index); pGRVI (Passive Green Red Vegetation Index); e RI (Normalized Difference Red/Green Redness Index) e a análise supervisionada com o complemento Dzetsaka nos algoritmos Randon Forest, Support Vector Machines e K-Nearest Neighbors, para assim definir a área de vegetação, palhada e solo exposto. Posteriormente foram comparados os resultados obtidos da classificação por meio do índice Kappa, no qual demonstrou que utilizando o K-NN como testemunha, as classificações com maior similaridade foram entre o RF e o K-NN, com 98,66% de acerto entre eles.pt_BR
dc.description.provenanceSubmitted by Claudeir Guilhermino (claudeirguilhermino@ufgd.edu.br) on 2025-04-04T17:48:32Z No. of bitstreams: 1 ARTHURPEREIRALOPES_SILASFIEDLER.pdf: 1602482 bytes, checksum: 817f9c9ba8c8c78be54797b4e9a76897 (MD5)en
dc.description.provenanceMade available in DSpace on 2025-04-04T17:48:32Z (GMT). No. of bitstreams: 1 ARTHURPEREIRALOPES_SILASFIEDLER.pdf: 1602482 bytes, checksum: 817f9c9ba8c8c78be54797b4e9a76897 (MD5) Previous issue date: 2023-03-27en
dc.languageporpt_BR
dc.publisherUniversidade Federal da Grande Douradospt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFaculdade de Ciências Agráriaspt_BR
dc.publisher.initialsUFGDpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectAgricultura de precisãopt_BR
dc.subjectPrecision agricultureen
dc.subjectÍndices de vegetaçãopt_BR
dc.subjectVegetation indexesen
dc.subjectClassificação supervisionadapt_BR
dc.subjectSupervised classificationen
dc.subject.cnpqCNPQ::CIENCIAS AGRARIASpt_BR
dc.titleClassificação supervisionada de imagens aéreas com drones para identificação de plantas daninhaspt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
Aparece nas coleções:Engenharia Agrícola

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
ARTHURPEREIRALOPES_SILASFIEDLER.pdf1,56 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.