Search

Um dos modos de medir o quanto uma universidade é sustentável, é por meio do UI GreenMetric (GM) Ranking, que realiza uma análise dos três pilares da sustentabilidade, por meio de seis categorias avaliadas: infraestrutura e meio ambiente; energia; resíduos; água; transporte; e educação. Neste estudo se objetiva analisar as preocupações e interesses da comunidade acadêmica, fundamentado pelo GM Ranking, sobre as práticas sustentáveis do Campus. Foram realizadas análises sobre quatro variáveis: gênero, vínculo com a instituição, acadêmicos que cursam ou não disciplinas sobre sustentabilidade e faixa etária, os resultados indicam que não houve diferenças significativas entre diferenças de sexo e de vínculos com a universidade, porém acadêmicos que cursam disciplinas sobre sustentabilidade tem mais interesse sobre o tema, e os mais jovens, além do interesse, se mostram mais preocupados com o assunto. Conclui-se que há uma demanda por cursos, treinamentos e disciplinas curriculares sobre sustentabilidade por parte da comunidade acadêmica, e que os mais jovens são mais críticos e preocupados com as atitudes sustentáveis do campus.

Submitted by Neusa Fagundes (neusa.fagundes@unioeste.br) on 2022-12-12T12:48:14Z No. of bitstreams: 2 Valdir_Moura2022.pdf: 6904287 bytes, checksum: 0b98cc4ea53ef29c8af3f9a1c46162d6 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Made available in DSpace on 2022-12-12T12:48:14Z (GMT). No. of bitstreams: 2 Valdir_Moura2022.pdf: 6904287 bytes, checksum: 0b98cc4ea53ef29c8af3f9a1c46162d6 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2022-08-18 The major changes that have been occurring in the diet, especially in emerging countries, create a projection of greater consumption of animal and plant foods and, consequently, the need to increase production without generating environmental impacts on forest remnants. Thus, the knowledge and understanding of the spatial-temporal dynamics of agriculture and cattle raising areas is a strategic issue since Brazilian agribusiness accounts for about 21.5% of the national GDP, requiring more specific studies on the areas occupied by agriculture and cattle raising. Concerning agriculture, the monitoring of agricultural production, carried out by the IBGE and CONAB, is based on sample surveys with rural producers, cooperatives, and agricultural financing data, which gives them high cost, time-consuming execution, subjectivity, imprecision, and lack of knowledge about the spatial distribution of agricultural production. Conversely, cattle-raising occupies approximately 220 million hectares, distributed throughout all regions of the national territory; however, around 60% present some level of degradation, generating losses and, consequently, a reduction in the carrying capacity of animals. With this, new deforestation arises so the animals can be housed comfortably. Therefore, it is necessary to propose objective methods and the use of geotechnologies associated with data mining techniques and spatial variability analysis methods through precision agriculture (or precision cattle breeding) to make the current area and crop estimation system more efficient and dynamic. This is because it is possible to work with good quality images available daily, identifying the suitability of areas and indicating their efficient use so that the conversion of exploitation forms can be carried out without degrading the forest. In this context, the general objective of this research was to develop a methodology to map the land use and evaluate the levels of pasture degradation, using different remote sensing and machine learning products, in the state of Rondônia. To this end, the work was divided into three papers: the first, investigates the origin of the current dynamics of land use and occupation in Rondônia, evaluating the consequences and environmental impacts of the colonization models, whose implementation was a factor that accelerated deforestation in the state, resulting in the landscapes over which farming and cattle ranching advances; the second proposes a new intelligent and automated methodological structure for defining desirable land use, mapping and quantifying the areas occupied by agricultural crops and pasture, aiming to delimit productive areas through conversion between use classes based on multicriteria, allowing the reordering of exploitation for livestock and agricultural production to be carried out without advancing over the forests; the third is a proposal for defining new levels of pasture degradation that meets the reality of the field and, furthermore, evaluates the spectral behavior of the different levels of degradation in order to discretize them spectrally. As grandes mudanças que vêm ocorrendo na dieta alimentar, principalmente nos países emergentes, criam uma projeção de maior consumo de alimentos de origem animal e vegetal e, consequentemente, a necessidade de aumento da produção sem gerar impactos ambientais nos remanescentes florestais. Dessa forma, o conhecimento e entendimento da dinâmica espaço-temporal das áreas de agricultura e pecuária são uma questão estratégica, visto que o agronegócio brasileiro responde por cerca de 21,5% do PIB nacional, demandando a realização de estudos mais específicos acerca das áreas ocupadas com agricultura e pecuária. Em relação à agricultura, o acompanhamento da produção agrícola, realizado pelo IBGE e CONAB, baseia-se em pesquisas amostrais com produtores rurais, cooperativas, dados de financiamento agrícola, o que confere, a eles, custo elevado, execução demorada, subjetividade, imprecisão e desconhecimento sobre a distribuição espacial da produção agrícola. Já a pecuária, ocupa uma área de aproximadamente 220 milhões de hectares, distribuídos por todas as regiões do território nacional, entretanto, cerca de 60% apresentam algum nível de degradação, gerando perdas e, consequentemente, uma redução na capacidade de suporte de animais. Com isso, novos desmatamentos surgem para que o número de animais seja alojado de forma confortável. É necessária, portanto, a proposição de métodos objetivos e a utilização de geotecnologias associadas a técnicas de mineração de dados e métodos de análise da variabilidade espacial por meio da agricultura de precisão (e/ou pecuária de precisão), para tornar o sistema atual de estimativa de áreas e de safras mais eficiente e dinâmico. Isso porque é possível trabalhar com imagens de boa qualidade e que são disponibilizadas diariamente, permitindo identificar a aptidão das áreas e indicar seu uso eficiente, de modo que a conversão das formas de exploração seja realizada sem degradar a floresta. Nesse contexto, o objetivo geral desta pesquisa foi desenvolver uma metodologia para mapear o uso do solo e avaliar os níveis de degradação das pastagens, com uso de diferentes produtos de sensoriamento remoto e aprendizado de máquina, no estado de Rondônia. Para isso, o trabalho foi dividido em três artigos, sendo que: o primeiro, investiga a origem da dinâmica atual de uso e ocupação do solo em Rondônia, avaliando as consequências e impactos ambientais dos modelos de colonização, cuja implantação foi um fator que acelerou o desmatamento no estado, resultando nas paisagens sobre as quais a agropecuária avança; o segundo propõe uma nova estrutura metodológica inteligente e automatizada para definição do uso desejável do solo, mapeamento e quantificação das áreas ocupadas com culturas agrícolas e pastagem, visando delimitar as áreas produtivas, por meio da conversão entre as classes de uso baseada em multicritérios, permitindo que a reordenação da exploração para fins de produção pecuária e agrícola seja realizada sem avançar sobre as florestas; o terceiro é uma proposta de definição de novos níveis de degradação da pastagem, que atenda à realidade do campo e, ainda, avalie o comportamento espectral dos diferentes níveis de degradação a fim de discretizá-los espectralmente.

Submitted by Edineia Teixeira (edineia.teixeira@unioeste.br) on 2022-11-21T17:30:14Z No. of bitstreams: 2 Gustavo_Fernandes.2022.pdf: 3445133 bytes, checksum: 2f57480483660259c7de27e4fb5cffaf (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Made available in DSpace on 2022-11-21T17:30:14Z (GMT). No. of bitstreams: 2 Gustavo_Fernandes.2022.pdf: 3445133 bytes, checksum: 2f57480483660259c7de27e4fb5cffaf (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2022-08-17 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES Smaller cities in Brazil face greater difficulties in implementing Rural Multipurpose Territorial Cadasstre (RMTC), due to its elevated cost and lack of specific norms. Thus, it is necessary to develop cost-effective methodologies that can supply RMTC with a more accessible character to all Brazilian cities, regardless of their size. Geotechnologies are useful to this purpose. Using low-cost or free remote sensing products and automatic image classification techniques, it is possible to reduce the implementation costs of RMTCs. There are many images obtained by orbital sensors that are available without cost and which can provide information suitable to rural area mapping. This thesis developed a methodology of RMTC application that is efficient and low-cost, appropriate for application in small cities. The methodology consisted in obtaining a database composed by Planet, Sentinel-2, and Google Satellite images, which have adequate spatial resolution to rural mapping. The targets that are relevant to RMTC were mapped using two different approaches: automatic image segmentation and classification using Google Earth Engine and manual vectorization of targets that could not be classified automatically; RMTC data that is freely available online by other agencies were adjoined to the data obtained in this study and therefore were organized in an easy maintenance and accessibility WebGIS. With the obtained information, it was estimated that 27.95% of the city area is used for pasture, 33.64% is used for agriculture, and the remaining 38.41% is composed by forest areas. It was possible to estimate data over the livestock production capacity in the year of the study and carry out analyzes of the municipality's compliance with environmental conservation laws. In the present work, it was possible to use geoprocessing technologies to create a methodology capable of introducing RMTC in the administration of small municipalities, using free and robust products. Os pequenos municípios brasileiros possuem uma maior dificuldade na implementação de sistemas de Cadastro Territorial Multifinalitário Rural (CTMR), por seu elevado custo e falta de normativa específica. Dessa forma, é necessário o desenvolvimento de metodologias que reduzam os custos de implementação e tornem acessíveis os CTMRs a todos os municípios brasileiros, independentemente de tamanho. As técnicas de geoprocessamento são úteis para esse objetivo. Utilizando produtos de sensoriamento remoto que sejam gratuitos ou de baixo custo e técnicas de classificação automática de imagens, é possível reduzir o custo dos CTMRs. Há uma diversidade de sensores orbitais cujas imagens são disponibilizadas gratuitamente e são adequados para o mapeamento das áreas rurais. O presente trabalho desenvolveu uma metodologia de aplicação de CTMR eficiente e de baixo custo para ser aplicada em pequenos municípios. A metodologia consistiu em obter um banco de dados composto por imagens de satélite Planet, Sentinel-2 e Google Satellite que possuem resolução adequada para mapear os alvos da área rural. Foram mapeados os alvos de interesse do CTMR por meio de duas metodologias: segmentação e classificação automática de imagens utilizando a plataforma Google Earth Engine e a vetorização manual dos alvos que não são capazes de ser classificados automaticamente; dados de interesse do CTMR que já existem e são disponibilizados de maneira gratuita via vários órgãos foram agregados aos dados obtidos e foram organizados em camadas de informação vetoriais que se apresentam por meio de um sistema simples de WebSIG de fácil manutenção e que é acessível aos gestores municipais. Com as informações acerca do uso e da cobertura do solo no município foi observado que 27,95% da área do município é ocupada por pastagem, enquanto 33,64% é ocupada por agricultura. Em relação à área florestal, observa-se 38,41% ainda coberto por esse tipo de cobertura. Ainda foi possível estimar dados acerca da capacidade de produção pecuária no ano em estudo, além de realizar análises acerca da conformidade do município em relação às leis de conservação ambiental. O presente trabalho foi capaz de utilizar as tecnologias de geoprocessamento para criar uma metodologia capaz de introduzir o CTMR nas administrações de pequenos municípios, utilizando produtos gratuitos e robustos.

Submitted by Edineia Teixeira (edineia.teixeira@unioeste.br) on 2022-08-09T13:06:09Z No. of bitstreams: 2 Thiago_Ló2022.pdf: 9844763 bytes, checksum: 332ed1ed21025cbf016668dc32d1cbae (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Made available in DSpace on 2022-08-09T13:06:09Z (GMT). No. of bitstreams: 2 Thiago_Ló2022.pdf: 9844763 bytes, checksum: 332ed1ed21025cbf016668dc32d1cbae (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2022-05-13 The increase in the world population requires an expansion in food demands, consequently increasing agricultural production. Land Use and Land Cover (LULC) detailing plays an essential role in the agricultural sector, enabling efficient monitoring, planning, and management of these areas. In this segment, remote sensing techniques have proved to be a valuable tool for mapping large agricultural areas. Therefore, the general objective of this research was to explore machine learning methods to carry out the LULC mapping through satellite images of three study areas in the state of Paraná. In addition, the generalization of the models was evaluated through cross-site classification. The work was divided into three stages covered in different scientific papers. The first paper proposed a one-dimensional Temporal Convolutional Neural Network (1D-TempCNN) to classify LULC using Satellite Image Time Series (SITS). Two other classifiers, Random Forest (RF) and Support Vector Machine (SVM), were used to compare the results. The Overall Accuracy (OA) was above 98% for all models when the test was performed in the same training area. However, in the cross-site classification, 1D-TempCNN showed better OA values (between 94.34% and 98.67%) and greater generalization. Two Data Augmentation (DA) techniques, sliding window and scaling, contributed to the generalization of the models. This way, the proposed architecture proved viable for cross-site classification and can be used in different crop years (cross-year) or agricultural areas (cross-site). The second paper explored the early classification using the 1D-TempCNN architecture and two classic models, Multilayer Perceptron (MLP) and RF. The models showed similar performance, reaching OA above 95% at the end of December. However, in the cross-site classification, only the 1D-TempCNN model achieved OA above 95% in all test scenarios, reaching this value between the beginning of December and the first half of February. Thus, this model demonstrated generalization capacity and can be used for early classification in different training areas. The third paper addressed the use of semantic segmentation to build LULC maps. Two pre-trained DeepLabv3 architectures (ResNet-50 and ResNet-101) were evaluated along with two different segmentations (true color and false color) and two training image sizes (256 x 256 and 512 x 512 pixels). The reference maps used in training and testing were derived from the results of the first paper. The OA presented results between 74.91% and 77.81%, and those of the Mean Intersection over Union (MIoU) metric between 39.46% and 52.56%. In addition, the combination of false color bands was superior to true color, and the use of smaller images resulted in more detailed and accurate maps. The model with the ResNet-101 base network presented the best results in most of the analyzed metrics. However, distinguishing between soybean and corn classes was the most significant difficulty. Therefore, this model presented generalization capacity, proving to be a viable option for constructing large area LULC maps, which allows the monitoring and planning of agricultural areas. O crescimento da população mundial causa uma expansão da demanda por alimentos, consequentemente, um aumento na produção agrícola. O detalhamento do uso e cobertura da terra (LULC) desempenha um papel de destaque para o setor agrícola, possibilitando o monitoramento, planejamento e gerenciamento dessas áreas de forma eficiente. Nesse segmento, o uso de técnicas de sensoriamento remoto tem se mostrado uma ferramenta valiosa para o mapeamento de extensas áreas agrícolas. Portanto, o objetivo geral da pesquisa foi explorar métodos de aprendizado de máquina visando realizar o mapeamento de LULC por meio de imagens de satélite de três áreas de estudo no estado do Paraná. Além disso, a generalização dos modelos foi avaliada por meio da classificação cruzada. Para tanto, o trabalho foi dividido em três etapas contempladas em artigos científicos. No primeiro artigo, foi proposta uma Rede Neural Convolucional Temporal Unidimensional (1D-TempCNN) para a classificação de LULC, utilizando Séries Temporais de Imagens de Satélites (SITS). Dois outros classificadores, Floresta Aleatória (RF) e Máquina de Vetores de Suporte (SVM), foram utilizados para comparação dos resultados. A Exatidão Global (EG) foi acima de 98% para todos os modelos quando o teste foi realizado na mesma área de treinamento. Entretanto, na classificação cruzada, a 1D-TempCNN apresentou melhores valores de EG (entre 94,34 e 98,67%) e maior generalização. Duas técnicas de Aumentos de Dados (DA), janela deslizante e scaling, contribuíram para generalização dos modelos. Dessa forma, a arquitetura proposta foi viável para classificação cruzada, podendo ser utilizada em diferentes anos-safra ou diferentes áreas agrícolas. No segundo artigo, foi explorada a classificação antecipada, utilizando a arquitetura 1D-TempCNN e dois modelos clássicos, Perceptron Multicamadas (MLP) e RF. Os modelos apresentaram desempenho similar, alcançando EG superior a 95% ao final de dezembro. Entretanto, na classificação cruzada, somente o modelo 1D-TempCNN alcançou EG acima de 95%, em todos os cenários testados, atingindo esse valor entre o início de dezembro e primeira quinzena de fevereiro. Dessa forma, esse modelo apresentou capacidade de generalização e pode ser utilizado para a classificação antecipada em diferentes áreas do treinamento. O terceiro artigo abordou a utilização de segmentação semântica para construção de mapas de LULC. Duas arquiteturas da Deeplabv3 (ResNet-50 e ResNet-101) pré-treinadas foram avaliadas juntamente com duas diferentes combinações de bandas (cor verdadeira e falsa cor) e dois tamanhos de imagens de treinamento. Os mapas de referência, utilizados no treinamento e teste, foram originados dos resultados do primeiro artigo. A EG apresentou resultados entre 74,91% e 77,81% e os da métrica Intersecção sobre União entre 39,46% e 52,56%. Além disso, a combinação de bandas falsa cor foi superior à de cor verdadeira, de maneira que a utilização de imagens menores resultou em mapas mais detalhados e precisos. O modelo com a rede base ResNet-101 apresentou os melhores resultados na maior parte das métricas analisadas. Contudo, a maior dificuldade encontrada foi a distinção entre as classes soja e milho. Assim, esse modelo apresentou capacidade de generalização, demostrando ser uma opção viável para a construção de mapas de LULC de área extensas, o que permitiu o monitoramento e planejamento de áreas agrícolas.