Search

Orientador: Jurandir Zullo Junior Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agricola Resumo: A estimativa precisa com antecedência à época da colheita de áreas plantadas com culturas agrícolas, como a soja, é de fundamental importância para a economia brasileira. A previsão do escoamento e comercialização da produção agrícola é estratégica para o Brasil, pois estão diretamente relacionados com o planejamento, custos e preço. Com o recente avanço tecnológico na obtenção de dados por sensoriamento remoto orbital é possível melhorar a previsão de safras, diminuindo cada vez mais o nível de subjetividade. Embora designadas para fins meteorológicos, as imagens AVHRR-NOAA de elevada repetitividade temporal, têm sido utilizadas para o monitoramento agrícola. Porém, a sua baixa resolução espacial faz com que possa ocorrer a mistura espectral das classes de cobertura do solo dentro de um mesmo pixel e isso pode acarretar problemas de imprecisão na estimativa de área plantada de uma cultura agrícola. O objetivo principal do trabalho foi desenvolver uma metodologia de classificação automática com a aplicação de lógica fuzzy para o reconhecimento de padrões em imagens AVHRR-NOAA, utilizando índices de vegetação para estimar a área plantada de soja no nível sub-pixel. Para oito municípios produtores de soja da região oeste do Estado do Paraná, foi possível obter a estimativa de área no final de janeiro de 2004, com antecedência em relação à época da colheita, ao contrário dos levantamentos oficiais que se estendem até o final da safra, além de utilizarem dados subjetivos vindos do campo. As estimativas de área de soja baseadas em classificação fuzzy mostraram-se altamente correlacionadas com as estimativas de área de referência obtidas a partir da máscara de soja e por expansão direta, sendo um indicativo de boa precisão. E também apresentaram alta correlação, balizadas com as estimativas oficiais da SEAB/DERAL e do IBGE. Em ambas comparações, o nível de erro relativo geral foi aceitável. O sistema desenvolvido para processamento e geração de produtos das imagens AVHRR-NOAA mostrou-se uma ferramenta fundamental de infra-estrutura, por aliar automação e precisão a metodologia do trabalho Abstract: An early accurate estimation of agricultural crop areas, such as soybean, is fundamental for the Brazilian economy. The draining forecast and the estimation of agricultural production commercialization are strategic to Brazil, since they are directly related to planning, costs and price. Recent technological progress of data acquisition from orbital remote sensing makes possible to improve harvest forecast, reducing more and more the level of subjectivity. Although designed for meteorological aims, the AVHRR-NOAA images of high temporal resolution, have been used for the crop monitoring. However, its low spatial resolution might cause the spectral mixture of the different land cover classes within the same pixel and it can lead to accuracy problems on crop area estimation. The main objective of the work was to develop an automatic classification methodology with the application of fuzzy logic for pattern recognition in AVHRR-NOAA images, using vegetation indices to estimate the soybean crop areas at sub-pixel level. For eight soybean producer counties in the West region of the Paraná State, it was possible to obtain the crop area estimation at the end of january 2004, prior to the harvest period, on the contrary of the official surveys that extend until the end of the harvest, besides using subjective data collected on the field. The soybean crop area estimation based on fuzzy classification showed to be highly correlated with the reference area estimation obtained from the soybean mask and by direct expansion, being an indicative of good accuracy. And also presented high correlation, marked out with the official estimations from SEAB/DERAL and IBGE. In both comparisons, the level of general relative error was acceptable. The system developed for processing and products generation of AVHRR-NOAA images had proved to be a fundamental infrastructure tool, due to its capacity to combine automation and accuracy to the work methodology Mestrado Planejamento e Desenvolvimento Rural Sustentável Mestre em Engenharia Agrícola

The use of decision suport tools in Geographic Information Systems (GIS) has assisted in applications areas such as impact, suitability and viability analysis. This work presents an example of the application of these tools for the analysis of gas pipeline pathway connecting a refinery to three cities in the region of Campinas, São Paulo State. Land use and digital elevation model (DEM) were used as variables. The processing and analysis of spatial information were done using GIS IDRISI. The first approach used a cost surface to determine the least cost route. The pathway obtained considered in the majority areas of pastures and with slope of up to 15%. The second approach was based on multiple criteria analysis balancing factors such as distance, slope and land use. The multiple criteria analysis was influenced by land use; however, the slope and the distance between the cities are the basic factors in tracing the pathway, reflecting the lowest cost. This result constitutes an important subsidy for decisions on the best alternative for gas pipeline pathway, allowing a more rational and less subjective choice. A utilização de ferramentas de apoio à decisão em Sistemas de Informação Geográfica (SIG) tem auxiliado em áreas de aplicação como na análise de impacto, aptidão e viabilidade. Este trabalho apresenta um exemplo de aplicação dessas ferramentas para análise de trajeto de um gasoduto interligando uma refinaria a três cidades na região de Campinas, Estado de São Paulo. Como variáveis foram utilizadas as informações contidas em um mapa de uso do solo e um modelo digital do terreno (MDT). O processamento e a análise das informações espaciais foram realizados por meio do SIG IDRISI. Na primeira abordagem usam-se superfícies de custo para determinar o melhor trajeto. O trajeto obtido considerou os valores de menores custos, na maioria áreas de pastagens e com declividade de até 15%. A segunda abordagem baseou-se no método de múltiplos critérios com a ponderação dos fatores distância, declividade e uso do solo. A análise por múltiplos critérios foi bastante influenciada pelo uso do solo. Porém, a declividade e a distância entre as cidades são fatores fundamentais no traçado do gasoduto, pois reflete o menor custo. O trabalho constituiu um subsídio importante para a tomada de decisão sobre a melhor alternativa de traçado do gasoduto, possibilitando uma escolha mais racional e menos subjetiva.

Orientador: Rubens Augusto Camargo Lamparelli Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola Resumo: Recentes descobertas cercam o panorama global tangível a energia, e a entrada de medidas e produções sustentáveis estão sendo cada vez mais protagonistas do cenário energético, buscando a diversificação da matriz energética promovendo a bioenergia como uma das principais fontes de energia renovável. O Brasil já é um protagonista neste cenário de energias renováveis sendo considerado um dos maiores agentes, totalizando em aproximadamente 80% de sua produção, onde 70% são representados por energia hidrelétrica. Devido aos impactos ambientais causados para construção de usinas e barragens hidrelétricas, crise hídrica severa, a busca por outras fontes de energia limpa se torna o foco principal produção sustentável. A produção bioenergética se torna uma alternativa inteligente aproveitando a biomassa gerada por resíduos agrícolas e convertendo em bioenergia. Neste trabalho foi espacializada toda área de produção agrícola para cultura da cana-de-açúcar e eucalipto inseridos na Região Administrativa de Campinas (RAC), convertendo em potencial de biomassa para destinação a bioenergia, na geração de bioetanol e bioeletricidade. Através do cálculo de potencial dos bioprodutos foi possível diagnosticar que nesta área o potencial de produção é superior a demanda da região estudada, assim sendo viável a implantação de uma biorrefinaria, utilizando a biomassa como matéria-prima. Mundialmente, um dos maiores problemas para implantação de biorrefinarias ainda é sua localização geográfica, a escolha do local pode comprometer todo a sobrevivência da indústria, sendo assim, neste trabalho criou-se um modelo multicritério (utilizando 13 critérios de cunho ambiental e econômico) integrando o Sistema de Informação Geográfica (SIG) com a Lógica Fuzzy para identificação de áreas potenciais a implantação de biorrefinaria dentro da RAC. O modelo criado foi comparado com outros dois modelos, sendo o centro médio e a lógica booleana. Os resultados mostram que o modelo SIG-FUZZY apresentou um melhor resultado, quando comparado entre os três modelos, quantitativamente com aproximadamente um incremento de 2.500 km² de áreas aptas para a implantação da indústria de biorrefino, e qualitativamente classificou as áreas entre "ruim", "boa" e "ótima". Dado relevante obtido nos resultados também foi a identificação de critérios de maior importância e impacto dentro da escolha do local. A ferramenta criada tornou possível o processamento de uma base de dados robusta, contendo informações a respeito da RAC, tornando o modelo como uma ótima ferramenta para apoiadores de decisões, e sendo possível utilizar a metodologia para outras regiões Abstract: Recent scientific discoveries surround the tangible global energy panorama, and the entry of sustainable measures and productions are increasingly being protagonists of the energy scenario, seeking to diversify the energy matrix, promoting bioenergy as one of the main sources of renewable energy. Brazil is already a protagonist in this scenario of renewable energies, being considered one of the biggest agents, totaling approximately 80% of its production, of which 70% is represented by hydroelectric energy. Due to the environmental impacts caused by the construction of hydroelectric plants and dams, severe water crisis, the search for other sources of clean energy becomes the main focus of sustainable production. Bioenergy production becomes a smart alternative, taking advantage of biomass generated by agricultural residues and converting it into bioenergy. In this work, the entire agricultural production area for the cultivation of sugarcane and eucalyptus inserted in the Administrative Region of Campinas (ARC) was spatialized, converting biomass into potential for use in bioenergy, in the generation of bioethanol and bioelectricity. Through the calculation of the potential of bioproducts, it was possible to diagnose that the production potential in this area is greater than the demand in the studied region, thus making it feasible to implement a biorefinery, using biomass as a raw material. Worldwide, one of the biggest problems for the implementation of biorefineries is still its geographic location, the choice of location can compromise the entire survival of the industry, so in this work a multi-criteria model was created (using 13 environmental and economic criteria) integrating the Geographic Information System (GIS) with Fuzzy Logic to identify potential areas for the implementation of a biorefinery within the ARC. The model created was compared with two other models, being the middle center and Boolean logic. The results show that the GIS-FUZZY model presented a better result when compared between the 3 models, as it not only quantified the potential area, but also qualified them as "bad", "good" and "excellent". Relevant data obtained in the results was also the identification of criteria of greater importance and impact within the choice of location. The tool created made it possible to process a robust database, containing information about the RAC, making the model a great tool for decision supporters, and making it possible to use the methodology for other regions Doutorado Gestão de Sistemas na Agricultura e Desenvolvimento Rural Doutor em Engenharia Agrícola CAPES 88882.434686/2019-01

Orientador: Francisco de Assis Magalhães Gomes Neto Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica Resumo: O problema tratado foi o de formular k grupos a partir de um subconjunto discreto e finito em um espaço d-dimensional. Os grupos constituídos devem obedecer a uma divisão que privilegie a alta similaridade entre elementos do mesmo grupo e a alta dissimilaridade entre elementos de grupos distintos. Trata-se de um problema de clusterização partitiva, que possui aplicações em um grande número de áreas, desde a segmentação de mercado até a análise de sequências macromoleculares. Nesta tese, propomos dois métodos para realizar este agrupamento: um algoritmo semissupervisionado, baseado em uma variante do k-médias (pk-means), que usa restrições espaciais para os centroides. Ele permitiu realizar agrupamentos com o uso de amostras classificadas que seriam descartadas por uma abordagem não supervisionada e que, por outro lado, não seriam suficientes para induzir um classificador supervisionado. A segunda proposta é um esquema de vizinhança para uso da VNS (meta-heurística de busca em vizinhança variável) como apoio a algoritmos de clusterização que são incorporados como métodos de busca local (variantes VNS). Fizemos uma grande variedade de experimentos computacionais que confirmaram que tanto o pk-means quanto as variantes VNS geram grupos mais homogêneos e coesos. Acrescido a isso, temos que os métodos propostos podem ser aplicados inclusive a dados dinâmicos, como séries temporais de imagens de satélite, pois apresentamos uma transformação que troca as séries temporais por parte dos seus harmônicos. Isso permitiu que realizássemos um estudo de caso, usando os métodos propostos para classificar imagens NDVI extraídas do sensor AVHRR/NOAA 17 e TERRA/MODIS Abstract: The problem treated is one of formulating k groups from a discrete and finite subset in a d-dimensional space. The groups must have high similarity between elements of the same group and high dissimilarity between elements of different groups. It is a partitive clustering problem that has applications in multiple areas like market segmentation or macromolecular sequence analysis. In our work, we propose two methods to perform this grouping: a semi-supervised algorithm, based on a k-means variant (pk-means), which uses spatial constraints for centroids. It allowed grouping by the use of classified sample that would be discarded by an unsupervised approach and, on the other hand, would not be sufficient to induce a supervised classifier. The second method is based on a neighborhood for VNS metaheuristic (variable neighborhood search) as support for clustering algorithms, that is used like local search (VNS variants). We confirmed by a great variety of computational experiments that both, pk-means and VNS variants, generate more homogeneous and cohesive groups. In addition to this, we applied the proposed methods to dynamic data, such time series of satellite images, because we also present a transformation that exchange the time series by their harmonics. This allowed us to classify NDVI images extracted from the AVHRR / NOAA 17 and TERRA / MODIS sensors Doutorado Matemática Aplicada Doutor em Matemática Aplicada CAPES

Orientadores: Jansle Vieira Rocha, Michelle Cristina Araujo Picoli, Guerric Beaudouin Cathel Marie Le Maire Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola Resumo: O monitoramento da dinâmica espaço-temporal da cultura de cana-de-açúcar, tais como área plantada, área colhida, regiões de expansão e produção é essencial nas tomadas de decisões gerenciais do setor sucroenergético brasileiro. Neste estudo, foram criados modelos para mapeamento e estimativa da produtividade da cana-de-açúcar, a partir de série temporal de imagens do satélite Landsat. As imagens foram obtidas e processadas na plataforma Google Earth Engine (GEE). Foram calculados seis índices de vegetação (NDVI, NDMI, EVI, SAVI, NDWI1, NDWI2) e, em seguida foi feita uma composição mensal destes índices com as bandas do vermelho (Red), infravermelho próximo (NIR) e infravermelho de ondas curtas (SWIR1 e SWIR2). Os modelos de mapeamento e predição da produtividade foram feitos a partir do algoritmo de aprendizado de máquina Random Forest (RF). O mapeamento das áreas de cana-de-açúcar consistiu em uma classificação orientada a objetos (OBIA), com generalização temporal e espacial, aplicada em regiões produtoras de cana-de-açúcar no estado de São Paulo. A generalização temporal foi feita a partir de mapas de referência de 8 anos (2009-2016), para as seguintes condições: a) treinamento e validação inter-anual (M1); b) treinamento com vários anos e validação em ano independente (M2); c) atualização de mapas a partir da detecção de mudanças com treinamento de vários anos (M3). Os modelos de generalização espacial consideraram, além da generalização temporal (M2), o uso de dados de treinamento em vários locais do estado de São Paulo e validação em anos e locais independentes. Os modelos de classificação M1 e M2 apresentaram Dice coefficient (DC) médio de 0,84 e 0,91, respectivamente. O modelo de classificação com generalização espacial apresentou DC médio de 0,89. O modelo empírico de estimativa da produtividade utilizou as imagens de satélite, dados agronômicos e climáticos. Os dados agronômicos, obtidos em nível talhão no oeste do estado de São Paulo, foram tipo de solos, variedade, estágio de corte, produtividade, entre outros. Já para os dados climáticos, foram utilizados dados históricos de estações meteorológicas (p.e., precipitação, temperatura, radiação solar) e dados de precipitação do ECMWF para o cálculo do índice SPI. Foram criados modelos de produtividade utilizando: a) dados do satélite Landsat e dados meteorológicos (RF1); b) dados agronômicos e dados meteorológicos (RF2); c) combinação de dados Landsat, agronômicos e meteorológicos (RF3). Para os modelos RF2 e RF3 foi testado a inclusão da data de colheita como variável preditora (RF4 e RF5). O modelo RF3 apresentou os melhores ajustes em comparação aos modelos RF1 e RF2 (R²=0,74 e RMSE= 9,7 ton ha-¹). Com a inclusão da data de colheita (RF5), o R² foi de 0,76. As principais variáveis espectrais tanto para o mapeamento como para estimativa de produtividade da cana-de-açúcar foram os índices e as bandas relacionados às regiões espectrais do SWIR e do NIR (p.e., NDMI, EVI). A classificação com generalização espacial e temporal consiste em uma ferramenta de baixo custo e recurso para mapear cana-de-açúcar em grandes áreas. Já os modelos de produtividade se mostram promissores para estimativa de produtividade de cana-de-açúcar em escala local. As séries temporais de imagens de satélite representam um grande ganho para o monitoramento e planejamento da produção de cana-de-açúcar Abstract: The monitoring of spatial-temporal dynamics of sugarcane areas, such as planted and harvested area, expansion and production regions is essential to decision making of Brazilian sugar-energy sector. In this study, it were created models to map sugarcane areas and to forecast sugarcane yield, using Landsat satellite time series. The images were obtained and processed on Google Earth Engine (GEE). Six vegetation indices (NDVI, NDMI, EVI, SAVI, NDWI1, NDWI2) were calculated, followed by a mensal composition of these indices with the red (Red), near infrared (NIR) and short wave infrared (SWIR1 e SWIR2) spectral bands. The models of mapping and prediction of yield were done based on Random Forest (RF) machine learning algorithm. The mapping of sugarcane areas consisted on objected based image classification (OBIA), associated with temporal and spatial generalization, applied on sugarcane areas of Sao Paulo state. The time generalization was done using reference maps from 8 years (2009-2016), for the following conditions: a) training and testing using inter-annual data (M1); b) training with several years and testing on independent years (M2); c) change detection using a map updating with several years of training (M3). The model with spatial generalization used the time generalization (M2) and training data from several sites around the Sao Paulo state, and the validation process was done on independent sites. The M1 and M2 models showed Dice coefficient (DC) average of 0.84 and 0.91, respectively. The classification model with spatial generalization showed DC average of 0.89. The empirical model for forecasting sugarcane yield used satellite, agronomic and climatic data. The agronomic data from sugarcane fields of sugarcane areas from west of Sao Paulo state, were associated with soil type, variety, harvests number, yield, among others. For the meteorological data, historical data from meteorological stations (e.g., precipitation, temperature, solar radiation) and precipitation from ECMWF for the SPI index calculation were used. We created sugarcane yield models, using: a) satellite and meteorological data (RF1); b) agronomic and meteorological data (RF2); c) combination of satellite, agronomic and meteorological data (RF3). For the RF2 and RF3 models were tested the inclusion of harvest date as a predictor variable was tested (RF4 e RF5). The RF3 model showed the best adjustments when compared to RF1 e RF2 models (R²=0.74 and RMSE= 9.7 ton ha-¹). After the inclusion of harvest date (RF5), the R² was 0.76. The most important spectral variables for sugarcane mapping and forecasting sugarcane yield were indices and bands related to spectral regions of SWIR and NIR (e.g., NDMI and EVI). The spatial and temporal generalization classification of sugarcane areas consist on a tool of low cost and resource to map sugarcane over large areas. The yield models are promising to forecast sugarcane yield at local scale. The satellite images time series represent a major gain for sugarcane production monitoring and planning Doutorado Gestão de Sistemas na Agricultura e Desenvolvimento Rural Doutora em Engenharia Agrícola

Orientadores: Rubens Augusto Camargo Lamparelli, Guerric Beaudouin Cathel Marie Le Maire Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola Resumo: Os sistemas de sensoriamento remoto surgem como uma importante ferramenta para mapeamento de áreas agrícolas que passam por intensas mudanças, seja devido aos impactos ocasionados pelo aquecimento global e/ ou transformações produzidas pelo homem. Obter informações dos alvos a partir de plataformas de sensoriamento remoto (orbital e suborbital) nem sempre é possível, já que o sinal registrado pelo sensor interage com um ambiente muito diverso que é a atmosfera. No entanto, é difícil produzir mapas de extensão de terras agrícolas precisas e exatas em alta resolução espacial em grandes áreas, devido aos pequenos sistemas agrícolas dominantes e cultivos em consórcio, como os encontrados em parte do Brasil. O monitoramento de áreas agrícolas utilizando imagens de satélites é dificultado devido à presença de nuvens em períodos determinantes para o conhecimento do vigor da vegetação. A presença de nuvens e falhas nos sensores impossibilitam o registro da radiação eletromagnética pelos sensores. As plataformas de computação geoespacial baseadas na nuvem e em coleções de imagens de satélite a partir de múltiplos sensores e em várias datas no Google Earth Engine oferecem oportunidades para mapear áreas de cultivo com uma ampla gama de aplicações. Assim, o objetivo dessa pesquisa foi testar diferentes metodologias para classificação do uso e cobertura da terra na região central do estado de São Paulo, através de imagens de múltiplos sensores (óptico e radar), incluindo séries temporais de imagens, métodos para preenchimento de dados ausentes e verificar o benefício que essas metodologias causam na acurácia da classificação ao longo do ciclo vegetativo. Os resultados encontrados revelaram que o método final escolhido (T5, G1, D1) demonstrou uma acurácia global de aproximadamente 0.84 no nível 4 o mais detalhado. O preenchimento para os dados ausentes na série temporal utilizando o valor médio ou interpolação linear foram suficientes. A principal confusão na classificação ocorreu entre as classes solo nu, solo com pouca vegetação e outras culturas anuais devido a grande variabilidade espectral para essas classes Abstract: Remote sensing systems emerge as an important tool for mapping intensely changing agricultural areas, whether due to impacts caused by global warming and / or man-made transformations. Obtaining target information from remote sensing platforms (orbital and suborbital) is not always possible, as the signal recorded by the sensor interacts with a very diverse environment, which is the atmosphere. However, it is difficult to produce accurate and accurate high spatial resolution land extension maps in large areas due to the dominant small farming systems and intercropping, as found in part of Brazil. The monitoring of agricultural areas using satellite images is difficult due to the presence of clouds at crucial times to know the vigor of the vegetation. The presence of clouds and faults in the sensors make it impossible to record electromagnetic radiation by the sensors. Cloud based geospatial computing platforms and multi-sensor, multi-date satellite imagery collections in Google Earth Engine offer opportunities to map crop areas with a wide range of applications. Thus, the objective of this research was to test different methodologies for land use classification and coverage in the central region of the state of São Paulo, through multi-sensor images (optical and radar), including time series of images, methods for data filling. absent and to verify the benefit that these methodologies cause in the classification accuracy along the vegetative cycle. The results found revealed that the chosen final method (T5, G1, D1) demonstrated an overall accuracy of approximately 0.84 at the most detailed level 4. Filling in for missing data in the time series using the mean value or linear interpolation was sufficient. The main confusion in the classification occurred between the bare soil, low vegetation and other annual crops classes due to the high spectral variability for these classes Mestrado Gestão de Sistemas na Agricultura e Desenvolvimento Rural Mestra em Engenharia Agrícola FAPESP 2014/50715-9 CAPES

Submitted by Edineia Teixeira (edineia.teixeira@unioeste.br) on 2019-09-24T19:48:51Z No. of bitstreams: 2 Bruno_Silva_2019.pdf: 2571328 bytes, checksum: ebc29fa0063a088e422b01ab584ceca6 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Made available in DSpace on 2019-09-24T19:48:51Z (GMT). No. of bitstreams: 2 Bruno_Silva_2019.pdf: 2571328 bytes, checksum: ebc29fa0063a088e422b01ab584ceca6 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2019-02-05 This doctoral thesis aims to use and evaluate synthetic images in agricultural monitoring. Thus, in Article 1 the objective was to apply the ESTARFM algorithm in multispectral images in an area covering the municipality of Cascavel, Paraná. The MODIS and Landsat 8 images were fused to produce 20 synthetic Landsat 8 images from October 2014 to September 2015, and the accuracy of the results was determined by comparing the reflectance valuesbetween the values of the synthetic and real images of the Landsat 8. The observed results showed that the red band presented better results when compared to infrared, and that the NDVI generated with these images reproduced well the dynamics of the soy and corn crops. Secondly, for Article 2 the objective of the study was to apply the SEBAL model and the ESTARFM methodology to estimate daily ET in an agricultural property of the Municipality of Cascavel, Paraná. MODIS and Landsat 8 OLI/TIRS images were fused to produce synthetic images between October 2014 and October 2015. The results obtained indicated good symmetry between the estimated ETs with Landsat 8 images and the synthetic ones, being the best results found for the culture of soybeans and the worst in times when the agricultural area was covered with corn stubble. In general, ESTARFM tended to overestimate the results. Esta tese tem por objetivo utilizar e avaliar as imagens sintéticas no monitoramento agrícola. Assim, no Artigo 1 o objetivo foi aplicar o algoritmo ESTARFM em imagens multiespectrais em uma área cobrindo o município de Cascavel, Paraná. As imagens do MODIS e Landsat 8 foram fusionadas para produzir 20 imagens Landsat 8 sintéticas, entre outubro de 2014 a setembro de 2015, sendo que a avaliação de acurácia dos resultados foi feita pela comparação dos valores de refletância entre valores das imagens sintéticas e reais do Landsat 8. Os resultados observados mostraram que a banda vermelha apresentou melhores resultados quando comparados a infravermellha, e que o NDVI gerado com estas imagens reproduziu bem a dinâmica das culturas de soja e milho. Em um segundo momento, para o Artigo 2 o objetivo do trabalho foi aplicar o modelo SEBAL e a metodologia do ESTARFM para estimar ET diária em uma propriedade agrícola do Município de Cascavel, Paraná. Imagens MODIS e Landsat 8 OLI/TIRS foram fusionadas para produzir imagens sintéticas entre outubro de 2014 e outubro de 2015. Os resultados obtidos indicaram boa concordância entre as ET estimadas com imagens Landsat 8 e as sintéticas, sendo os melhores resultados encontrados para a cultura da soja, e os piores em épocas em que a área agrícola continha resteva do milho. De maneira geral, o ESTARFM apresentou tendência a superestimar os resultados.

Submitted by Edineia Teixeira (edineia.teixeira@unioeste.br) on 2019-05-17T13:13:18Z No. of bitstreams: 2 Isaque_Mendes_2019.pdf: 2365606 bytes, checksum: 5a2c1406553a12f1503738c34b2a2aef (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Made available in DSpace on 2019-05-17T13:13:18Z (GMT). No. of bitstreams: 2 Isaque_Mendes_2019.pdf: 2365606 bytes, checksum: 5a2c1406553a12f1503738c34b2a2aef (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2019-02-05 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES The model of distributed generation energy through renewable sources is currently seen as a solution to increase demand, which limits economic and technological development. However, the buoyancy in the renewable sources’ generation hinders the management of distribution flow in the network by the concessionaires. Thereby, the determination of the generation potential, as well as the search for methods of control of the energy introduced in the network, is fundamentally important to the expansion of this system in relation to the conventional model of centralized generation. The use of geotechnologies facilitates this estimation, since it allows the analysis of spatial characteristics of places of interest and their specifications, such as incident radiation, available area, among others, with precision, agility, and low cost, in relation to field measurements. Thus, this work aimed to identify the potential of photovoltaic solar energy generation in the rural area of the municipality of Cascavel, based on the useful areas available, and the losses inherent to the system, from aviaries and pigpens. Averages for annual potential of 9.36 MWh/month for piglets and 17.61 MWh/month for aviaries were verified; with average power surplus of 8.56 MWh/month and 14.71 MWh/month for piglets and aviaries, respectively. The points with the greatest potential of energy generation in the rural perimeter of the municipality were also identified, to serve as an indicator of propitious areas for feasibility studies aiming for the implantation of intelligent micro grids in the region. O modelo de geração de energia distribuída por meio de fontes renováveis é visto, atualmente, como uma solução no que concerne ao aumento da demanda, que limita o desenvolvimento econômico e tecnológico. Contudo, a flutuabilidade na geração que utiliza fontes renováveis, dificulta o gerenciamento de fluxo na rede de distribuição por parte das concessionárias. Com isso a determinação do potencial de geração, bem como a busca por métodos de controle da energia introduzida na rede, é de fundamental importância na expansão desse sistema em relação ao modelo convencional de geração centralizada. O uso de geotecnologias facilita essa estimativa, pois permite a análise de características espaciais de locais de interesse e suas características específicas, como radiação incidente e área disponível, dentre outros, com precisão, agilidade e custo reduzido, em relação a medições de campo. Este trabalho teve como objetivo identificar o potencial de geração de energia solar fotovoltaica na área rural do município de Cascavel - PR, com base nas áreas úteis disponíveis e as perdas inerentes ao sistema, em aviários e pocilgas. Foi verificado um potencial anual médio de 9,36 MWh/mês para pocilgas, e 17,61 MWh/mês para aviários, com excedentes médios de geração de energia de 8,56 MWh/mês e 14,71 MWh/mês, para pocilgas e aviários, respectivamente. Também foram identificados os pontos com maior potencial de geração de energia no perímetro rural do município, para que sirva de indicativo das áreas propícias a estudos de viabilização de implantação de microrredes inteligentes na região.