A carregar...
Publicação
Machine Learning for precision viticulture: Focusing on Plant Health
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 32.32 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Precision Agriculture (PA) represents a significant advancement in agricultural practices,
focusing on efficiency and sustainability through the integration of cutting-edge tech-
nologies. This dissertation introduces a comprehensive software solution, "SmartData",
which is integrated into the existing "AgriDash" application to enhance the management
and analysis capabilities in agriculture. SmartData leverages satellite imagery to generate
intuitive maps showcasing vegetation, water, and humidity indices, crucial for effective
crop management. Additionally, it incorporates a machine learning model for the accu-
rate classification of plant diseases from images, facilitating timely and effective disease
management.
The system also includes a geolocated disease marker system, providing precise
location and detailed information about plant health issues, and integrates meteorological
data from local weather stations to aid in decision-making based on weather conditions.
These functionalities not only enhance AgriDash but also align with the goals of PA by
improving productivity and sustainability.
The dissertation outlines the development of a disease classification system, the cre-
ation of advanced visualization tools for interpreting satellite data, and the integration of
real-time meteorological data to enhance agricultural decision-making. These innovations
have been integrated into the AgriDash application, improving its utility for sustainable
farming practices. The relevance and effectiveness of these solutions are further under-
scored by the acceptance of a related paper for presentation at the 15th International
Conference on Ambient Systems, Networks and Technologies (ANT’24).
A Agricultura de Precisão (AP) representa um avanço significativo nas práticas agrícolas, com o foco na eficiência e sustentabilidade por meios de integração com tecnologias de ponta. Esta dissertação apresenta uma solução de software abrangente, "SmartData", que está integrada na aplicação "AgriDash"criada para melhorar as capacidades de gestão e análise na agricultura. O SmartData aproveita imagens de satélite para gerar mapas intuitivos que mostram índices de vegetação, água e umidade, cruciais para um tratamento eficaz das culturas. Além disso, incorpora um modelo de aprendizagem automatica para uma classificação precisa de doenças de plantas a partir de imagens, facilitando um tratamento prévio e eficaz nas doenças. O sistema também inclui um sistema de marcadores de doenças geolocalizados, fornecendo localização precisa e informações detalhadas sobre questões fitossanitárias, e integra dados meteorológicos de estações meteorológicas locais para auxiliar na tomada de decisões com base nas condições climáticas. Estas funcionalidades não só melhoram o AgriDash, mas também se alinham com os objetivos da AP, melhorando a produtividade e a sustentabilidade. A dissertação descreve o desenvolvimento de um sistema de classificação de doenças, a criação de ferramentas avançadas de visualização para interpretação de dados de satélite e a integração de dados meteorológicos em tempo real para melhorar a tomada de decisões agrícolas. Estas inovações foram integradas na aplicação AgriDash, melhorando a sua utilidade para práticas agrícolas sustentáveis. A relevância e eficácia destas soluções são ainda sublinhadas pela aceitação de um artigo relacionado para apresentação na 15ª Conferência Internacional sobre Sistemas, Redes e Tecnologias Ambientais (ANT’24).
A Agricultura de Precisão (AP) representa um avanço significativo nas práticas agrícolas, com o foco na eficiência e sustentabilidade por meios de integração com tecnologias de ponta. Esta dissertação apresenta uma solução de software abrangente, "SmartData", que está integrada na aplicação "AgriDash"criada para melhorar as capacidades de gestão e análise na agricultura. O SmartData aproveita imagens de satélite para gerar mapas intuitivos que mostram índices de vegetação, água e umidade, cruciais para um tratamento eficaz das culturas. Além disso, incorpora um modelo de aprendizagem automatica para uma classificação precisa de doenças de plantas a partir de imagens, facilitando um tratamento prévio e eficaz nas doenças. O sistema também inclui um sistema de marcadores de doenças geolocalizados, fornecendo localização precisa e informações detalhadas sobre questões fitossanitárias, e integra dados meteorológicos de estações meteorológicas locais para auxiliar na tomada de decisões com base nas condições climáticas. Estas funcionalidades não só melhoram o AgriDash, mas também se alinham com os objetivos da AP, melhorando a produtividade e a sustentabilidade. A dissertação descreve o desenvolvimento de um sistema de classificação de doenças, a criação de ferramentas avançadas de visualização para interpretação de dados de satélite e a integração de dados meteorológicos em tempo real para melhorar a tomada de decisões agrícolas. Estas inovações foram integradas na aplicação AgriDash, melhorando a sua utilidade para práticas agrícolas sustentáveis. A relevância e eficácia destas soluções são ainda sublinhadas pela aceitação de um artigo relacionado para apresentação na 15ª Conferência Internacional sobre Sistemas, Redes e Tecnologias Ambientais (ANT’24).
Descrição
Palavras-chave
Precision Agriculture SmartData AgriDash Machine Learning Satellite Imagery Disease Classification