Mostrar el registro sencillo del ítem

dc.contributor.advisorSchnorr, Lucas Mellopt_BR
dc.contributor.authorAlles, Guilherme Rezendept_BR
dc.date.accessioned2020-07-08T03:42:35Zpt_BR
dc.date.issued2020pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/211484pt_BR
dc.description.abstractPhenology is the study of cyclic and periodic events in nature, as well as its correlation to external factors such as climate and environmental changes. These studies are vital in the development of agriculture, in which phenological observations may help derive the optimal conditions for vegetation growth, as well as to understand more clearly the elements that affect a given species lifecycle. Recent phenological studies use data captured from digital cameras. For these studies, analysts derive metrics from the RGB components of colors observed in vegetation pictures. Typical metrics include the gcc (Green Chromatic Coordinate) and the ExG (Excess Green), which are known to depict with reasonable accuracy plant lifecycle phases such as the green-up in spring and the senescence in the autumn. This approach provides low cost of installation and a finer level of control over the frequency and configuration of images used for the study, especially when compared to more robust satellite-based remote sensing. The recent shift in phenological studies to use data from digital cameras increases the amount of data available, presenting a clear opportunity to enrich phenological studies by incorporating big data into the analysis process. The new challenges are, then, to efficiently process a potentially large dataset, deal with measuring uncertainty and natural variability, and produce insightful information out of it. On these grounds, the contributions of this study are the following: (a) a histogrambased visualization technique for large scale phenological data, using stacked bar charts with an improved color mapping to enhance phenophases perception; (b) a set of new phenological metrics based on the HSV color space tailored for such histogram-based visualization; (c) a mathematical model to improve the reliability of the histogram representation, tackling the natural variability and uncertainty of phenological images; (d) the implementation of a parallel workflow in a scalable environment to rapidly process a large amount of collected data for visualization. We validate these contributions with large datasets taken from the Phenological Eyes Network (PEN), demonstrating the effectiveness in measuring uncertainty with large scale image processing.en
dc.description.abstractFenologia é o estudo e correlação de eventos cíclicos na natureza com fatores externos, como mudanças no clima ou no meio ambiente. Esses estudos são vitais no desenvolvimento da agricultura, nos quais observações fenológicas podem auxiliar no desenvolvimento de melhores condições para crescimento de vegetação, bem como entender mais claramente os elementos que afetam o ciclo de vida de determinada espécie. Estudos fenológicos recentes utilizam dados capturados de câmeras digitais. Para esses estudos, analistas extraem métricas das componentes RGB das cores observadas em imagens de vegetação. Algumas métricas típicas são o gcc (Green Chromatic Coordinate) e o ExG (Excess Green), que são conhecidos por destacar razoavelmente bem as fases do ciclo de vida de plantas, como o “green-up” durante a primavera e a senescência durante o outono. Essa abordagem conta com custo baixo de instalação e um nível de controle maior sobre a frequência e configuração das imagens utilizadas para o estudo, especialmente quando comparada a estratégias mais robustas de monitoramento remoto, como os métodos baseados em satélites. A adoção crescente de abordagens baseadas em câmeras digitais aumenta o número de imagens disponíveis, destacando a oportunidade de enriquecer estudos fenológicos incorporando técnicas de big data no processo de análise. Os novos desafios são, portanto, processar eficientemente um conjunto de dados potencialmente grande, lidar com a medição de incerteza e a variabilidade natural dos dados, e produzir informações relevantes a partir desses. Com isso em mente, as contribuições desse estudo são as seguintes: (a) uma técnica de visualização baseada em histogramas para grandes quantidades de dados fenológicos, utilizando gráficos de barras empilhadas e um mapeamento de cores refinado para melhorar a percepção de fases fenológicas; (b) um novo conjunto de métricas baseadas no espaço de cores HSV, adaptado para essa visualização baseada em histogramas; (c) um modelo matemático para melhorar a confiabilidade da representação em histogramas, atacando a variabilidade natural e a incerteza presente em imagens fenológicas; (d) a implementação de um workflow paralelo em um ambiente escalável, para processar rapidamente um grande volume de dados coletados para visualização. Nós validamos essas contribuições com grandes conjuntos de dados obtidos através da Phenological Eyes Network (PEN), demonstrando a eficácia em medir a incerteza de tais conjuntos de dados utilizando processamento de imagem em larga escala.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoengpt_BR
dc.rightsOpen Accessen
dc.subjectFenologiapt_BR
dc.subjectData analysisen
dc.subjectVisualizaçãopt_BR
dc.subjectDataset uncertainty quantificationen
dc.subjectAnálise de dadospt_BR
dc.titlePhenological analysis strategies with realistic color mapping and variability control based on digital imagespt_BR
dc.title.alternativeEstratégias de análise fenológica com mapeamento de cores realístico e controle de ruído baseados em imagens digitais pt
dc.typeDissertaçãopt_BR
dc.identifier.nrb001115462pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentInstituto de Informáticapt_BR
dc.degree.programPrograma de Pós-Graduação em Computaçãopt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2020pt_BR
dc.degree.levelmestradopt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem