https://hdl.handle.net/1884/68545 2026-04-25T12:55:54Z https://hdl.handle.net/1884/101131 Mapeamento do uso e ocupação do solo utilizando a plataforma do Google Earth Engine Resumo: Os mapas de uso e ocupação do solo são fundamentais para o monitoramento ambiental e para subsidiar a tomada de decisão em atividades agrícolas. Uma alternativa para a obtenção desses produtos de forma automatizada, sem demandar elevada capacidade computacional local (in loco), é o uso de plataformas de processamento em nuvem, como o Google Earth Engine (GEE). Essa ferramenta possibilita o desenvolvimento e a execução de algoritmos em um ambiente de programação com interface amigável e dinâmica, fornecendo resultados de maneira eficiente ao longo do processo de construção dos scripts. Nesse contexto, a aplicação de classificadores supervisionados, tais como Random Forest, Support Vector Machine e Classification and Regression Trees, permite a geração de mapas temáticos por meio da automatização das etapas de processamento em linhas de código, viabilizando análises ambientais em grandes escalas com resultados consistentes e reprodutíveis. Assim, este trabalho teve como objetivo elaborar um mapa de uso e ocupação do solo, com a quantificação das respectivas áreas, bem como comparar o desempenho de diferentes classificadores no mapeamento do território do Vale do Ivaí (PR), utilizando a plataforma GEE e imagens Landsat 8. A eficiência dos classificadores foi avaliada por métricas de acurácia, resultando na produção de mapas temáticos de uso e ocupação do solo. De modo geral, os algoritmos apresentaram elevado desempenho nas análises de acurácia, com destaque para o classificador Support Vector Machine, que obteve eficiência média de 98%; Abstract: Os mapas de uso e ocupação do solo são fundamentais para o monitoramento ambiental e para subsidiar a tomada de decisão em atividades agrícolas. Uma alternativa para a obtenção desses produtos de forma automatizada, sem demandar elevada capacidade computacional local (in loco), é o uso de plataformas de processamento em nuvem, como o Google Earth Engine (GEE). Essa ferramenta possibilita o desenvolvimento e a execução de algoritmos em um ambiente de programação com interface amigável e dinâmica, fornecendo resultados de maneira eficiente ao longo do processo de construção dos scripts. Nesse contexto, a aplicação de classificadores supervisionados, tais como Random Forest, Support Vector Machine e Classification and Regression Trees, permite a geração de mapas temáticos por meio da automatização das etapas de processamento em linhas de código, viabilizando análises ambientais em grandes escalas com resultados consistentes e reprodutíveis. Assim, este trabalho teve como objetivo elaborar um mapa de uso e ocupação do solo, com a quantificação das respectivas áreas, bem como comparar o desempenho de diferentes classificadores no mapeamento do território do Vale do Ivaí (PR), utilizando a plataforma GEE e imagens Landsat 8. A eficiência dos classificadores foi avaliada por métricas de acurácia, resultando na produção de mapas temáticos de uso e ocupação do solo. De modo geral, os algoritmos apresentaram elevado desempenho nas análises de acurácia, com destaque para o classificador Support Vector Machine, que obteve eficiência média de 98% Orientador: Prof. Dr. Carlos Henrique Wachholz de Souza; Trabalho de Conclusão de Curso (Graduação) - Universidade Federal do Paraná, Campus Jandaia do Sul, Curso de Graduação em Engenharia agrícola; Inclui referências 2021-01-01T00:00:00Z https://hdl.handle.net/1884/101001 Distribuição espacial da avaliação visual da estrutura do solo em uma área de cafeicultura Resumo: A análise visual da estrutura do solo pode constituir uma ferramenta útil para o monitoramento da sua condição física em diferentes sistemas de manejo, especialmente quando empregada de forma integrada à agricultura de precisão, contribuindo para a tomada de decisão. Nesse contexto, o objetivo deste trabalho foi avaliar visualmente a estrutura de um solo cultivado com café por meio do método VESS (Visual Evaluation of Soil Structure) e analisar sua distribuição espacial em conjunto com mapas de umidade e de condutividade elétrica. A área de 2,4 ha foi subdividida em uma malha regular composta por 30 pontos amostrais; em 15 desses pontos, foram coletadas amostras indeformadas na profundidade de até 25 cm para a avaliação visual, conforme a carta de recomendação do método VESS, atribuindo-se notas de qualidade estrutural (Qe) de 1 a 5, em que 1 representa condição muito boa e 5, condição pobre. Adicionalmente, nos 30 pontos amostrais foram realizadas medições de umidade e de condutividade elétrica por meio de sensor eletrônico. A interpolação espacial foi conduzida pelo método Inverse Distance Weighting (IDW), utilizando o software de Sistema de Informações Geográficas (SIG) QGIS. Considerando que a média do escore final da avaliação visual permaneceu na faixa de 1 a 2, concluiu-se que não houve necessidade de intervenção de manejo no solo. A avaliação visual, associada às medições de umidade e de condutividade elétrica, mostrou-se eficiente para a caracterização da estrutura do solo, uma vez que se observou semelhança entre os mapas gerados, indicando potencial para a obtenção de mapas de variabilidade espacial do solo. Além disso, verificou-se que a umidade pode influenciar diretamente a avaliação visual; Abstract: Visual assessment of soil structure can be a valuable tool for monitoring soil physical condition under different management systems, particularly when integrated with precision agriculture to support decision-making. This study aimed to evaluate the soil structure of a coffee-cropped area using the Visual Evaluation of Soil Structure (VESS) method and to analyze its spatial distribution in association with soil moisture and electrical conductivity maps. The 2.4 ha field was subdivided into a regular sampling grid with 30 sampling points; undisturbed soil samples were collected at 15 points from the 0–25 cm layer for VESS assessment, following the method’s scoring guidelines. Structural quality scores (Qe) ranged from 1 to 5, where 1 indicates very good structural condition and 5 indicates poor condition. In addition, soil moisture and electrical conductivity were measured at all 30 points using an electronic sensor. Spatial interpolation was performed using the Inverse Distance Weighting (IDW) method in a Geographic Information System (GIS) environment (QGIS). The mean VESS score remained within the 1–2 range, indicating no need for soil management intervention. The combined interpretation of VESS, moisture, and electrical conductivity data was effective for characterizing soil structural condition, as evidenced by similarities among the generated maps, demonstrating potential for mapping soil spatial variability. Moreover, soil moisture was found to directly influence visual structural assessment Orientador: Prof. Dr. Carlos Henrique W. de Souza; Trabalho de Conclusão de Curso (Graduação) - Universidade Federal do Paraná, Campus Jandaia do Sul, Curso de Graduação em Engenharia Agrícola; Inclui referências 2021-01-01T00:00:00Z https://hdl.handle.net/1884/100998 Padrões de transição da terra no Vale do lvaí-PR identificadas por técnicas de machine learning Resumo: O Brasil é considerado um dos maiores produtores e exportadores de alimentos do mundo, sendo o maior produtor e o segundo maior exportador de soja, e o maior produtor e exportador de derivados da cana-de-açúcar. Devido ao aumento da demanda mundial de alimentos, a competição por área entre algumas commodities motivadas principalmente pela valorização dos preços, vem resultando em mudanças no uso e cobertura do solo. Pesquisas e estudos direcionados a respeito da cobertura e quantificação do uso do solo tornam-se fundamentais para diversos ramos do conhecimento que analisam as variações ocorridas na área. Neste propósito, a utilização de técnicas de sensoriamento remoto apresenta grandes vantagens, como a possibilidade de recobrimento de grandes extensões de áreas em tempo hábil. Deste modo, esse trabalho teve como objetivo determinar o uso e ocupação do solo em 8 categorias (Mata Nativa, Reflorestamento, Corpos Hídricos, Solo Exposto, Pastagem, Milho, Cana-de-açúcar e Soja) no território do Vale do Ivaí – PR por meio de sensoriamento remoto e algoritmos de machine learning, e identificar os padrões de transições do solo ocorridos no período analisado através da utilização da metodologia intensity analysis. Para realizar as classificações do território estudado, foram treinados e testados dois modelos de machine learning, uma rede neural artificial rasa (SNN) e uma rede neural artificial profunda, popularmente conhecida como deep learning (DNN). De acordo com os resultados obtidos podemos dizer que, o algoritmo SNN foi o que melhor se destacou, apresentando os valores de exatidão global e Índice Kappa, 98,95% e 98,77%, respectivamente. Através da aplicação da metodologia intensity analysis, identificou-se que a categoria pastagem foi a que mais perdeu área, e que a cana-de-açúcar foi a categoria que mais tomou as áreas, em outras palavras, podemos dizer que cana-de-açúcar foi a cultura que mais avançou de maneira intensa sobre as áreas de pastagem. Podemos concluir que esse padrão de transição ocorreu devido a agricultura e a cultura da cana-de-açúcar em específico, tender a se expandir sobre as áreas com baixas produtividades, e/ou com baixos rendimentos; Abstract: Brazil is considered one of the largest producers and exporters of food in the world, being the largest producer and the second largest exporter of soybeans, and the largest producer and exporter of sugar cane derivatives. Due to the increase in world demand for food, competition by area among some commodities, mainly motivated by price appreciation, has resulted in changes in land use and cover. Researches and studies directed towards the coverage and quantification of the use of the land become fundamental for diverse branches of the knowledge that analyze the variations occurred in the area. In this regard, the use of remote sensing techniques has great advantages, such as the possibility of covering large areas in a timely manner. Thus, this work aimed to determine the use and occupation of the soil in 8 categories (Native Forest, Reforestation, Water Bodies, Exposed Soil, Pasture, Corn, Sugar Cane and Soy) in the territory of Vale do Ivaí - PR through of remote sensing and machine learning algorithms, and to identify the patterns of soil transitions that occurred in the analyzed period through the use of intensity analysis methodology. To carry out the classifications of the studied territory, two models of machine learning were trained and tested, a shallow artificial neural network (SNN) and a deep artificial neural network, popularly known as deep learning (DNN). According to the results obtained, we can say that the SNN algorithm was the one that stood out the best, presenting the values of global accuracy and Kappa Index, 98.95% and 98.77% respectively. Through the application of the intensity analysis methodology, it was identified that the pasture category was the one that lost the most area, and that the sugar cane was the category that most took up the areas, in other words, sugar cane advanced intensely over the areas of pasture. We can conclude that this transition pattern occurred due to agriculture and the culture of sugar cane in particular, tending to expand over areas with low productivity, and / or with low yields Orientador: Prof. Dr. Carlos Henrique Wachholz de Souza; Trabalho de Conclusão de Curso (Graduação) - Universidade Federal do Paraná, Campus Jandaia do Sul, Curso de Graduação em Engenharia Agrícola; Inclui referências 2021-01-01T00:00:00Z https://hdl.handle.net/1884/100980 Mapeamento bioclimático do Estado do Paraná para produção de frangos de corte Resumo: O estado do Paraná é o maior produtor e exportador de carne de frango no Brasil. A eficiência na produção avícola é crucial não apenas para atender à demanda por proteína animal, mas também para garantir a sustentabilidade e competitividade do setor. A tecnologia desempenha um papel significativo na modernização das práticas avícolas, com uso de equipamentos autônomos, robótica e inteligência artificial para otimizar o conforto ambiental e a eficiência energética nas instalações. O zoneamento bioclimático surge como uma abordagem estratégica para classificar diferentes regiões com base em fatores climáticos como temperatura, umidade e ventilação, fundamentais para o desenvolvimento saudável das aves. Este método visa identificar as áreas mais adequadas para a criação de frangos de corte, minimizando os riscos associados a condições climáticas adversas e promovendo o bem-estar animal. Este estudo propõe um zoneamento bioclimático específico para o Paraná, utilizando metodologias como o cálculo do Índice de Temperatura e Umidade (ITU) de Buffington (1982). Os resultados indicam condições ambientais desafiadoras em certas épocas do ano, como calor extremo no verão, especialmente nas regiões litorâneas e noroeste, e frio intenso no inverno, especialmente na região sudeste, sudoeste e região metropolitana de Curitiba. Essas condições podem afetar negativamente a saúde das aves, exigindo adaptações nos aviários, como sistemas de resfriamento e aquecimento, para garantir o conforto térmico adequado. A pesquisa não só visa auxiliar os produtores na escolha de locais ideais para a produção avícola, mas também promove práticas de manejo mais eficientes e sustentáveis. Sugere-se ainda que o zoneamento bioclimático poderia ser aplicado a outras produções animais e culturas, facilitando decisões estratégicas e contribuindo para o desenvolvimento agrícola e pecuário do estado. Assim, destaca-se a importância do conhecimento detalhado das condições climáticas locais para a otimização da produção avícola, enfatizando a necessidade de adaptações tecnológicas e estruturais para enfrentar os desafios impostos pelo clima variável do Paraná; Abstract: The state of Paraná is the largest producer and exporter of chicken meat in Brazil. Efficiency in poultry production is crucial not only to meet the demand for animal protein but also to ensure sustainability and competitiveness within the sector. Technology plays a significant role in modernizing poultry practices, with the use of autonomous equipment, robotics, and artificial intelligence to optimize environmental comfort and energy efficiency in facilities. Bioclimatic zoning emerges as a strategic approach to classify different regions based on climatic factors such as temperature, humidity, and ventilation, essential for the healthy development of poultry. This method aims to identify the most suitable areas for broiler chicken farming, minimizing risks associated with adverse weather conditions and promoting animal welfare. This study proposes specific bioclimatic zoning for Paraná, employing methodologies such as Buffington's Temperature Humidity Index (THI) calculation (1982). Results indicate challenging environmental conditions during certain times of the year, such as extreme heat in summer, particularly in coastal and northwestern regions, and intense cold in winter, especially in the southeast, southwest, and metropolitan region of Curitiba. These conditions can negatively impact bird health, necessitating adaptations in poultry houses, such as cooling and heating systems, to ensure adequate thermal comfort. The research not only aims to assist producers in selecting optimal locations for poultry production but also promotes more efficient and sustainable management practices. It is suggested that bioclimatic zoning could be extended to other animal productions and crops, facilitating strategic decisions and contributing to agricultural and livestock development in the state. Thus, highlighting the importance of detailed knowledge of local climatic conditions for optimizing poultry production, emphasizing the need for technological and structural adaptations to address challenges posed by Paraná's variable climate Orientador: Prof. Dr. José Gabriel Vieira Neto; Trabalho de Conclusão de Curso (Graduação) - Universidade Federal do Paraná, Campus Jandaia do Sul, Curso de Graduação em Engenharia Agrícola; Inclui referências 2024-01-01T00:00:00Z