| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 10.6 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The exponential growth of global population and the increasing concerns regarding sustainability have fostered the interest in precision agriculture. This dissertation focuses on developing a super-resolution method that integrates remote sensing and multispectral data
to generate high-resolution images for effective monitoring of soil and plant health in crops.
The use of drone technology has been exploited during the last years in crop monitoring
allowing to determine different metrics from plant and soil health. However, their use requires human intervention increasing their usage cost, being unaffordable for small producers. Also, their limited autonomy restricts the monitoring to large-sized areas. The use of
satellite imagery addresses these problems, but, in turn, the resolution of the images when
compared to drone-captured data represents a challenge. This work aims to address the
problem of low-resolution satellite imagery using innovative image processing techniques
and deep learning, specifically in the field of super-resolution.
The methodology involves leveraging satellite imagery paired with UAV-acquired data, to
train a model capable of approximating the high resolution of UAV images. In particular,
this work proposed a novel clustering-based strategy for improving the attention mechanism
of vision transformers. The results obtained on a proprietary and publicly available remote
sensing dataset suggest that the proposed strategy is capable of achieving competitive performance with state-of-the-art approaches. More importantly, the results obtained suggest
that the use of proposed approach can be used to determine plant health using satellite imagery since the estimated NDVI from the super-resolved data differs by a maximum of 13%
from the values derived from UAV-acquired data, where at least half of the values present a
difference of less than or equal to 3.6%.
O crescimento exponencial da população global e as acentuadas preocupações com a sustentabilidade têm promovido o interesse na agricultura de precisão. Esta dissertação visa desenvolver uma metodologia de super-resolução que integra dados obtidos de dispositivos de deteção remota com dados multiespectrais para produzir imagens de alta resolução, e permitir uma monitorização eficiente da saúde do solo e das plantas em áreas agrícolas. O uso da tecnologia de drones foi explorada nos últimos anos para monitorização de plantas e campos agrícolas, permitindo determinar diferentes métricas de saúde de plantas e solo. No entanto, o uso de drones requer intervenção humana o que aumenta o seu o custo de uso, sendo inacessível para pequenos agricultores. Além disso, a autonomia limitada destes dispositivos restringe a monitorização em áreas de grande tamanho. O uso de imagens de satélite contorna estes problemas, mas, por sua vez, a resolução das imagens, quando comparada com dados capturados por drones, representa um desafio. Este trabalho visa abordar o problema da baixa resolução das imagens de satélite usando técnicas inovadoras de processamento de imagem e aprendizagem automática, especificamente na área da superresolução. A metodologia envolve o uso de imagens de satélite em conjunto com dados adquiridos por drones, para treinar um modelo capaz de aproximar a alta resolução das imagens de drones. Em particular, este trabalho propõe uma nova estratégia baseada em clustering para melhorar o mecanismo de atenção dos vision transformers. Os resultados obtidos em datasets de imagens obtidas a partir de dispositivos de deteção remota sugerem que a estratégia proposta é capaz de alcançar um desempenho competitivo com abordagens do estado da arte. Mais importante ainda, os resultados obtidos sugerem que o uso da abordagem proposta pode ser utilizada para determinar o nível da saúde das plantas usando imagens de satélite, uma vez que o Normalized Difference Vegetation index (NDVI) estimado a partir dos dados obtidos a partir da super-resolução difere num máximo de 13% dos valores derivados de dados adquiridos por drones, onde pelo menos 50% dos valores apresentam uma diferença igual ou inferior a 3.6%.
O crescimento exponencial da população global e as acentuadas preocupações com a sustentabilidade têm promovido o interesse na agricultura de precisão. Esta dissertação visa desenvolver uma metodologia de super-resolução que integra dados obtidos de dispositivos de deteção remota com dados multiespectrais para produzir imagens de alta resolução, e permitir uma monitorização eficiente da saúde do solo e das plantas em áreas agrícolas. O uso da tecnologia de drones foi explorada nos últimos anos para monitorização de plantas e campos agrícolas, permitindo determinar diferentes métricas de saúde de plantas e solo. No entanto, o uso de drones requer intervenção humana o que aumenta o seu o custo de uso, sendo inacessível para pequenos agricultores. Além disso, a autonomia limitada destes dispositivos restringe a monitorização em áreas de grande tamanho. O uso de imagens de satélite contorna estes problemas, mas, por sua vez, a resolução das imagens, quando comparada com dados capturados por drones, representa um desafio. Este trabalho visa abordar o problema da baixa resolução das imagens de satélite usando técnicas inovadoras de processamento de imagem e aprendizagem automática, especificamente na área da superresolução. A metodologia envolve o uso de imagens de satélite em conjunto com dados adquiridos por drones, para treinar um modelo capaz de aproximar a alta resolução das imagens de drones. Em particular, este trabalho propõe uma nova estratégia baseada em clustering para melhorar o mecanismo de atenção dos vision transformers. Os resultados obtidos em datasets de imagens obtidas a partir de dispositivos de deteção remota sugerem que a estratégia proposta é capaz de alcançar um desempenho competitivo com abordagens do estado da arte. Mais importante ainda, os resultados obtidos sugerem que o uso da abordagem proposta pode ser utilizada para determinar o nível da saúde das plantas usando imagens de satélite, uma vez que o Normalized Difference Vegetation index (NDVI) estimado a partir dos dados obtidos a partir da super-resolução difere num máximo de 13% dos valores derivados de dados adquiridos por drones, onde pelo menos 50% dos valores apresentam uma diferença igual ou inferior a 3.6%.
Description
Keywords
Agricultura de Precisão Deteção Remota Imagens Multi-Espectrais Super-Resolução Visão Computacional