• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
10.11606/D.11.2002.tde-05082002-171422
Document
Author
Full name
Leonardo Afonso Angeli Menegatti
Institute/School/College
Knowledge Area
Date of Defense
Published
Piracicaba, 2002
Supervisor
Committee
Molin, Jose Paulo (President)
Milan, Marcos
Saraiva, Antonio Mauro
Title in Portuguese
Metodologia para identificação, caracterização e remoção de erros em mapas de produtividade.
Keywords in Portuguese
agricultura de precisão
mapas
tomada de decisão
Abstract in Portuguese
A agricultura de precisão é um conjunto de tecnologias que prevê o manejo espacializado dos fatores de produção, baseado em informações coletadas e georeferenciadas. O mapa de produtividade é uma informação importante, pois materializa a resposta da cultura a todos os fatores. Diversos monitores de produtividade comerciais estão disponíveis no mercado para a coleta de informações de produtividade de forma bastante adensada. Devido à automação e à alta quantidade de informações, diversos erros ocorrem no processo de coleta e a retirada destes erros é um fator de qualidade da informação. A proposta do trabalho é desenvolver uma rotina de filtragem de dados brutos que elimine erros presentes em mapas de produtividade. Como primeira etapa do desenvolvimento do processo de filtragem, foi realizada a análise e caracterização dos erros presentes em seis mapas de produtividade provenientes de seis diferentes monitores de produtividade comerciais. Erros de posicionamento foram encontrados, representados por pontos fora do talhão, sendo que pequenos erros de posicionamento não podem ser detectados pela metodologia desenvolvida. Foram encontrados pontos com produtividade nula, umidade de grãos nula ou ausente e pontos com posição repetida. Pontos coletados com largura de plataforma de corte diferente da total foram considerados erros de medição de área, pois carregam a influência do operador na definição da largura da plataforma de corte efetivamente utilizada. Para a caracterização do erro de intervalo de enchimento foi desenvolvida uma metodologia para identificar o sentido de deslocamento da colhedora, possibilitando assim, a medição do espaço necessário para que o monitor esteja sensível às variações naturais da produtividade. A distância percorrida durante o intervalo de enchimento variou de 0 a 44m. Foram estabelecidos limites estatísticos para discrepância de valores de produtividade, sendo que foram encontrados pontos com valores de produtividade fora dos limites estabelecidos. Com base nas características de cada tipo de erro, foi desenvolvida uma rotina de filtragem de dados brutos. A rotina consistiu de 7 etapas, sendo que cada uma age sobre determinado tipo de erro de acordo com suas características. Na primeira etapa são retirados do conjunto pontos com erro grosseiro de posicionamento, representados por pontos fora dos limites do talhão. As etapas de número 2 a 5 consistem na retirada de pontos com produtividade nula ou ausente, pontos com largura de plataforma de corte diferente da total, pontos com umidade nula ou ausente e com distância nula entre pontos. A sexta, age sobre pontos gravados durante o intervalo de enchimento, tendo por base a distância referente ao erro e o número de pontos gravados durante tal distância. Foi desenvolvido um algoritmo de busca, identificação e eliminação dos pontos gravados durante o intervalo de enchimento. A sétima etapa estabelece limites estatísticos para discrepância de valores de produtividade e elimina pontos fora destes limites. De maneira geral, a filtragem de dados melhorou a modelagem da dependência espacial e elevou a qualidade final dos mapas de produtividade.
Title in English
Methodology for identification, characterization and removal of errors on yield maps.
Keywords in English
decision making
maps
precision agriculture
Abstract in English
Precision farming is a set of technologies that provide the capacity to manage the yield based on spacialized information. Yield map is an important information as it describes the answer of the crop to the inputs and soil conditions. There are several yield monitors in the market to collect yield information automatically. Due to the automation of the collection, some errors may be collected together with good data, and the elimination of those errors from the data set represents information quality. This work proposes the development a filtering routine of raw data to eliminate errors. The first step is the analysis and characterization of the errors present on data from six different commercial yield monitors. The errors found are positioning errors, represented by points outside the field. Small positioning errors cannot be detected by this methodology. It was found points with null or no yield, null or no grain moisture and points with the same position. Points with swath width different from the total swath width were considered as area measuring errors because they take account the interpretation of the operator about the actual swath width. For the characterization of the combine filling time it was developed a methodology to identify the running direction of the machine, allowing the estimation of the distance required to fill the threshing mechanism of the combine. The distance during the filling time was found to be between 0 and 44m. Yield outlier limits were established, and values over and under the limits were found in the data. Based on the characteristics of each error, a filtering routine was developed. The routine has seven steps, each one acting over different errors. At the first step, positioning errors are eliminated from the data set. The steps from 2 to 5 eliminate points with null or no yield, null or no grain moisture, points with swath width different from the total swath width and points with null distance. The sixth step acts over the filling time error, eliminating all points recorded during the space required for filling up the threshing mechanism of the combine. A search algorithm was developed to identify and eliminate these errors. The seventh step state outlier limits and remove from the data set the values outside of the limits. The filtering process improved the semivariance analysis and the final quality of yield maps.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
leonardo.pdf (1,000.15 Kbytes)
Publishing Date
2002-08-07
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
Centro de Informática de São Carlos
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2019. All rights reserved.