Dissertação
Contributions for Soil Nutrient Estimation Using Earth Observation Data: Datasets, Toolkits and Semi-Supervised Learning EVALUATED
Esta tese serve de contribuição para a comunidade de Artificial Intelligence que investiga modelos de Machine Learning que prevêm a fertilidade do solo através de dados de satélite. Tal propósito requer a aquisição de um dataset útil, melhoria de um toolkit, e comparação de modelos Supervised Learning com Semi-Supervised Learning. Para alcançar o primeiro objectivo, avaliámos um conjunto de datasets públicos. Quatro destacaram-se durante esta procura: AfSis, BEN, NCSS, e LUCAS. O AfSis suscitou pouca confiança, o BEN não especifica a cobertura dos solos, e o NCSS possui poucos dados. Pelo contrário, o LUCAS transmite segurança, cobertura de solos e ainda concentrações de Fósforo. No que toca o toolkit de python, o TerraSenseTK sofreu uma renomeação de atributos, reestruturação, novos métodos, incorporação de SSL e optimizações. Após a sua melhoria, o toolkit foi utilizado para comparar o desempenho dos modelos SSL com as suas versões de SL. Diversas experiências foram realizadas de modo a garantir um leque de resultados e interpretações. Terminamos a dissertação concluindo com um dataset de alta qualidade, constituído por 16.033 registos espalhados pela Europa e com concentrações de Fósforo. O toolkit tornou-se mais user- friendly, prático, e de fácil utilização para extração de EOS e da sua subsequente aplicação em ML. O nosso estudo demonstra que SSL supera ligeiramente os seus modelos de SL. Também se retira que os resultados melhoram quando os modelos treinam numa só cobertura de solo (Triticum spelta). Contudo, o estudo requer mais validação.
junho 17, 2024, 9:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
