Remote sensing and artificial intelligence applications for irrigation efficiency monitoring

Abstract

This thesis investigates the improvement of irrigation efficiency assessment in center pivot irrigated areas through cutting-edge remote sensing and deep learning techniques for spatiotemporal analysis. The initial phase of the research demonstrates the effectiveness of the satellite-derived Christiansen uniformity coefficient (SDCUC) in evaluating irrigation practices. This marks a significant advancement in applying remote sensing technologies to water resource management and fostering sustainable agricultural practices. The study highlights operational assessment advantages and enables comprehensive spatiotemporal analysis. The second part of the research employs a convolutional neural network (CNN) combined with remote sensing to detect and classify sources of non-uniformity in imagery from center pivot irrigation systems. By analyzing 159,088 NDVI images from 1,382 center pivots, this method not only achieves high classification accuracy but also effectively correlates these findings with SDCUC values. This approach enhances irrigation efficiency and lays a solid foundation for large-scale water management and precision agriculture initiatives. In the third study, 309,798 satellite images of center pivot irrigation systems from Mato Grosso, Brazil, were analyzed over three years, underscoring the dynamics of SDCUC and the impact of satellite imagery patterns on irrigation uniformity. This analysis categorizes center pivots into specific uniformity classes, unveiling strong correlations between irrigation-related issues and uniformity levels. Such monitoring underscores the potential of integrating satellite imagery processing with machine learning in conventional irrigation efficiency assessments, leading to enhanced water management strategies. Collectively, these studies validate the efficacy of merging satellite data with advanced analytical tools to transform irrigation management, optimize water use efficiency, and support the development of sustainable agricultural policies. Keywords: Irrigation Uniformity Assessment; Satellite-Derived Christiansen Uniformity Coefficient (SDCUC); Convolutional Neural Networks (CNNs); Google Earth Engine; Vegetation Indexes

Esta tese investiga a melhoria da avaliação da eficiência da irrigação em áreas irrigadas por pivô central, empregando técnicas avançadas de sensoriamento remoto e aprendizado profundo para análise espaço-temporal. A fase inicial demonstra a eficácia do coeficiente de uniformidade de Christiansen derivado de satélite (SDCUC) na avaliação de práticas irrigatórias, representando um avanço significativo na aplicação dessas tecnologias na gestão de recursos hídricos e promoção da agricultura sustentável. O estudo destaca as vantagens na avaliação operacional e possibilita uma análise espaço-temporal abrangente. A segunda parte utiliza uma rede neural convolucional (CNN) com sensoriamento remoto para identificar e classificar fontes de não uniformidade em imagens de pivôs centrais. Analisando 159.088 imagens NDVI de 1.382 pivôs, o método alcança alta precisão de classificação e correlaciona efetivamente esses resultados com os valores de SDCUC. Esta abordagem potencializa a eficiência da irrigação e cria uma base sólida para a gestão hídrica em larga escala e agricultura de precisão. No terceiro estudo, 309.798 imagens de satélite de pivôs centrais de Mato Grosso, Brasil, foram analisadas em três anos, ressaltando a dinâmica do SDCUC e o impacto dos padrões de imagens na uniformidade da irrigação. Essa análise categoriza os pivôs em classes específicas de uniformidade, revelando correlações fortes entre problemas operacionais e níveis de uniformidade. Esse monitoramento evidencia o potencial de integrar processamento de imagens de satélite com machine learning em avaliações de eficiência de irrigação, melhorando as estratégias de gestão hídrica. Juntos, esses estudos confirmam a eficácia da fusão de dados de satélite com ferramentas analíticas avançadas para revolucionar a gestão da irrigação, otimizar a eficiência do uso da água e fomentar políticas agrícolas sustentáveis. Palavras-chave: Avaliação da Uniformidade de Irrigação; Coeficiente de Uniformidade de Christiansen Derivado de Satélite (SDCUC); Redes Neurais Convolucionais (CNNs); Google Earth Engine; Índices de Vegetação