Modelo TCC Engenharia Agricola

Prévia do material em texto

UNIVERSIDADE FEDERAL DE SERGIPE
FACULDADE DE CIÊNCIAS AGRARIAS
TÍTULO DO TRABALHO DE CONCLUSÃO DE CURSO
NOME COMPLETO DO AUTOR
DOURADOS
MATO GROSSO DO SUL
2
2020
TÍTULO DO TRABALHO DE CONCLUSÃO DE CURSO
Nome completo do autor
Orientador: Prof. Dr. Nome completo do orientador
Trabalho de Conclusão de Curso apresentado à Universidade Federal da Grande Dourados, como parte dos requisitos para obtenção do título de Engenheiro Agrícola.
Dourados
Mato Grosso do Sul
2020
Espaço reservado para a ficha catalográfica.
TÍTULO DO TRABALHO DE CONCLUSÃO DE CURSO
Por
Nome completo do autor
Trabalho de Conclusão de Curso apresentado como parte dos requisitos exigidos para obtenção do título de ENGENHEIRO AGRÍCOLA
Aprovado em: 08 de setembro de 2020.
__________________________________________________
Prof. Dr. Nome completo do orientador
Orientador – UFGD/FCA
__________________________________________________
Prof. Dr. Nome completo do 1º membro
Membro da banca – UFGD/FCA
__________________________________________________
Prof. Dr. Nome completo do 2º membro
Membro da banca – UFGD/FCA
Dedicatória (Opcional)
AGRADECIMENTOS
	À... Instituição
	... orientador
	... órgão financiador (Instituição, empresa, etc.)
	... pessoas que colaboraram com o trabalho (campo, laboratório, estatística, etc.)
Epígrafe (Opcional)
SOBRENOME, Nome. Título do Trabalho de Conclusão de Curso. 2020. XX f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Agrícola) – Faculdade de Ciências Agrárias, Universidade Federal da Grande Dourados, Dourados, 2020.
RESUMO
O texto do resumo deve ser redigido em parágrafo único, sem recuo na primeira linha, espaçamento simples entre linhas (1,0) e com alinhamento justificado. O texto do resumo deve possuir entre 150 e 500 palavras, ressaltando a importância, o objetivo, a metodologia, os resultados e as conclusões do TCC.
Palavras-chave: Palavra 1. Palavra 2. Palavra 3. Palavra 4. Palavra 5.
ABSTRACT
Nesta página deve ser regida uma tradução fiel, para a língua inglesa, da página anterior.
LISTA DE FIGURAS (OPCIONAL)
LISTA DE TABELAS (OPCIONAL)
Sumário
Página
1 Introdução	1
2 Revisão de literatura	2
2.1 Subtítulo de ordem 1	2
2.1.1 Subtítulo de ordem 2	2
2.1.1.1 Subtítulo de ordem 3	2
2.1.1.1.1 Subtítulo de ordem 4	2
3 Material e métodos	3
4 Resultados e discussão	4
5 Conclusões	5
6 Referências bibliográficas	6
Introdução
O texto deverá ser digitado em espaço um e meio (1,5), utilizando a fonte Times New Roman, tamanho 12. 
Os parágrafos devem iniciar 1,5 cm a partir da margem esquerda e não serão separados entre si por espaço. 
As margens devem ter as seguintes dimensões: superior e esquerda 3,0 cm; inferior e direita 2,0 cm.
Revisão de literatura
Subtítulo de ordem 1
	Texto referente ao subtítulo de ordem 1.
Subtítulo de ordem 2
	Texto referente ao subtítulo de ordem 2.
Subtítulo de ordem 3
	Texto referente ao subtítulo de ordem 3.
Subtítulo de ordem 4
	Texto referente ao subtítulo de ordem 4.
Material e métodos
Resultados e discussão
Conclusões
Referências bibliográficas
	Listar, em ordem alfabética, todas as referências bibliográficas citadas na redação do TCC.
	Redigir as referências de acordo com a ABNT NBR 6023:2018.
	Utilizar espaçamento entre linhas simples (1,0) e alinhamento justificado. Para que fique um espaço entre uma referência e outra deve-se configurar o parâmetro “Depois” ou “Após”, do espaçamento entre parágrafos, para 12 pt.
ABDI, A. M. Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. GIScience & Remote Sensing, v. 57, n. 1, p. 1-20, 2020.
ABREU, M. C. et al. Analysis of monthly and annual rainfall variability using linear models in the state of Mato Grosso do Sul, Midwest of Brazil. International Journal of Climatology, v. 41, p. E2445-E2461, 2021.
ADEKALU, K. O.; OKUNADE, D. A.; OSUNBITAN, J. A. Compaction and mulching effects on soil loss and runoff from two southwestern Nigeria agricultural soils. Geoderma, v. 137, n. 1-2, p. 226-230, 2006.
AIRES, U. R. V. et al. The use of the normalized difference vegetation index to analyze the influence of vegetation cover changes on the streamflow in the Manhuaçu River Basin, Brazil. Water Resources Management, v. 34, n. 6, p. 1933-1949, 2020.
ARAGÃO, R. et al. Impacto do uso do solo pelo aumento da densidade populacional sobre o escoamento numa área urbana do Nordeste Brasileiro via geotecnologias e modelagem hidrológica. Revista Brasileira de Geografia Física, v. 10, n. 2, p. 543-557, 2017.
ARAUJO, R. C.; PONTE, M. X. Efeitos do desmatamento em larga-escala na hidrologia da bacia do Uraim, amazônia. Revista brasileira de geografia física, v. 9, n. 07, p. 2390-2404, 2016.
BRASIL. Constituição Federal (1988). Disponível em:
<http://www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm>. Acesso em: 18 mar. 2022.
BRASIL. Lei nº 9.433 de 08 de janeiro de 1997 – Política Nacional de Recursos Hídricos. Brasília, DF: Senado Federal: Centro Gráfico, 1997. Disponível em: http://www.planalto.gov.br/ccivil_03/Leis/L9433.htm. Acesso em: 18, mar., 2017.
ÇOLAK, A. B. et al. An experimental study on determination of the shottky diode current-voltage characteristic depending on temperature with artificial neural network. Physica B: Condensed Matter, p. 412852, 2021.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA – EMBRAPA. Sistema brasileiro de classificação de solos.Brasília, Serviço de Produção de Informação, p. 412, 1999.
FERREIRA, F. L. V.; RODRIGUES, L. N.; SILVA, D. D. Influence of changes in land use and land cover and rainfall on the streamflow regime of a watershed located in the transitioning region of the Brazilian Biomes Atlantic Forest and Cerrado. Environmental Monitoring and Assessment, v. 193, n. 1, p. 1-17, 2021.
FERREIRA, F. L. V. et al. Tendência em séries hidrológicas e de mudanças no uso e cobertura da terra da bacia hidrográfica do rio Guanhães, Minas Gerais. Embrapa Cerrados-Artigo em periódico indexado (ALICE), 2020.
FERREIRA, G. C. V.; FERREIRA NETO, J. A. Usos de geoprocessamento na avaliação de degradação de pastagens no assentamento ilha do coco, Nova Xavantina - Mato Grosso, Brasil. Engenharia na Agricultura, v. 26, n. 2, p.140-148, 2018.
FINGER, D. J. I. et al. Mapping bull kelp canopy in northern California using Landsat to enable long-term monitoring. Remote Sensing of Environment, v. 254, p.12243, 2021.
FLORENZANO, T. G. Iniciação em sensoriamento remoto. São Paulo: Oficina de textos, 2011.
FOGA, S. et al. Cloud detection algorithm comparison and validation for operational Landsat data products. Remote sensing of environment, v. 194, p. 379-390, 2017.
FRAZIER, R. J. et al. Analyzing spatial and temporal variability in short-term rates of post-fire vegetation return from Landsat time series. Remote Sensing of Environment, v. 205, p. 32-45, 2018.
GAKHAR, S.; TIWARI, K. C. Spectral–spatial urban target detection for hyperspectral remote sensing data using artificial neural network. The Egyptian Journal of Remote Sensing and Space Science, v. 24, n. 2, p. 173-180, 2021.
GASPAROVIC, M.; ZRINJSKI, M.; GUDELJ, M. Automatic cost-effective method for land cover classification (ALCC). Computers, Environment and Urban Systems, v. 76, p. 1-10, 2019.
GE, Y. et al. Mapping annual land use changes in China's poverty-stricken areas from 2013 to 2018. Remote Sensing of Environment, v. 232, p. 111285, 2019.
GOOGLE. Google Earth Engine. Disponível em: <https://developers.google.com/earth-engine>. Acesso em: 02 fev. 2021.
GUO, Aijun et al. Uncertainty analysis of water availability assessment through the Budyko framework. Journal of Hydrology, v. 576, p. 396-407, 2019.
HAMYLTON, S. M. et al. Evaluating techniques for mapping island vegetation from unmanned aerial vehicle (UAV) images: Pixel classification,visual interpretation and machine learning approaches. International Journal of Applied Earth Observation and Geoinformation, v. 89, p. 102085, 2020.
HERNANDES, T. A. D. et al. Identifying suitable areas for expanding sugarcane ethanol production in Brazil under conservation of environmentally relevant habitats. Journal of Cleaner Production, p. 125318, 2020.
Instituto Nacional de Pesquisas Espaciais (INPE). Coordenação Geral de Observação da Terra - OBT. Projeto PRODES: monitoramento da floresta amazônica brasileira por satélite, 2019. Disponível em: http://www.inpe.br/noticias/noticia.php?Cod_Noticia=5294. Acesso em: 25 jan. 2021.
JI, L.; DUAN, K. What is the main driving force of hydrological cycle variations in the semiarid and semi-humid Weihe River Basin, China?. Science of The Total Environment, v. 684, p. 254-264, 2019.
KHAN, A. J.; KOCH, M. Generation of a long-term daily gridded precipitation dataset for the Upper Indus Basin (UIB) through temporal reconstruction, correction & Informed Regionalization- “ReCIR”. International Soil and Water Conservation Research, 2021.
LIANG, J. et al. Modeling urban growth sustainability in the cloud by augmenting Google Earth Engine (GEE). Computers, Environment and Urban Systems, v. 84, p. 101542, 2020.
LIAQAT, M. U. et al. Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin. Computers and Electronics in Agriculture, v. 138, p. 39-47, 2017.
LIMA, W. P. Hidrologia florestal aplicada ao manejo de bacias hidrográficas. 2008.
LOPES, C. L. et al. Evaluation of long-term estuarine vegetation changes through Landsat imagery. Science of The Total Environment, v. 653, p. 512-522, 2019.
MENDES, N. G. S.; CECÍLIO, R. A.; ZANETTI, S. S. Forest Coverage and Streamflow of Watersheds in the Tropical Atlantic Rainforest. Revista Árvore, v. 42, n. 2, 2018.
MHAWEJ, M.; FAOUR, G. Open-source Google Earth Engine 30m evapotranspiration rates retrieval: The SEBALIGEE system. Environmental Modelling & Software, v. 133, p. 104845, 2020.
MIRANDA, E. E. (Coord.). Brasil em Relevo. Campinas: Embrapa Monitoramento por Satélite, 2005. Disponível em:<http://www.relevobr.cnpm.embrapa.br>. Acesso em: 11 Mar. 2021.
MUTCHLER, C. K.; YOUNG, R. A. Soil detachment by raindrops. In: Present and Prospective Technology for Predicting Sediment Yield and Sources. USDA Science and Education Administration, Washington, p. 113–117, 1975.
NGUYEN, U. et al. Mapping vegetation types in semi-arid riparian regions using random forest and object-based image approach: A case study of the Colorado River Ecosystem, Grand Canyon, Arizona. Ecological Informatics, v. 50, p. 43-50, 2019.
OLIVEIRA, C. Curso de cartografia moderna. Rio de Janeiro: IBGE, 1993.
PORTO, J. N. L. Parâmetros ecofisiológicos de podocnemis expansa: efeito dos avanços da agropecuária. 2019.
R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
RIBEIRO, T. B. et al. Estimativa das vazões mínimas de referência (Q7,10, Q95 e Q90) anuais e semestrais para a bacia do Rio Branco. XII Simpósio Brasileiro de Recursos Hídricos, Florianópolis, 2011.
ROSA, M. R. et al. Hidden destruction of older forests threatens Brazil’s Atlantic Forest and challenges restoration programs. Science advances, v. 7, n. 4, p. 4547, 2021.
RODRIGUES, J. A. M. et al. Indicadores hidrológicos para a gestão de recursos hídricos na bacia hidrográfica do rio Manuel Alves da Natividade, Tocantins. Scientia Agraria, v. 16, n. 4, 2016.
SANTOS, H. G. et al. Sistema Brasileiro de Classificação de Solos. 5. ed., rev. e ampl. − Brasília, DF: Embrapa, 2018. 356 p. Disponível em: https://www.embrapa.br/solos/sibcs. Acesso em: 3 de jan. 2019.
SERGIPE. RELATÓRIO DE RESUMO EXECUTIVO: Bacia Hidrográfica do Rio Sergipe. SEMARH, p. 12, 2015.
SERGIPE. Secretaria de Estado do Meio Ambiente e dos Recursos Hídricos. Atlas digital sobre recursos hídricos. Aracaju: SEMARH, 2020. Disponível em: https://www.sedurbs.se.gov.br/portalrecursoshidricos/. Acesso em: 02 fev. 2021.
SILVA, D. T. et al. Precipitação estimada por sensoriamento remoto no estado de Sergipe. Nativa, v. 8, n. 2, p. 198-204, 2020.
SOUSA, H. T.; PRUSKI, F. F.; BOF, L. H. N.; CECON, P. R., SOUZA, J. R. C. SISCAH Sistema Computacional para Análises Hidrológicas. ANA, Brasília, p. 60, 2009.
SOUZA, C. M. et al. Reconstructing three decades of land use and land cover changes in brazilian biomes with landsat archive and earth engine. Remote Sensing, v. 12, n. 17, p. 2735, 2020.
SOUZA, C. et al. Desmatamento em Áreas Protegidas. O estado das áreas protegidas, Imazon, 2018.
TUCCI, C. E. M. Drenagem Urbana e Controle de Inundações. In: CAMPOS, Heraldo & CHASSOT, Attico (Org). Ciências da Terra e meio ambiente. São Leopoldo: Ed. Unisinos, 1999.
TYUKAVINA, A. et al. Types and rates of forest disturbance in Brazilian Legal Amazon, 2000–2013. Science advances, v. 3, n. 4, p. 1601047, 2017.
United States Geological Survey (USGS). What are the band designations for the Landsat satellites?. Disponível em: < https://www.usgs.gov/faqs/what-are-band-designations-landsat-satellites>. Acesso em: 27 fev. 2021.
VANAM, M. K. et al. High-performance machine learning and data science-based implementation using Weka. Materials Today: Proceedings, 2021.
VILANOVA, R. S.; ZANETTI, S. S.; C., ROBERTO A. Artificial Neural Networks–Based Model Parameter Transfer in Streamflow Simulation of Brazilian Atlantic Rainforest Watersheds. Journal of Hydrologic Engineering, v. 25, n. 7, p. 05020013, 2020
VON SPERLING, M. Estudos e modelagem da qualidade da água de rios. 7. Ed. Belo Horizonte, MG: Ed. Universidade Federal de Minas Gerais, p. 588, 2007.
WANG, L. et al. A summary of the special issue on remote sensing of land change science with Google earth engine. Remote Sensing of Environment. V. 248, p. 112002, 2020.
WU, M. et al. Validation of synthetic daily Landsat NDVI time series data generated by the improved spatial and temporal data fusion approach. Information Fusion, v. 40, p. 34-44, 2018.
XAVIER, A. C.; KING, C. W.; SCANLON, B. R. Daily gridded meteorological variables in Brazil (1980–2013). International Journal of Climatology, v. 36, n. 6, p. 2644-2659, 2016.
XIE, Z. et al. Using Landsat observations (1988–2017) and Google Earth Engine to detect vegetation cover changes in rangelands-A first step towards identifying degraded lands for conservation. Remote Sensing of Environment, v. 232, p. 111317, 2019.
XIN, Q. et al. Evaluations and comparisons of rule-based and machine-learning-based methods to retrieve satellite-based vegetation phenology using MODIS and USA National Phenology Network data. International Journal of Applied Earth Observation and Geoinformation, v. 93, p. 102189, 2020.
YAO, J. et al. Evaluation of multiple gridded precipitation datasets for the arid region of northwestern China. Atmospheric Research, v. 236, p. 104818, 2020.
YONABA, R. et al. A dynamic land use/land cover input helps in picturing the Sahelian paradox: Assessing variability and attribution of changes in surface runoff in a Sahelian watershed. Science of The Total Environment, v. 757, p. 143792, 2021.
YU, B. Ecological effects of new-type urbanization in China. Renewable and Sustainable Energy Reviews, v. 135, p. 110239, 2021.
ZHANG, Y. et al. Mapping annual forest cover by fusing PALSAR/PALSAR-2 and MODIS NDVI during 2007–2016. Remote Sensing of Environment, v. 224, p. 74-91, 2019.
ZHOU, Y. et al. Urbanization, Land Use Change, and Carbon Emissions: Quantitative Assessments for City-Level Carbon Emissions in Beijing-Tianjin-Hebei Region. Sustainable Cities and Society, v. 66, p. 102701, 2021.