Mapeamento de soja e milho com mineração de dados e imagens sintéticas Landsat e Modis.
Estudos referentes ao acompanhamento da produção agrícola têm um peso determinante e estratégico no planejamento econômico do país, devido à importância do agronegócio, e também para segurança alimentar. O sensoriamento remoto orbital é uma alternativa eficaz para realizar o monitoramento das culturas agrícolas, devido ao baixo custo, grande escala de abrangência e rapidez na coleta de dados. Porém, geralmente os sensores com alta resolução espacial possuem baixa resolução temporal, e os com alta resolução temporal possuem baixa resolução espacial. Assim, para se realizar o acompanhamento de culturas agrícolas com uma resolução espacial mais alta, a cobertura por nuvens pode ser um fator limitante. Estes problemas podem ser contornados com a utilização de fusão de imagens de diversos sensores com características temporais e espaciais diferentes, criando, assim, novas imagens, também chamadas de imagens sintéticas. Deste modo, o objetivo do trabalho foi realizar o mapeamento de áreas semeadas com soja e milho utilizando fusão espaço-temporal de imagens Landsat 8 e MODIS. Na primeira parte do trabalho, foram separadas culturas agrícolas de outros alvos. A classificação gerada serviu de entrada em um dos algoritmos de classificação, o Flexible Spatiotemporal Data Fusion (FSDAF), na segunda parte do trabalho. Nessa parte, além deste algoritmo, também foram utilizados os algoritmos Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) e Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) para gerar imagens nas safras de verão 2016/2017. Então, foram criados 5 cenários de classificação. Nos 1º e 2º foram considerados a utilização apenas das imagens espectrais das imagens Landsat 8 livres de nuvens. As 3º, 4º e 5º foram realizadas com as imagens geradas pelo STARFM, ESTARFM e FSDAF. No 3º cenário foram utilizadas as métricas espectrais das imagens Landsat 8 e as imagens espectrais gerados pelos algoritmos de fusão, no 4º foram considerados as métricas estatísticas e no 5º as métricas fenológicas extraídas do perfil temporal do Enhanced Vegetation Index (EVI). Os cenários que utilizaram métricas fenológicas do EVI a partir de imagens geradas pelo FSDAF e STARFM obtiveram melhores resultados, com exatidão global de 93,11 e 91,33%, respectivamente, resultados estes estatisticamente melhores que os obtidos apenas com as imagens Landsat 8 existentes. Assim, a utilização de métricas fenológicas obtidas de imagens sintéticas são importantes alternativas para o mapeamento de soja e milho.
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Teses biblioteca |
| Language: | pt_BR por |
| Published: |
2019-02-04
|
| Subjects: | Métricas estatísticas, Métricas fenológicas, Mineração de dados, Fusão de imagens espaço-temporal, Data mining, Fusion of spatio-temporal images, Phenological metrics, Statistical metrics, Sensoriamento Remoto, Milho, Soja, Remote sensing, |
| Online Access: | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1105405 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|