Mapeamento de soja e milho com mineração de dados e imagens sintéticas Landsat e Modis.

• Autor(a) principal: OLDONI, L. V.
• Data de Publicação: 2018
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice)
• Texto Completo: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1105405
• topic: 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

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.