Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2

Detalhes bibliográficos
Autor(a) principal: Santos, Maria João Gonçalves dos
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/48443
Resumo: Trabalho de projeto de mestrado em Sistemas de Informação Geográfica (Tecnologias e Aplicações), Universidade de Lisboa, Faculdade de Ciências, 2021
id RCAP_35f37c089181b62b1a96a016581e1040
oai_identifier_str oai:repositorio.ul.pt:10451/48443
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2Google Earth EngineSentinel-1 e Sentinel- 2Classificação supervisionadaAprendizagem automáticaBig DataTeses de mestrado - 2021Domínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e TecnologiasTrabalho de projeto de mestrado em Sistemas de Informação Geográfica (Tecnologias e Aplicações), Universidade de Lisboa, Faculdade de Ciências, 2021A área de deteção remota é uma área em desenvolvimento devido a sua capacidade em adquirir remotamente dados da superfície e da atmosfera da Terra ou de qualquer outro planeta. A quantidade massiva de dados e de imagens de satélite existentes, tem contribuído para uma melhoria e para um aumento da qualidade de informação de observação da Terra. As metodologias científicas tais como a classificação supervisionada por imagens de satélite têm sido aplicadas na análise de dados de deteção remota. O presente estudo tem como objetivo avaliar os resultados obtidos dos processos de classificação por diferentes algoritmos, na utilização de diferentes tipos de dados e otimizá-los através da fusão dos mesmos (SAR e multiespectrais), com recurso a plataforma cloud Google Earth Engine. Recorreu-se à classificação supervisionada de imagens de satélite por cinco abordagens distintas, para a classificação de culturas de Inverno, com seis classificadores: Classification and regression trees (CART), Random Forest (RF), Support Vector Machine (SVM), Maximum Entropy (MAXE), Minimum Distance (MD) e Naive Bayes (NB); uma delas, a abordagem com recurso à fusão de dados SAR e dados multiespectrais. De todas as abordagens testadas, os melhores resultados foram obtidos com o classificador Random Forest (RF), na fusão de dados, com um valor de 76, 2% de exatidão global e de 68,3% de coeficiente kappa com 301 bandas, 102 pertencentes as imagens Sentinel-1 (SAR) com polarização VV e VH e 189 bandas de imagens do Sentinel-2 (multiespectrais) com nove bandas por imagem. Verificou-se que a fusão de dados multiespectrais e SAR beneficiam claramente a classificação efetuada, em parte pelo número de imagens utilizadas, fazendo com que as imagens SAR beneficiem os sistemas óticos principalmente na época de Inverno, onde as imagens óticas são mais limitadas, devido a nebulosidade presente; obtendo-se os valores de exatidão global de 76,2% comparativamente aos resultados individuais de 73% e 70,8%, um da coleção de imagens SAR com 112 bandas, e outro dos sistemas óticos com 189 bandas, respetivamente. O conjunto das imagens SAR em Sentinel-1 (com número de órbita 147 e 52) revelam resultados mais elevados do que as imagens individuais dos sistemas multiespectrais em Sentinel-2, tendo em conta a época de Inverno. A classificação de culturas de Inverno foi efetuada com dados fornecidos pelo Instituto de Financiamento de Agricultura e Pescas (IFAP) com informação geográfica das parcelas correspondente à área do Baixo Alentejo e com identificação da classe e área de cada cultura, num método de classificação supervisionado, por repartição em dados de treino e teste. Este projeto foi realizado com a utilização da plataforma Google Earth Engine (GEE) pelo processamento computacional demonstrado para a analise de um grande volume de dados como as coleções de imagens de satélite por series temporais prontas a usar existentes no catálogo de dados; e pela vasta oferta de funções presentes, entre elas os algoritmos de classificação. Revela-se uma plataforma excecional no processamento, análise e classificação, pela sua versatilidade e performance, tornando-se uma ferramenta imprescindível na área de deteção remota que potencializa a utilização de uma quantidade massiva e heterogénea de dados.The remote sensing area is an area under development, due to the amount of existing geospatial data. The massive amount of data and existing satellite images has contributed to an improvement and an increase in the quality of Earth observation information. Scientific methodologies such as the classification supervised by satellite images have been applied in the analysis of remote sensing data. This project aimed to evaluate the results obtained from the classification processes by different algorithms, in the use of different types of data and to optimize them through the fusion of them (SAR and multispectral), using the Google Earth Engine cloud platform. Supervised classification of satellite images is done by five different approaches, using the GEE cloud platform for the classification of winter crops, with six classifiers: Classification and regression trees (CART), Random Forest (RF), Support Vector Machine (SVM), Maximum Entropy (MAXE), Minimum Distance (MD) and Naive Bayes (NB); in one of them, approach A5 using fusion of SAR and multispectral data. Of all the approaches, RF demonstrated to have the best results in data fusion with a value of 76, 2% of global accuracy and 68.3% of kappa coefficient, reaching peaks in the A5 approach, in the use of 301 bands, 102 belonging to Sentinel-1 (SAR) images with VV and VH polarization and 189 Sentinel-2 image bands (multispectral) with nine bands per image; it was found that the fusion of optical and SAR data clearly benefits the classification made, in part by the number of images used, making SAR images benefit optical systems mainly in the winter season, where optical images are more limited, due the present cloudiness; obtaining the global accuracy values of 76.2% compared to the individual results of 73% and 70.8%, one from the collection of SAR images with 112 bands, and another from the optical systems with 189 bands, respectively. The set of SAR images in Sentinel-1 (with orbit number 147 and 52) show higher results than the individual images of the multispectral systems in Sentinel-2, taking into account the winter season. The classification of winter crops was carried out using data provided by IFAP with geographic information of the plots corresponding to the area of the lower Alentejo and with identification of the class and area of each crop, in a supervised classification method, by distribution in training and test data. This project was carried out using the Google earth Engine (GEE) platform for the computational processing demonstrated for the analysis of a large volume of data such as collections of satellite images by ready-to-use time series existing in the data catalog, and for the wide range of functions present, among them the classification algorithms. It proves to be an exceptional platform in the processing and analysis of the classification of satellite images, due to its versatility and performance, making it an essential tool in the area of remote sensing, leveraging the use of a massive and heterogeneous amount of data.Fernandes, João Catalão,1962-Repositório da Universidade de LisboaSantos, Maria João Gonçalves dos2021-06-09T16:33:15Z202120212021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/48443TID:202933210porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T16:51:51Zoai:repositorio.ul.pt:10451/48443Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:00:20.457868Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2
title Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2
spellingShingle Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2
Santos, Maria João Gonçalves dos
Google Earth Engine
Sentinel-1 e Sentinel- 2
Classificação supervisionada
Aprendizagem automática
Big Data
Teses de mestrado - 2021
Domínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e Tecnologias
title_short Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2
title_full Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2
title_fullStr Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2
title_full_unstemmed Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2
title_sort Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2
author Santos, Maria João Gonçalves dos
author_facet Santos, Maria João Gonçalves dos
author_role author
dc.contributor.none.fl_str_mv Fernandes, João Catalão,1962-
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Santos, Maria João Gonçalves dos
dc.subject.por.fl_str_mv Google Earth Engine
Sentinel-1 e Sentinel- 2
Classificação supervisionada
Aprendizagem automática
Big Data
Teses de mestrado - 2021
Domínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e Tecnologias
topic Google Earth Engine
Sentinel-1 e Sentinel- 2
Classificação supervisionada
Aprendizagem automática
Big Data
Teses de mestrado - 2021
Domínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e Tecnologias
description Trabalho de projeto de mestrado em Sistemas de Informação Geográfica (Tecnologias e Aplicações), Universidade de Lisboa, Faculdade de Ciências, 2021
publishDate 2021
dc.date.none.fl_str_mv 2021-06-09T16:33:15Z
2021
2021
2021-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10451/48443
TID:202933210
url http://hdl.handle.net/10451/48443
identifier_str_mv TID:202933210
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134550856564736

Registros relacionados