Identificação de áreas de regadio em imagens de observação da terra

• Autor(a) principal: Margarido, Ricardo Amado
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10362/160628
• topic: Áreas de Regadio; Observação da Terra; Remote Sensing; Sentinel-2; Imagens Multiespetrais; Machine Learning; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

O aumento da população leva a que produção agrícola também aumente. A agricultura irrigada representa 70% de toda a água retirada de lagos, rios e aquíferos subterrâneos, sendo a sua monitorização um processo importante. Com o objetivo de melhorar a eficiência do re-gadio e de técnicas agrícolas mais sustentáveis, o Remote Sensing desempenha um papel fun-damental. Com a crescente utilização de satélites para a observação da Terra é possível realizar estudos mais completos e precisos sobre o planeta. As imagens multiespetrais provenientes, por exemplo, do Sentinel são de grande utilidade, uma vez que cada tipo diferente de ocupa-ção do solo apresenta diferentes refletâncias, podendo assim ser usadas para classificações de vários tipos. Nesta dissertação é proposta uma metodologia que engloba a obtenção dos dados e o seu tratamento. A partir destes são calculados índices de vegetação que irão ajudar nos pro-cessos de classificação. Posteriormente são selecionados os melhores atributos para a identi-ficação de Áreas de Cultivo. De entre os algoritmos de Machine Learning foram testados o Random Forest, Artificial Neural Networks e Support Vector Machine, sendo o que obteve um menor erro de classificação o Random Forest. Numa fase final da dissertação para distinguir as Áreas de Cultivo em áreas irrigadas e não irrigadas, é feito o levantamento do valor máximo do NDVI (Normalized Difference Vegetation Index) de cada pixel ao longo de todas as datas das observações feitas. Cada um destes valores é depois comparado com um threshold, sendo o produto final uma imagem classificada com as seguintes classes: Outra Ocupação de Solo, Área não irrigada e Área irrigada. Foram obtidos resultados satisfatórios.