Uso de séries temporais do sensor MODIS para identificar diferentes culturas agrícolas

Abstract

A presente pesquisa objetiva identificar culturas de grãos a partir de séries temporais NDVI MODIS. As culturas agrícolas e regiões analisadas foram: (a) soja, milho e algodão no Estado do Mato Grosso na safra de 2013/2014; (b) trigo no Estado do Rio Grande do Sul; (c) e cultura do arroz no Estado de Santa Catarina. A tese está estruturada em 5 (cinco) capítulos, onde os capítulos de desenvolvimento (2, 3 e 4) foram escritos no formato de artigos científicos. No processamento digital de imagem todas as análises consideraram as seguintes etapas: (a) aquisição das imagens MODIS; (b) tratamento dos ruídos usando o filtro Savitzky- Golay; (c) classificação; e (d) análise de acurácia. A principal diferença metodológica foi a etapa de classificação que utilizou duas abordagens: (a) classificação contínua do terreno considerando as diferentes produções agrícolas (soja, milho e algodão) e os tipos de vegetação a partir de dois métodos de aprendizagem de máquina (Support Vector Machines e Redes Neurais de retro-propagação); e (b) detecção de uma única cultura de pequenos agricultores (arroz em Santa Catarina e trigo no Rio Grande do Sul) usando o método do vizinho mais próximo (caso específico do método K-NN). A primeira abordagem usando classificação contínua do terreno considerou as seguintes assinaturas temporais NDVI: formação florestal, cerrado, pastagem, sistema único de cultivo anual (soja, milho e algodão), sistema duplo de cultivo (soja/milho e soja/algodão) e pivô central (sistema triplo de cultivo). Na classificação foram testados 378 modelos de redes neurais com variações dos parâmetros de entrada e 8 modelos SVM usando diferentes funções Kernel. O índice Kappa mostrou que os melhores modelos da Rede Neural (0,77) e SVM (0,75) foram estatisticamente equivalentes pelo teste McNemar. A classificação baseada no vizinho mais próximo foi constituida de duas fases: (a) geração de imagens métricas (distância Euclidiana e similaridade do cosseno); e (b) definição do melhor valor de corte para caracterizar a máscara da cultura agrícola. Os resultados mostraram diferentes perfis temporais tanto no trigo como no arroz devido às variações do calendário agrícola da região. Nas duas classificações (trigo e arroz), os resultados usando as duas métricas foram estatisticamente equivalentes pelo teste McNemar. Na análise do trigo, a distância Euclidiana obteve um índice Kappa de 0,75 e a semelhança do cosseno um índice Kappa de 0,74. Na análise do arroz a distância Euclidiana obteve um índice Kappa de 0,73 e a semelhança do cosseno um índice Kappa de 0,72. As metodologias descritas demonstram uma grande potencial para o cálculo das áreas de produção agrícola, podendo auxiliar os órgãos federais para o planejamento regional e segurança alimentar.