APRENDIZAGEM DE MAQUÍNA E IMAGENS DE SATÉLITE NA IDENTIFICAÇÃO DE ÁREAS COM CULTURAS ANUAIS
Resumo
O objetivo deste estudo foi mapear e estimar as áreas semeadas com milho 2° safra e culturas de inverno, safra 2016, no estado do Paraná, utilizando métodos de aprendizagem de máquina e imagens de satélite. Foram utilizadas imagens do satélite Landsat-8 e de EVI/MODIS, aplicando o método GAMBoost para identificação de áreas com as culturas de estudadas. A linguagem Python foi utilizada no desenvolvimento de rotinas para otimizar ações operacionais, reduzindo o tempo de pré-processamento de imagens. Para averiguar a precisão de cada máscara geraram-se pontos aleatórios para cada classificação, realizando uma verificação ponto-a-ponto. As métricas utilizadas para avaliação dos mapeamentos foram: Exatidão Global, Índice Kappa, tanto para os dados de treinamento, quanto para as máscaras geradas. Com imagens Landsat-8 foram identificados 461.316 hectares de milho 2ª safra e outros 64.488 hectares com culutras de inverno, em 24 municípios do Estado do Paraná, enquanto com imagens de EVI/MODIS mapeou-se 2.237.906 de hectares de milho 2ª safra e 2.049.418 hectares com culturas de inverno.Referências
ALMEIDA, L. Mapeamento e estimativa de áreas de milho 2ª safra e culturas de inverno utilizando aprendizagem de máquina em imagens de satélite. 2017. 72 f. Trabalho de conclusão de curso (Graduação em Engenharia Agrícola) – Universidade Estadual do Oeste do Paraná, Unioeste, Cascavel, 2017. Disponível em: < http://creaweb.crea-pr.org.br/ WebCrea/biblioteca_virtual/visualizar_trabalho.aspx?SEQTRABALHO=274>. Acesso em: 03.set.2018.
ALMEIDA, L; OLDONI, L.V.; CATTANI, C.E.V.; MERCANTE, E.; JOHANN, J.A. Uso de scripts autômatos em Python para criação de banco de dados. SELPER 2016: Geotecnologías, Herramientas para la construcción de una nueva visión del cambio global y su transformación para un futuro sostenible: Libro de Actas de XVII Simposio Internacional en Percepción Remota y Sistemas de Información Geográfica; editado por Walter F. Sione [et al.]. – 1a ed. – p. 3189-3195. Luján: EdUnLu, 2017. Libro digital, PDF. Disponível em: <https://selperargentina2016.org/ actas/>. Acesso em: 10.mar.2017.
BREIMAN, L. Random Forest. Machine Learning, v.45, p. 5-32, 2001.
CEPEA – CENTRO DE ESTUDOS AVANÇADOS EM ECONOMIA APLICADA, ESALQ/USP. PIB do Agronegócio – Dados de 1995 a 2015. 2016. Disponível em: <http://cepea.esalq.usp.br/pib/>. Acesso em: 20.ago.2016.
CHAN J. C. -W.; PAELINCKX D. Evaluation of Random Forest and Adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery. Remote Sensing of Environment, v.112, p 2999-3011, 2008.
CONAB – COMPANHIA NACIONAL DE ABASTECIMENTO. (2016). Safra 2015/16 – Quarto levantamento. Acomp. Safra bras. Grãos 4, 154.
EMBRAPA – EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA, Milho e Sorgo. Mosaicos de imagens Landsat 8 dos estados brasileiros. Sete Lagoas, 1.ed, p.38, 2015. Disponível em: < https://www.embrapa.br/busca-de-publicacoes/publicacao/1037957/ mosaicos-de-imagens-landsat-8-dos-estados-brasileiros>. Acesso em: 30. nov.2016.
GALLAGHER, K. J. Na automated approach for calculating environmental impacts of transmission line construction using Python. 2014. 98p. Dissertação (Mestrado) – Universidade do Noroeste do Estado de Missouri. Departamento de Ciências Humanas e Sociais, Maryville.
HASTIE, T. and TIBSHIRANI, R.; Generalized additive models. Statistical Science, v.1, p.297–310, 1986.
HOTHORN, T., BUHLMANN, P., KNEIB, T., SCHMID M., HOFNER, B.; (2016). mboost: Model-based Boosting. R package version 2.6-0. Disponível em: <https://CRAN.R-project.org/package=mboost/> Acesso em: 3.dez.2016.
IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Relatórios metodológicos. Rio de Janeiro: Pesquisas Agropecuárias - Departamento de Agropecuária, 2002. 92 p.
INPE – INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Manuais – Tutorial de geoprocessamento. 2006. Disponível em: <http://www.dpi.inpe.br/spring/portugues/tutorial/ classific.html>. Acesso em: 04.fev.2017.
JOHANN, J. A. Calibração de dados agrometeorológicos e estimativa de área e produtividade de culturas agrícolas de verão no estado do Paraná. 2012. 225 f. Tese (Doutorado). Campinas: Universidade Estadual de Campinas – UNICAMP.
JOHANN, J. A.; ROCHA, J. V.; DUFT, D. G.; LAMPARELLI, R. A. C. Estimativa de áreas com culturas de verão no Paraná, por meio de imagens multitemporais EVI/MODIS.
Pesquisa Agropecuária Brasileira, v. 47, n. 9, p. 1295-1306. 2012.
LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, v.33, p.159-174, 1977.
MITCHELL, T. M. Machine Learning. ed.1, p.432, 1997.
RIZZI, R.; RUDORFF, B. F. T. Estimativa da área de soja no Rio Grande do Sul por meio de imagens Landsat. Revista Brasileira de Cartografia, 57, p.226-234, 2005.
RODRIGUEZ-GALIANO, V.F.; GHIMIRE, B.; ROGAN, J.; CHICA-OLMO, M.; RIGOL-SANCHEZ, J.P. An assessment of the effectiveness of a random forest classifier for land-cover classification. Journal of Photogrammetry and Remote Sensing. v.67, p.93–104, 2012.
Downloads
Publicado
Edição
Seção
Licença
Ao confirmar a submissão dos artigos para a Revista Técnico-Científica CREA-PR é necessário concordar com a cessão dos direitos de reprodução e/ou publicação do material submetido.
Embora a Revista Técnico-Científica CREA-PR reserve todos os direitos autorais do trabalho publicado, permitindo a sua reprodução, com citação da fonte, o conteúdo das publicações continua de inteira responsabilidade dos autores, não refletindo a opinião dos editores e do CREA-PR.
Cabe aos autores dos artigos a responsabilidade de qualquer reclamação quanto aos conflitos envolvendo direitos autorais, assumindo e isentando o CREA-PR de qualquer pendência.
