COMPUTAÇÃO EM NUVEM E FUSÃO ESPAÇO TEMPORAL DE IMAGENS PARA GERAR MAPAS TEMÁTICOS DE USO E COBERTURA DA TERRA DO PARANÁ.

Autores

  • Ivã Luis Caon
  • Erivelto Mercante

Resumo

A definição do uso da terra tem o propósito de integrar as informações das propriedades e posses rurais, para base de dados de controle, monitoramento e planejamento ambiental e econômico. O algoritmo FETBR funciona dentro da plataforma GEE (Google Earth Engine), ele foi criado baseando-se na premissa que um pixel, independente do sensor que capturasse seu valor, ele iria sempre sofrer a mesma mudança no tempo, desse modo ao avaliar a mudança desse pixel em diversos tempos diferente seria possível aplicar uma técnica de regressão e buscar o valor de uma data, isso se difere dos demais algoritmos, pois eles usam valores de pixeis semelhantes ou até mesmo regiões semelhantes. Foi realizada uma classificação utilizando uma serie temporal de um ano, de resolução temporal diaria e de resolução espacial de 30 m, com seis bandas, a qual foi gerada utilizando os sensores OLI e MODIS, ambos calibrados a topo de atmosfera, o classificador utilizado foi o Random Forest, onde obteve-se um kappa de 0,95 e EG de 96%. O algoritmo FETBR apresentou bons resultados, mostrando constância independente da banda que está sendo predita, com valores de correlação de Spearmam próximos a 0,8, além de apresentar a vantagem do processamento em nuvem, o qual permitiu que o algoritmo fosse utilizado para uma grande área geográfica e ao mesmo tempo uma janela temporal de um ano. A classificação foi eficiente, mostrando não apenas a eficiência do algoritmo de classificação Random Forest, mas também a qualidade das imagens geradas pelo FETBR.

Referências

APARECIDO, Lucas Eduardo de Oliveira et al. Köppen, Thornthwaite and Camargo climate classifications for climatic zoning in the State of Paraná, Brazil. Ciência e Agrotecnologia, v. 40, n. 4, p. 405-417, 2016.

BARBOSA, Ana Paula. Comparação de métodos de classificação de imagens, visando o gerenciamento de áreas citrícolas. 2009. 65 f. Dissertação (mestrado) - Universidade Estadual Paulista, Faculdade de Ciências Agronômicas de Botucatu, 2009. Disponível em: <http://hdl.handle.net/11449/90444>.

BREIMAN, Leo. Random forests. Machine learning, v. 45, n. 1, p. 5-32, 2001.

CONAB. Safra Brasileira de Grãos. 2019. Disponível em: <https://www.conab.gov.br/info-agro/safras/graos>. Acesso em: 03 nov. 2019.

CONGALTON, Russell G. A review of assessing the accuracy of classifications of remotely sensed data. Remote sensing of environment, v. 37, n. 1, p. 35-46, 1991.

COPPIN, Pol et al. Digital change detection methods in natural ecosystem monitoring: A review. In: Analysis of multi-temporal remote sensing images. 2002. p. 3-36.

FAYYAD, Usama; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic. From data mining to knowledge discovery in databases. AI magazine, v. 17, n. 3, p. 37-37, 1996.

FONSECA, L. M. G., Processamento digital de imagens. Instituto Nacional de Pesquisas Espaciais (INPE). 2000.

GAO, Feng et al. Toward mapping crop progress at field scales through fusion of Landsat and MODIS imagery. Remote Sensing of Environment, v. 188, p. 9-25, 2017.

GAO, Feng et al. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote sensing, v. 44, n. 8, p. 2207-2218, 2006.

GORELICK, Noel et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing Of Environment, [s.l.], v. 202, p.18-27, dez. 2017. Elsevier BV. http://dx.doi.org/10.1016/j.rse.2017.06.031.

HILKER, Thomas et al. Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model. Remote Sensing of Environment, v. 113, n. 9, p. 1988-1999, 2009.

IBGE. Paraná. 2019. Disponível em: <https://cidades.ibge.gov.br/brasil/pr/pesquisa/14/10193?localidade1=0&tipo=ranking&indicador=10287&ano=2018>. Acesso em: 03 nov. 2019.

JOHANN, Jerry Adriani et al. 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.

LUIZ, Alfredo José Barreto et al. Auxílio das imagens de satélite aos levantamentos por amostragem em agricultura. Agricultura em São Paulo, v. 49, n. 1, p. 41-54, 2002.

PONZONI, Flávio Jorge; REZENDE PINTO, Ana Carolina. Influência da resolução espacial de imagens orbitais na identificação de elementos da paisagem em Altamira-PA. Revista Árvore, v. 26, n. 4, 2002.

SCHAAF, Crystal. MCD43A4 MODIS/Terra+Aqua BRDF/Albedo Nadir BRDF Adjusted Ref Daily L3 Global - 500m V006. 2015. Disponível em: <https://doi.org/10.5067/MODIS/MCD43A4.006>. Acesso em: 20 jan. 2019.

ZANTER, Karen. LANDSAT 8 (L8) DATA USERS HANDBOOK. 2018. Disponível em: <https://prd-wret.s3-us-west-2.amazonaws.com/assets/palladium/production/s3fs-public/atoms/files/LSDS-1574_L8_Data_Users_Handbook.pdf>. Acesso em: 20 jan. 2019.

ZHU, Likai; RADELOFF, Volker C.; IVES, Anthony R. Improving the mapping of crop types in the Midwestern US by fusing Landsat and MODIS satellite data. International journal of applied earth observation and geoinformation, v. 58, p. 1-11, 2017.

ZHU, Xiaolin; CHEN, Jin; GAO, Feng; CHEN, Xuehong; MASEK, Jeffrey G.. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing Of Environment, [S.L.], v. 114, n. 11, p. 2610-2623, nov. 2010. Elsevier BV. http://dx.doi.org/10.1016/j.rse.2010.05.032.

ZHU, Xiaolin et al. A flexible spatiotemporal method for fusing satellite images with different resolutions. Remote Sensing Of Environment, [s.l.], v. 172, p.165-177, jan. 2016. Elsevier BV. http://dx.doi.org/10.1016/j.rse.2015.11.016.

ZURQANI, Hamdi A. et al. Geospatial analysis of land use change in the Savannah River Basin using Google Earth Engine. International journal of applied earth observation and geoinformation, v. 69, p. 175-185, 2018.

Downloads

Publicado

29.01.2021

Edição

Seção

Artigos Especiais