Imagens mono e multitemporais Modis para estimativa da área com soja no estado de Mato Grosso

Abstract

Resumo -O objetivo deste trabalho foi avaliar uma nova metodologia para mapeamento da cultura da soja no Estado de Mato Grosso, por meio de imagens Modis e de diferentes abordagens de classificação de imagens. Foram utilizadas imagens diárias e imagens de 16 dias. As imagens diárias foram diretamente classificadas pelo algoritmo Isoseg. As duas séries de imagens de 16 dias, referentes ao ciclo total e à metade do ciclo da cultura da soja, foram transformadas pela análise de componentes principais (ACP), antes de serem classificadas. Dados de referência, obtidos por interpretação visual de imagens do sensor TM/Landsat-5, foram utilizados para a avaliação da exatidão das classificações. Os melhores resultados foram obtidos pela classificação das imagens do ciclo total da soja, transformadas pela ACP: índice global de 0,83 e Kappa de 0,63. A melhor classificação de imagens diárias mostrou índice global de 0,80 e Kappa de 0,55. A ACP aplicada às imagens do ciclo total da soja permitiu o mapeamento das áreas de soja com índices de exatidão melhores do que os obtidos pela classificação derivada das imagens de data única.Termos para indexação: Glycine max, classificação de imagens, componentes principais, estatísticas agrícolas, processamento digital, sensoriamento remoto. Mono and multitemporal Modis imagery for soybean area estimate in Mato Grosso State, BrazilAbstract -The objective of this work was to evaluate a new methodology to map soybean crop area in Mato Grosso State, Brazil, using Modis imagery and different image classification approaches. Single-day and 16-day images were used. The single-day images were classified using the Isoseg algorithm. Two series of 16-day composite images, covering the full and the half soybean crop cycles, were transformed using principal component analysis (PCA) prior to the classification. A reference data set, achieved by visual interpretation of TM/Landsat-5 images, was used to evaluate the accuracy of the classifications. The best results were reached using the image classification of soybean full cycle, transformed by PCA: overall accuracy of 0.83, and Kappa of 0.63. The best single-day classification showed an overall index of 0.80, and 0.55 Kappa. PCA applied to the images of the full cycle allowed for the mapping of soybean crop areas with better accuracy indices than those obtained by the single-day classification.

Uso de imagens do sensor orbital modis na estimação de datas do ciclo de desenvolvimento da cultura da soja para o estado do Paraná – Brasil

“…Desta forma, é imprescindíve l uma análise multitemporal (HOLBEN, 1986;BERNARDES et al, 2011), ou seja, uma análise em múltiplas datas, para ter informações do padrão espectrotemporal ao longo de todos os estádios fenológicos da cultura (JENSEN et al, 2002). Estudos têm mostrado que a utilização de séries temporais de índices de vegetação (IV) de imagens de satélite de elevada resolução temporal (imagens diárias), aliada a uma moderada resolução espacial (250 m), como o sensor Modis (Moderate Resolution Imaging Spectroradiometer), tem permitido o monitoramento em escalas regionais e estaduais de culturas agrícolas RISSO et al, 2012;SOUZA et al, 2015).…”

Avaliação da dinâmica espectro-temporal visando o mapeamento dos principais cultivos de verão no Rio Grande do Sul

“…Bernardes et al (2011) used multitemporal MODIS images to estimate the soybean area in the Mato Grosso State, compared the results with TM/Landsat-5 images, tested various types of classifiers and the best results obtained were 83% for EG and 0.63 for IK.…”

Remote Sensing Images to Detect Soy Plantations in the Amazon Biome—The Soy Moratorium Initiative

“…Although MODIS images have frequently been used to classify soy with relatively good accuracy figures, particularly in the state of MT [40,41], these results are not accurate enough for the purpose of the Soy Moratorium due to some classification confusion with other annual crops, such as rice and corn. For classification of annual crops with MODIS images, an overall accuracy of 88.5% was achieved by Galford et al [42].…”