Detecção de áreas agrícolas em tempo quase real com imagens Modis

Abstract

Resumo -O objetivo deste trabalho foi desenvolver um método para identificação e monitoramento, em tempo quase real, de áreas agrícolas cultivadas com lavouras temporárias de verão, com uso de imagens orbitais Modis, no Estado do Rio Grande do Sul. A metodologia foi denominada detecção de áreas agrícolas em tempo quase real (DATQuaR) e utiliza imagens do sensor Modis referentes aos índices de vegetação (IVs) EVI e NDVI, disponibilizadas em composições de 16 dias. Foram utilizadas quatro métricas para agregar os valores de IVs por pixel, dentro dos períodos bimensais avaliados: média, máximo, mínimo e mediana. Para gerar as imagens (ImDATQuaR), a imagem agregada para o período imediatamente anterior foi subtraída da imagem agregada para o período em monitoramento. Essas imagens foram classificadas por meio de fatiamento e comparadas às classes de referência obtidas pela interpretação visual de pixels aleatorizados em imagens Landsat. Cada ImDATQuaR gerou dois mapas DATQuaR: um com filtragem de moda com janela 3x3 pixels e outro sem filtragem. O melhor mapa DATQuaR é produzido com uso de imagens EVI e filtragem -ao se subtrair a imagem de mínimo valor para o período anterior da imagem de máximo valor para o período monitorado -e atinge concordâncias com a referência superiores a 81%.Termos para indexação: DATQuaR, mapas de culturas de verão, monitoramento agrícola, sensoriamento remoto. Near real-time detection of crop fields with Modis imagesAbstract -The objective of this work was to develop a method to identify and monitor, in near real-time, crop field areas cultivated with temporary summer crops, using Modis orbital images, in the state of Rio Grande do Sul, Brazil. The methodology was called near real-time detection of crop fields (DATQuaR) and uses Modis sensor images of the NDVI and EVI vegetation indices (VIs) from 16-day composites. Four different metrics were used to aggregate the values of VIs per pixel, in the bimonthly periods evaluated: average, maximum, minimum, and median. To generate the images (ImDATQuaR), the aggregated image for the previous period was subtracted from the aggregated image for the monitored period. These images were classified by slicing and compared with the reference classes obtained by the visual interpretation of randomly selected pixels in Landsat images. Each ImDATQuaR image generated two DATQuaR maps: one with a 3x3 pixel window mode filter and another without filtering. The best DATQuaR map is produced using EVI images and filtering -by subtracting the image of minimum value for the previous period from the image of maximum value for the monitored period -and achieves agreement with the reference over 81%.

Representação de ciclos harmônicos de séries temporais Modis para análise do cultivo da cana-de-açúcar

“…Essas são características fundamentais para o estudo de alvos com grande dinâmica espectral e temporal e, assim, podem ser empregadas no monitoramento ao longo das fases do ciclo de desenvolvimento da canade-açúcar, desde o plantio ou rebrota até a colheita, em níveis regional e local (Aguiar et al, 2008;Eberhardt et al, 2015).…”

Classificação Orientada a Objetos Em Imagens Multitemporais Landsat Aplicada Na Identificação De Cana-De-Açúcar E Soja

“…As imagens obtidas por sensoriamento remoto (SR) são formas de captura indireta das informações espaciais da superfície terrestre (LUIZ et al, 2012). Esse tipo de dado, associado ao uso de ferramentas de Sistemas de Informação Geográfi ca (SIG), favorece a obtenção de informações atualizadas sobre a dinâmica espaço-temporal de culturas agrícolas, como a soja (RIZZI & RUDORFF, 2005;LAMPARELLI et al, 2008;SUGAWARA et al, 2008;EBERHARDT et al, 2015) e a cana- de-açúcar (RUDORFF & SUGAWARA, 2007;RUDORFF et al, 2010;AGUIAR et al, 2011), em grandes extensões territoriais.…”

“…Pesquisas relacionadas ao uso de dados de SR para estimativas de áreas de culturas agrícolas estão concentradas, principalmente, na classifi cação automática ou visual de dados de sensores ópticos Landsat-like (LL) (RIZZI & RUDORFF, 2005;SUGAWARA et al, 2008;RUDORFF et al, 2010;VIEIRA et al, 2012), no uso de índices de vegetação derivados do sensor MODIS para confecção de mapas (EBERHARDT et al, 2015) e na elaboração de painéis amostrais (ADAMI et al, 2007;LUIZ et al, 2012). A escolha dentre estas técnicas dependerá dos objetivos dos levantamentos e das condições da agricultura do local de estudo.…”

“…Avaliação da Expansão do Cultivo da Cana-de-Açúcar no Bioma Cerrado por Meio de Modelagem Atualmente, o principal entrave no uso de dados LL (resolução geométrica da ordem de 30m e repetitividade de aproximadamente 16 dias) para classificação automática em mapeamentos agrícolas está relacionado à não operacionalidade de um sistema rotineiro, que consiga avaliar a área agrícola macrorregional em curto período de tempo (RIZZI & RUDORFF, 2005;SUGAWARA et al, 2008;EBERHARDT et al, 2015) e, também, à relativamente baixa performance de exatidão produzida por algoritmos convencionais de classificação automática (WILKINSON, 2005). No entanto, este padrão de dados é válido, por possuir uma resolução espacial considerada apropriada para mapeamento de cana-de-açúcar e soja nos estados do Paraná e São Paulo (RUDOEFF & SUGAWARA, 2007;LAMPARELLI et al, 2008;RUDORFF et al, 2010).…”

“…,Sugawara et al (2008) eEberhardt et al (2015) é a de se conseguir imagens LL livres de nuvens e, portanto, quanto menos se depender do número de datas de imagens, maior será a probabilidade de sucesso, quando se pretende construir um sistema operacional de mapeamentos agrícolas com tais tipos de dados.Se compararmos os resultados de Kappa deste trabalho de 78,3 com os resultados encontrados nos trabalhos de Peña-Barragán et al (2011) eLong et al (2013) ambos com Kappa de 0,75 e desenvolvidos em áreas agrícolas americanas, percebemos que são similares. No entanto, o calendário agrícola do Brasil é diversifi cado.…”