Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/32841
Files in This Item:
File Description SizeFormat 
2018_MiriamRodriguesdaSilva.pdf2,85 MBAdobe PDFView/Open
Title: Uso de séries temporais do sensor MODIS para identificar diferentes culturas agrícolas
Authors: Silva, Miriam Rodrigues da
Orientador(es):: Carvalho Júnior, Osmar Abílio de
Assunto:: Grãos - cultivo
Séries temporais
Redes neurais
Issue Date: 4-Oct-2018
Citation: SILVA, Miriam Rodrigues da. Uso de séries temporais do sensor MODIS para identificar diferentes culturas agrícolas. 2018. xix, 89 f., il. Tese (Doutorado em Geografia)—Universidade de Brasília, Brasília, 2018.
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.
Abstract: The present research aims to identify grain crops from NDVI MODIS time series. The agricultural crops and the analyzed regions were: (a) soybean, corn and cotton in Mato Grosso State at 2013/14 growing season; (b) wheat in the State of Rio Grande do Sul; (c) and rice in the State of Santa Catarina. The thesis is structured in 5 (five) chapters, where the development chapters (2, 3 and 4) were written in the format of scientific articles. In digital image processing, all analyzes considered the following steps: (a) acquisition of MODIS images; (b) noise treatment using the Savitzky-Golay filter; (c) classification; and (d) accuracy analysis. The main methodological difference was the classification stage that used two approaches: (a) continuous land classification considering the different agricultural production (soybean, corn and cotton) and vegetation types from two methods of machine learning ( Support Vector Machines and Retro-propagation Neural Networks); and (b) detection of a single crop of small farmers (rice in the Santa Catarina and wheat in the Rio Grande do Sul) using the nearest neighbor method (specific case of the K-NN method). The first approach using continuous land classification considered the following NDVI temporal signatures: forest formation, cerrado, pasture, single annual cropping system (soybean, corn and cotton), double cropping system (soybean / corn and soybean / cotton) and pivot (triple cropping system). In the classification were tested 378 models of neural networks with different variations in input parameters and 8 SVM models using different Kernel functions. The Kappa index showed that the best models of the Neural Network (0.77) and SVM (0.75) were statistically equivalent by the McNemar test. The classification based on the nearest neighbor was constituted of two phases: (a) elaboration of metric images (Euclidean distance and similarity of the cosine); and (b) definition of the best threshold value to characterize the agricultural crop mask. The results showed different temporal profiles in both wheat and rice due to variations in the region's agricultural calendar. In both classifications (wheat and rice), the results using the two metrics were statistically equivalent by the McNemar test. In wheat analysis, the Euclidean distance obtained a Kappa index of 0.75 and the cosine similarity a Kappa index of 0.74. In rice analysis, the Euclidian distance obtained a Kappa index of 0.73 and the cosine similarity a Kappa index of 0.72. The methodologies showed a promising potential to determine the areas of crop production and could be very useful for federal agencies for regional planning and food security programs.
Description: Tese (doutorado)—Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2018.
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:GEA - Doutorado em Geografia

Show full item record Recommend this item " class="statisticsLink btn btn-primary" href="/handle/10482/32841/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.