Identificação de extensas áreas de culturas agrícolas empregando uma abordagem espectro-temporal utilizando imagens MODIS

Abstract

Imagens do sensoriamento remoto possuem características espaciais, espectrais, radiométricas e temporais, tornando-se assim uma importante ferramenta para aplicações agrícolas nos mais diversos aspectos. Neste sentido, esta dissertação descreve uma metodologia para a classificação de extensas áreas agrícolas, em escala regional, utilizando imagens MODIS (Moderate Resolution Imaging Spectroradiometer). Fez-se uso de superfícies de resposta espectral-temporal, onde cada pixel da imagem é representado em um espaço tridimensional, onde os eixos são respectivamente: o tempo, o comprimento de onda e a refletância. A metodologia consiste na interpolação de uma superfície analítica passando por pontos de controle, usando dois tipos de interpoladores (Collocation e Análise de Tendência Polinomial). Através dessa interpolação obtiveram-se os coeficientes que descrevem a distribuição da superfície no espaço tridimensional, e os mesmos foram utilizados para a classificação das imagens digitais. Para a classificação foram utilizados dois algoritmos, o classificador Gaussiano da Máxima verossimilhança e as Redes Neurais Artificiais. Uma das limitações, no processo de classificação supervisionada, é a aquisição da imagem de referência, assim para este trabalho foram usadas três metodologias distintas para sua obtenção: Reamostragem das imagens temáticas com resolução espacial de 30 para a resolução de 250 metros; Digitalização de polígonos homogêneos em tela; e Operação de vizinhança, que consiste na eliminação de pixels com vizinhança com alta variação no nível digital. Para a avaliação dos resultados obtidos foram utilizados testes e análises estatísticas. Os resultados mostram que as classificações pelas redes neurais apresentam os melhores resultados, até mesmo com poucas amostras de treinamento. Os resultados também mostram importância da alta qualidade na geração da imagem de referência.

Remote sensing images have spatial, spectral, radiometric and temporal characteristics, which become an important tool for agricultural applications, in several aspects. This thesis describes a methodology for classification of extensive agricultural areas, in regional scale, using MODIS (Moderate Resolution Imaging Spectro-radiometer) images. It was used a spectral-temporal surface response, where each pixel of the image is represented in a three-dimensional space and the axes are: time, wavelength and reflectance, respectively. The methodology consists of an interpolation of analytical surfaces, passing through control points, using two types of interpolators (Collocation and Polynomial Trend Surfaces). Through these interpolation methods, the surface coefficients were generated, which describe the distribution of the surface in the three-dimensional space. These coefficients were then used into the classification process. Two classification algorithms were used, the maxima likelihood and artificial neural network classifiers. One of the drawbacks, in supervised classification process, is the acquisition of the reference image. For this work were used three distinct methodologies for its attainment: thematic image sampling from the spatial resolution of 30m to 250m; digitalization of homogeneous polygons on the screen; and neighborhood operation, which consists of the elimination of pixels with neighborhood with high variation on the digital level. Statistical analyses were used in order to validate the results. The results show that the classification using neural networks had the best resulted, even with small training sample size. The results also show the importance of high quality reference image generations.