Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/335318
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Classificação de tipos de biomassa ao longo do ciclo vegetativo com séries temporais de imagens de múltiplos sensores
Title Alternative: Classification of biomass types along the vegetative cycle with time-series of multiple sensor images
Author: Santos, Cecilia Lira Melo de Oliveira, 1986-
Advisor: Lamparelli, Rubens Augusto Camargo, 1955-
Abstract: Resumo: Os sistemas de sensoriamento remoto surgem como uma importante ferramenta para mapeamento de áreas agrícolas que passam por intensas mudanças, seja devido aos impactos ocasionados pelo aquecimento global e/ ou transformações produzidas pelo homem. Obter informações dos alvos a partir de plataformas de sensoriamento remoto (orbital e suborbital) nem sempre é possível, já que o sinal registrado pelo sensor interage com um ambiente muito diverso que é a atmosfera. No entanto, é difícil produzir mapas de extensão de terras agrícolas precisas e exatas em alta resolução espacial em grandes áreas, devido aos pequenos sistemas agrícolas dominantes e cultivos em consórcio, como os encontrados em parte do Brasil. O monitoramento de áreas agrícolas utilizando imagens de satélites é dificultado devido à presença de nuvens em períodos determinantes para o conhecimento do vigor da vegetação. A presença de nuvens e falhas nos sensores impossibilitam o registro da radiação eletromagnética pelos sensores. As plataformas de computação geoespacial baseadas na nuvem e em coleções de imagens de satélite a partir de múltiplos sensores e em várias datas no Google Earth Engine oferecem oportunidades para mapear áreas de cultivo com uma ampla gama de aplicações. Assim, o objetivo dessa pesquisa foi testar diferentes metodologias para classificação do uso e cobertura da terra na região central do estado de São Paulo, através de imagens de múltiplos sensores (óptico e radar), incluindo séries temporais de imagens, métodos para preenchimento de dados ausentes e verificar o benefício que essas metodologias causam na acurácia da classificação ao longo do ciclo vegetativo. Os resultados encontrados revelaram que o método final escolhido (T5, G1, D1) demonstrou uma acurácia global de aproximadamente 0.84 no nível 4 o mais detalhado. O preenchimento para os dados ausentes na série temporal utilizando o valor médio ou interpolação linear foram suficientes. A principal confusão na classificação ocorreu entre as classes solo nu, solo com pouca vegetação e outras culturas anuais devido a grande variabilidade espectral para essas classes

Abstract: Remote sensing systems emerge as an important tool for mapping intensely changing agricultural areas, whether due to impacts caused by global warming and / or man-made transformations. Obtaining target information from remote sensing platforms (orbital and suborbital) is not always possible, as the signal recorded by the sensor interacts with a very diverse environment, which is the atmosphere. However, it is difficult to produce accurate and accurate high spatial resolution land extension maps in large areas due to the dominant small farming systems and intercropping, as found in part of Brazil. The monitoring of agricultural areas using satellite images is difficult due to the presence of clouds at crucial times to know the vigor of the vegetation. The presence of clouds and faults in the sensors make it impossible to record electromagnetic radiation by the sensors. Cloud based geospatial computing platforms and multi-sensor, multi-date satellite imagery collections in Google Earth Engine offer opportunities to map crop areas with a wide range of applications. Thus, the objective of this research was to test different methodologies for land use classification and coverage in the central region of the state of São Paulo, through multi-sensor images (optical and radar), including time series of images, methods for data filling. absent and to verify the benefit that these methodologies cause in the classification accuracy along the vegetative cycle. The results found revealed that the chosen final method (T5, G1, D1) demonstrated an overall accuracy of approximately 0.84 at the most detailed level 4. Filling in for missing data in the time series using the mean value or linear interpolation was sufficient. The main confusion in the classification occurred between the bare soil, low vegetation and other annual crops classes due to the high spectral variability for these classes
Subject: Monitoramento
Agricultura
Landsat (Satélite)
Aprendizado de máquina
Language: Multilíngua
Editor: [s.n.]
Citation: SANTOS, Cecilia Lira Melo de Oliveira. Classificação de tipos de biomassa ao longo do ciclo vegetativo com séries temporais de imagens de múltiplos sensores. 2019. 1 recurso online (82 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP.
Date Issue: 2019
Appears in Collections:FEAGRI - Tese e Dissertação

Files in This Item:
File SizeFormat 
Santos_CeciliaLiraMeloDeOliveira_M.pdf2.28 MBAdobe PDFView/Open


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