Banca de QUALIFICAÇÃO: Ismael Cavalcante Maciel Junior

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : Ismael Cavalcante Maciel Junior
DATA : 20/01/2023
HORA: 08:00
LOCAL: Google Meet (videoconferência)
TÍTULO:

Detecção de áreas de milho por meio de análise orientada em geo-objeto utilizando multi-sensores orbitais na plataforma Google Earth Engine

PALAVRAS-CHAVES:

Texturas GLCM, Landsat-8, MODIS, PlanetScope, Random Forest, Sentinel 2, Segmentação SNIC

PÁGINAS: 92
RESUMO:

O estado de Mato Grosso é o maior produtor de milho no país, tendo a predominância de cultivo concentrando na segunda safra. Diante do anseio por dados com maior precisão e agilidade, a inteligência agropecuária necessita adequar suas pesquisas e buscar por novas tecnologias como imagens de satélites de sensoriamento remoto e os sistemas de informações geográficas. Diante disso, esse trabalho teve como objetivo realizar o mapeamento do milho segunda safra no município de Canarana-MT via análise orientada em geo-objeto com diferentes resoluções espaciais, espectrais, temporais e radiométricas, valendo-se dos sensores: Sentinel-2A/B (MSI), Landsat-8 (OLI), Terra/Aqua (MODIS) e PlanetScope (PS). Era esperado que a área de milho safrinha, obtida por meio das imagens de satélites, se assemelhassem estatisticamente e possivelmente seguissem a mesma tendência das estimativas oficiais, e concomitantemente, a distinção de culturas que estruturalmente se assemelham ao milho. Para atingir tais objetivos, obteve-se a base cartográfica do IBGE do limite municipal de Canarana, e posteriormente realizou-se o upload ao Assets do Google Earth Engine (GEE). Aplicou-se um filtro nas imagens adquiridas, com filtragem de nuvens de até 0,35% e utilizou-se a mediana dos meses de abril e maio de 2022. Além das bandas originais, adicionou-se quatro índices de vegetação (NDVI, EVI, PCI e PCEI), e de modo a atingir melhores resultados na etapa de segmentação, empregou-se recursos texturais extraídos por meio da Gray Level Co-occurrence (GLCM). Após o procedimento aludido, efetuou-se uma análise de componentes principais (PCA) com vista a reduzir a dimensionalidade dos dados. As imagens passaram pela etapa de segmentação, qualificada pela aplicação do algoritmo SNIC. Na etapa de classificação, aplicou-se o classificador Random Forest (RF) o qual é considerado um algoritmo de aprendizado de máquina popular. Após o processamento e classificação das imagens e a confecção dos mapas temáticos das áreas de milho, procedeu-se a análise da matriz de confusão numérica implementada no GEE e estatísticas de validação utilizando 2.200 amostras de campo. A partir desses procedimentos, os dados classificados geraram as matrizes de confusão com AG variando de 86,41% a 88,65%. A imagem OLI apresentou os maiores resultados, tendo sua acurácia global de 88,65% e 84,61% para o índice Kappa, dispondo das APs para as classes analisadas entre 65,16% e 91,53%, sendo a inferior para a classe Outros Usos do Solo e a superior correspondente a classe milho segunda safra. A AC da classe supracitada o resultado foi de 91,98%. Para o milho segunda safra, as imagens dos satélites Planet resultaram na menor área, e tal valor é o que mais se aproximou das estimativas oficiais. Deste modo, conclui-se que a metodologia GEOBIA utilizando a combinação SNIC + GLCM com o classificador RF na plataforma GEE foi satisfatória, ressaltando que apesar do bom resultado obtido, alguns métodos da metodologia ainda necessitam ser aprimorados com a finalidade de serem aplicados em grandes extensões de área de milho segunda safra.

MEMBROS DA BANCA:
Presidente - 265126001 - CARLOS ANTONIO DA SILVA JUNIOR
Interno - 131916001 - RIVANILDO DALLACORT
Externo à Instituição - CÁCIO LUIZ BOECHAT - UFPI