Banca de DEFESA: Ismael Cavalcante Maciel Junior

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Ismael Cavalcante Maciel Junior
DATA : 28/02/2023
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: 96
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 acurácia e agilidade, a inteligência agrícola necessita adequar suas pesquisas e buscar por novas tecnologias como o uso de satélites no sensoriamento remoto e sistemas de informações geográficas. Diante disso, este trabalho objetivou 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). 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 filtros nas imagens adquiridas, selecionando imagens de até 0,35% com ocorrência de nuvens e a mediana das imagens no período dos meses de abril a maio de 2022. Além das bandas originais, adicionou-se quatro índices de vegetação (NDVI, EVI, PCI e PCEI), e de modo a atingir resultados mais eficientes 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 Simple Non-Iterative Clustering (SNIC). Na etapa de classificação, aplicou-se o Random Forest (RF) considerado um algoritmo de aprendizado de máquina. 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 Acurácia Global (AG) variando de 86,41% a 88,65%. A imagem OLI apresentou os maiores resultados, tendo sua AG de 88,65% e 84,61% para o índice Kappa, dispondo das Acurácias de Produtor (AP) 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 Acurácia do Consumidor (AC) da classe supracitada o resultado foi de 91,98%. Deste modo, conclui-se que a metodologia GEOBIA utilizando a combinação SNIC + GLCM com o classificador RF na plataforma GEE foi satisfatória.

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