Publicação

Classificação de culturas agrícolas de Inverno com recurso à plataforma Google Earth Engine e imagens dos satélites Sentinel-1 e Sentinel-2

Detalhes bibliográficos
Resumo:	A área de deteção remota é uma área em desenvolvimento devido a sua capacidade em adquirir remotamente dados da superfície e da atmosfera da Terra ou de qualquer outro planeta. A quantidade massiva de dados e de imagens de satélite existentes, tem contribuído para uma melhoria e para um aumento da qualidade de informação de observação da Terra. As metodologias científicas tais como a classificação supervisionada por imagens de satélite têm sido aplicadas na análise de dados de deteção remota. O presente estudo tem como objetivo avaliar os resultados obtidos dos processos de classificação por diferentes algoritmos, na utilização de diferentes tipos de dados e otimizá-los através da fusão dos mesmos (SAR e multiespectrais), com recurso a plataforma cloud Google Earth Engine. Recorreu-se à classificação supervisionada de imagens de satélite por cinco abordagens distintas, para a classificação de culturas de Inverno, com seis classificadores: Classification and regression trees (CART), Random Forest (RF), Support Vector Machine (SVM), Maximum Entropy (MAXE), Minimum Distance (MD) e Naive Bayes (NB); uma delas, a abordagem com recurso à fusão de dados SAR e dados multiespectrais. De todas as abordagens testadas, os melhores resultados foram obtidos com o classificador Random Forest (RF), na fusão de dados, com um valor de 76, 2% de exatidão global e de 68,3% de coeficiente kappa com 301 bandas, 102 pertencentes as imagens Sentinel-1 (SAR) com polarização VV e VH e 189 bandas de imagens do Sentinel-2 (multiespectrais) com nove bandas por imagem. Verificou-se que a fusão de dados multiespectrais e SAR beneficiam claramente a classificação efetuada, em parte pelo número de imagens utilizadas, fazendo com que as imagens SAR beneficiem os sistemas óticos principalmente na época de Inverno, onde as imagens óticas são mais limitadas, devido a nebulosidade presente; obtendo-se os valores de exatidão global de 76,2% comparativamente aos resultados individuais de 73% e 70,8%, um da coleção de imagens SAR com 112 bandas, e outro dos sistemas óticos com 189 bandas, respetivamente. O conjunto das imagens SAR em Sentinel-1 (com número de órbita 147 e 52) revelam resultados mais elevados do que as imagens individuais dos sistemas multiespectrais em Sentinel-2, tendo em conta a época de Inverno. A classificação de culturas de Inverno foi efetuada com dados fornecidos pelo Instituto de Financiamento de Agricultura e Pescas (IFAP) com informação geográfica das parcelas correspondente à área do Baixo Alentejo e com identificação da classe e área de cada cultura, num método de classificação supervisionado, por repartição em dados de treino e teste. Este projeto foi realizado com a utilização da plataforma Google Earth Engine (GEE) pelo processamento computacional demonstrado para a analise de um grande volume de dados como as coleções de imagens de satélite por series temporais prontas a usar existentes no catálogo de dados; e pela vasta oferta de funções presentes, entre elas os algoritmos de classificação. Revela-se uma plataforma excecional no processamento, análise e classificação, pela sua versatilidade e performance, tornando-se uma ferramenta imprescindível na área de deteção remota que potencializa a utilização de uma quantidade massiva e heterogénea de dados.
Autores principais:	Santos, Maria João Gonçalves dos
Assunto:	Google Earth Engine Sentinel-1 e Sentinel- 2 Classificação supervisionada Aprendizagem automática Big Data Teses de mestrado - 2021
Ano:	2021
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade de Lisboa
Idioma:	português
Origem:	Repositório da Universidade de Lisboa

Descrição
Resumo:	A área de deteção remota é uma área em desenvolvimento devido a sua capacidade em adquirir remotamente dados da superfície e da atmosfera da Terra ou de qualquer outro planeta. A quantidade massiva de dados e de imagens de satélite existentes, tem contribuído para uma melhoria e para um aumento da qualidade de informação de observação da Terra. As metodologias científicas tais como a classificação supervisionada por imagens de satélite têm sido aplicadas na análise de dados de deteção remota. O presente estudo tem como objetivo avaliar os resultados obtidos dos processos de classificação por diferentes algoritmos, na utilização de diferentes tipos de dados e otimizá-los através da fusão dos mesmos (SAR e multiespectrais), com recurso a plataforma cloud Google Earth Engine. Recorreu-se à classificação supervisionada de imagens de satélite por cinco abordagens distintas, para a classificação de culturas de Inverno, com seis classificadores: Classification and regression trees (CART), Random Forest (RF), Support Vector Machine (SVM), Maximum Entropy (MAXE), Minimum Distance (MD) e Naive Bayes (NB); uma delas, a abordagem com recurso à fusão de dados SAR e dados multiespectrais. De todas as abordagens testadas, os melhores resultados foram obtidos com o classificador Random Forest (RF), na fusão de dados, com um valor de 76, 2% de exatidão global e de 68,3% de coeficiente kappa com 301 bandas, 102 pertencentes as imagens Sentinel-1 (SAR) com polarização VV e VH e 189 bandas de imagens do Sentinel-2 (multiespectrais) com nove bandas por imagem. Verificou-se que a fusão de dados multiespectrais e SAR beneficiam claramente a classificação efetuada, em parte pelo número de imagens utilizadas, fazendo com que as imagens SAR beneficiem os sistemas óticos principalmente na época de Inverno, onde as imagens óticas são mais limitadas, devido a nebulosidade presente; obtendo-se os valores de exatidão global de 76,2% comparativamente aos resultados individuais de 73% e 70,8%, um da coleção de imagens SAR com 112 bandas, e outro dos sistemas óticos com 189 bandas, respetivamente. O conjunto das imagens SAR em Sentinel-1 (com número de órbita 147 e 52) revelam resultados mais elevados do que as imagens individuais dos sistemas multiespectrais em Sentinel-2, tendo em conta a época de Inverno. A classificação de culturas de Inverno foi efetuada com dados fornecidos pelo Instituto de Financiamento de Agricultura e Pescas (IFAP) com informação geográfica das parcelas correspondente à área do Baixo Alentejo e com identificação da classe e área de cada cultura, num método de classificação supervisionado, por repartição em dados de treino e teste. Este projeto foi realizado com a utilização da plataforma Google Earth Engine (GEE) pelo processamento computacional demonstrado para a analise de um grande volume de dados como as coleções de imagens de satélite por series temporais prontas a usar existentes no catálogo de dados; e pela vasta oferta de funções presentes, entre elas os algoritmos de classificação. Revela-se uma plataforma excecional no processamento, análise e classificação, pela sua versatilidade e performance, tornando-se uma ferramenta imprescindível na área de deteção remota que potencializa a utilização de uma quantidade massiva e heterogénea de dados.

Atividades financiadas

Não foram encontrados projetos financiados.