Submitted by Rosangela Silva (rosangela.silva3@unioeste.br) on 2018-06-04T17:12:56Z No. of bitstreams: 2 Lucas Oldoni.pdf: 9472745 bytes, checksum: 1b2c1a8ee59169fa471b43d27a762f6e (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-06-04T17:12:56Z (GMT). No. of bitstreams: 2 Lucas Oldoni.pdf: 9472745 bytes, checksum: 1b2c1a8ee59169fa471b43d27a762f6e (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-02-05 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Studies related to the monitoring of agricultural production play a decisive and strategic role in the economic planning of the country, due to the importance of agribusiness, as well as food safety. Orbital remote sensing is an effective alternative to perform agricultural crop monitoring due to its low cost, large scale and speed of data collection. However, most of the sensors with high spatial resolution are of low temporal resolution, and the ones with higher temporal resolution have low spatial resolution. Therefore, for the monitoring of agricultural crops with a higher spatial solution, cloud covering can be a limiting factor. Such problems can be circumvented by using a fusion of images of several sensors with different spatial and temporal characteristics, thus creating new images, also called synthetic images. Thus, the objective of the work was the mapping of areas sown with soybean and corn using space-temporal fusion, such as Landsat 8 and MODIS images. In the first part of the research, agricultural crops were separated from other targets. The generated classification served as input to one of the classification algorithms, the Flexta Spatiotemporal Data Fusion (FSDAF), in the second part of the research. In addition to this algorithm, both the Spatial and Temporal Adaptive Reflection Fusion Model (STARFM) and the Advanced and Temporal Spatial Adaptive Reflection Fusion Model (ESTARFM) were employed to generate images for the 2016/2017 summer crops. Then, 5 rating scenarios were created. In the 1st and 2nd scenarios, only the images from the Landsat 8 with no occurrence of clouds were considered. For the 3rd, 4th, and 5th were carried out using images generated by STARFM, ESTARFM and FSDAF. In the third scenario, the metric images of images, Landsat 8 and images of fusion algorithms were used, 4th as a summary of statistical metrics, and in the 5th one as phenological metrics of the temporal profile of the Enhanced Vegetation Index (EVI). The scenario using the EVI phenological metrics from images generated by FSDAF and STARFM yielded better results, with global accuracy of 93.11 and 91.33%, respectively. These results are statistically better than those obtained using only existing Landsat 8 images. Thus, the use of phenological metrics obtained from synthetic images are important alternatives for mapping soybean and corn crops. / Estudos referentes ao acompanhamento da produção agrícola têm um peso determinante e estratégico no planejamento econômico do país, devido à importância do agronegócio, e também para segurança alimentar. O sensoriamento remoto orbital é uma alternativa eficaz para realizar o monitoramento das culturas agrícolas, devido ao baixo custo, grande escala de abrangência e rapidez na coleta de dados. Porém, geralmente os sensores com alta resolução espacial possuem baixa resolução temporal, e os com alta resolução temporal possuem baixa resolução espacial. Assim, para se realizar o acompanhamento de culturas agrícolas com uma resolução espacial mais alta, a cobertura por nuvens pode ser um fator limitante. Estes problemas podem ser contornados com a utilização de fusão de imagens de diversos sensores com características temporais e espaciais diferentes, criando, assim, novas imagens, também chamadas de imagens sintéticas. Deste modo, o objetivo do trabalho foi realizar o mapeamento de áreas semeadas com soja e milho utilizando fusão espaço-temporal de imagens Landsat 8 e MODIS. Na primeira parte do trabalho, foram separadas culturas agrícolas de outros alvos. A classificação gerada serviu de entrada em um dos algoritmos de classificação, o Flexible Spatiotemporal Data Fusion (FSDAF), na segunda parte do trabalho. Nessa parte, além deste algoritmo, também foram utilizados os algoritmos Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) e Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) para gerar imagens nas safras de verão 2016/2017. Então, foram criados 5 cenários de classificação. Nos 1º e 2º foram considerados a utilização apenas das imagens espectrais das imagens Landsat 8 livres de nuvens. As 3º, 4º e 5º foram realizadas com as imagens geradas pelo STARFM, ESTARFM e FSDAF. No 3º cenário foram utilizadas as métricas espectrais das imagens Landsat 8 e as imagens espectrais gerados pelos algoritmos de fusão, no 4º foram considerados as métricas estatísticas e no 5º as métricas fenológicas extraídas do perfil temporal do Enhanced Vegetation Index (EVI). Os cenários que utilizaram métricas fenológicas do EVI a partir de imagens geradas pelo FSDAF e STARFM obtiveram melhores resultados, com exatidão global de 93,11 e 91,33%, respectivamente, resultados estes estatisticamente melhores que os obtidos apenas com as imagens Landsat 8 existentes. Assim, a utilização de métricas fenológicas obtidas de imagens sintéticas são importantes alternativas para o mapeamento de soja e milho.