Tese (doutorado)—Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2018. / Submitted by Raquel Viana (raquelviana@bce.unb.br) on 2018-10-04T20:17:18Z
No. of bitstreams: 1
2018_MiriamRodriguesdaSilva.pdf: 2922256 bytes, checksum: be3ef8bc4a01aad93ab8f954ad6dfd46 (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2018-10-18T22:21:23Z (GMT) No. of bitstreams: 1
2018_MiriamRodriguesdaSilva.pdf: 2922256 bytes, checksum: be3ef8bc4a01aad93ab8f954ad6dfd46 (MD5) / Made available in DSpace on 2018-10-18T22:21:23Z (GMT). No. of bitstreams: 1
2018_MiriamRodriguesdaSilva.pdf: 2922256 bytes, checksum: be3ef8bc4a01aad93ab8f954ad6dfd46 (MD5)
Previous issue date: 2018-10-04 / A presente pesquisa objetiva identificar culturas de grãos a partir de séries temporais NDVI
MODIS. As culturas agrícolas e regiões analisadas foram: (a) soja, milho e algodão no Estado
do Mato Grosso na safra de 2013/2014; (b) trigo no Estado do Rio Grande do Sul; (c) e
cultura do arroz no Estado de Santa Catarina. A tese está estruturada em 5 (cinco) capítulos,
onde os capítulos de desenvolvimento (2, 3 e 4) foram escritos no formato de artigos
científicos. No processamento digital de imagem todas as análises consideraram as seguintes
etapas: (a) aquisição das imagens MODIS; (b) tratamento dos ruídos usando o filtro Savitzky-
Golay; (c) classificação; e (d) análise de acurácia. A principal diferença metodológica foi a
etapa de classificação que utilizou duas abordagens: (a) classificação contínua do terreno
considerando as diferentes produções agrícolas (soja, milho e algodão) e os tipos de vegetação
a partir de dois métodos de aprendizagem de máquina (Support Vector Machines e Redes
Neurais de retro-propagação); e (b) detecção de uma única cultura de pequenos agricultores
(arroz em Santa Catarina e trigo no Rio Grande do Sul) usando o método do vizinho mais
próximo (caso específico do método K-NN). A primeira abordagem usando classificação
contínua do terreno considerou as seguintes assinaturas temporais NDVI: formação florestal,
cerrado, pastagem, sistema único de cultivo anual (soja, milho e algodão), sistema duplo de
cultivo (soja/milho e soja/algodão) e pivô central (sistema triplo de cultivo). Na classificação
foram testados 378 modelos de redes neurais com variações dos parâmetros de entrada e 8
modelos SVM usando diferentes funções Kernel. O índice Kappa mostrou que os melhores
modelos da Rede Neural (0,77) e SVM (0,75) foram estatisticamente equivalentes pelo teste
McNemar. A classificação baseada no vizinho mais próximo foi constituida de duas fases: (a)
geração de imagens métricas (distância Euclidiana e similaridade do cosseno); e (b) definição
do melhor valor de corte para caracterizar a máscara da cultura agrícola. Os resultados
mostraram diferentes perfis temporais tanto no trigo como no arroz devido às variações do
calendário agrícola da região. Nas duas classificações (trigo e arroz), os resultados usando as
duas métricas foram estatisticamente equivalentes pelo teste McNemar. Na análise do trigo, a
distância Euclidiana obteve um índice Kappa de 0,75 e a semelhança do cosseno um índice
Kappa de 0,74. Na análise do arroz a distância Euclidiana obteve um índice Kappa de 0,73 e a
semelhança do cosseno um índice Kappa de 0,72. As metodologias descritas demonstram uma
grande potencial para o cálculo das áreas de produção agrícola, podendo auxiliar os órgãos
federais para o planejamento regional e segurança alimentar. / The present research aims to identify grain crops from NDVI MODIS time series. The
agricultural crops and the analyzed regions were: (a) soybean, corn and cotton in Mato Grosso
State at 2013/14 growing season; (b) wheat in the State of Rio Grande do Sul; (c) and rice in
the State of Santa Catarina. The thesis is structured in 5 (five) chapters, where the
development chapters (2, 3 and 4) were written in the format of scientific articles. In digital
image processing, all analyzes considered the following steps: (a) acquisition of MODIS
images; (b) noise treatment using the Savitzky-Golay filter; (c) classification; and (d)
accuracy analysis. The main methodological difference was the classification stage that used
two approaches: (a) continuous land classification considering the different agricultural
production (soybean, corn and cotton) and vegetation types from two methods of machine
learning ( Support Vector Machines and Retro-propagation Neural Networks); and (b)
detection of a single crop of small farmers (rice in the Santa Catarina and wheat in the Rio
Grande do Sul) using the nearest neighbor method (specific case of the K-NN method). The
first approach using continuous land classification considered the following NDVI temporal
signatures: forest formation, cerrado, pasture, single annual cropping system (soybean, corn
and cotton), double cropping system (soybean / corn and soybean / cotton) and pivot (triple
cropping system). In the classification were tested 378 models of neural networks with
different variations in input parameters and 8 SVM models using different Kernel functions.
The Kappa index showed that the best models of the Neural Network (0.77) and SVM (0.75)
were statistically equivalent by the McNemar test. The classification based on the nearest
neighbor was constituted of two phases: (a) elaboration of metric images (Euclidean distance
and similarity of the cosine); and (b) definition of the best threshold value to characterize the
agricultural crop mask. The results showed different temporal profiles in both wheat and rice
due to variations in the region's agricultural calendar. In both classifications (wheat and rice),
the results using the two metrics were statistically equivalent by the McNemar test. In wheat
analysis, the Euclidean distance obtained a Kappa index of 0.75 and the cosine similarity a
Kappa index of 0.74. In rice analysis, the Euclidian distance obtained a Kappa index of 0.73
and the cosine similarity a Kappa index of 0.72. The methodologies showed a promising
potential to determine the areas of crop production and could be very useful for federal
agencies for regional planning and food security programs.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unb.br:10482/32841 |
| Date | 02 April 2018 |
| Creators | Silva, Miriam Rodrigues da |
| Contributors | Carvalho Júnior, Osmar Abílio de |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UnB, instname:Universidade de Brasília, instacron:UNB |
| Rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data., info:eu-repo/semantics/openAccess |
Page generated in 0.0038 seconds