Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning

Abstract

Na área agrícola o Sensoriamento Remoto vem sendo uma opção de baixo custo, no entanto o aumento da disponibilidade de imagens com alta resolução espacial e temporal gratuitas, veio para contribuir de modo significativo para com esses estudos. Mais especificamente as imagens do RADAR/SAR Sentinel-1A e 1B, o qual é capaz de alcançar uma resolução temporal de até 6 dias. As imagens de RADAR são de fundamental importância para compreensão do comportamento de culturas agrícolas e sua identificação, uma vez que independem das condições atmosféricas, favorecendo a aquisição de imagens em quaisquer situações, resultando em séries temporais mais completas e refinadas. Neste estudo buscou-se avaliar o desempenho de três modelos de classificadores de Machine Learning, Random Forest (RF), Support Vector Machine (SVM) e K-Nearest Neighbor (KNN), utilizando séries temporais Sentinel-1/SAR, com a finalidade de identificar os tipos de culturas presentes na região do Panambi, Bahia, no período de safras que compreendem a 2016/2017, 2017/2018. Os procedimentos metodológicos consistiram no pré-processamento das imagens no Software Sentinel’s Application Platform (SNAP); empilhamento de imagens para construção do cubo temporal; filtragem espacial utilizando o método de Análise de Componentes de Densidade de Probabilidade (ACDP); técnicas de Transformação Minimum Noise Fraction (MNF) e MNF Invertido para extração do ruído na frequência das imagens e reconstrução da mesma; e classificação do cubo temporal. Os melhores resultados foram obtidos na filtragem para a polarização VH, com capacidade de melhor separar os alvos agrícolas e para o classificador KNN, alcançando um Kappa de 0,85 e um índice de Exatidão Global de 0,88, seguido do RF com 0,78 e 0,83 e então o SVM com o menor Kappa, 0,59 e 0,67 respectivamente, com melhores respostas na polarização VV. A imagens SAR possuem um alto potencial para identificação de culturas utilizando os modelos propostos em ambas as polarizações, com destaque para o KNN, alcançando uma acurácia geral neste estudo de 96,7%. Entretanto, mais estudos devem ser direcionados para estes fins utilizando imagens Sentinel-1/SAR, fazendo ainda, uso da junção de ambas as polarizações, VV e VH, para alcançar uma maior precisão nas classificações.