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

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...

Full description

Main Author: Costa, Diandra Hoffmann
Other Authors: Gomes, Roberto Arnaldo Trancoso
Format: Dissertação
Published: 2020
Subjects:
Online Access: https://repositorio.unb.br/handle/10482/38750
Tags: Add Tag
No Tags, Be the first to tag this record!
id ir-10482-38750
recordtype dspace
spelling ir-10482-387502020-07-02T13:48:55Z Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning Costa, Diandra Hoffmann Gomes, Roberto Arnaldo Trancoso Sensoriamento remoto Aprendizado de máquina 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. CAPES In agricultural field, Remote Sensing has been a low-cost option, however the increase in the availability of free and temporal high-resolution imagery has contributed significantly to these studies. For instance, the images from Sentinel-1A and 1B Synthetic-aperture radar (SAR) are capable of achieving a temporal resolution of up to 6 days. SAR images are pivotal for understanding the behavior of agricultural crops and their identification, since they are independent of atmospheric conditions, favoring the acquisition of images in any situation, resulting in more complete and refined time series. In this study, we evaluate the performance of three models of Machine Learning classifiers, Random Forest (RF), Support Vector Machine (SVM) and K-Nearest Neighbor (KNN), using Sentinel-1 time series, aiming to identify the types of crops present in the region of Panambi, Bahia, during the harvesting (2016/2017 and 2017/2018). We adopted the following methodological procedures: pre-processing the images in the Sentinel’s Application Platform (SNAP) Software; stacking images for the construction of the temporal cube; spatial filtering using the Probability Density Component Analysis (ACDP) method; Minimum Noise Fraction (MNF) and Inverted MNF Transformation techniques for extracting noises in the image frequency and reconstructing them; and classification of the temporal cube. Our best result was obtained in the filtering for the VH polarization, with the ability to better separate the agricultural targets and for the KNN classifier, reaching a Kappa coefficient of 0.85 and a Global Accuracy index of 0.88, followed by the RF with 0.78 and 0.83 and then the SVM with the lowest Kappa coefficient, 0.59 and 0.67 respectively, with better responses in the VV polarization. SAR images have a high potential for identifying cultures using the models proposed in both polarizations, with emphasis on KNN, reaching a general accuracy in this study of 96.7%. However, further studies should focus on these purposes, using Sentinel-1/SAR images and combining both polarizations (VV and VH) as a means to achieve greater accuracy in the classifications. 2020-07-02T13:48:55Z 2020-07-02T13:48:55Z 2020-03-03 Dissertação COSTA, Diandra Hoffmann. Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning . 2020. 48 f., il. Dissertação (Mestrado em Geografia)—Universidade de Brasília, Brasília, 2020. https://repositorio.unb.br/handle/10482/38750 Acesso Aberto 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. application/pdf
institution REPOSITORIO UNB
collection REPOSITORIO UNB
topic Sensoriamento remoto
Aprendizado de máquina
spellingShingle Sensoriamento remoto
Aprendizado de máquina
Costa, Diandra Hoffmann
Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning
description 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.
author2 Gomes, Roberto Arnaldo Trancoso
format Dissertação
author Costa, Diandra Hoffmann
author_sort Costa, Diandra Hoffmann
title Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning
title_short Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning
title_full Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning
title_fullStr Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning
title_full_unstemmed Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning
title_sort uso de séries temporais sentinel 1 na identificação de culturas agrícolas utilizando modelos de machine learning
publishDate 2020
url https://repositorio.unb.br/handle/10482/38750
_version_ 1672205656478711808
score 13.657419