Algoritmos De Aprendizagem De Máquina E Variáveis De Sensoriamento Remoto Para O Mapeamento Da Cafeicultura

Abstract

A cafeicultura é uma das principais culturas agrícolas do Brasil e realizar o mapeamento e monitoramento desta cultura é fundamental para conhecer sua distribuição espacial. Porém, mapear estas áreas utilizando imagens de Sensoriamento Remoto não é uma tarefa fácil. Sendo assim, este trabalho foi realizado com o objetivo de comparar o uso de diferentes variáveis e algoritmos de classificação para o mapeamento de áreas cafeeiras. O trabalho foi desenvolvido em três áreas diferentes, que são bastante significativas na produção de café. Foram utilizados 5 algoritmos de aprendizagem de máquinas e 7 combinações de variáveis: espectrais, texturais e geométricas, associadas ao processo de classificação. Um total de 105 classificações foram realizadas, 35 classificações para cada uma das áreas. As classificações que não usaram variáveis espectrais não resultaram em bons índices de acurácia. Nas três áreas, o algoritmo que apresentou as melhores acurácias foi o Support vector machine, com acurácia global de 85,33% em Araguari, 87% em Carmo de Minas e 88,33% em Três Pontas. Os piores resultados foram encontrados com o algoritmo Random Forest em Araguari, com acurácia global de 76,66% e com o Naive Bayes em Carmo de Minas e Três Pontas, com 76% e 82% de acerto. Nas três áreas, variáveis texturais, quando associadas às espectrais, melhoraram a acurácia da classificação. O SVM apresentou o melhor desempenho para as três áreas

Mapping of Agricultural Areas with Support Vector Machine in the Northwest of Minas Gerais, Brazil

“…Os dois índices obtidos para imagem MODIS foram abaixo dos valores para o sensor OLI (Figura 2b). O SVM é um algoritmo não paramétrico e orientado a objeto que utiliza características geométricas para distinção dos alvos, diferente do algoritmo paramétrico Maximum Likelihood Classifier ou Máxima Verossimilhança (MAXVER), muito utilizado na literatura e que se baseia apenas na reflectância dos pixels (Devadas et al, 2012;Souza et al, 2016). Partindo desse pressuposto, imagens com baixa resolução espacial podem apresentar acurácia insatisfatória na classificação quando algoritmos orientados a objeto, já que informações sobre o formato de pequenos alvos não será captado pelo algoritmo.…”

“…Alguns trabalhos tem demonstrado bons resultados na classificação de imagens multiespectral e hiperespectrais utilizando o SVM, porém com diferentes tipos de kernel, cost e gamma. Os valores desses parâmetros são modificados de acordo com as características espectrais dos sensores, época de aquisição a imagem e pela homogeneidade ou heterogeneidade dos alvos a serem detectados (Devadas et al, 2012;Ustuner et al, 2015;Souza et al, 2016), sendo necessário avaliações para identificação desses parâmetros.…”

“…A resposta espectral contribui significativamente na separação dos alvos quando comparado a variáveis secundárias como textura e geometria. Porém, a baixa resolução espacial do sensor MODIS, não contribui na distinção da geometria de objetos semelhantes, como agricultura e pastagem, além de alvos com texturas similares como o cerrado e silvicultura, o que dificulta a separabilidade das classes (Yi et al, 2007;Souza et al, 2016).…”

“…A dinâmica de áreas agrícolas pode ser realizada por meio de classificação supervisionada, a qual o usuário define as amostras espectrais dos alvos, e não supervisionada, em que o algoritmo define as classes de agrupamentos das respostas espectrais Gonçalves, 2009). Nos últimos anos, sofisticados algoritmos tem sido desenvolvidos como redes neurais, árvore de decisão, máquina de vetor de suporte e algoritmos baseados em objetos, bem como o uso de dados provenientes de diferentes sensores com variadas resoluções espaciais, espectrais, radiométricas e temporais, afim de melhorar o mapeamento por meio do comportamento espectral dos alvos (Lu et al, 2012;Delgado et al, 2012;Garofalo et al, 2015;Souza et al, 2016).…”

Multitemporal variables for the mapping of coffee cultivation areas

“…The mapping of agricultural areas has become essential because these areas are crucial to the economic development of many regions. Several techniques for mapping coffee cultivation areas were previously used by some authors (Cordero-Sancho & Sader, 2007;Martínez-Verduzco et al, 2012;Santos et al, 2012;Sarmiento et al, 2014), including the visual classification (Machado et al, 2010), the supervised pixel-based classification approach (Cordero-Sancho & Sader, 2007;Martínez-Verduzco et al, 2012), the object-based approach (Santos et al, 2012;Sarmiento et al, 2014;Souza et al, 2016), the machine-learning algorithms (Santos et al, 2012;Sarmiento et al, 2014;Souza et al, 2016), the use of different variables (Santos et al, 2012;Souza et al, 2016), and physical data (Prado et al, 2016). However, most of these works did not achieve satisfactory results for accuracy, once coffee cultivations are commonly misinterpreted with other vegetation, such as pasture and native vegetation, when automatic classification techniques are used.…”