Biblioteca do Café
URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/1
Navegar
2 resultados
Resultados da Pesquisa
Item Multitemporal variables for the mapping of coffee cultivation areas(Empresa Brasileira de Pesquisa Agropecuária - Embrapa, 2019) Souza, Carolina Gusmão; Arantes, Tássia Borges; Carvalho, Luis Marcelo Tavares de; Aguiar, PolyanneThe objective of this work was to propose a new methodology for mapping coffee cropping areas that includes multitemporal data as input parameters in the classification process, by using the Landsat TM NDVI time series, together with an object-oriented classification approach. The algorithm BFAST was used to analyze coffee, pasture, and native vegetation temporal profiles, allied to a geographic object-based image analysis (GEOBIA) for mapping. The following multitemporal variables derived from the R package greenbrown were used for classification: mean, trend, and seasonality. The results showed that coffee, pasture, and native vegetation have different temporal behaviors, which corroborates the use of these data as input variables for mapping. The classifications using temporal variables, associated with spectral data, achieved high-global accuracy rates with 93% hit. When using Only temporal data, ratings also showed a hit percentage above 80% accuracy. Data derived from Landsat TM time series are efficient for mapping coffee cropping areas, reducing confusion between targets and making the classification process more accurate, contributing to a correct characterization and mapping of objects derived from a RapidEye image, with a high spatial solution.Item Uso de séries temporais para o mapeamento da cafeicultura(Universidade Federal de Lavras, 2015-02-24) Souza, Carolina Gusmão; Carvalho, Luis Marcelo Tavares deA cafeicultura representa uma das principais atividades agrícolas, com grande importância no Brasil e no mundo, sendo o estado de Minas Gerais o maior produtor de café do país. Estimar os dados básicos desta cultura corretamente é um desafio, uma vez que as informações obtidas são pouco detalhadas e o setor ainda é carente de dados precisos. As geotecnologias têm sido promissoras para suprir esta lacuna, avaliando de forma mais precisa a dinâmica da cafeicultura. Porém, o mapeamento dessas áreas ainda é uma tarefa difícil, uma vez que elas são muito complexas de serem mapeadas, apresentando uma alta confusão entre os alvos. Para suprir esta necessidade, este trabalho foi realizado com o objetivo geral de propor uma metodologia para o mapeamento da cafeicultura, por meio de variáveis multiespectrais e multitemporais. O estudo foi conduzido em duas áreas distintas do estado de Minas Gerais, uma na região sul e a outra na região centro-oeste. Primeiramente, foram realizadas classificações, utilizando imagens de alta resolução do satélite RapidEye, testando diferentes algoritmos de aprendizagem de máquina e a combinação de diferentes variáveis (espectrais, geométricas e texturais) no processo de classificação. Os resultados mostraram que o algoritmo Support Vector Machine obteve os melhores resultados nas classificações para todas as áreas, com acurácia global de 88,33%. As variáveis texturais, quando associadas às espectrais, melhoraram a acurácia da classificação, porém, não houve diferença significativa entre as classificações. Apesar de os resultados terem se mostrado com bons índices de acerto, ainda houve muita confusão entre as classes. Foi proposto um novo método de mapeamento, utilizando dados multitemporais como variáveis no processo de classificação. Os resultados mostraram que os índices de acerto utilizando as variáveis multitemporais, integrados a variáveis espectrais, apresentaram índices de acurácia global de 93,00% e diminuíram significativamente a confusão entre os alvos, tornando o processo de classificação mais preciso. A metodologia proposta neste estudo mostrou eficiência no mapeamento de áreas cafeeiras.