Análise multitemporal de imagens de satélite para cartografia de produtos hortícolas

Abstract

O presente estudo tem como finalidade desenvolver uma metodologia que permita identificar e cartografar parcelas hortícolas na zona agrícola do Montijo, com recurso a imagens de satélite da missão Sentinel-2. Para identificar as diferentes culturas presentes na zona em estudo, utilizou-se uma série temporal de 35 imagens dos satélites Sentinel-2A e Sentinel-2B abrangendo a época de crescimento das culturas, compreendida entre junho de 2017 e maio de 2018. A informação contida nas imagens permitiu, numa primeira fase, o cálculo do Índice de Vegetação de Diferença Normalizada (NDVI – Normalized Difference Vegetation Index) e o consequente estudo do ciclo de crescimento das culturas hortícolas ao longo do período temporal analisado. Posteriormente, foi desenvolvido um algoritmo que calcula o valor mínimo, máximo, médio e de desvio padrão do NDVI para cada píxel ao longo da serie temporal, bem como a amplitude e o número de dias com base na curva do ciclo fenológico desde o início do desenvolvimento da cultura até à colheita. Este algoritmo permite gerar 6 bandas artificias, as quais incorporam a variável temporal de cada uma das culturas hortícolas. Para o efeito foram testadas diferentes abordagens com vista à obtenção dos valores de amplitude e do número de dias mais consistentes com os que resultam da análise visual dos gráficos gerados com a série temporal de NDVI. Por fim, as 35 imagens de NDVI e as 6 bandas artificiais foram utilizadas separadamente para testar dois algoritmos de classificação supervisada, nomeadamente o algoritmo da Máxima Verosimilhança (MV) e as Redes Neuronais Artificiais (RNA). O algoritmo que apresentou melhores resultados foi o da MV, com uma exatidão global de 67.3%, sendo que a exatidão do produtor obtida para as culturas agrícolas analisas foi bastante significativa (cerca de 99%). A metodologia desenvolvida proporcionou resultados que, estando naturalmente sujeitos a melhorias e servindo apenas como contributo científico, poderão futuramente ser utilizados para a verificação “remota” de declarações por parte dos agricultores, reduzindo consideravelmente o número de deslocações ao terreno e os consequentes custos que tal acarreta.

The present study aims to develop a methodology that identifies and maps horticultural crops in the agricultural area of Montijo, using satellite images from the Sentinel-2 mission. To identify the different types of cultures present in this study area, we used a time series of 35 images from the Sentinel-2A and Sentinel-2B satellites, that covers the growing season between June 2017 and May 2018. The information contained in the images allowed, in the first stage, the calculation of the Normalized Difference Vegetation Index (NDVI) and the consequent study of the horticultural crops growth cycle over the analyzed time period. Then, an algorithm was developed to calculate the minimum, maximum, average and standard deviation of the NDVI for each pixel along the time series, as well as the amplitude and the number of days based on the phenological cycle curve since the beginning of crop development until harvesting. This algorithm enables the calculation of 6 artificial bands which incorporate temporal variable for each horticultural crop. For this purpose, different approaches were tested in order to obtain the most consistent values of amplitude and number of days with those that were retrieve from the visual analysis of the NDVI time series graphs. Finally, the 35 NDVI images and the 6 artificial bands were used separately to evaluate two supervised classification algorithms, namely the Maximum Likelihood (ML) and the Artificial Neural Networks (ANN). The algorithm that produced the best results was the ML, with an overall accuracy of 67.3%, and a very significant producer’s accuracy for the horticulture crops (around 99%). The developed methodology yielded results that, although naturally subject to improvement and considered as just a scientific contribution, might be used in the future to validate remotely farmers declarations, and to considerably reduce the number of field trips and the consequently the costs involved.