Fechar
Metadados

@Article{DiasSchSanEbeRos:2018:IdMoCo,
               author = "Dias, Bruna Aparecida Silva and Schultz, Bruno and Sanches, Ieda 
                         Del'Arco and Eberhardt, Isaque Daniel Rocha and Rosendo, Jussara 
                         dos Santos",
          affiliation = "{Universidade Federal de Uberl{\^a}ndia (UFU)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Universidade de Bras{\'{\i}}lia 
                         (UnB)} and {Universidade Federal de Uberl{\^a}ndia (UFU)}",
                title = "Identifica{\c{c}}{\~a}o do modo de colheita da 
                         cana-de-a{\c{c}}{\'u}car em imagens multitemporais 
                         landsat-like",
              journal = "Revista Brasileira de Cartografia",
                 year = "2018",
               volume = "70",
               number = "2",
                pages = "527--554",
             keywords = "Classifica{\c{c}}{\~a}o autom{\'a}tica. Composi{\c{c}}{\~a}o 
                         colorida RGB NIR-SWIR-Red, Cana crua. Cana queimada, Automatic 
                         classification. RGB NIR-SWIR-Red composition. Green harvest 
                         sugarcane. Pre harvest burning sugarcane.",
             abstract = "O Brasil {\'e} o principal produtor mundial da 
                         cana-de-a{\c{c}}{\'u}car, no entanto, um ponto cr{\'{\i}}tico 
                         na produ{\c{c}}{\~a}o dessa cultura {\'e} a pr{\'a}tica da 
                         queima para facilitar a colheita manual, que resulta em impactos 
                         ambientais, sociais e econ{\^o}micos. Visando conhecer e 
                         minimizar estes impactos, o uso de sensoriamento remoto {\'e} 
                         bastante indicado para o monitoramento da 
                         canade-a{\c{c}}{\'u}car, incluindo a identifica{\c{c}}{\~a}o 
                         do modo de colheita. Nesse contexto, o presente trabalho teve como 
                         objetivo mapear e identificar o modo de colheita da 
                         cana-de-a{\c{c}}{\'u}car na mesorregi{\~a}o do Tri{\^a}ngulo 
                         Mineiro e Alto Parana{\'{\i}}ba (TM), em Minas Gerais, durante 
                         um per{\'{\i}}odo de sete meses (abril a outubro de 2015) 
                         empregando imagens multitemporais. Os seguintes passos foram 
                         adotados: 1) mapeamento das {\'a}reas cultivadas com 
                         cana-de-a{\c{c}}{\'u}car; 2) identifica{\c{c}}{\~a}o da 
                         {\'e}poca de colheita da cana; e 3) do modo de colheita (corte 
                         mecanizado ou com emprego do fogo). A metodologia consistiu na 
                         utiliza{\c{c}}{\~a}o de imagens multitemporais dos sensores 
                         OLI/Landast-8, ETM+/Landsat-7 e AWiFS/ResourceSat-2 na 
                         composi{\c{c}}{\~a}o colorida RGB NIR-SWIR-Red. As t{\'e}cnicas 
                         de pr{\'e}-processamento adotadas inclu{\'{\i}}ram 
                         corre{\c{c}}{\~a}o geom{\'e}trica (AWiFS), preenchimento de 
                         falhas (ETM+) e normaliza{\c{c}}{\~a}o por Apar{\^e}ncia 
                         Equalizada (todas as imagens). Foram gerados dois mapas de 
                         cana-dea{\c{c}}{\'u}car por classifica{\c{c}}{\~a}o 
                         autom{\'a}tica utilizando os classificadores J48 e Random Forest 
                         (RF). Uma refer{\^e}ncia de campo foi obtida com base nos dados 
                         do mapeamento de cana de 2013 do INPE, os quais foram atualizados 
                         para o ano 2015 por um int{\'e}rprete experiente. Essa 
                         refer{\^e}ncia serviu para valida{\c{c}}{\~a}o dos mapas 
                         tem{\'a}ticos gerados. Comparando os dois m{\'e}todos de 
                         classifica{\c{c}}{\~a}o autom{\'a}ticos adotados, o melhor 
                         resultado de mapeamento de cana foi obtido com o RF. A 
                         an{\'a}lise do perfil espectro-temporal dos talh{\~o}es de 
                         cana-de-a{\c{c}}{\'u}car em imagens Landsat-like permitiu 
                         identificar com efici{\^e}ncia o per{\'{\i}}odo e modo de 
                         colheita dessa cultura. Os resultados obtidos mostram que em 2015, 
                         no TM, os meses de maior intensifica{\c{c}}{\~a}o da colheita da 
                         cana foram setembro e outubro, sendo que, 75,13% da {\'a}rea 
                         total destinada ao cultivo da cana-de-a{\c{c}}{\'u}car foi 
                         colhido por meio do sistema mecanizado e 24,87% utilizaram o uso 
                         da queima na pr{\'e}-colheita. ABSTRACT: Brazil is the world's 
                         leading producer of sugarcane, however, a critical point in the 
                         production of this culture is the practice of burning to 
                         facilitate manual harvest, resulting in environmental, social and 
                         economic impacts. Aiming to know and minimize these impacts, the 
                         use of remote sensing is well suited for monitoring of sugarcane, 
                         including the identification of the harvest mode. In this context, 
                         this study aimed to map and identify the crop to the sugarcane in 
                         the middle region of Tri{\^a}ngulo Mineiro and Alto Paranaiba 
                         (TM) for a period of seven months (April-October 2015) using 
                         Landsat sensor images -like (sensors with characteristics similar 
                         to the Landsat series). The steps of this work were: 1) map the 
                         sugarcane fields; detect 2) the time of the sugarcane harvest; 3) 
                         and the type of harvest (with or without pre-harvest burning). The 
                         methodology consisted in the use of multi-temporal images of OLI/ 
                         Landast-8, ETM+ / Landsat-7 and AwiFIS / ResourceSat-2 in 
                         NIR-SWIR-Red RGB color composition. The adopted preprocessing 
                         techniques included geometric correction (AwiFS), gap filling (ET 
                         +) and a normalization procedure (Appearance Equalized - ApEq). 
                         Two maps of sugarcane were generated by automatic classification 
                         using J48 and Random Forest (RF) classifiers. A field reference 
                         was obtained based on the 2013 sugarcane mapping data from INPE, 
                         which have been updated for 2015 by an experienced interpreter. 
                         This reference was used to validate the thematic maps generated. 
                         Comparing the two automatic classification methods tested, the 
                         best cane mapping result was obtained with RF. The analysis of the 
                         spectrum-temporal profile of the sugarcane fields in Landsatlike 
                         images allowed to identify with efficiency the period and mode of 
                         harvest of this culture. The results show that the months of 
                         greatest intensification of harvest were September and October, 
                         being that 75.13% of the total area cultivated with sugarcane was 
                         harvested using the mechanized system and 24.87% adopted the 
                         pre-harvest burning.",
                  doi = "10.14393/rbcv70n2-45381",
                  url = "http://dx.doi.org/10.14393/rbcv70n2-45381",
                 issn = "0560-4613 and 1808-0936",
                label = "lattes: 2456184661855977 3 DiasSchSanEbeRos:2018:IdMoCo",
             language = "pt",
           targetfile = "dias_identificacao.pdf",
        urlaccessdate = "27 nov. 2020"
}


Fechar