@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 abr. 2024"
}