O uso de séries temporais de índices vegetativos disponíveis em imagens do sensor MODIS permite mapear áreas de cultivo de algodão, em escala regional, de maneira eficaz e com baixo custo. Os mesmos modelos de árvore de decisão gerados pelo método proposto, que combina técnicas de mineração de dados e de sensoriamento remoto, são capazes de estimar áreas de cultivo de algodão para novas safras na mesma área de estudo.
O método desenvolvido no trabalho serve para mapear áreas de cultivo de algodão em outros estados, desde que modifique as informações exclusivas da produção regional, como o calendário agrícola e o manejo, dessa forma com a
construção de modelos específicos haverá maior eficiência na classificação do algodão.
O estudo demonstra a capacidade da mineração de dados em reconhecer padrões em séries temporais de imagens, de modo a auxiliar o tratamento de informações contidas em grandes repositórios.
A alta resolução temporal do sensor MODIS resulta em maior quantidade de dados para a criação de perfis espectro-temporais de coberturas terrestres, o que é interessante para estudos que englobam áreas com elevada dinâmica espacial- temporal e com alta incidência de interferências atmosféricas. No entanto, a limitação deste sensor pode ocorrer em função de sua baixa resolução espacial, considerando que em áreas de produção menores haverá maior dificuldade em separar as coberturas na superfície terrestre.
As características fenológicas da cultura do algodão são identificadas a partir dos perfis temporais do NDVI e EVI. O comprimento de ciclo, produtividade primária e produtividade total são as métricas fenológicas, extraídas no TIMESAT, com maior capacidade de predição para a classificação da cultura do algodão. Portanto, para uma boa performance dos classificadores abordados neste trabalho, não é fundamental utilizar todas as métricas fenológicas disponíveis no programa TIMESAT, mas sim aquelas com maior grau de predição.
Para estudos futuros é interessante que se levante maior quantidade de dados de referência terrestre, e ainda considere a informação da classe para outras culturas agrícolas no mesmo modelo para a classificação. Seguramente, a adição anual de novos dados melhora a capacidade do método em classificar as áreas de algodão, visto que a variação interanual e a distribuição espacial podem ser mais exploradas pelo método. Dessa mesma forma, também podem ser desenvolvidos modelos específicos para aplicações com outras culturas anuais em outros estados produtores.
Os novos sistemas de observação da terra como o Sentinel-2 que oferece melhor resolução espacial e boa resolução temporal surgem como novas oportunidades no monitoramento preciso da agricultura. Diante destas novas oportunidades, desafios como classificar culturas específicas antes mesmo do fechamento do seu ciclo podem ser solucionados.
REFERÊNCIAS BIBLIOGRÁFICAS
ABRAPA, Associação Brasileira dos Produtores de Algodão. Estatísticas: o algodão no Brasil. Brasília, DF. Disponível em:
<http://www.abrapa.com.br/estatisticas/Paginas/Algodao-no-Brasil.aspx> Acesso em: 19 Maio, 2015.
ANDERSON, L. O.; SHIMABUKURO, Y. E.; LIMA, A. de; MEDEIROS, J. S. de. Mapeamento da cobertura da terra do estado do mato grosso através da utilização de dados multitemporais do sensor MODIS. Geografia, Rio Claro, v. 30, n. 2, p. 365-380, 2005.
ANTUNES, J. F. G. Classificação de séries temporais de dados MODIS baseada em redes neuro-fuzzy para o monitoramento sistemático do cultivo da cana-de- açúcar. Tese. Universidade Estadual de Campinas, p. 147, 2014.
ARAÚJO, A.E. Cultura de Algodão no Cerrado. In: ARAUJO, A.E.; SOFIATTI,V. Sistemas de Produção. Brasília, DF: Embrapa Informação Tecnológica, v.2, 2016. ARVOR, D.; JONATHAN, M.; MEIRELLES, M. S. P.; DUBREUIL, V.; DURIEUX, L. Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso, Brazil. International Journal of Remote Sensing, v. 32, n. 22, p. 7847– 7871, 2011.
BAKER, D. N.; LANDIVAR, J. A. Simulation of plant development in gossypium. In: Hodges, T. ed. Predicting crop phenology. Boca Raton: CRC Press, 1991.
BANON, L. C. Árvores de decisão aplicadas à extração automática de redes de drenagem. 115p. Dissertação (Mestrado em Computação Aplicada) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2013.
BANON, L. C.; RENNÓ, C. D. Rotina para aplicação de regras de classificação em imagens utilizando rotina IDL. 2012. Repositório de dados do INPE.
http://urlib.net/sid.inpe.br/mtc-m19/2012/09.04.02.06. Acesso em: 06/11/2017. BECKER, W. R.; JOHANN, J. A.; RICHETTI, J.; SILVA, L. C. DE A. Data mining techniques for separation of summer crop based on satellites images. Engenharia Agrícola Jaboticabal. V. 37, n.4, p. 750-759. 2017.
BROWN, J. C.; JEPSON, W. E.; KASTENS, J. H.; WARDLOW, B. D.; LOMAS, J. M.; PRICE, K. P. Multitemporal, moderate-spatial-resolution remote sensing of modern agricultural production and land modification in the Brazilian Amazon. Giscience and Remote Sensing, vol. 44, no. 2, p. 117–148, 2007.
BROWN, J. C.; KASTENS, J. H.; COUTINHO, A. C.; VICTORIA, D, C.; BISHOP, C. R. Classifying multiyear agricultural land use data from Mato Grosso using time- series MODIS vegetation index data. Remote Sensing of Environment, 130, p.39– 50, 2013.
CAMPBELL, J. B. Introduction to Remote Sensing. New York: Guiford Press, 1987.
CAMPELO JÚNIOR, J. H; AZEVEDO, E. C; ALVES, M. C; MELLO, D; LOBO, F. A; AMORIM, R. S. S. Estimation of water retention on Oxisols cultivated with cotton plant in the cerrado of Mato Grosso. Revista Agroambiente. v.8, n. 3, p. 318-326. 2014.
CHANG, J.; HANSEN, M.C.; PITTMAN, K.; CARROLL, M.; DIMICELI, C. Corn and Soybean Mapping in the United Satates Using MODIS Time-Series Data Sets. Agronomy Journal. v. 99, p. 1654-1664. 2007.
CHIAVEGATO, E. J.; SALVATIERRA, D. K.; GOTTARDO, L. C. B.
Agrometeorologia dos cultivos: o fator meteorológico na produção agrícola. Cap. 2, 530 p. Brasília, DF: INMET, 2009.
COHEN, J. A. A coefficient of agrément of nominal scales. Education and Psychological Measurement, Durham, v. 20, p. 37-46, 1960.
CONAB, Companhia Nacional de Abastecimento. Acompanhamento de safra brasileira: grãos, décimo segundo levantamento. Brasília, DF. Disponível em: <http://www.conab.gov.br/OlalaCMS/uploads/arquivos/17_09_12_10_14_36_boletim _graos_setembro_2017.pdf> Acesso em: 16 de novembro, 2017.
CONGALTON, R. G.; GREEN, K. A practical look at sources of confusion in error matrix generation. Photogrammetric Engineering and Remote Sensing, v. 59, n.5, p. 641-644, 1993.
EKLUNDH, L. e JÖNSSON, P. Timesat 3.2 Software Manual, Lund and Malmö University, Sweden, 88p. 2015.
Embrapa Informática Agropecuária. SATVeg: Gerador de séries temporais. Acesso: novembro, 2017. Disponível em:
https://www.satveg.cnptia.embrapa.br/gerador_series/searchSeries.html.
EPIPHANIO, R. D. V.; FORMAGGIO, A. R.; RUDORFF, B. F. T.; MAEDA, E. E.; LUIZ, A. J. B. Estimating soybean crop areas using spectral-temporal surfaces derived from MODIS images in Mato Grosso. Brazil. Pesquisa Agropecuária Brasileira, vol. 45, no. 1, pp. 72–80, 2010.
ESQUERDO, J. C. D. M. Utilização de perfis multi-temporais do NDVI/AVHRR no acompanhamento da safra de soja no oeste do Paraná. 186 p. Tese (Doutorado em Engenharia Agrícola) - Universidade Estadual de Campinas, Campinas, 2007. ESQUERDO, J.C.D.M.; ANTUNES, J.F.G.; ANDRADE, J.C. de. Desenvolvimento do banco de produtos MODIS na base estadual brasileira. Simpósio Brasileiro de
Sensoriamento Remoto, 15, Curitiba. Anais... São José dos Campos: Inpe, p. 7596- 7602, 2011.
FAYYAD, U.; PIATETSKI-SHAPIRO, G.; SMYTH, P. From Data Mining to Knowledge Discovery: an overview. In: Advances In Knowledge Discovery & Data Mining. Menlo Park: American Association for Artificial Intelligence, 1996. p. 1-34.
FERNANDES, J.L. Monitoramento da cultura de cana-de-açúcar no estado de São Paulo por meio de imagens SPOT vegetation e dados meteorológicos. 114 p. Dissertação (Mestrado em Engenharia Agrícola) – Faculdade de Engenharia Agrícola, Universidade de Campinas, Campinas. 2009.
FIETZ, C. R.; COMUNELLO, E.; CREMON, C.; DALLACORT, R. Estimativa da precipitação provável para o estado de Mato Grosso. Dourados: Embrapa Agropecuária Oeste, 239p. 2008.
FIETZ, C.R.; COMUNELLO, E.; LAMAS, F. M. Análise da época de semeadura do algodoeiro em Mato Grosso com base na precipitação provável. Dourados: Embrapa Agropecuária Oeste, 2009.
FIGUEIREDO, D. C. Projeto GeoSafras – aprimoramento metodológico das estimativas de safras. Anais, XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, p. 191-195, 2007.
FONTANA, D.C.; PINTO, D.G.; JUNGES, A.H.; BREMM, C. Inferências sobre o calendário agrícola a partir de perfis temporais de NDVI/MODIS. Revista Bragantia, v. 74, n.3, p. 350-358, Campinas, 2015.
FRIEDL, M. A. e BRODLEY, C. E. Decision tree classification of land cover from remotely sensed data. Remote Sensing of Environment, v. 61, p. 399-409, 1997. GALFORD, G.L.; MUSTARD, J.F.; MELILLO, J.; GENDRIN. A.; CERRI, C.C.; CERRI, C.E.P. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil. Remote Sensing of Environment, v.112, p. 576-587, 2008.
GUSSO, A.; ADAMI, M.; FORMAGGIO, A. R.; RUDORFF, B. F. T.; RIZZI, R. Análise de séries temporais EVI/MODIS para a estimativa da área cultivada com soja no Rio Grande do Sul. Anais. XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, p. 207-213, 2009.
GUYOT, G. Signatures spectrales des surfaces naturelles. Collection “Télédétection stellitaire’’. Caen: Édition Paradigme, 1989, 178p.
HAN, J.; KAMBER, M; PEI, J. Data Mining: Concepts and Techniques. San Francisco: Morgan Kaufmann Publishers, 2011. 770p.
HOLBEN, B.N. Characteristics of maximum value composite images from temporal AVHRR data. International Journal of Remote Sensing, v.7, n.11, p.1417-1435, 1986.
HUETE, A.; JUSTICE, C.; LEEUWEN, W. V. MODIS vegetation index (MOD 13) algorithm theoretical basis document. 1999. Disponível em: <http://gis-
lab.info/docs/atbd_mod13.pdf>. Acesso em 19/11/2017.
JACQUIN, A.; SHEEREN, D.; LACOMBE, J. Vegetation cover degradation
series. International Journal of Applied Earth Observation and Geoinformation. v 12, p. s3-s10. 2010.
JAKUBAUSKAS, M. E; LEGATES, D. R.; KASTENS, J. H. Crop identification using harmonic analysis of time-series AVHRR NDVI date. Computers and electronics agriculture, v.37, p. 127-139, 2002.
JENSEN, J. R. Sensoriamento Remoto do Ambiente - Uma Perspectiva em Recursos Terrestres. Editora Parêntese. Tradução: Epiphânio et al. (2009). 598 p. JOHANN, J. A.; ROCHA, J. V.; DUFT, D. G.; LAMPARELLI, R. A. C. Estimativa de áreas com culturas de verão no Paraná, por meio de imagens multitemporais EVI/MODIS. Pesquisa Agropecuária Brasileira, Brasília, v.47, n.9, p.1295-1306, 2012.
JOHANN, J. A.; ROCHA, J. V; OLIVEIRA, S. R. M; RODRIGUES. L. H. A; LAMPARELLI, R. A. C. Data mining techniques for identification of spectrally homogeneous areas using NDVI temporal profiles of soybean crop. Engenharia Agrícola Jaboticabal, v. 33, n. 3, p.511-524. 2013.
JÖNSSON, P.; EKLUNDH, L. Seasonality extraction by function fitting to time-series of satellite sensor data. IEEE Transactions on Geoscience and Remote Sensing, v. 40, n. 8, p. 1824-1832, 2002.
JÖNSSON, P.; EKLUNDH, L. Timesat - a program for analyzing time-series of satellite sensor data, Computers and Geosciences, v. 30, p. 833 – 845. 2004. JUSTICE, C.O.; VERMOTE, E.; TOWNSHEND, J.R.G.; DEFRIES, R.; ROY, D.P.; HALL, D.H.; SALOMONSON, V.V.; PRIVETTE, J.L.; RIGGS, G.; STRAHLER, A.; LUCHT, W.; MYNENI, R.B.; KNYAZIKHIN, Y; RUNNING, S; NEMANI, R.R.; WAN, Z.; HUETE,A.R.; LEEUWEN, W.V.; WOLFE, R.E.; GIGLIO, L.; MULLER, J-P.; LEWIS, P.; BARNSLEY, M.J. The Moderate Resolution Imaging Spectroradiometer (MODIS): land remote sensing for global change research. IEEE Transactions on Geosciense and Remote Sensing. v.36, n.4, p.228-1247, 1998.
KASTENS, J. H.; BROWN, J. C.; COUTINHO, A. C.; BISHOP, C. R.; ESQUERDO, J. C. D. M. Soy moratorium impacts on soybean and deforestation dynamics in Mato Grosso, Brazil. PLoS ONE 12 (4). 2017.
KAZAMA, E. H. Perdas na colheita mecanizada de algodão em variabilidade espacial e em função de velocidades de colheita. Dissertação. Jaboticabal, 62 p. 2016.
LANDIS, J.R.; KOCH, G.G. The measurement of observer agreement for categorical data. Biometrics. Michigan, v. 33, n. 1, p.159-174, 1977.
LU, D.; WENG, Q. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5), 2007.
LUNETTA, R.S.; KNIGHT, J.F.; EDIRIWICKREMA, J.; LYON, J.G, WORTHY, L.D. Land-cover change detection using multi-temporal MODIS NDVI data. Remote Sensing of Environment. v. 105, p. 142-154. 2006.
LUZ, M. J.da S. e; BEZERRA, J. R. C.; BARRETO, A. N.; SANTOS, J. W. dos; AMORIM NETO, M. da S. Efeito da deficiência hídrica sobre o rendimento e a qualidade da fibra do algodoeiro. Revista de Oleaginosas e Fibrosas, Campina Grande, v.1, n.1. p. 125-133, 1997.
MEDEIROS, R. A. Simulação do crescimento e produção do algodoeiro com o programa Cotton 2k. 78 p. Dissertação (Mestrado em Agricultura Tropical) – Faculdade de Agronomia, Universidade Federal de Mato Grosso, Cuiabá. 2006. MENGUE, V. P.; FONTANA, D. C. Avaliação da dinâmica espectro-temporal visando o mapeamento dos principais cultivos de verão no Rio Grande do Sul. Bragantia. Vol. 74, n. 3, p.331 – 340, Campinas. 2015.
MONARD, M. C.; BARANAUSKAS, J. A. Conceitos sobre aprendizado de máquina. In: REZENDE, S. O. (Org.). Sistemas inteligentes: fundamentos e aplicações. Barueri: Editora Manole, 2002. p. 89-114.
NONATO, R.T. Aplicação de mineração de dados na identificação de áreas cultivadas com cana-de-açúcar em imagens de sensoriamento remoto no estado de São Paulo. 147 p. Dissertação (Mestrado em Engenharia Agrícola) – Faculdade de Engenharia Agrícola, Universidade de Campinas, Campinas. 2010. NOVO, E. M. L. M. Sensoriamento remoto: princípios e aplicações. 4ª edição. São Paulo: Blucher, 2010.
PONZONI, F. J.; SHIMABUKURO, Y. E.; KUPLICH, T. M. Sensoriamento remoto da vegetação. 2ª edição. Oficina de Textos. 176 p. 2012.
POTGIETER, A. B.; LAWSON, K.; HUETE, A.R. Determining crop acreage estimates for specific winter crops using shape attributes from sequential MODIS imagery. International Journal of Applied Earth Observations and Geoinformation.2013, Vol.23, pag.254-263.
QUINLAN, J. R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA,1993.
REED, B.C.; BROWN, J.F.; DARREL, V.; LOVELAND, T.R; MERCHANT, J.W.; OHLEN, D.O. Measuring phenological variability from satellite imagery. Journal of Vegetation Science. v. 5, p. 703-714. 1994.
REZENDE, S. O.; PUGLIESI, J. B.; MELANDA, E. A.; PAULA, M. F. de. Mineração de dados. In: REZENDE, S. O. (Org.). Sistemas inteligentes: fundamentos e aplicações. Barueri: Ed. Manole, p. 307-335, 2002.
RISSO, J.; RIZZI, R.; RUDORFF, B. F. T.; ADAMI, M.; SHIMABUKURO, Y. E.;
discriminação de áreas de soja. Pesquisa Agropecuária Brasileira, Brasília, v.47, n.9, p.1317-1326, 2012.
RIZZI, R. Geotecnologias em um sistema de estimativa da produção de soja: estudo de caso no Rio Grande do Sul. 214 p. Tese (Doutorado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2005. RIZZI, R. E RUDORFF, B. F. T. Estimativa da área de soja no rio grande do sul por meio de imagens Landsat. Revista Brasileira de Cartografia, n. 57/03, 2005. ROSOLEM, C.A. Ecofisiologia e manejo da cultura do algodoeiro. Informações Técnicas, n.95, p 1 – 9, setembro, 2001.
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems in the great plains with ERTS. In: Earth Resources Technology Satellite-1 Symposium. Proceedings. Washington: NASA, v.1, p.309-317, 1973.
RUNNING, S. W.; LOVELAN, T. R.; PIERCE, L. L.; NEMANI, R. R.; HUNT JUNIOR, E.R. A remote sensing based vegetation classification logic for global land cover analysis. Remote Sensing of Environment, v. 51, p. 39-48, 1995.
SANTOS, J. S. dos; FONTANA, D. C.; SILVA, T. S. F.; RUDORFF, B. F. T. Identificação da dinâmica espaço-temporal para estimar área cultivada de soja a partir de imagens MODIS no Rio Grande do Sul. Revista Brasileira de Engenharia Agrícola e Ambiental Campina Grande, PB, UAEA/UFCG, v.18, n.1, p.54-63, 2014.
SAVITZKY, A.; GOLAY, M. J. E. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, v. 36, n. 8, p. 1627-1639, 1964. SHAO, Y.; LUNETTA, R.S.; WHEELER, B.; LIAMES, J.S.; CAMPBELL, J.B. An evaluation of time-series smoothing algorithms for land-cover classifications using MODIS-NDVI multi-temporal data. Remote Sensing of Environment. v. 174, p. 258- 265. 2016.
SILVA, I.P.F.; JUNIOR, J.F.S.; ARALDI, R.; TANAKA, A.A.; GIROTTO, M.; BOSQUÊ, G.G.; LIMA, F.C.C. ESTUDO DAS FASES FENOLÓGICAS DO
ALGODÃO (Gossypium hirsutum L.). Revista científica eletrônica de agronomia. Garças – SP. Ano X, n. 20, 2011.
SILVA, R. P., SOUZA, F. G., CORTEZ, J. W., FURLANI, C. A. E., VIGNA, G. P. Spatial variability and statistical control process of losses in the mechanized
harvesting of cotton. Engenharia Agrícola, Jaboticabal, v.27, n.3, p.742-752, 2007. STOCKTON, J.R.; CARREKER, J.R.; HOOVER, M. Sugar, oil and fiber crops. Part IV. Irrigation of cotton and other fiber crops In: HAGAN, R.M. HAISE, H.R.;
EDMINSTER, T.W. (Eds.). Irrigation of agriculture lands. Madison: American Society of Agronomy, 1967. p.161-171.
SOUZA, C. H. W.; MERCANTE, E.; JOHANN, J. A.; LAMPARELLI, R. A. C.; URIBE- OPAZO, M. A.; Mapping and discrimination of soya bean and corn crops using
spectro-temporal profiles of vegetation indices. International Journal of Remote Sensing. V. 36, n 7, p. 1809-1824. 2015.
TAO, J.; WU, W.; ZHOU, Y.; JIANG, Y. Mapping winter using phenological featuras of peak before winter on the Noth China Plain based on time-series MODIS data. Journal of Integrative Agriculture, v.16, p.348-359, 2017.
VICTORIA, D. C. do; PAZ, A. R.; COUTINHO, A. C.; KASTENS, J. ; BROWN, J. C. Cropland area estimates using Modis NDVI time series in the state of Mato Grosso, Brazil. Pesquisa Agropecuária Brasileira, Brasília, v.47, n.9, p.1270-1278, 2012. VIEIRA, M.A; FORMAGGIO, A.R; RENNÓ, C.D; ATZBERGER, C; AGUIAR, D.A; MELLO, M.P. Object Based Image Analysis and Data Mining applied to a remotely sensed Landsat time-series to map sugarcane over large areas. Remote Sensing of Environment. 2012.
VINTROU, E.; IENCO, D.; BÉGUÉ, A.; TEISSEIRE, M. Data Mining, A Promising Tool for Large-Area Cropland Mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. Vol. 6, n 5; pag.2132–2138. 2013.
WARDLOW, B.D.; KASTENS, J.H.; EGBERT, S.L. Using USDA Crop Progress Data for the Evaluation of Greenup Onset Date Calculated from MODIS 250-meter Data. Photogrammetric Engineering and Remote Sensing, vol. 72, n. 11, pp. 1225- 1234. 2006.
WARDLOW, B.D.; KASTENS, J.H.; EGBERT, S.L. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains. Remote Sensing of Environment. V.108, p. 290-310, 2007.
WARDLOW, B.D.; EGBERT, S.L. Large-area crop mapping using time-series MODIS 250 m NDVI data: An assessment for the U.S. Central Great Plains. Remote
Sensing of Environment. v.112, p.1096-1116, 2008.
WIEEGAND, G. L.; RICHARDSON, A. J.; ESCOBAR, D. E. Vegetation indices in crop assessment. Remote sensing of Enviranment, v. 35, n.2, p. 105-119. 1991. WILLMOTT, C. J.; ROBESON, S. M; MATSUURA, K. A refined index of model performance. International Journal of Climatology, v. 32, n. 13, p. 2088-2094, 2012.
WITTEN, I. H.; FRANK, E. Data mining: pratical machine learning tools and techniques. 2nd ed., 525 p., San Francisco: Morgan Kaufmann, 2005.
WITTEN, I. H.; FRANK, E; HALL, M.A. Data mining: pratical machine learning tools and techniques. 3rd ed., 664 p., San Francisco: Morgan Kaufmann, 2011. ZHONG, L.; HU, L.; YU, L.; GONG, P.; BIGING, G.S. Automated mapping of soybean and corn using phenology. ISPRS Journal of Photogrammetry and Remote Sensing. V. 119, p. 151-164. 2016.