Export iten: EndNote BibTex

Please use this identifier to cite or link to this item: http://tede.unioeste.br/handle/tede/4470
Tipo do documento: Dissertação
Title: GOOGLE earth engine para mapeamento de culturas agrícolas no Paraná
Other Titles: Mapping agricultural cultures in the state of paraná with the online platform google earth engine
Autor: Paludo, Alex 
Primeiro orientador: Johann, Jerry Adriani
Primeiro membro da banca: Johann, Jerry Adriani
Segundo membro da banca: Grzegozewski, Denise Maria
Terceiro membro da banca: Mercante, Erivelto
Resumo: A produção agropecuária brasileira influencia diretamente na economia do país, sendo que a produção nacional de grãos abrange boa parte desse setor. Desta forma, a informação de área semeada com as principais culturas agrícolas tem grande valor no planejamento de ações logísticas, em políticas públicas ou privadas do mercado de commodities. Uma forma de obter dados mais confiáveis desse setor da economia é com o auxílio do sensoriamento remoto, obtendo dados de maneira mais rápida e eficiente. Entretanto, para se trabalhar com sensoriamento remoto, se torna necessário uma alta capacidade computacional para o processamento dos dados. Para contornar este problema, tem sido utilizado o processamento de dados em nuvem na plataforma Google Earth Engine (GEE), que está disponível de forma gratuita aos usuários e que permite a realização de diversas atividades ligadas ao sensoriamento remoto orbital. Assim, o objetivo deste trabalho foi mapear as principais culturas agrícolas de verão e de inverno no estado do Paraná, para os anos-safra 2016/2017 e 2017/2018, utilizando a plataforma GEE. Para tanto, foram utilizadas imagens dos sensores OLI e MSI, imagens do modelo digital de elevação (SRTM), processo de segmentação no mosaico falsa cor das imagens dos sensores e o algoritmo Continuous Naive Bayes como métodos de classificação. O processo de mapeamento foi parametrizado separadamente para cada uma das 39 microrregiões do estado. Por fim, quantificaram-se as áreas das culturas (soja, milho 1ª e 2ª safras e culturas de inverno) por município e compararam-se estas com dados oficiais e dados de campo. A acurácia dos mapeamentos de verão resultou em Exatidão Global (EG) variando entre 87,6% (Milho, ano-safra 2017/2018) a 96,7% (Soja, ano-safra 2016/2017), com índice kappa (K) entre 72% (Milho, ano-safra 2017/2018) e 91% (Soja, ano-safra 2016/2017). A correlação linear (r) entre a área mapeada e a oficial por município foi de 0,92 e o índice de concordância dr = 0,81 para a cultura da soja; para o milho 1ª safra obtiveram-se r = 0,59 e dr = 0,53. Para os mapeamentos de milho 2ª safra e culturas de inverno, a EG variou entre 95% (culturas de inverno, ano-safra 2018) e 96,7% (Milho 2ª safra, ano-safra 2017), com K entre 90% (culturas de inverno, ano-safra 2018) e 92% (Milho 2ª safra, ano-safra 2017). Entre a área mapeada e a oficial por município obtiveram-se r = 0,95 e dr = 0,83 para a cultura do milho 2ª safra, e r = 0,78 e dr = 0,76 para as culturas de inverno. Na comparação entre a área mapeada e os dados de campo obtiveram-se r = 0,96 e dr = 0,86 para a cultura do milho 1ª safra; e r = 0,96 e dr = 0,92 para a soja, no ano-safra 2017/2018. Para o milho 2ª safra obtiveram-se r = 0,79 e dr = 0,71; e r = 0,80 com dr = 0,72 para as culturas de inverno no ano safra 2017. No ano-safra 2018, para milho 2ª safra obtiveram-se r = 0,88 e dr = 0,86; e r = 0,71 com dr = 0,78 para as culturas de inverno. O mapeamento de áreas com culturas agrícolas realizado com a plataforma GEE pode ser realizado forma rápida, precisa e eficiente. Pelos mapeamentos é possível ter-se a distribuição espacial das culturas por talhão das lavouras, bem como a quantificação de áreas por área de abrangência de uma empresa, município, microrregião, mesorregião e para todo estado.
Abstract: Brazilian agricultural production directly influences the country's economy, with national grain production covering a large part of this sector. In this way, the information of area sown with the main agricultural crops has great value in the planning of logistic actions, in public or private policies of the commodities market. One method to obtain more reliable data from this sector of the economy is with the aid of remote sensing, obtaining data more quickly and efficiently. However, in order to work with remote sensing, a high computational capacity is required for data processing. To overcome this problem, the use of cloud data processing in the Google Earth Engine (GEE) platform was employed, which is available to users free of charge, has been used to perform various activities related to orbital remote sensing. Thus, the objective of this work was to map the main summer and winter crops in the state of Paraná, for the 2016/2017 and 2017/2018 harvest years, using the GEE platform. For this purpose, images of the OLI and MSI sensors, images of the digital elevation model (SRTM), false color mosaic segmentation of the sensor images and the Naive Bayes Continuous algorithm as classification methods were used. The mapping process was parameterized separately for each of the 39 microregions of the state. Finally, the crop areas (soybean, 1st and 2nd maize and winter crops) were quantified by municipality and compared with official data and field data. The accuracy of the summer mapping resulted in Global Accuracy ranging from 87.6% (Maize, 2017/2018) to 96.7% (Soybean, 2016/2017), with a kappa index (K) between 72% (Maize, 2017/2018 crop year) and 91% (Soybean, 2016/2017). The linear correlation (r) between the mapped area and the official area per municipality was 0.92 and the agreement index dr = 0.81 for the soybean crop and for the 1st crop corn yielded r = 0.59 and dr = 0.53. For the mapping of 2nd crop maize and winter crops, the Global Accuracy varied between 95% (winter crops, 2018 crop year) and 96.7% (Maize 2nd crop, 2017 crop year), with index kappa (K) between 90% (winter crops, 2018 crop year) and 92% (Maize 2nd crop, 2017 crop year). Between the mapped area and the official area per municipality, r = 0.95 and dr = 0.83 for maize 2ndcrop and r = 0.78 and dr = 0.76 for winter crops were obtained. The linear (r) correlation between the mapped area and the field data was 0.96 and the agreement index dr = 0.86 for the 1st crop corn and for the soybean yield r = 0.96 and p = 0.92 for the crop year 2017/2018, r = 0.79 and dr = 0.71 for maize 2nd crop r = 0.80 and dr = 0.72 for winter crops in the crop year 2017, r = 0.88 and dr = 0.86 for maize crop 2nd crop er = 0.71 and dr = 0.78 for winter crops in the crop year 2018. The mapping of areas with agricultural crops carried out with the GHG platform can be carried out quickly, accurately and efficiently. Through the mappings it is possible to have the spatial distribution of crops per crop plot, as well as the quantification of areas by area of coverage of a company, municipality, microregion, mesoregion and for every state.
Keywords: Modelo Digital de Elevação
Segmentação
Continuous Naive Bayes
Sensoriamento Remoto
Landsat-8
Sentinel-2
CNPq areas: CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA
Idioma: por
País: Brasil
Publisher: Universidade Estadual do Oeste do Paraná
Sigla da instituição: UNIOESTE
Departamento: Centro de Ciências Exatas e Tecnológicas
Program: Programa de Pós-Graduação em Engenharia Agrícola
Campun: Cascavel
Citation: PALUDO, Alex. GOOGLE earth engine para mapeamento de culturas agrícolas no Paraná. 2019. 75 f. Dissertação( Mestrado em Engenharia Agrícola) - Universidade Estadual do Oeste do Paraná, Cascavel, 2019.
Tipo de acesso: Acesso Aberto
Endereço da licença: http://creativecommons.org/licenses/by/4.0/
URI: http://tede.unioeste.br/handle/tede/4470
Issue Date: 11-Feb-2019
Appears in Collections:Mestrado em Engenharia Agrícola (CVL)

Files in This Item:
File Description SizeFormat 
Alex_Paludo_2019.pdfArquivo completo3.84 MBAdobe PDFView/Open Preview


This item is licensed under a Creative Commons License Creative Commons