AVALIAÇÃO DA SEGMENTAÇÃO MULTITEMPORAL EM IMAGENS DO SENTINEL-2 EM UMA ÁREA DE INTENSIFICAÇÃO AGROPECUÁRIA
Detalhes
- Tipo de apresentação: Trabalho
- Eixo temático: TECNOLÓGICAS
- Palavras chaves: Coeficiente de variação; Watershed Segmentation; Object-oriented image analysis;
- 1 Faculdade de Engenharia Agrícola - Universidade Estadual de Campinas (UNICAMP)
- 2 Unicamp
- 3 Universidade Estadual de Campinas
AVALIAÇÃO DA SEGMENTAÇÃO MULTITEMPORAL EM IMAGENS DO SENTINEL-2 EM UMA ÁREA DE INTENSIFICAÇÃO AGROPECUÁRIA
Lohaynes Teixeira Dos Santos
Faculdade de Engenharia Agrícola - Universidade Estadual de Campinas (UNICAMP)
Resumo
A disponibilidade global de imagens de satélite da missão Sentinel-2 (ESA, 2020), em suas 13 bandas espectrais com resolução espacial (10 – 60 m) e temporal (5 dias), tem permitido pesquisadores da área do sensoriamento remoto à desenvolverem métodos mais eficientes de monitoramento das atividades agropecuárias. Um exemplo disso, é a classificação do uso e cobertura da terra a partir de imagens em análises baseadas em objetos, uma vez que seus resultados são superiores aos métodos baseados em pixel (VIEIRA et al., 2012). No entanto, apesar das vantagens da classificação baseada em objetos, a literatura mostra que ela é raramente usada para analisar séries temporais de imagens de satélite (BELGIU; CSILLIK, 2018). Logo, a aplicação de métodos de segmentação em imagens multitemporais para identificação espaço-temporal de objetos é uma etapa importante que ainda precisa ser investigada (INGLADA et al., 2015), principalmente em áreas dinâmicas com intensificação das atividades agropecuárias. Diante desse cenário, o presente projeto tem como objetivo geral testar um método de segmentação em imagens multitemporais do Sentinel-2 em uma área de intensificação agropecuária. A partir desse enfoque aumentam-se as possibilidades de mapear tipos de culturas e culturas de mesmo tipo em diferentes estádios de desenvolvimento fenológico (WATKINS; VAN NIEKERK, 2019; PETITJEAN; INGLADA; GANCARSKI, 2012).
Apoio/Financiamento da Pesquisa: PIBIC/CNPq
Discussões Científicas de Qualidade
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Lohaynes Teixeira Dos Santos
Olá, Manuel, boa tarde. Muito obrigada!
Respondendo em ordem suas dúvidas:
1. Os parâmetros Depth Threshold e e Flood Level foram definidos a partir de diversas tentativas durante o processo de segmentação. Ao testá-los, foi possível verificar que se mantivesse constante o Flood Level e variasse apenas os valores do Depth Thereshold seria possível chegar à uma segmentação mais próxima possível da desejada. Assim, na avaliação da segmentação no AssesSeg, foi possível verificar quais valores de ambos parâmetros mais se adequavam à uma determinada imagem. Ou seja, se as métricas PSE, NSR e ED2 ficassem mais próximas de 0 para a segmentação que possuía os dois parâmetros com valores "x" e "y", eu concluía que estes eram os valores mais adequados. Esse processo foi realizado para todas as imagens segmentadas.
2. Em teoria, aplicar o filtro antes ou depois de normalizar a imagem não irá alterar o histograma dela e a escala ficará de 0 e 1.
3. O filtro Sobel é um filtro de detecção de bordas e essa, por sua vez, é uma operação comum em análise de imagens. O filtro consegue detectar e destacar pontos em uma imagem digital em que o brilho muda de maneira acentuada, então ele tem como principal objetivo capturar eventos e mudanças importantes da imagem, ou seja, detectam as bordas dos elementos da imagem. Como o algoritmo Watershed Segmentation expande objetos até encontrar as bordas dos elementos, a utilização do filtro pode facilitar esse processo. Neste mesmo trabalho fiz a segmentação de imagens sem a utilização do filtro e obtive resultados satisfatórios.
Espero ter esclarecido suas dúvidas!