Introdução
A importância econômica da cultura da maçã, associada à expansão e à especialização da produção agrícola, tem impulsionado mudanças nos padrões de uso e ocupação das áreas agrícolas em Santa Catarina. Nesse contexto, a identificação e a caracterização precisa da distribuição espacial dos pomares de maçã são fundamentais para quantificar a área cultivada, apoiar o planejamento e o manejo agrícola e subsidiar políticas de desenvolvimento do setor (Xu et al., 2024).
Diante deste exposto, foram testados diferentes sensores orbitais afim de representar a área mapeada de pomares de maçã em uma região de Santa Catarina. Este estudo faz parte do sistema de monitoramento da Epagri/Ciram e tem por objetivo sempre incrementar novos produtos e sensores para o alcance da melhor acurácia no mapeamento final da cultura da maçã.
Material e Métodos
Foram realizadas as classificações de quatro imagens sobre um pomar de maçã localizado em São Joaquim, no Planalto Sul do estado de Santa Catarina. Foi utilizado o classificador Randon Forest para as imagens do sensor MODIS (Moderate Resolution Imaging Spectroradiometer), OLI (Operational Land Imager)) e MSI (MultiSpectral Instrument), as quais se referem aos satélites Terra/Aqua, Landsat e Sentinel, respectivamente. A classificação supervisionada foi realizada utilizando o algoritmo Random Forest, um método robusto de aprendizado por conjunto (ensemble) que constrói múltiplas árvores de decisão durante o treinamento e agrega suas predições por meio de votação majoritária para tarefas de classificação (Breiman, 2001).
Através do satélite CBERS-4A, sensor WPM (Wide Swath Panchromatic and Multispectral), foi realizada a classificação visual dos pomares de maçã, servindo de referência e posterior comparação com as demais classificações automáticas dos sensores MODIS, OLI e MSI.
A classificação utilizou todas as bandas espectrais como atributos de entrada, de cada sensor, fornecendo ao algoritmo a informação multiespectral completa disponível a partir do sensor, conforme a Tabela 1.
Tabela 1. Características dos satélites e sensores utilizados na classificação dos pomares de maçã.
A análise final considerou o IoU (Intersection over Union), ou Interseção sobre União, a qual é uma métrica utilizada para avaliar o grau de sobreposição espacial entre duas áreas ou máscaras, comparando a área de interseção com a área de união (Long et al., 2015).
Resultados e Discussão
A estrutura fundiária da pomicultura em Santa Catarina é marcada por talhões agrícolas de dimensões reduzidas e contornos irregulares, o que impõe desafios específicos ao mapeamento por sensoriamento remoto. A comparação da mesma área agrícola sob a perspectiva de quatro sensores ópticos evidencia o trade-off clássico entre as resoluções espacial e temporal.
O satélite TERRA/AQUA com o sensor MODIS de 250 m de pixel apresenta severa limitação por contaminação de pixels mistos, inviabilizando a delimitação individual de pomares ou a separação entre a cultura e a vegetação adjacente (Figura 1).
Figura 1. Comparação visual da resolução espacial de diferentes sensores ópticos sobre a mesma área de pomares de maçã no estado de Santa Catarina: MODIS (250 m), Landsat-8 (30 m), Sentinel-2 (10 m) e CBERS-4A (2 m).
Na Figura 2 são apresentadas as cinco imagens sobre um pomar de maçã com os satélites/sensores MODIS de 250m, Landsat 8/9 de 30 m, Sentinel-2 de 10 m, CBERS-4A de 8m e a fusão de imagens CBERS-4A com 2 m de resolução espacial.
Figura 2. Comparação dos sensores MODIS, Landsat-8, Sentinel-2, CBERS 4A de 8 e 2 m.
O satélite Landsat-8 com resolução espacial de 30 m através do sensor OLI permite identificar a estrutura geral do uso do solo, mas sofre com efeitos de borda em talhões pequenos. Em contraste, o Sentinel-2 com o sensor MSI com 10 m de resolução espacial e o CBERS-4A com o sensor WPM com resolução espacial de 2 m fornecem acurácia espacial adequada para a delimitação cadastral. O CBERS-4A WPM sobressai-se visualmente pela capacidade de diferenciar linhas de plantio e carreadores.
A análise da métrica Intersection over Union (IoU) (Tabela 2) demonstra uma forte correlação direta entre o refinamento da resolução espacial e a precisão do mapeamento, utilizando o sensor CBERS-4A (2 m) como verdade de campo (IoU = 1,00).
Tabela 2. Resultados comparativos de classificações com diferentes sensores para pomares de maçã.
Sensores de alta resolução, como o CBERS-4A de 8 m (IoU = 0,93) e o Sentinel-2 de 10 m (IoU = 0,81), mantêm elevada concordância espacial em relação ao contorno real da área, contendo os efeitos de borda dentro de margens aceitáveis de superestimativa (5,6% e 14,2%, respectivamente). Por outro lado, o aumento na dimensão dos pixels degrada progressivamente o alinhamento geométrico, como observado no Landsat-8 (30 m, com IoU = 0,70), culminando no desempenho do MODIS (250 m), cujo valor crítico de IoU = 0,35 e divergência de 46,5% na área mapeada (15 ha contra 10,23 ha do padrão) confirmam a inviabilidade do sensor para delimitações em escala de talhão devido ao predomínio de pixels mistos nas fronteiras do pomar.
Considerações finais
A elevada resolução espacial do CBERS-4A é acompanhada por uma baixa resolução temporal de revisita de 31 dias, fator crítico em regiões de alta nebulosidade recorrente como o Planalto Serrano Catarinense. O Sentinel-2 compensa essa restrição com um intervalo de revisita de 5 dias a 10 m de resolução, oferecendo a melhor combinação para a construção de séries temporais denotativas da fenologia da macieira.
Porém o CBERS-4A, apesar de sua baixa revisita, oferece resolução espacial de 2 m, o que permite um mapeamento de aproximadamente 1:10:000, o que é considerado de média a alta escala.
Referências
Breiman, L. “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5-32, 2001.
Li, J.; Yang, G.; Yang, H.; Xu, W.; Feng, H.; Xu, B.; Chen, R.; Zhang, C.; Wang, H. Orchard classification based on super-pixels and deep learning with sparse optical images. Comput. Electron. Agric. 2023, 215, 108379.
Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence.
Xu, W.; Li, Z.; Lin, H.; Shao, G.; Zhao, F.; Wang, H.; Cheng, J.; Lei, L.; Chen, R.; Han, S.; et al. Mapping Fruit-Tree Plantation Using Sentinel-1/2 Time Series Images with Multi-Index Entropy Weighting Dynamic Time Warping Method. Remote Sens. 2024, 16, 3390.
Kleber Trabaquini1, Maêve Silveira Castelo Branco2, Marcelo Cruz de Liz2
1Epagri/Ciram – Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina
2Epagri/EESJ – Estação Experimental de São Joaquim
Apoio:
