Classificação fenológica da cultura do arroz por meio de imagens Sentinel-2 e da rede neural ResNet-18
Palavras-chave:
agricultura de precisão, aprendizado profundo, índices de vegetação, monitoramento fenológico, sensoriamento remoto multiespectralResumo
A classificação dos estágios fenológicos do arroz é um fator crítico para a segurança alimentar, pois permite otimizar o uso de fertilizantes, o manejo da irrigação e o planejamento da colheita. No entanto, o monitoramento tradicional em campo é oneroso e difícil de escalar. Este estudo propõe um método avançado de sensoriamento remoto baseado na arquitetura de rede neural residual ResNet-18 e em imagens de satélite Sentinel-2 para identificar automaticamente os estágios vegetativo, reprodutivo e de maturação. A pesquisa concentrou-se em seis municípios do estado do Rio Grande do Sul, Brasil, durante os ciclos agrícolas de 2019-2020, 2022-2023 e 2023-2024. Metodologicamente, a rede foi adaptada para processar patches de 64 × 64 pixels, empregando uma configuração inovadora de entrada composta por cinco canais específicos de índices de vegetação (NDVI, GNDVI, EVI, NDRE e SAVI), em substituição às bandas espectrais convencionais. Essa integração permitiu capturar assinaturas biofísicas robustas sob diferentes condições atmosféricas. Os resultados obtidos no conjunto de teste independente demonstraram desempenho excepcional, com acurácia de 92,17 %, precisão de 92,22 %, revocação (sensibilidade) de 92,23 % e escore F1 de 92,15 %. Além disso, um índice Kappa de 88,26 % confirma a elevada concordância e estabilidade do modelo além do acaso. Conclui-se que a combinação de aprendizado profundo e índices de vegetação multiespectrais fornece uma ferramenta escalável e altamente confiável para o monitoramento agrícola de precisão. O modelo mostrou-se resiliente mesmo em cenários com disponibilidade limitada de dados devido à cobertura de nuvens, facilitando sua implementação em regiões tropicais e subtropicais para a tomada de decisões em tempo real baseada em dados.
Referências
G. Xie y S. Niculescu, «Mapping Crop Types Using Sentinel-2 Data Machine Learning and Monitoring Crop Phenology with Sentinel-1 Backscatter Time Series in Pays de Brest, Brittany, France», Remote Sensing, vol. 14, n.o 18, p. 4437, sep. 2022, doi: https://doi.org/10.3390/rs14184437.
A. Nazir et al., «Estimation and Forecasting of Rice Yield Using Phenology-Based Algorithm and Linear Regression Model on Sentinel-II Satellite Data», Agriculture, vol. 11, n.o 10, p. 1026, oct. 2021, doi: https://doi.org/10.3390/agriculture11101026.
G. Tian et al., «An Automatic Method for Rice Mapping Based on Phenological Features with Sentinel-1 Time-Series Images», Remote Sensing, vol. 15, n.o 11, p. 2785, may 2023, doi: https://doi.org/10.3390/rs15112785.
J. Wang et al., «Estimation of rice phenology date using integrated HJ-1 CCD and Landsat-8 OLI vegetation indices time-series images», J. Zhejiang Univ. Sci. B, vol. 16, n.o 10, pp. 832-844, oct. 2015, doi: https://doi.org/10.1631/jzus.B1500087.
T. N. Matongera, O. Mutanga, M. Sibanda, y J. Odindi, «Estimating and Monitoring Land Surface Phenology in Rangelands: A Review of Progress and Challenges», Remote Sensing, vol. 13, n.o 11, p. 2060, may 2021, doi: https://doi.org/10.3390/rs13112060.
J. Segarra, M. L. Buchaillot, J. L. Araus, y S. C. Kefauver, «Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications», Agronomy, vol. 10, n.o 5, p. 641, may 2020, doi: https://doi.org/10.3390/agronomy10050641.
P. Ebel, A. Meraner, M. Schmitt, y X. X. Zhu, «Multisensor Data Fusion for Cloud Removal in Global and All-Season Sentinel-2 Imagery», IEEE Trans. Geosci. Remote Sensing, vol. 59, n.o 7, pp. 5866-5878, jul. 2021, doi: https://doi.org/10.1109/TGRS.2020.3024744.
R. Abdollahi-Arpanahi, D. Gianola, y F. Peñagaricano, «Deep learning versus parametric and ensemble methods for genomic prediction of complex phenotypes», Genet Sel Evol, vol. 52, n.o 1, p. 12, dic. 2020, doi: https://doi.org/10.1186/s12711-020-00531-z.
Z. Yi, L. Jia, y Q. Chen, «Crop Classification Using Multi-Temporal Sentinel-2 Data in the Shiyang River Basin of China», Remote Sensing, vol. 12, n.o 24, p. 4052, dic. 2020, doi: https://doi.org/10.3390/rs12244052.
A. Htitiou, A. Boudhar, Y. Lebrini, R. Hadria, H. Lionboui, y T. Benabdelouahab, «A comparative analysis of different phenological information retrieved from Sentinel-2 time series images to improve crop classification: a machine learning approach», Geocarto International, vol. 37, n.o 5, pp. 1426-1449, mar. 2022, doi: https://doi.org/10.1080/10106049.2020.1768593.
CONAB, «Calendário de Plantio e Colheita de Grãos no Brasil 2022». CONAB, Brasil, 2022. [En línea]. Disponible en: https://www.gov.br/conab/pt-br/acesso-a-informacao/institucional/publicacoes/arquivos-de-paginas/calendariozplantiozezcolheitazjunz2022.pdf
L. Wang, F. Zhang, Y. Jing, X. Jiang, S. Yang, y X. Han, «Multi-Temporal Detection of Rice Phenological Stages Using Canopy Spectrum», Rice Science, vol. 21, n.o 2, pp. 108-115, mar. 2014, doi: https://doi.org/10.1016/S1672-6308(13)60170-5.
CONAB, «Mapeamentos Agrícolas». 2025. [En línea]. Disponible en: https://portaldeinformacoes.conab.gov.br/mapeamentos-agricolas-downloads.html
M. Pompa-García et al., «NDVI Values Suggest Immediate Responses to Fire in an Uneven-Aged Mixed Forest Stand», Forests, vol. 13, n.o 11, p. 1901, nov. 2022, doi: https://doi.org/10.3390/f13111901.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Saastal
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
