Resumo: Métodos de aprendizado de máquina aplicados aos dados de sensoriamento remoto permitem análises cada vez mais complexas em relação a uma área de estudo. Na superfície terrestre, padrões de culturas agrícolas, pastagem e outros tipos de vegetação podem ser identificados por meio da análise de perfis espectro-temporais obtidos por sensores orbitais, como o MODIS. Apesar dos avanços das técnicas de classificação digital, muitos estudos acabam sendo limitados devido à falta de amostras de campo para o treinamento de modelos de classificação, principalmente os baseados em redes neurais profundas. Neste contexto, o presente trabalho propõe uma abordagem baseada no conceito de Generalização, em que um modelo de classificação treinado a partir de um conjunto representativo de amostras é aplicado para a classificação interanual da série temporal do MODIS. O modelo treinado utilizou amostras obtidas para o ano-safra 2019/2020, a partir dos mapeamentos do projeto TerraClass, disponível nos biomas Cerrado e Amazônia. Os mapas foram adaptados para serem compatíveis com a resolução espacial do MODIS e utilizados como base para a coleta de amostras. Os algoritmos testados foram o Random Forest, TempCNN e L-TAE. Junto aos métodos de aprendizado de máquina, uma análise para identificação da qualidade das amostras foi feita por meio do algoritmo SOM, que influenciou positivamente os resultados obtidos. A Generalização dos modelos treinados no ano 2019/20 foi avaliada por meio de amostras de campo disponíveis em anos-safras diferentes daqueles utilizados no treinamento. O processo de avaliação identificou que os algoritmos TempCNN e L-TAE encontraram maior dificuldade em lidar com as variabilidades intraclasse, principalmente nas classes temáticas Agricultura Semiperene e Pastagem. O Random Forest apresentou os melhores resultados nas métricas avaliadas, principalmente após o tratamento pelo SOM, apresentando acurácia global de 0,917 e boa adaptação no processo de Generalização Ver menos

Abstract: Machine learning methods applied to remote sensing data allow increasingly complex analysis of a study area. On the earth's surface, patterns of agricultural crops, grassland and other types of vegetation can be identified by analyzing Spectro-temporal profiles obtained by orbital sensors such as MODIS. Despite the advances in digital classification techniques, many studies end up being limited due to the lack of field samples for training classification models, especially those based on deep neural networks. In this context, this paper proposes an approach based on the concept of Generalization, in which a classification model trained on a representative set of samples is applied to the interannual classification of the MODIS time series. The trained model used samples obtained for the 2019/2020 crop year from the TerraClass project's mapping, available in the Cerrado and Amazon biomes. The maps were adapted to be compatible with MODIS spatial resolution and used as a basis for sampling. The algorithms tested were Random Forest, TempCNN and L-TAE. Along with the machine learning methods, an analysis to identify the quality of the samples was carried out using the SOM algorithm, which positively influenced the results obtained. The Generalization of the models trained in 2019/20 was assessed using field samples available in crop years other than those used for training. The evaluation process identified that the TempCNN and L-TAE algorithms had more difficult to deal with intra-class variability, especially in the Semi-perennial Agriculture and Pasture classes. Random Forest showed the best results in the metrics evaluated, especially after treatment by SOM, with an overall accuracy of 0,917 and good adaptation in the Generalization process Ver menos