Resumo: Os sistemas integrados de produção agropecuária são considerados uma estratégia viável para atender preocupações globais relacionadas à segurança alimentar e às medidas de mitigação das mudanças climáticas. No entanto, esses sistemas podem ser altamente dinâmicos no tempo e no espaço devido à sua variabilidade das práticas de manejo. Neste caso, a complexidade intrínseca desses sistemas torna seu processo de mapeamento por sensoriamento remoto uma difícil tarefa. Assim, esse trabalho utilizou algoritmos de inteligência artificial a fim de contribuir no conhecimento da distribuição espacial e da dinâmica temporal dos sistemas de integração lavoura-pecuária (iLP), modalidade mais praticada de sistemas integrados no Brasil. O objetivo geral da tese foi desenvolver uma metodologia de mapeamento de áreas com sistemas de iLP por meio da aplicação de algoritmos de aprendizado profundo em cubos de dados das séries temporais de imagens de satélite (STIS) oriundas de Sentinel-2 (S2), PlanetScope (PS) e da fusão de ambas (DF, Data Fusion em inglês). Para isso, dados de campo coletados em dois estados do Brasil, São Paulo (SP) e Mato Grosso (MT), serviram como referência neste estudo. A tese foi organizada em três artigos. No primeiro artigo (1), as capacidades das STIS adquiridas por S2 e PS foram avaliadas para monitorar o manejo intensivo de pastagens em uma área de iLP. Os resultados demonstraram que os manejos conduzidos nas pastagens se relacionam aos padrões espectro-temporais obtidos de S2 e PS, com padrão similar aos obtidos pelo sensor MODIS. No segundo artigo (2), um método de segmentação multitemporal utilizando STIS do S2 foi avaliado para delinear parcelas agrícolas, considerando a dinâmica espacial e temporal de uma região com intensificação agropecuária. Os resultados obtidos das métricas de avaliação provaram que as segmentações anuais geradas são efetivas em identificar parcelas agrícolas para o período de dois anos agrícolas na área de estudo. No terceiro artigo (3), cubos de dados gerados das STIS do S2 e PS foram usados em dois métodos de fusão de dados. Os desempenhos dos métodos de DF, assim como os cubos de dados não fusionados (S2 e PS), foram comparados na classificação de sistemas iLP. Para a classificação, foram utilizados quatro algoritmos: Random Forest, TempCNN, ResNet e Lightweight Temporal Attention Encoder (L-TAE), sendo os três últimos baseados em aprendizagem profunda. As acurácias das classificações revelaram que não houve diferença significativa entre os cubos de dados de DF, S2 e PS, sendo levemente superior para aqueles que utilizam o método de DF com a geração de STIS sintéticas. O algoritmo TempCNN teve o melhor desempenho nas áreas de estudo de SP (AG = 90,0% e F1-Score p/ iLP = 98,6%) e MT (AG = 95,6% e F1-Score p/ iLP = 86,6%), provando sua superioridade neste estudo. Assim, a metodologia se mostrou eficaz para mapear áreas com sistemas de iLP, abrindo oportunidade para novos estudos em escalas regionais e ajudando a promoção de sistemas mais sustentáveis de produção agropecuária Ver menos

Abstract: Integrated crop-livestock systems (ICLS) are considered a viable strategy for addressing global food security and climate change mitigation concerns. However, these systems are complex and can be highly dynamic in their different management forms, with crops and pastures being produced in the same space. In this case, the intrinsic complexity of these systems makes their mapping process difficult. Thus, this work sought to bring remote sensing techniques and artificial intelligence algorithms to learn about the spatial distribution and temporal dynamics of ICLS, Brazil's most practiced modality of integrated systems. The main objective of the thesis was to develop a methodology for mapping areas with ICLS from the application of deep learning algorithms on data cubes obtained from Sentinel-2 (S2), PlanetScope (PS) and both satellite image time series (SITS) fused. For this, field data collected in two states of Brazil, São Paulo (SP) and Mato Grosso (MT), were the reference in this study. The thesis was organized into three articles. In the first article (1), the capabilities of SITS from S2 and PS were evaluated for monitoring intensive pasture management in an ICLS area. The results demonstrated that the managements carried out in the pastures are related to the spectro-temporal patterns from S2 and PS, with a pattern similar to those obtained by the MODIS sensor. In the second article (2), a multitemporal segmentation method using SITS from S2 was evaluated to delineate agricultural parcels, considering the spatial and temporal dynamics of a region with agricultural intensification. The results obtained from the evaluation metrics proved that the annual segmentations generated effectively-identified agricultural parcels for two agricultural years in the study area. In the third article (3), data cubes created from S2 and PS data were used in two data fusion (DF) methods. The performances of DF methods and data cubes using single sources (S2 and PS) were compared in classifying ICLS in two different regions of Brazil. For the classification, four algorithms were used: Random Forest, TempCNN, ResNet and Lightweight Temporal Attention Encoder (L-TAE), the last three being based on deep learning. The experimental results did not show statistically significant difference between the three sources, being slightly higher for those using the DF method with the creation of synthetic SITS. The TempCNN algorithm had the best performance in study area 1 (SA1) in SP (OA = 90.0% and F1-Score for ICLS = 98.6%) and study area 2 (SA2) in MT (OA = 95.6% and F1-Score for ICLS = 86.6%), proving its superiority in this study. Thus, the methodology proved to be effective in mapping ICLS fields, opening up opportunities for new studies in regional scales, and promoting more sustainable agricultural production systems Ver menos