Análise Subpixel de Série Temporal de Imagens MODIS usando Aprendizado por Transferência e Calibração Relativa

Resumo

O aprendizado por transferência reutiliza um modelo pré-treinado em um novo problema relacionado, o que pode ser útil para monitorar áreas extensas como o bioma Amazônia. Para tal, é importante que um determinado objeto possua características espectrais semelhantes nos dados utilizados, sendo que variações nesses valores podem ser minimizadas com técnicas de calibração relativa. Neste artigo, apresenta-se um processo de calibração relativa em imagens multitemporais e como essa calibração impacta processos de classificação subpixel. Imagens MODIS da região Amazônica, coletadas entre 2013 e 2017, foram relativamente calibradas usando uma imagem de 2012 como referência e classificadas por apredizado por transferência. As classificações de imagens calibradas e não calibradas foram comparadas com dados do projeto PRODES, com foco nas áreas de florestas. Observou-se grande variação nas respostas espectrais da classe floresta, mesmo em imagens de datas próximas e do mesmo sensor. Essas variações impactaram significativamente nas classificações de cobertura da terra no subpixel, com casos de concordância entre os mapas de dados não calibrados e PRODES de 0%. Para os dados calibrados, os valores de concordância foram superiores a 70%. Os resultados indicam que o método utilizado, embora bastante simples, seja adequado e necessário para a classificação subpixel de imagens MODIS por transferência de aprendizado.