Análise textural e classificaçã o digital de imagens SAR para discriminação de alvos agrícolas

• Silvio Pimentel Martins ^[1]
  1. [1] nstituto Brasileiro de Geografia e Estatística. Cuiabá. Brasil
• Localización: Geociencias, ISSN-e 1980-900X, ISSN 0101-9082, Vol. 43, Nº 1, 2024, págs. 29-45
• Idioma: portugués
• Títulos paralelos:
  • Texture analysis and digital classification of SAR images for agricultural target discrimination
  • Análisis de textura y clasificación digital de imágenes SAR para discriminación de objetivos agrícolas
• Enlaces
  • Texto completo
• Resumen
  • español

    Las imágenes de teledetección del rango visible e infrarrojo del espectro electromagnético tienen un gran potencial para discriminar áreas agrícolas con el fin de estimar el rendimiento. Sin embargo, la presencia de nubes impide la adquisición de este tipo de imágenes, sin embargo, las imágenes SAR son independientes de las condiciones meteorológicas. En este contexto, este trabajo verificó el potencial de dos imágenes SAR/Radarsat-1, banda C, polarización HH, en modos Fine-5/hacia arriba (F5A) y Standard-7/hacia abajo (S7D) en la discriminación de objetivos agrícolas. en la región de Assis-SP. Los métodos se basaron en análisis visuales y en la comparación de las clasificaciones digitales de las imágenes originales F5A y S7D, filtradas y sus medidas de textura. Los resultados indicaron que las imágenes filtradas mejoraron la discriminación de objetivos en relación con las imágenes originales, siendo el filtro adaptativo Gamma el más eficiente entre los otros filtros probados. Las clasificaciones de imágenes de textura fueron generalmente mejores que las clasificaciones de imágenes filtradas, lo que indica que las medidas de textura pueden ser atributos útiles para maximizar la discriminación de objetivos agrícolas. Las clases con mayor potencial de discriminación tanto en las imágenes F5A como S7D, con una precisión superior al 50%, fueron: agua, zona urbana, caña de azúcar-2, soja y suelo expuesto-1.

  • português

    As imagens de sensoriamento remoto da faixa do visível e infravermelho do espectro eletromagnético apresentam grande potencial na discriminação de áreas agrícolas para fins de estimativa de safra. Contudo, a presença de nuvens impede a aquisição deste tipo de imagens, porém, as imagens SAR independem de condições meteorológicas. Neste contexto, este trabalho verificou o potencialde duas imagens SAR/Radarsat-1, banda C, polarização HH, nos modos Fine-5/ascendente (F5A) e Standard-7/descendente (S7D) na discriminação de alvos agrícolas na região de Assis-SP. Os métodos se basearam em análises visuais e na comparação das classificações digitais das imagens F5A e S7D originais, filtradas e medidas de textura destas. Os resultados indicaram que as imagens filtradas melhoraram a discriminação dos alvos em relação às imagens originais, sendo o filtro adaptativo Gamma, o mais eficiente entre os outros filtros testados. As classificações das imagens de textura foram, em geral, melhores do que as classificações das imagens filtradas, indicando que as medidas de textura podem ser atributos úteis para maximizar a discriminação de alvos agrícolas. As classes com maior potencial de discriminação em ambas as imagens F5A e S7D, com exatidão acima de 50%, foram: água, área urbana, cana-de-açúcar-2, soja e solo exposto-1

  • English

    The remote sensing images of the visible and infrared range of the electromagnetic spectrum have great potential for discriminating agricultural areas for the purpose of estimating the yield. Nevertheless, the presence of clouds prevents the acquisition of this type of images, however, the SAR images are independent of meteorological conditions. In this context, this work verified the potential of two SAR/Radarsat-1 images, C band, HH polarization, in Fine-5/ascending (F5A) and Standard-7/descending (S7D) modes in the discrimination of agricultural targets in the region of Assis-SP. The methods were based on visual analyzes and on the comparison of the digital classifications of the original and filtered F5A and S7D images, as well as their texture measurements. The results indicated that the filtered images improved the discrimination of the targets in relation to the original images, with the Gammaadaptive filter being the most efficient among the other tested filters. Texture image classifications were generally better than filtered image classifications, indicating that texture measures can be useful attributes to maximize discrimination of agricultural targets. The classes with the greatest discrimination potential in both F5A and S7D images, with accuracy above 50%, were: water, urban area, sugarcane-2, soy and exposed soil-1.