Identificação de sistemas de integração lavoura-pecuária (ILP) em séries temporais de imagens de alta resolução

• Processo: 19/16870-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2019
• Data de Término da vigência: 30 de novembro de 2020
• Área de conhecimento: Ciências Agrárias - Engenharia Agrícola
• Pesquisador responsável: Aliny Aparecida dos Reis
• Beneficiário: Henrique Sandes Lima Almeida
• Instituição Sede: Núcleo Interdisciplinar de Planejamento Energético (NIPE). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Agrossilvicultura Inteligência artificial Produção agrícola Integração de sistemas Aprendizagem profunda Sensoriamento remoto Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: algoritmos de aprendizagem de máquina | Imagens de Satélite | Inteligência Artificial | Intensificação agrícola | Identificação de sistemas de integração lavoura-pecuária (ILP) em séries temporais de imagens de sensoriamento remoto

Resumo

O aumento da produção agrícola para atender a demanda mundial de alimentos de maneira sustentável nas áreas agricultáveis disponíveis é um dos maiores desafios das atividades agrícolas e pecuárias atuais. Nesse sentido, os sistemas de integração lavoura-pecuária (ILP) se destacam por permitirem a produção sustentável a partir da integração de atividades agrícolas e pecuárias numa mesma área. O Brasil é um país pioneiro em ILP, porém, dada as dificuldades de se identificar essas áreas, não se tem uma estatística da sua proporção em relação à agricultura e pecuária tradicionais. O uso de séries temporais de imagens de sensoriamento remoto é uma das mais eficientes formas de identificação e monitoramento desses sistemas. Diversos são os métodos desenvolvidos para a identificação de alvos de interesse em séries temporais de imagens de sensoriamento remoto; no entanto, os métodos de aprendizagem profunda (Deep Learning em inglês) representam o estado da arte em problemas possíveis de resolução via aprendizagem de máquina, incluindo os problemas de identificação de alvos de interesse em séries temporais. Por sua dinâmica, o mapeamento e monitoramento dos sistemas ILP utilizando imagens de sensoriamento remoto ainda é um desafio mesmo quando métodos robustos são utilizados. Ainda não há relatos da aplicação dos algoritmos de aprendizagem profunda para a identificação de sistemas de integração em séries temporais de imagens de sensoriamento remoto de alta resolução espacial e temporal. Diante deste cenário, esse projeto tem como objetivo o estudo de métodos de aprendizagem profunda para a identificação de sistemas de integração lavoura-pecuária em séries temporais de imagens de alta resolução. Espera-se com os resultados deste estudo desenvolver uma metodologia para a classificação de sistemas de integração lavoura-pecuária (ILP) em imagens de sensoriamento remoto de alta resolução utilizando-se métodos de aprendizagem profunda. (AU)