| Texto completo | |
| Autor(es): |
Parreiras, Taya Cristo
;
Santos, Claudinei de Oliveira
;
Bolfe, Edson Luis
;
Sano, Edson Eyji
;
Leandro, Victoria Beatriz Soares
;
Bayma, Gustavo
;
Silva, Lucas Augusto Pereira da
;
Furuya, Danielle Elis Garcia
;
Romani, Luciana Alvim Santos
;
Morton, Douglas
Número total de Autores: 10
|
| Tipo de documento: | Artigo Científico |
| Fonte: | REMOTE SENSING; v. 17, n. 18, p. 29-pg., 2025-09-12. |
| Resumo | |
Coffee demand continues to rise, while producing countries face increasing challenges and yield losses due to climate change. In response, farmers are adopting agricultural practices capable of boosting productivity. However, these practices increase intercrop variability, making coffee mapping more challenging. In this study, a novel approach is proposed to identify coffee cultivation considering four phenological stages: planting (PL), producing (PR), skeleton pruning (SK), and renovation with stumping (ST). A hierarchical classification framework was designed to isolate coffee pixels and identify their respective stages in one of Brazil's most important coffee-producing regions. A dense time series of multispectral bands, spectral indices, and texture metrics derived from Harmonized Landsat Sentinel-2 (HLS) imagery, with an average revisit time of similar to 3 days, was employed. This data was combined with an ensemble learning approach based on decision-tree algorithms, specifically Random Forest (RF) and Extreme Gradient Boosting (XGBoost). The results achieved unprecedented sensitivity and specificity for coffee plantation detection with RF, consistently exceeding 95%. The classification of coffee phenological stages showed balanced accuracies of 77% (ST) and from 93% to 95% for the other classes. These findings are promising and provide a scalable framework to monitor climate-resilient coffee management practices. (AU) | |
| Processo FAPESP: | 24/05205-4 - Desenvolvimento de métodos de mapeamento de uso da terra baseados em dados multisensores e algoritmos de aprendizado de máquina |
| Beneficiário: | Danielle Elis Garcia Furuya |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Processo FAPESP: | 23/04008-8 - Análise de classificações digitais de uso da terra por multisensores e organização de bases de dados geoespacial |
| Beneficiário: | Claudinei Oliveira dos Santos |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Processo FAPESP: | 25/01750-0 - Detecção de sistemas agrícolas diversificados com imagens de alta resolução e deep learning |
| Beneficiário: | Victória Beatriz Soares Leandro |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |
| Processo FAPESP: | 22/09319-9 - Centro de Ciência para o Desenvolvimento em Agricultura Digital - CCD-AD/SemeAr |
| Beneficiário: | Silvia Maria Fonseca Silveira Massruhá |
| Modalidade de apoio: | Auxílio à Pesquisa - Centros de Ciência para o Desenvolvimento |
| Processo FAPESP: | 24/13150-5 - Análise espaço-temporal da dinâmica agrícola em região de alta diversidade produtiva partir de imagens multisensor e aprendizado de máquina |
| Beneficiário: | Taya Cristo Parreiras |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |