AVALIAÇÃO DA SIMILARIDADE ENTRE O COMPORTAMENTO TEMPORAL DE

CULTIVOS DE CAFÉ E REMANESCENTES FLORESTAIS

Lizandra Maria Silva Araújo1, Luis Marcelo Tavares de Carvalho1, Isabela Braga Belchior1, Tássia
Borges Arantes1 e Samantha Ramos Gomes1
1
Departamento de Ciências Florestais, Universidade Federal de Lavras, Campus Universitário, Caixa Postal 3037, CEP:
37200-000 – Lavras - MG, [email protected]; [email protected]; [email protected];
[email protected]; [email protected]

Key words — time series, NDVI, DTW, Bfast, temporal

RESUMO behavior.
1. INTRODUÇÃO
O presente trabalho buscou quantificar as diferenças e
similaridades existentes entre o comportamento (perfil) Nos últimos 50 anos, o Brasil sofreu intenso aumento
temporal de cultivos de café e remanescentes florestais. demográfico, elevação da taxa de urbanização e expansão de
Este objetivo baseia-se na hipótese de que as diferentes fronteiras agrícolas [1]. Neste contexto, o monitoramento da
coberturas do solo, de maneira geral, apresentam um perfil superfície consiste em um enorme desafio e ao mesmo
temporal característico, o qual é distinto entre diferentes tempo, torna-se essencial para a gestão territorial, de modo a
coberturas. Os dados para realização do trabalho são garantir o desenvolvimento econômico sustentável.
compostos por uma imagem Sentinel-2 e uma pilha O uso de séries temporais de imagem consiste em uma
temporal TM sintética, a qual foi a base para a construção importante ferramenta para a compreensão da superfície da
das séries temporais NDVI, geradas para cada ROI inserida Terra, a qual envolve processos dinâmicos, como
no município de Carmo de Minas – MG. As séries interferências antrópicas e mudanças fenológicas da
temporais foram decompostas pelo algoritmo Bfast, e as vegetação, que seriam inviáveis de compreender em uma
componentes de sazonalidade comparadas duas a duas por análise mono ou bitemporal. O emprego do componente
meio do DTW. Os resultados obtidos demonstraram que a tempo, aliado as propriedades espaciais e espectrais de
hipótese levantada é verdadeira, uma vez que os maiores imagens de satélite permite a exploração e o entendimento
valores de DTW foram encontrados nas comparações de padrões ambientais complexos [2,3].
realizadas entre as diferentes coberturas, indicando menor Em frente a esse espectro, o presente trabalho buscou
similaridade. quantificar as diferenças e similaridades existentes entre o
comportamento (perfil) temporal de cultivos de café e
Palavras-chave — séries temporais, NDVI, DTW, remanescentes florestais. Este objetivo baseia-se na hipótese
Bfast, comportamento temporal. de que as diferentes coberturas do solo, de maneira geral,
apresentam um perfil temporal característico, o qual é
ABSTRACT distinto entre diferentes coberturas.

This study aimed to quantify the differences and similarities 2. MATERIAIS E MÉTODOS
between the temporal behavior (profile) of coffee crops and
forest remnants. This objective is based on the hypothesis 2.1 Área de Estudo
that different land cover, in general, present a characteristic
temporal profile, which is different between different O estudo foi desenvolvido em áreas de cultivo de café e de
coverings. The data to perform the work are composed of a remanescentes de Floresta Estacional Semidecidual
Sentinel-2 image and a synthetic TM temporal stack, which localizadas, majoritariamente, no município de Carmo de
was the basis for the construction of the NDVI time series, Minas, no sul de Minas Gerais (Figura 1) . O local está
generated for each ROI inserted in the municipality of inserido no Bioma Mata Atlântica, sendo o clima da região
Carmo de Minas - MG. The time series were decomposed by classificado por Koppen como Cwb, subtropical de altitude.
the Bfast algorithm, and the seasonal components compared A altitude média do município é 960 m, com temperatura e
two by two using the DTW. The obtained results precipitação média anual de 19,1°C e 1568 mm,
demonstrated that the hypothesis raised is true, since the respectivamente.
highest values of DTW were found in the comparisons made
between the different coverages, indicating a lower 2.2 Aquisição e Processamento dos Dados
similarity.
Foi utilizada para a realização do trabalho uma imagem do

2715
 Figura 1. Localização da área de estudo. Em destaque um recorte da cena Sentinel T23KMR contento as regiões de
interesse (ROIs) que deram origem as séries temporais NDVI.

satélite Sentinel-2 (T23KMR) adquirida a partir do portal A análise das séries temporais iniciou-se com sua
Earth Explorer (https://earthexplorer.usgs.gov), com decomposição por meio do algoritmo Bfast (Breaks For
resolução espacial de 10 metros; e uma pilha temporal de Additive Seasonal and Trend) [7,8], o qual decompõe a série
imagens TM (WRS 218/75), de 2000 a 2011, composta por em três componentes: sazonalidade (St), tendência(Zt) e
imagens originais e sintéticas, totalizando 272 imagens. ruído(et).
A pilha temporal de imagens foi confeccionada por [4], a A fim de comparar a similaridade entre as séries
qual realizou a fusão de imagens Landsat TM e MODIS por temporais, utilizou-se a componente sazonal como perfil
meio do algoritmo STARFAM [5], dando origem as característico de cada cobertura. O algoritmo DTW
imagens sintéticas. As imagens sintéticas preservaram a (Dinamic Time Warping) realizou tal comparação, onde
resolução espacial de 30 metros das imagens TM. quanto menor o valor encontrado maior a similaridade entre
A partir da pilha temporal calculou-se o índice de os perfis temporais.
vegetação NDVI (Normalized Difference vegetation Index),
conforme a equação: NDVI = (ρNIR – ρRED) / (ρNIR + 3. RESULTADOS E DISCUSSÃO
ρRED), onde ρNIR é a reflectância na banda do
infravermelho próximo e ρRED é a reflectãncia na banda do A análise das componentes sazonais das séries temporais,
vermelho [6]. Deste modo, obteve-se uma pilha temporal obtidas através do algoritmo Bfast, permitiu a observação de
NDVI, a qual foi utilizada para as análises. um comportamento sazonal para café e floresta, no qual
padrões de variação de NDVI se repetem em um intervalo
2.3 Séries Temporais de Imagem de tempo.
A figura 2 demonstra o comportamento sazonal
A seleção das áreas para análise de séries temporais de sobreposto das séries temporais de café e floresta, onde a
imagem aconteceu por meio da coleta de regiões de sazonalidade (ST) para café demonstra padrões mais
interesse (ROIs) na imagem T23KMR do satélite Sentinel-2, regulares e maior amplitude de variação contrapondo ao
de modo manual, a partir de interpretação visual de imagem. comportamento observado para floresta.
A validação das ROIs foi realizada com o auxílio do A comparação de similaridade entre as séries temporais
software Google Earth Pro. geradas foi realizada a partir das componentes de
Ao todo se obteve 16 ROIs, sendo metade de cada sazonalidade, as quais foram comparadas duas a duas por
cobertura analisada, café e floresta, na qual cada região de meio do algoritmo DTW. Este algoritmo mensura o
interesse derivou uma série temporal da pilha NDVI. alinhamento ótimo entre duas sequências, e o resultado

2716
 Figura 2. Componentes sazonais sobrepostas das séries temporais de café e floresta, respectivamente.

numérico obtido é o resumo das alturas (distâncias) das atingiram valores altos, contidos entre os limites mínimos e
associações realizadas [9]. máximos quando comparados aos valores de DTW obtidos
Os resultados obtidos foram resumidos em valor para diferentes coberturas do solo.
mínimo e máximo, como mostra a tabela 1. Deste modo, a fim de buscar resultados com menor
variação, é necessário que sejam inseridas variáveis externas
Tabela 1. Resultados máximos e mínimos de DTW para as as imagens que possam explicar a variação do
comparações de similaridade realizadas. comportamento sazonal dentro de uma mesma cobertura do
solo, buscando um perfil temporal característico.
Máx. Mín.
5. REFERÊNCIAS
Café x Café 5.97 1.40
Floresta x Floresta 5.26 1.27 [1] Ministério do Meio Ambiente. Serviço Florestal Brasileiro.
Café x Floresta 9.24 2.23 Disponível em: <http://www.florestal.gov.br/>. Acesso em: 17
abril 2017.
Os valores de DTW obtidos para a comparação entre as [2] Bruzzone, L.; Smits, P. C. e Tilton, J. C., “Foreword special
séries temporais de café e floresta evidenciaram que, como o issue on analysis of multitemporal remote sensing images,” IEEE
esperado, as séries temporais de diferentes tipologias Transctions on Geoscience and Remote Sensing, v. 41, n. 11, pp.
vegetais possuem menor similaridade, ou seja, os maiores 2419-2422, Nov. 2003.
valores de DTW.
Na comparação realizada dentro de uma mesma [3] Costa, S.C.; Fonseca, L.M.G.; Körting, T.S.; Bendini, N.H. e
tipologia vegetal os valores de DTW não ultrapassam o Souza, R.C.M., “Spatio-Temporal Segmentation Applied to
valor máximo de 5,97, enquanto que os valores de DTW nas Optical Remote Sensing Image Time Series”, IEEE Geoscience
and Remote Sensing Letters, v.15, n.8, pp.1299-1303, Aug. 2018.
comparações realizadas entre café e floresta atingem os
valores máximos de até 9,24. [4] ARANTES, T.B., “Análise de Séries Temporais Compostas por
Imagens Sintetizadas a partir da Fusão de Dados MODIS-TM”.
4. CONCLUSÕES Lavras : UFLA. 90 p. : il, 2014.

O algoritmo DTW se mostrou eficaz para a comparação de [5] Gao, F. et al. On the blending of the Landsat and MODIS
similaridade entre as séries temporais NDVI, através da surface reflectance: predicting daily landsat surface reflectance.
componente sazonal derivada pelo algoritmo Bfast. IEEE Transactions on Geoscience and Remote Sensing, New
Apesar dos resultadas apresentarem consistência, os York, v. 44, n. 8, pp. 3287-3319, Oct. 2006.
valores de DTW dentro de uma mesma cobertura do solo

2717
 [6] ROUSE, J. W.; Haas, R. H.; Schell, J. A. e Deering, D. W., [8] Verbesselt, J.; Hyndman, R., Newnham, G. e Culvenor. D.,
“Monitoring vegetation systems in the great plains with “Phenological change detection while accounting for
ERTS”. Washington: NASA, v. 1, pp. 309-317, 1974. abrupt and gradual trends in satellite image time series”. Remote
Sensing of Environment, New York, v. 114, n. 12, pp. 2970-2980,
[7] Verbesselt, J.; Hyndman, R., Newnham, G. e Culvenor. D., Dec. 2010b.
“Detecting trend and seasonal changes in satellite image
time series”. Remote Sensing of Environment, New York, v. 114, [9] Petitjean F.; Inglada J. e Gançarski P., “Satellite Image Time
n.1, p.106-115, Jan. 2010a. Series Analysis Under Time Warping”, IEEE Transactions on
Geoscience and Remote Sensing, v. 50, n. 8, Aug. 2012.

Powered by TCPDF (www.tcpdf.org)

2718