7.3. Análise de Séries Temporais de Imagens

Séries temporais de imagens de satélites nos permitem detectar processos complexos difíceis de identificar usando abordagens tradicionais de detecção de mudanças entre duas imagens em tempos distintos [113] [99]. A Figura a seguir apresenta quatro séries temporais NDVI, associadas à localizações distintas, extraídas do cubo de dados de imagens Sentinel-2 produzido pelo projeto Brazil Data Cube. Considerando todos os valores dessas séries é possível identificar as mudanças que ocorrem nessas localizações ao longo do tempo.

Métodos de Análise de Séries Temporais de Imagens
Métodos de Análise de Séries Temporais de Imagens
Métodos de Análise de Séries Temporais de Imagens

Figura 7.5 - Séries temporais NDVI extraídas do cubo de dados de imagens Sentinel-2 associadas à quatro localizações distintas.

Podemos classificar os métodos de análise de séries temporais de imagens em quatro grupos, como mostrado na Figura a seguir:

  • Classificação de Séries Temporais de Imagens

  • Agrupamento de Séries Temporais de Imagens

  • Detecção de Distúrbios/Mudanças em Séries Temporais de Imagens

  • Extração de Métricas Fenológicas da Vegetação a partir de Séries Temporais de Imagens

Métodos de Análise de Séries Temporais de Imagens

Figura 7.6 - Métodos de Análise de Séries Temporais de Imagens.

Os métodos para extração de métricas fenológicas de séries temporais de imagens são descritos no Capítulo sobre Fenologia, e os métodos de agrupamentos de séries temporais são apresentados no Capítulo sobre Padrões de Séries Temporais.

7.3.1. Classificação de Séries Temporais de Imagens

Atualmente, métodos de aprendizado de máquina (machine learning) e de aprendizado profundo (deep learning) têm sido amplamente utilizados para classificar séries temporais de imagens e produzir mapas de uso e cobertura da terra com resultados promissores [96] [99] [100] [95] [77]. Esses métodos incluem Randon Forest, SVM (Support Vector Machine), TempCNN (Temporal Convolutional Neural Network) e TWDTW (Time-Weighted Dynamic Time Warping).

Os mapas de uso e cobertura da terra lançados em agosto de 2024 pelo projeto TerraClass, para os biomas Cerrado e Amazônia, foram produzidos utilizando métodos de aprendizado de máquina e séries temporais de imagens, como descrito na Notícia de Lançamento do TerraClass. Esses mapas foram gerados utilizando a plataforma Brazil Data Cube, seus cubos de dados de imagens e pacote SITS (Satellite Image Time Series) [77].

A maioria desses métodos utilizados são supervisionados e, portanto, necessitam de amostras de treinamento de boa qualidade para gerar modelos assertivos. A qualidade desse conjunto de amostras é crucial no processo de classificação. Amostras que são bem representativas das classes a serem identificadas resultam em boas classificações. Na classificação de uso e cobertura da terra, amostras de boa qualidade tem impacto direto na acurácia dos mapas gerados [99]. As amostras de treinamento devem descrever adequadamente a diversidade e a representatividade das classes de uso e cobertura da terra que devem ser identificadas pelo classificador. Além disso, essas amostras devem representar adequadamente a alta variabilidade das classes de uso e cobertura da terra em grandes áreas, capturando seus distintos padrões espaço-temporais [114].

Para analisar amostras de uso e cobertura da terra associadas a séries temporais de imagens, Santos et al. [115] propõem um método baseado na rede neural Self-Organizing Maps (SOM) e inferência bayesiana. SOM é uma técnica de cluster muito utilizada para agrupamento de séries temporais. O método proposto produz métricas que indicam a qualidade das amostras de uso e cobertura da terra, usando o SOM para gerar clusters ou agrupamentos de séries temporais de imagens e inferência bayesiana para avaliar as similaridades intra-cluster e inter-cluster [115].