Only well-chosen segmentation parameters ensure optimum results of object-based image analysis (OBIA). Manually defining suitable parameter sets can be a time-consuming approach, not necessarily leading to optimum results; the subjectivity of the manual approach is also obvious. For this reason, in supervised segmentation as proposed by Stefanski et al. (2013) one integrates the segmentation and classification tasks. The segmentation is optimized directly with respect to the subsequent classification. In this contribution, we build on this work and developed a fully autonomous workflow for supervised object-based classification, combining image segmentation and random forest (RF) classification. Starting from a fixed set of randomly selected and manually interpreted training samples, suitable segmentation parameters are automatically identified. A sub-tropical study site located in São Paulo State (Brazil) was used to evaluate the proposed approach. Two multi-temporal Landsat 8 image mosaics were used as input (from August 2013 and January 2014) together with training samples from field visits and VHR (RapidEye) photo-interpretation. Using four test sites of 15 × 15 km² with manually interpreted crops as independent validation samples, we demonstrate that the approach leads to robust classification results. On these samples (pixel wise, n ≈ 1 million) an overall accuracy (OA) of 80% could be reached while classifying five classes: sugarcane, soybean, cassava, peanut and others. We found that the overall accuracy obtained from the four test sites was only marginally lower compared to the out-of-bag OA obtained from the training samples. Amongst the five classes, sugarcane and soybean were classified best, while cassava and peanut were often misclassified due to similarity in the spatio-temporal feature space and high within-class variabilities. Interestingly, misclassified pixels were in most cases correctly identified through the RF classification margin, which is produced as a by-product to the classification map.

The potential of optical remote sensing data to identify, map and monitor croplands is well recognized. However, clouds strongly limit the usefulness of optical imagery for these applications. This paper aims at assessing cloud cover conditions over four states in the tropical and sub-tropical Center-South region of Brazil to guide the development of an appropriate agricultural monitoring system based on Landsat-like imagery. Cloudiness was assessed during overlapping four months periods to match the typical length of crop cycles in the study area. The percentage of clear sky occurrence was computed from the 1 km resolution MODIS Cloud Mask product (MOD35) considering 14 years of data between July 2000 and June 2014. Results showed high seasonality of cloud occurrence within the crop year with strong variations across the study area. The maximum seasonality was observed for the two states in the northern part of the study area (i.e., the ones closer to the Equator line), which also presented the lowest averaged values (15%) of clear sky occurrence during the main (summer) cropping period (November to February). In these locations, optical data faces severe constraints for mapping summer crops. On the other hand, relatively favorable conditions were found in the southern part of the study region. In the South, clear sky values of around 45% were found and no significant clear sky seasonality was observed. Results underpin the challenges to implement an operational crop monitoring system based solely on optical remote sensing imagery in tropical and sub-tropical regions, in particular if short-cycle crops have to be monitored during the cloudy summer months. To cope with cloudiness issues, we recommend the use of new systems with higher repetition rates such as Sentinel-2. For local studies, Unmanned Aircraft Vehicles (UAVs) might be used to augment the observing capability. Multi-sensor approaches combining optical and microwave data can be another option. In cases where wall-to-wall maps are not mandatory, statistical sampling approaches might also be a suitable alternative for obtaining useful crop area information.

Http://dx.doi.org/10.5902/1980509818448Eucalyptus benthamii é uma das espécies florestais plantada na região Sul do Brasil devido à sua resistência à geada. A principal doença em plantios comerciais é a mancha foliar causada por Cylindrocladium candelabrum. O objetivo deste trabalho foi avaliar a incidência e a severidade da doença em plantios de Eucalyptus benthamii, localizados em Rio Negrinho - SC. O levantamento foi realizado em três plantios (quatro, oito e 18 meses de idade), quantificando-se a incidência pelo percentual de plantas doentes e a severidade com uma escala diagramática que variou de 0 (sem mancha e desfolha) a 5 (mais de 75 % de desfolha). Quatro avaliações foram feitas no período de julho/2011 a junho/2013. A incidência média de árvores com a mancha foliar variou de 2,6 até 43,8 % das árvores, dependendo da idade, enquanto que a severidade média variou de 1,2 a 2,9, com menor severidade nas árvores de quatro e oito meses de idade. Verificaram-se relações diretas entre a intensidade da doença e o volume de precipitação pluviométrica, bem como entre severidade e altura da árvore. A relação entre incidência de plantas com mancha foliar variou de acordo com a altura das árvores.

A presente pesquisa teve por objetivo avaliar a potencialidade de dados multitemporais Landsat para classificação de cana-de-açúcar e de soja, conjuntamente, quando realizada via Análise de Imagens Orientada a Objetos (OBIA/ Random Forest). Foi utilizado um segmentador multi-resolução (SM) para gerar os polígonos (objetos). Um conjunto de 500 segmentações foi criado pela variação dos parâmetros Fe (fator de escala), Fm (forma) e Cp (compacidade), e avaliado pelo índice de Avaliação da Segmentação (IAVAS). Da segmentação que obteve menor IAVAS, foram extraídos os atributos espectrais das médias e desvios-padrão das bandas TM/Landsat-5 [setembro (S) e outubro (O) do ano 2000] e ETM+/Landsat-7 [fevereiro (F) e março (M) do ano 2001] dos objetos, e seus NDVIs. Estes atributos foram inseridos no algoritmo Random Forest (RF) e as exatidões das classificações foram testadas quanto ao uso dos seguintes conjuntos de datas: SOFM; SFM; OFM; SOF; FM; OF; SF; e F. O IAVAS definiu Fe (35), Fm (30) e Cp (50) como melhores parâmetros de segmentação. As melhores exatidões de classificação Random Forest situaram-se em torno de 86%. Duas datas produziram melhor resultado que apenas uma, entretanto, o uso de mais de duas não produziu melhora significativa na exatidão final da classificação.

O Brasil é o principal produtor mundial da cana-de-açúcar, no entanto, um ponto crítico na produção dessa cultura é a prática da queima para facilitar a colheita manual, que resulta em impactos ambientais, sociais e econômicos. Visando conhecer e minimizar estes impactos, o uso de sensoriamento remoto é bastante indicado para o monitoramento da cana-de-açúcar, incluindo a identificação do modo de colheita. Nesse contexto, o presente trabalho teve como objetivo mapear e identificar o modo de colheita da cana-de-açúcar na mesorregião do Triângulo Mineiro e Alto Paranaíba (TM), em Minas Gerais, durante um período de sete meses (abril a outubro de 2015) empregando imagens multitemporais. Os seguintes passos foram adotados: 1) mapeamento das áreas cultivadas com cana-de-açúcar; 2) identificação da época de colheita da cana; e 3) do modo de colheita (corte mecanizado ou com emprego do fogo). A metodologia consistiu na utilização de imagens multitemporais dos sensores OLI/Landast-8, ETM+/Landsat-7 e AWiFS/ResourceSat-2 na composição colorida RGB NIR-SWIR-Red. As técnicas de pré-processamento adotadas incluíram correção geométrica (AWiFS), preenchimento de falhas (ETM+) e normalização por Aparência Equalizada (todas as imagens). Foram gerados dois mapas de cana-de-açúcar por classificação automática utilizando os classificadores J48 e Random Forest (RF). Uma referência de campo foi obtida com base nos dados do mapeamento de cana de 2013 do INPE, os quais foram atualizados para o ano 2015 por um intérprete experiente. Essa referência serviu para validação dos mapas temáticos gerados. Comparando os dois métodos de classificação automáticos adotados, o melhor resultado de mapeamento de cana foi obtido com o RF. A análise do perfil espectro-temporal dos talhões de cana-de-açúcar em imagens Landsat-like permitiu identificar com eficiência o período e modo de colheita dessa cultura. Os resultados obtidos mostram que em 2015, no TM, os meses de maior intensificação da colheita da cana foram setembro e outubro, sendo que, 75,13% da área total destinada ao cultivo da cana-de-açúcar foi colhido por meio do sistema mecanizado e 24,87% utilizaram o uso da queima na pré-colheita.