Mapeamento de milho de segunda safra em mato Grosso com mosaicos LANDSAT 8-9 : comparação entre Random Forest e UNET
Year: 2026
Type: dissertation
Abstract: Produtos de mapeamento agrícola por sensoriamento remoto voltados ao milho de segunda safra ainda são limitados no Brasil, onde grande parte das bases disponíveis representa a agricultura de forma mais geral ou por recortes anuais. No estado do Mato Grosso, principal área produtora dessa cultura no país, a identificação é dificultada pela variabilidade espacial, espectral e fenológica entre talhões e pela concentração do período de separabilidade em uma janela curta do ciclo agrícola. Este trabalho compara os modelos Random Forest e U-Net no mapeamento do milho de segunda safra na safra 2022/2023, utilizando a mesma área de estudo, janela temporal, base amostral, máscara agrícola e mosaico sazonal Landsat 8 e 9. A comparação foi estruturada para avaliar as métricas de classificação, a coerência espacial dos mapas e a estimativa de área resultante. Os dois modelos apresentaram desempenho elevado na validação externa: a U-Net obteve os melhores valores nas métricas avaliadas e produziu mapas mais contínuos em alguns recortes, indicando vantagem na representação espacial dos talhões. O Random Forest, embora mais fragmentado, classificou uma área mais abrangente de milho e apresentou estimativa estadual mais próxima da referência da PAM/IBGE. Os resultados mostram que os dois modelos são adequados ao mapeamento do milho de segunda safra nas condições testadas, mas respondem de forma distinta à variabilidade da cultura. A estrutura da U-Net contribuiu para melhorar a coerência espacial local, enquanto o Random Forest permaneceu como alternativa robusta, simples e operacionalmente eficiente. A comparação também indica que o desempenho do mapeamento depende da representatividade das amostras e da forma como a variabilidade espectrotemporal do milho é sintetizada no dado de entrada.
Author: Paranhos, Rafael Nectoux
Language: Portuguese
Subfield: Ecology
Field: Environmental Science
Domain: Physical Sciences
SDGs: Zero hunger, Life on land
Open Access status: green
OpenAlex ID: W7208799560