Ano de publicação: 2013

In this paper, we present a novel unsupervised algorithm, called CLimate and rEmote sensing Association patteRns Miner, for mining association patterns on heterogeneous time series from climate and remote sensing data integrated in a remote sensing information system developed to improve the monitoring of sugar cane fields. The system, called RemoteAgri, consists of a large database of climate data and low-resolution remote sensing images, an image preprocessing module, a time series extraction module, and time series mining methods. The preprocessing module was projected to perform accurate geometric correction, what is a requirement particularly for land and agriculture applications of satellite images. The time series extraction is accomplished through a graphical interface that allows easy interaction and high flexibility to users. The time series mining method transforms series to symbolic representation in order to identify patterns in a multitemporal satellite images and associate them with patterns in other series within a temporal sliding window. The validation process was achieved with agroclimatic data and NOAA-AVHRR images of sugar cane fields. Results show a correlation between agroclimatic time series and vegetation index images. Rules generated by our new algorithm show the association patterns in different periods of time in each time series, pointing to a time delay between the occurrences of patterns in the series analyzed, corroborating what specialists usually forecast without having the burden of dealing with many data charts

Time series analysis, Data mining, Remote sensing, Meteorology, Indexes, Satellites, Agriculture

http://ieeexplore.ieee.org/document/6215038/

Ano de publicação: 2011

O Brasil, o maior produtor mundial de cana-de-açúcar, é responsável por 35% da produção mundial. A produção de cana-de-açúcar se concentra nas regiões Centro-Sul e Nordeste e ocupa cerca de 8 milhões de hectares. A cana-de-açúcar, por apresentar um ciclo semi-perene, é influenciada pela variação das condições meteorológicas durante um ano inteiro. O objetivo do trabalho foi analisar os dados climáticos obtidos pelo modelo Eta (2011 a 2090) e os dados do clima atual (1991 a 2010) verificando suas implicações em relação a expansão da cana-de-açúcar no estado de São Paulo. Foram utilizados dados de precipitação e temperatura média, de 1991 a 2010, de estações meteorológicas de seis municípios de São Paulo. Para representar o cenário futuro (2011 a 2090), foram utilizados dados de precipitação e temperatura média obtidos pelo modelo Eta. A partir do balanço hídrico foi possível calcular a deficiência hídrica e o excedente hídrico para os municípios selecionados com armazenamento de água disponível no solo de 100mm. O balanço hídrico mostrou que haverá um aumento na deficiência hídrica. Com o aumento do período seco e do aumento da temperatura média poderá ocorrer uma queda na produtividade de sacarose da cana-de-açúcar.

water balance, Eta model, mean temperature

analise-comparativa-do-clima-atual-e-futuro-para-avaliar-a-expansao-da-cana-de-acucar-em-sao-paulo-02061715.pdf

http://www.cpa.unicamp.br/alcscens/docs/publicacoes/Analise%20comparativa%20do%20clima%20atual%20e%20futuro%20para%20avaliar%20a%20expansao%20da%20cana-de-acucar%20em%20Sao%20Paulo%20.pdf

Ano de publicação: 2011

Extremos de temperatura durante a fase do florescimento do café arábica causam abortamento de flores e perda na produção. Estudos de projeção climática, normalmente baseados em modelos de baixa resolução, já demonstram perdas na produção de café como conseqüência das altas temperaturas. No entanto, esses estudos têm uma menor precisão nas respostas por causa da resolução dos modelos, e novos estudos baseados em modelos de melhor resolução se tornam necessários. Este trabalho apresenta uma análise das implicações dos extremos de temperatura e precipitação na aptidão climática em municípios tradicionalmente produtores de café em Minas Gerais e São Paulo, utilizando o modelo climático Eta (40km de resolução). Primeiramente, as respostas do modelo foram comparadas com os dados climáticos atuais (dados observados). As projeções do modelo Eta foram satisfatórias porque seguem o padrão do clima já existente. Os dados do modelo demonstram um deslocamento do maior déficit hídrico do ano para o mês de setembro. O modelo projeta cenários com aumento de temperaturas, principalmente nos meses de setembro e outubro, que é o florescimento do café, impactando a produção de café arábica.

Aptidão climática, Café arábica, Eta

analise-dos-dados-de-projecao-climatica-do-modelo-eta-e-suas-implicacoes-para-a-cultura-do-cafe-arabica-02061715.pdf

Ano de publicação: 2011

O objetivo deste trabalho foi detectar municípios produtores de cana-de-açúcar no estado de São Paulo, similares, pelo método de agrupamento, analisando variáveis espectrais (NDVI), área plantada e produtividade no período de 2001 a 2009. O resultado dessa análise exploratória dos dados mostrou que a técnica é apropriada para a determinação de grupos de municípios com características semelhantes o que permite classificar as regiões automaticamente.

remote sensing, K-means biofuel

analise-temporal-de-municipios-produtores-cana-de-acucar-no-estado-de-sao-paulo-02061715.pdf

Ano de publicação: 2012

Brazil is the largest sugarcane producer in the world and has a privileged position to attend to national and international marketplaces. To maintain the high production of sugarcane, it is fundamental to improve the forecasting models of crop seasons through the use of alternative technologies, such as remote sensing. Thus, the main purpose of this article is to assess the results of two different statistical forecasting methods applied to an agroclimatic index (the water requirement satisfaction index; WRSI) and the sugarcane spectral response (normalized difference vegetation index; NDVI) registered on National Oceanic and Atmospheric Administration Advanced Very High Resolution Radiometer (NOAA-AVHRR) satellite images. We also evaluated the cross-correlation between these two indexes. According to the results obtained, there are meaningful correlations between NDVI and WRSI with time lags. Additionally, the adjusted model for NDVI presented more accurate results than the forecasting models for WRSI. Finally, the analyses indicate that NDVI is more predictable due to its seasonality and the WRSI values are more variable making it difficult to forecast.

Sugarcane

https://www.tandfonline.com/doi/full/10.1080/01431161.2011.638334

Ano de publicação: 2013

Coffee is one of the most important crops in Brazil. Monitoring the crop is necessary to understand future production and a sound understanding of coffee's biophysical properties improves such monitoring. Biophysical properties such as dry biomass can be estimated using remote sensing, including the new generation of high-resolution images (GeoEye-1, for instance). In this study we aim to investigate the relationship between vegetation indices (VI) of high-resolution images (GeoEye-1) and coffee biophysical properties, including dry biomass and carbon. The study also aims at establishing an empirical relationship between remote sensing data (vegetation indices), simple field measurements and dry biomass, allowing calculation of coffee biomass and carbon without resorting to destructive methods. Individual GeoEye-1 satellite's bands (NIR, RED and GREEN) showed significant correlation with biomass, but the best correlation occurred with vegetation index. There is a strong correlation between NDVI, RVI, GNDVI and dry biomass, allowing the estimation of coffee crops' carbon stock. RVI had correlation with plant area index (PAI). The empirical correlation was established and the forecast equation of coffee biomass was created.

Correlation, Biomass, Vegetation mapping, Carbon, Indexes, Remote sensing, Agriculture

http://ieeexplore.ieee.org/document/6520004/

Ano de publicação: 2014

Given a large image set, in which very few images have labels, how to guess labels for the remaining majority? How to spot images that need brand new labels different from the predefined ones? How to summarize these data to route the user’s attention to what really matters? Here we answer all these questions. Specifically, we propose QuMinS, a fast, scalable solution to two problems: (i) Low-labor labeling (LLL) – given an image set, very few images have labels, find the most appropriate labels for the rest; and (ii) Mining and attention routing – in the same setting, find clusters, the top- outlier images, and the  images that best represent the data. Experiments on satellite images spanning up to 2.25 GB show that, contrasting to the state-of-the-art labeling techniques, QuMinS scales linearly on the data size, being up to 40 times faster than top competitors (GCap), still achieving better or equal accuracy, it spots images that potentially require unpredicted labels, and it works even with tiny initial label sets, i.e., nearly five examples. We also report a case study of our method’s practical usage to show that QuMinS is a viable tool for automatic coffee crop detection from remote sensing images.

Low-labor labelingSummarizationOutlier detectionQuery by exampleClusteringSatellite imagery

https://www.sciencedirect.com/science/article/pii/S0020025513008001?via%3Dihub