Análise de técnicas de agrupamento profundo aplicadas a séries espaço-temporais de sensoriamento remoto para amostras agrícolas
Resumo
O estudo avalia o uso de métodos de agrupamento profundo para a geração automática de amostras de referência a partir de séries temporais satelitais, aplicado ao mapeamento de cultivos em regiões agrícolas brasileiras. Avalia-se o EDESC (Efficient Deep Embedded Subspace Clustering) e sua extensão semi-supervisionada (EDESC-SS) em três regiões: o perímetro irrigado de Santana do São Francisco (SE), o bioma Pampa (RS) e o Cerrado, com dados dos satélites MODIS e Sentinel-2. O EDESC-SS supera consistentemente a versão não supervisionada, com ganhos de acurácia superiores a 20 pontos percentuais nos conjuntos filtrados. O pré-processamento também demonstrou influência relevante: séries temporais filtradas produziram resultados melhores em todas as regiões. Os resultados indicam que o agrupamento profundo por subespaços é uma abordagem viável para reduzir a dependência de grandes volumes de dados anotados no sensoriamento remoto agrícola.
Referências
Cai, J. et al. (2022). Efficient deep embedded subspace clustering. In 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pages 21–30.
Ferreira, K. R. et al. (2020). Earth observation data cubes for brazil: Requirements, methodology and products. Remote Sens., 12(24).
Gargees, R. S. and Scott, G. J. (2021). Large-scale, multiple level-of-detail change detection from remote sens. imagery using deep visual feature clustering. Remote Sens.., 13(9).
Li, F. et al. (2021). Comparison of regional winter wheat mapping results from different similarity measurement indicators of ndvi time series and their optimized thresholds. Remote Sens., 13(6).
Lin, A. et al. (2024). An MIU-based deep embedded clustering model for urban functional zoning from remote sensing images and vgi data. Int. J. Appl. Earth Obs., 128:103689.
Lixing Tan, Liusiyu Chen, Y. W. Z. S. Z. L. (2026). Edesc-ids: An efficient deep embedded subspace clustering-based intrusion detection system for the internet of vehicles. Comput. Mater. Contin., 87(2).
Manjunath, K. et al. (2015). Mapping of rice-cropping pattern and cultural type using remote-sensing and ancillary data: a case study for south and southeast asian countries. Int. J. Remote Sens.., 36(24):6008–6030.
Mohammadi, S., Belgiu, M., and Stein, A. (2023). Improvement in crop mapping from satellite image time series by effectively supervising deep neural networks. ISPRS J. Photogramm. Remote Sens.., 198:272–283.
Oliveira, A. P. A. d. et al. (2025). Uso da rede neural som para melhoria da qualidade de amostras de dados satelitais. In Anais do XXI Simpósio Brasileiro de Sensoriamento Remoto, Salvador. Galoá. Acesso em: 28 jun. 2026.
Pham, V.-D. et al. (2024). Temporally transferable crop mapping with temporal encoding and deep learning augmentations. Int. J. Appl. Earth Obs., 129:103867.
Ren, T., Liu, Z., Zhang, L., Liu, D., Xi, X., Kang, Y., Zhao, Y., Zhang, C., Li, S., and Zhang, X. (2020). Early identification of seed maize and common maize production fields using sentinel-2 images. Remote Sens., 12(13).
Silva, M. A. S. d. et al. (2022). Tracking the connection between Brazilian agricultural diversity and native vegetation change by a Machine Learning approach. IEEE Lat. Am. Trans., 20(11):2371–2380.
Silva, M. A. S. d. et al. (2023). Evaluating autoencoders as a dimensionality reduction mechanism to support clustering brazilian agricultural diversity. Rev. Bras. Cartogr., 75.
Van Strien, M. J. and Grêt-Regamey, A. (2022). Unsupervised deep learning of landscape typologies from remote sensing images and other continuous spatial data. Environ. Modell. Softw., 155:105462.
Xie, J., Girshick, R., and Farhadi, A. (2016). Unsupervised deep embedding for clustering analysis. In Balcan, M. F. and Weinberger, K. Q., editors, Proceedings of The 33rd International Conference on Machine Learning, volume 48 of Proceedings of Machine Learning Research, pages 478–487, New York, New York, USA. PMLR.
