UMA ABORDAGEM HÍBRIDA DE CNN PARA CLASSIFICAÇÃO E MAPEAMENTO HIPERESPECTRAL DE ÁREAS AGRÍCOLAS

Abstract

RESUMO: A classificação hiperespectral de áreas agrícolas enfrenta desafios significativos devido à complexidade dos dados espectrais e à necessidade de precisão na distinção entre diferentes tipos de culturas e variações de solo. Para superar esses desafios, esta dissertação propõe uma abordagem híbrida que integra Redes Neurais Convolucionais (CNNs) para aprimorar a classificação e o mapeamento de imagens hiperespectrais em atividades

agrícolas. O modelo proposto combina arquiteturas convolucionais bidimensionais (2D- CNN) e tridimensionais (3D-CNN), onde as camadas 3D-CNN processam inicialmente as

imagens hiperespectrais para extrair características espectrais detalhadas, considerando a correlação entre bandas espectrais adjacentes. Em seguida, uma camada 2D-CNN captura detalhes espaciais, facilitando a distinção entre variações sutis no terreno. Como resultado,

a abordagem foi testada em várias bases de dados hiperespectrais, incluindo WHU-Hi- LongKou, HanChuan, HongHu, University of Pavia, Salinas, Indian Pines, KSC e Botswana,

com a quantidade de bandas variando de 103 a 274. A proposta alcançou acurácia global (OA) entre 99,90% e 100%, recall de até 100% e F1-score de até 100%, confirmando a eficácia e robustez do modelo. Este estudo contribui significativamente para o avanço na classificação hiperespectral e fornece informações importantes para o monitoramento eficiente e a gestão de recursos agrícolas. A performance do modelo indica potenciais aplicações em larga escala na agricultura. ABSTRACT: Hyperspectral classification of agricultural areas faces significant challenges due to the complexity of spectral data and the need for high precision in distinguishing between different crop types and soil variations. To overcome these challenges, this master’s dissertation proposes a hybrid approach that integrates Convolutional Neural Networks (CNNs) to enhance the classification and mapping of hyperspectral images in agricultural

activities. The model combines two-dimensional (2D-CNN) and three-dimensional (3D- CNN) convolutional architectures, where 3D-CNN layers initially process the hyperspectral

images to extract detailed spectral features by considering the correlation between adjacent spectral bands. Then, a 2D-CNN layer captures spatial details, facilitating the distinction of subtle terrain variations. This combination allows the model to perform an integrated and detailed representation of the data, essential for accurate agricultural area classification.

As a result, the approach was tested on various hyperspectral datasets, including WHU- Hi-LongKou, HanChuan, HongHu, University of Pavia, Salinas, Indian Pines, KSC, and

Botswana, with the number of bands ranging from 103 to 274. The proposed method achieved overall accuracy (OA) between 99,90% and 100%, recall up to 100%, and F1- score up to 100%. The test loss ranged from 1,0000 × 10−7

to 1,5093 × 10−3

, along with remarkable results in metrics such as Average Accuracy (AA) and Kappa, confirming the model’s effectiveness and robustness. This study contributes significantly to advances in hyperspectral classification and provides important insights for efficient monitoring and management of agricultural resources. The model’s success suggests potential large-scale applications in agriculture, promoting land-use optimization and maximizing sustainable agricultural production.