Mapeamento de milho de segunda safra em mato Grosso com mosaicos LANDSAT 8-9 : comparação entre Random Forest e UNET

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.

Remote sensing mapping products focused on second-season crops, such as second- crop maize, are still limited in Brazil, where most available datasets represent agriculture through broader classes or annual time frames. In Mato Grosso State, the main producing area of this crop in the country, its identification is constrained by the spatial, spectral, and phenological variability among fields and by the concentration of the separability period within a short window of the crop cycle. This study compares Random Forest and U-Net models for mapping second-crop maize in the 2022/2023 growing season, using the same study area, temporal window, sample set, agricultural mask, and Landsat 8 and 9 seasonal mosaic. The comparison was designed to assess classification metrics, spatial coherence of the maps, and the resulting area estimates. Both models showed high performance in the external validation: U-Net achieved the best values for the evaluated metrics and produced more continuous maps in some subsets, indicating an advantage in the spatial representation of fields. Random Forest, although more fragmented, classified a broader maize area and produced a state-level estimate closer to the PAM/IBGE reference. The results show that both models are suitable for mapping second-crop maize under the tested conditions, but they respond differently to crop variability. The U-Net structure contributed to improving local spatial coherence, whereas Random Forest remained a robust, simple, and operationally efficient alternative. The comparison also indicates that mapping performance depends on sample representativeness and on how the spectrotemporal variability of maize is summarized in the input mosaic.