Análise do Modelo Linear de Mistura Espectral na Avaliação de Incêndios Florestais no Parque Nacional do Araguaia, Tocantins, Brasil: Imagens EO-1/Hyperion e Landsat-7/ETM+
DOI:
https://doi.org/10.11137/2020_4_440_450Keywords:
Fogo, Hiperespectral, MultiespectralAbstract
O sensoriamento remoto orbital é uma fonte de informação importante para os estudos de perturbações ambientais em áreas protegidas. Entretanto, a variabilidade e a aplicabilidade das diferentes resoluções espaciais e espectrais dos sistemas sensores são objetos de estudo no âmbito técnico-científico. O sensoriamento remoto hiperespectral gera informações com maior dimensionalidade e detalhamento no espectro de reflectância quando comparado ao sensoriamento remoto multiespectral. Neste trabalho, foi analisado o Modelo Linear de Mistura Espectral para avaliar a influência de pixels mistos na classificação de áreas queimadas no Parque Nacional do Araguaia, no estado de Tocantins, a partir da comparação entre imagens dos Satélites EO-1/Hyperion e Landsat-7/ETM+. A validação dos dados espaciais foi baseada no Banco de Dados do Programa de Monitoramento de Queimadas/Incêndios Florestais do INPE. O modelo gerado pelos sensores ETM+ e Hyperion apresentaram erro quadrático médio de 0,026 e 0,016, respectivamente. A imagem Fração Queimado (FQ) do sensor ETM+ não apresentou os resultados esperados, aparentemente devido às feições em superfície de baixa refletância, que contribuíram para que os valores dos parâmetros de acurácia fossem baixos em relação ao sensor Hyperion. Os resultados possibilitaram a geração de produtos com a distribuição espacial das áreas queimadas. Recomenda-se que estudos posteriores relacionados com a metodologia estabelecida e testada neste trabalho sejam avaliados em outros sistemas sensores de alta resolução espacial e espectral.
References
Addison, P.; Oommen, T. 2018. Utilizing satellite radar remote sensing for burn severity estimation. International Journal of Applied Earth Observing Geoinformation, 73: 292–299.
Anderson, L.; Marchezini, V.; Morello, T. F. & Cunningham, H. A. 2019. Conceptual model of disaster risk management and warning system associated with wildfires and public policy challenges in Brazil. Territorium (Coimbra), 1: 43-61.
Barsi, J. A.; Markham, B. L.; Czapla-Myers, J. S.; Helder, D. L.; Hook, S. J.; Schott, J. R. & Haque, M. O. 2016. Landsat-7 ETM+ radiometric calibration status. In: PROCEEDINGS VOLUME 9972, EARTH OBSERVING SYSTEMS XXI; 99720C, Disponivel em: < https://doi:org/10.1117/12.2238635. Aceso em: 18/05/2010.
Chuvieco, E.; Mouillot, F.; Van Der Werf, G. R.; San Miguel, J.; Tanasse, M.; Koutsias, N. & Giglio, L. 2019. Historical background and current developments for mapping burned area from satellite Earth observation. Remote Sensing of Environment, 225: 45-64.
Chuvieco, E.; Opazo, S.; Sione, W.; Del Valle, H.; Anaya, J.; Di Bella, C.; Cruz, I.; Manzo, L.; López, G. & Mari, N.; 2008. Global burned land estimation in latin america using modis composite data. Ecological Applications, 18: 64–79.
Congalton, R.; Oderwald, R. & Mead, R. 1983. Assessing Landsat classification accuracy using discrete multivariate statistical techniques. Photogrammetric Engineering and Remote Sensing, 49(12):1671–1678.
Fernandez-Manso, A.; Quintano, C. & Roberts, D. A. (2016). Burn severity influence on post-fire vegetation cover resilience from Landsat MESMA fraction images time series in Mediterranean forest ecosystems. Remote Sensing of Environment, 184:112–123. doi:10.1016/j.rse.2016.06.015
INPE. 2019. Instituto Nacional de Pesquisas Espaciais. Dados pontuais de focos de calor. Programa de Monitoramento de Focos de Calor. Disponível em: <http://sigma.cptec.inpe.br/queimadas/>. Acesso em: 17/08/2019.
Kruse, F. A.; Boardman, J.W. & Huntington, J.F. 2003. Comparison of airborne hyperspectral data and EO-1 Hyperion for mineral mapping. IEEE Transactions on Geoscience and Remote Sensing, 41: 1388–1400.
Libonati, R.; DaCamara, C. C.; Setzer, A. W.; Morelli, F. & Melchiori, A. E. 2015. An algorithm for burned area detection in the Brazilian Cerrado using 4 μm MODIS imagery. Journal Remote Sensing, 7: 15782-15803.
Paiva, Y. R. Y. 2019. Burned area and fuel load mapping in a protected area situated in the Brazilian Cerrado, using linear spectral unmixing model. In: Anais do XIX Simpósio Brasileiro de Sensoriamento Remoto, 2019, Santos. Anais eletrônicos... São José dos Campos, INPE, 2019.
Pearson, K. 1997. Mathematical Contributions to the Theory of Evolution. XI. On the Influence of Natural Selection on the Variability and correlation of organs. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, Volume 200: 1-66.
Pereira, A. A.; Pereira, J. M. C.; Libonati, R.; Oom, D.; Setzer, A.W.; Morelli, F.; Machado-Silva, F. & De Carvalho, L. M. T. 2017. Burned Area Mapping in the Brazilian Savanna Using a One-Class Support Vector Machine Trained by Active Fires. Remote Sensing, 9, 1161: 1-21.
Quintano, C.; Fernandez-Manso, A & Roberts, D. A. 2017. Burn severity mapping from Landsat fraction images and Land Surface Temperature. Remote Sensing of Environment, 190: 83–95.
Raksuntorn, N. & Du, Q. 2008. A New Linear Mixture Model for Hyperspectral Image Analysis. In: IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM. Boston, MA, USA. Volume 5.
Redin, M; Santos, G. F; Miguel, P.: Denega, L. G. Lupatini, M.; Doneda, A. & Sousa, E. L. 2011. Impactos da queima sobre atributos químicos, físicos e biológicos do solo. Ciência Florestal, Santa Maria, 21 (2): 381-392.
Rogan, J.; Janet, F. 2001. “Mapping Wildfire Burn Severity in Southern California Forests and Shrublands Using Enhanced Thematic Mapper Imagery”. Geocarto International, 16(4): 91-1001.
Routh, D.; Seegmiller, L.; Bettigole, C.; Kuhn, C.; Oliver, C.D.; Glick, H.B. 2018. Improving the Reliability of Mixture Tuned Matched Filtering Remote Sensing Classification Results Using Supervised Learning Algorithms and Cross-Validation. Remote Sensing, 10 (11): 1-19.
Saulino, L.; Rita, A.; Migliozzi, A.; Maffei, C.; Allevato, E.; Garonna, A.P. & Saracino, A. 2020. Detecting Burn Severity across Mediterranean Forest Types by Coupling Medium-Spatial Resolution Satellite Imagery and Field Data. Remote Sensing, 12, 741: 1-21.
Shimabukuro, Y. E. & Ponzoni, F. J. 2019. Spectral Mixture for Remote Sensing: Linear Model and Applications. Springer Remote Sensing/Photogrammetry. São Paulo: Oficina de Textos. 77 p.
Shimabukuro Y. E.; V. Duarte; E. Arai; R. M. Freitas; A. Lima; D. M. Valeriano; I. F. Brown & M. L. R. Maldonado 2009. Fraction images derived from Terra Modis data for mapping burnt areas in Brazilian Amazonia, International Journal of Remote Sensing, 30:6, 1537-1546.
Solans Vila, J.P. & Barbosa, P. 2010. Post-fire vegetation regrowth detection in the Deiva Marina region (Liguria-Italy) using Landsat TM and ETM+ data. Ecological Modelling, 221: 75–84
Small, C. 2004. The Landsat ETM+ spectral mixing space. Remote Sensing of Environment, 93(1-2): 1–17.
Tanase, M.A.; Belenguer-Plomer, M.A.; Roteta, E.; Bastarrika, A.; Wheeler, J.; Fernández-Carrillo, Á.; Tansey, K.; Wiedemann, W.; Navratil, P.; Lohberger, S.; Siegert, F. & Chuvieco, E. 2020. Burned Area Detection and Mapping: Intercomparison of Sentinel-1 and Sentinel-2 Based Algorithms over Tropical Africa. Remote Sensing, 12, 334: 1-15.
USGS. 2019 UNITED STATES GEOLOGICAL SURVEY. Landsat 7 Data Users Handbook. U.S. Geological Survey. Disponível em: <https://www.usgs.gov/media/files/landsat-7-data-users-handbook./>. Acesso em: 17/08/2019.
Veraverbeke, S.; Dennison, P.; Gitas, I.; Hulley, G.; Kalashnikova, O.; Katagis, T.…& Stavros, N. 2018. Hyperspectral remote sensing of fire: State-of-the-art and future perspectives. Remote Sensing of Environment, 216, 105–121.
Villa, A. J.; Chanussot, J. A.; Benediktsson & C. Jutten, 2011. "Spectral Unmixing for the Classification of Hyperspectral Images at a Finer Spatial Resolution," in IEEE Journal of Selected Topics in Signal Processing, 5(3): 521-533.
Downloads
Additional Files
- Figura 1 Localização da área de estudo. (Português (Brasil))
- Figura 2 a) Representação de FQ (%) e b) Classificação categórica c) Classificação por binarização. (Português (Brasil))
- Figura 3 a) Fração Queimado para o sensor Hyperion e b) Fração Queimado para o Sensor ETM+.o (Português (Brasil))
- a) Histograma da imagem (FQ) do sensor Hyperion e ETM+ b) Figura 4 Assinatura espectral de um pixel de (AQ) para os sensores Hyperion e ETM+. (Português (Brasil))
- Figura 5 Mapas com imagens de proporção de (F) binarizadas para os sensores Hyperion e ETM+. (Português (Brasil))
- Figura 6 Gráficos de barras para os erros de omissão (EO) e comissão (EC). (Português (Brasil))
- Figura 7 Gráficos de linhas para os parâmetros BIAS e Correlação de Pearson. (Português (Brasil))
- Figura 8 Gráfico Dotplot para os parâmetros (CSI) e (DICE). (Português (Brasil))
- Tabela 1 Tabela de Matriz de Confusão entre o produto de referência e área queimada (AQ). (Português (Brasil))
- Tabela 2 Valores dos parâmetros de Acurácia global e Índice Kappa. (Português (Brasil))
- RELATÓRIO DE SOFTWARE ANTI-PLÁGIO (SPIDER) (Português (Brasil))
Published
Issue
Section
License
This journal is licensed under a Creative Commons — Attribution 4.0 International — CC BY 4.0, which permits use, distribution and reproduction in any medium, provided the original work is properly cited.
Except where otherwise noted, content on this site is licensed under a license 