Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
DOI:
https://doi.org/10.11137/1982-3908_2021_44_36119Keywords:
Vegetação, Sensoriamento Remoto, IncêndiosAbstract
O mapeamento de áreas queimadas através de imagens de sensoriamento remoto apresenta uma série de questões importantes no gerenciamento espacial de estudos de detecção de focos de calor, análise de risco de incêndio, avaliação de danos e gerenciamento de processos de regeneração florestal. Neste estudo foi apresentada uma abordagem metodológica para mapeamento de áreas de queimadas no estado do Maranhão de 2001 a 2019 a partir de dados do satélite Terra/MODIS e do Algoritmo de Classificação Binária Random Forest. A avaliação da qualidade dos mapas gerados foi realizada a partir do produto padrão NASA MCD64A1 de áreas queimadas do sensor MODIS, que resultou num Coeficiente de Determinação geral (R²) de 0,55 e Correlação de Spearman de 0,78. O modelo Random Forest com 400 árvores permitiu avaliar a banda espectral de maior contribuição na classificação, bem como os erros relacionados ao número de árvores empregado. Algumas feições de áreas queimadas foram superestimadas, apresentando elevados erros de comissão. Os resultados mostraram que esta abordagem é útil para determinar áreas queimadas derivadas de dados de satélite de órbita polar. O modelo Random Forest mostrou-se aplicável em áreas de transição entre biomas. Constatou-se uma relação não linear entre a variabilidade espaço-temporal de incêndio e o clima em ecossistemas temperados. A Metodologia estabelecida e validada neste estudo poderá ser aplicada em outras regiões de clima temperado.
References
Bastarrika, A.; Chuvieco, E. & Martín, M.P. 2011. Mapping burned areas from Landsat TM/ETM+ data with a two-phase algorithm: balancing omission and commission errors. Remote Sensing of Environment, 115(4): 1003-1012. DOI. 10.1016/j.rse.2010.12.005.
Belgiu, M. & Drăguń, L. 2016. Random forest in remote sensing: a review of applications and future directions. Journal of Photogrammetry and Remote Sensing, 114: 24-31. DOI.10.1016/j.isprsjprs.2016.01.011.
Bezerra, D.S.; Dias, B.C.C.; Rodrigues, L.H.S.; Tomaz, R.B.; Santos, A.L. & Silva Junior, C.H.L. 2018. Análise dos focos de queimadas e seus impactos no Maranhão. Revista Brasileira de Climatologia, 22: 446-462.
Breiman, L. 2001. Random forests. Kluwer Academic Publishers. Manufactured in The Netherland. Machine Learning, 45: 5–32.
Calle, A. & Casanova, J.L. 2015. Forest Fires and Remote Sensing. Earth Observation 9: 177-202.
Carmenta, A.R.; Parry, L.; Blackburn, A.; Vermeylen, S. & Barlow, J. 2011. Understanding human-fire interactions in tropical forest regions: A case for interdisciplinary research across the natural and social sciences. Ecology and Society,16: 53–75.
Chuvieco, E.; Giglio, L. & Justice, C. 2008. Global characterization of fire activity: toward defining fire regimes from earth observation data. Global Change Biology, 14(7): 1488-1502. DOI.10.1111/j.1365-2486.2008.01585.x.
Chuvieco, E.; Lizundia-Loiola, J.; Pettinari, M.L.; Ramo, R.; Padilla, M.; Tansey, K.; Mouillot, F.; Laurent, P.; Storm, T. & Heil, A. 2018. Generation and analysis of a new global burned area product based on MODIS 250 m reflectance bands and thermal anomalies. Earth System Science Data, 10(4): 2015-2031. DOI.10.5194/essd-10-2015-2018.
Chuvieco, E.; Mouillot, F.; Werf, G.R.V.D.; Miguel, J.S.; Tanase, M.; Koutsias, N.; García, M.; Yebra, M.; Padilla, M. & Gitas, I. 2019. Historical background and current developments for mapping burned area from Satellite Earth Observation. Remote Sensing of Environment, 225: 45-64. DOI. 10.1016/j.rse.2019.02.013.
Chu, T. & Guo, X. 2014. Review Remote Sensing Techniques in Monitoring Post-Fire Effects and Patterns of Forest Recovery in Boreal Forest Regions: A Review. Remote Sensing, 6: 470-520. DOI.10.3390/rs6010470.
Collins, L.; Griffioen, P.; Newell, G. & Mellor, A. 2018. The utility of Random Forests for wildfire severity mapping. Remote Sensing of Environment, 216: 374 – 384.
Cutler, D.R.; Edwards, T.C.; Beard, K.H.; Cutler, A.; Hess, K.T.; Gibson, J. & Lawler, J.J. 2007. Random Forests for Classification in Ecology. Ecology, 88(11): 2783-2792. DOI.10.1890/07-0539.1.
Giglio, L.; Van Der Werf, G.R.; Randerson, J.T.; Collatz, G.J. ; Kasibhatla, P.S. 2006. Global estimation of burned area using MODIS active fire observations. Atmospheric Chemistry and Physics, 6: 957−974.
Guo, F.; Wang, G.; Su, Z.; Liang, H.; Wang, W.; Lin, F. & Liu, A. 2016. What drives forest fire in Fujian, China? Evidence from logistic regression and Random Forests. International
of Wildland Fire, 25(5): 505-519 .
Hawbaker, T.J.; Vanderhoof, M.K.; Schmidt, G.L.; Beal, Y.; Picotte, J.J.; Takacs, J.D.; Falgout, J.T. & Dwyer, J.L. 2020. The Landsat Burned Area algorithm and products for the conterminous United States. Remote Sensing of Environment, 244: 111801. DOI. 10.1016/j.rse.2020.111801.
INMET. 2020. INSTITUTO NACIONAL DE METEROLOGGIA - BDMEP - Banco de Dados Meteorológicos para Ensino e Pesquisa. Disponível em: http://www.inmet.gov.br/portal/index.php?r=bdmep/bdmep. Acesso em: 05 de /março de 2020.
INPE. 2020. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Monitoramento do Desmatamento da Floresta Amazônica Brasileira por Satélite. São José dos Campos. 2020. Disponível em: < http://www.obt.inpe.br/OBT/assuntos/programas/amazonia/prodes>. Acesso em: 10 de março. 2020.
Klink, C.A. & Machado, R.B. 2005. Conservation of the Brazilian Cerrado. Conservation Biology, 19(3): 707-713. DOI. 10.1111/j.1523-1739.2005.00702.
Libonati, R.; Dacamara, C.; Setzer, A.; Morelli, F. & Melchiori, A. 2015. An Algorithm for Burned Area Detection in the Brazilian Cerrado Using 4 µm MODIS Imagery. Remote Sensing, 7(11): 15782-15803. DOI.10.3390/rs71115782.
Lizundia-Loiola, J.; Pettinari, M.L. & Chuvieco, E. 2020. Temporal Anomalies in Burned Area Trends: satellite estimations of the amazonian 2019 fire crisis. Remote Sensing, 12(1): 151-158. DOI. 10.3390/rs12010151.
Maranhão. 2011. Plano de ação para prevenção e controle do desmatamento e das queimadas no estado do Maranhão. Decreto nº 27.317, de 14 de abril de 2011. Disponível em: http://www.oads.org.br/leis/2503.pdf. Acesso em: 10 de março de 2020.
Masullo, G.A.Y. 2018. Análise preditiva de ocorrências de incêndios no bioma amazônico do Maranhão. GeoTextos, 14( 2): 185-211.
Melchiori, E.A.; Setzer, A.W.; Morelli, F.; Libonati, R.; Candido, P. & Jesus, S.A. Landsat-Tm/Oli algorithm for burned areas in the Brazilian Cerrado—Preliminary results. In: PROCEEDINGS OF VII INTERNATIONAL CONFERENCE ON FOREST FIRE RESEARCH, Coimbra, Portugal, 17–20 November 2014.
Mellor, A.; Haywood, A.; Stone, C. & Jones, S. 2013. The Performance of Random Forests in an Operational Setting for Large Area Sclerophyll Forest Classification. Remote Sensing, 5(6): 2838-2856. DOI.10.3390/rs5062838.
Millard, K. & Richardson, M. 2015. On the Importance of Training Data Sample Selection in Random Forest Image Classification: a case study in peatland ecosystem mapping. Remote Sensing, 7(7): 8489-8515. DOI. 10.3390/rs70708489.
MMA. 2018. MINISTÉRIO DO MEIO AMBIENTE. Análises no Cerrado. Disponível em: < http://combateaodesmatamento.mma.gov.br/analises-no-cerrado >. Acesso em: 1 jan. 2020.
MODIS. 2015. Moderate Resolution Imaging Spectroradiometer Surface Reflectance - User’sGuide. NASA (USA). Disponível em: < https://modis-land.gsfc.nasa.gov/pdf/MOD09_UserGuide_v1.4.pdf>. Acesso em: 6 mar. 2020.
Oertel, C.; Matschullat, J.; Zurbaa, K.; Zimmermanna, F. & Erasmi, S. 2016. Greenhouse gas emissions from soils—A review. Erde, 76: 327–352
Pereira, A.; Pereira, J.; Libonati, R.; Oom, D.; Setzer, A.; Morelli, F.; Machado-silva, F. & Carvalho, L. 2017. Burned Area Mapping in the Brazilian Savanna Using a One-Class Support Vector Machine Trained by Active Fires. Remote Sensing, 9(11): 1161. DOI.10.3390/rs9111161.
Pereira, A.A.; Teixeira, R.F.; Libonati, R.; Melchiori, A.E. & Carvalho, T.M.L. 2016. Avaliação de índices espectrais para identificação de áreas queimadas no cerrado utilizando dados LANDSAT TM. Revista Brasileira de Cartografia, 8(68): 1665-1680.
Pulvirenti, L.; Squicciarino, G.; Fiori, E.; Fiorucci, P.; Ferraris, L.; Negro, D.; Gollini, A.; Severino, M. & Puca, S. 2020. An Automatic Processing Chain for Near Real-Time Mapping of Burned Forest Areas Using Sentinel-2 Data. Remote Sensing, 12(4): 1-27. DOI. 10.3390/rs12040674.
Ramo, R. & Chuvieco, E. 2017. Developing a Random Forest Algorithm for MODIS Global Burned Area Classification. Remote Sensing, 9(11): 1193. DOI. 10.3390/rs9111193.
Ramo, R.; García, M.; Rodríguez, D. & Chuvieco, E. 2018. A data mining approach for global burned area mapping. International Journal of Applied Earth Observation And Geoinformation, 73: 39-51. DOI.10.1016/j.jag.2018.05.027.
Sales, G.M.; Pereira, M.C.; Thalês, R.; Poccard-chapuis, R. & Almeida, S.A. 2019. Emprego dos focos de calor na avaliação das áreas queimadas e em incêndios florestais em Paragominas, Pará, Brasil. Boletim do Museu Paraense Emílio Goeldi, 14(1): 55-77. Disponível em: < https://boletimcn.museu-goeldi.br/bcnaturais/article/view/140 >. Acesso em: 22 mai. 2020.
Tanase, M.A.; Belenguer-Plomer, M.A.; Roteta, E.; Bastarrika, A.; Wheeler, J.; Fernández-Carrillo, Á.; Tansey, K.; Wiedemann, W.; Navratil, P. & Lohberge, R.S. 2020. Burned Area Detection and Mapping: intercomparison of sentinel-1 and sentinel-2 based algorithms over tropical Africa. Remote Sensing, 12(2): 334. 10.3390/rs12020334.
Tian, S.; Zhang, X.; Tian, J. & Sun, Q. 2016. Random Forest Classification of Wetland Landcovers from Multi-Sensor Data in the Arid Region of Xinjiang, China. Remote Sensing, 8(11): 954. DOI. 10.3390/rs8110954.
USGS. 2020. United States Geological Survey. Disponível em: <https://lpdaac.usgs.gov/products/mcd64a1v006/. Acesso em: 20 de maio de 2020.
Wilks, D.S. Statistical Methods in the Atmospheric Sciences. Cambridge: Academic Press, 2011.704 p.
Yao, J.; Raffuse, S.M; Brauer, M.; Williamson, J.; Bowman, D.M.J.S.; Johnston, H. & Henderson, S.B. 2018. Predicting the minimum height of forest fire smoke within the atmosphere using machine learning and data from the CALIPSO satellite. Remote Sensing of Environment, 206(1): 98-106.
Downloads
Additional Files
- Mapa de Localização do Estado do Maranhão (Português (Brasil))
- Figura 2 a) Relação entre os números de árvores com o Erro OOB (%) b) Importância de cada banda na classificação Randon Forest. (Português (Brasil))
- Figura 2 a) Relação entre os números de árvores com o Erro OOB (%) b) Importância de cada banda na classificação Randon Forest. (Português (Brasil))
- Mapas binários de áreas queimadas e não queimadas no estado do estado do Maranhão nos meses de setembro de 2001 a 2019. (Português (Brasil))
- Figura 4. Gráfico de linhas sobre as Áreas Queimadas (AQ) Mapeadas pelo (RF) e o Coeficiente de Determinação (R²) para os anos de 2001 a 2019. (Português (Brasil))
- Figura 5 - Erros de Omissão (EO) e Comissão (EC) para os anos de 2001 a 2019. (Português (Brasil))
- Figura 6. Erro total (ET%) e Coeficiente Kappa para os anos de 2001 a 2019. (Português (Brasil))
- Figura 7. Regressão Cúbica entre as AQ mapeados pelo RF e (a) Focos de calor e b) Precipitação Acumulada média para as 5 estações meteorológicas. (Português (Brasil))
- Figura 7. Regressão Cúbica entre as AQ mapeados pelo RF e (a) Focos de calor e b) Precipitação Acumulada média para as 5 estações meteorológicas. (Português (Brasil))
Published
Issue
Section
License
Copyright (c) 2021 Anuário do Instituto de Geociências
This work is licensed under a Creative Commons Attribution 4.0 International 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.