Avaliação do Sentinel-2, NDVI e MLME para Mapeamento do Uso e Cobertura da Terra
DOI:
https://doi.org/10.11137/2020_2_381_391Keywords:
classificação orientada a objeto, Random Forest, simulação de Monte CarloAbstract
A floresta amazônica é considerada um dos maiores reservatórios de carbono da Terra. No entanto, mudanças antrópicas indiscriminadas no uso e cobertura da terra, como a conversão da floresta em áreas agrícolas e pastagens, provocam grandes impactos ambientais na floresta. A utilização de técnicas que auxiliam o mapeamento do uso e cobertura da terra se torna cada vez mais necessária. Índices como o NDVI (Índice de Vegetação por Diferença Normalizada) e MLME (Modelo Linear de Mistura Espectral) são amplamente utilizados para estudos da vegetação, por permitirem analisar e realçar parâmetros e feições em imagens de sensoriamento remoto. Desse modo, o objetivo deste trabalho foi avaliar o desempenho do mapeamento do uso e cobertura da terra (LULC), utilizando dados do satélite Sentinel-2B, adicionado com o índice de vegetação NDVI e com o MLME, utilizando o classificador Random Forest (RF). Para a realização deste estudo, foram utilizadas imagens do sensor MSI do Sentinel-2B e calculados os índices NDVI e MLME, derivados da imagem Sentinel-2B. A partir da segmentação da imagem, foi realizada a extração de atributos para cada segmento. A classificação foi realizada pelo método RF e a validação foi realizada através da simulação de Monte Carlo observando-se os valores de índice Kappa e Acurácia Global (AG). Para avaliar a diferença obtida com a adição das variáveis NDVI e MLME, quatro cenários de classificação foram realizados. Notou-se que os cenários apresentaram resultados semelhantes de índice Kappa e AG, não apresentando diferença significativa entre eles. A utilização das faixas espectrais do Sentinel-2B/MSI se mostrou uma boa alternativa para realizar o mapeamento do uso e cobertura da terra, facilitando as etapas de processamento. No entanto, a inclusão do MLME para a separação da classe Floresta Degradada (FD), se mostrou significativa. Além disso, observou-se que a utilização do classificador RF apresenta bons resultados para o mapeamento do uso e cobertura da terra.
References
Acerbi-Junior, F.W.; Silveira, E.M.O.; Mello, J.M.; Mello, C.R.
& Scolforo, J.R.S. 2015. Change Detection in Brazilian Savannas using semivariograms derived from
NDVI images. Ciência e Agrotecnologia, 39: 103-109.
Almeida, C.A.; Valeriano, D.M.; Escada, M.I.S. & Rennó, C.D.
Estimativa de área de vegetação secundária na
Amazônia Legal Brasileira. Acta Amazônica, 40(2):
-302.
Banco Mundial. 2010. Banco Internacional para Reconstrução
e Desenvolvimento. Estudo de Baixo Carbono para
o Brasil - Relatório de Síntese Técnica. Washington
D.C, 292 p.
Becker, B.K. 2005. Geopolítica da Amazônia. Estudos Avançados, 19(53): 71-86.
Belgiu, M. & Drăgu, L. 2016. Random Forest in Remote Sensing: A Review of Applications and Future Directions.
ISPRS Journal of Photogrammetry and Remote Sensing, 114: 24-31.
Breiman, L. 2001. Random forests. Machine Learning, 45(1):
-32.
Breiman, L. 2002. Manual on Setting Up, Using, and Understanding Random Forests, V3.1. 33p.
Calle, M.L. & Urrea, V. 2011. Letter to the Editor: Stability of
Random Forest Importance Measures. Briefings in
Bioinformatics, 12(1): 86-89.
Câmara, G.; Souza, R.C.M.; Freitas, U.M. & Garrido, J. 1996.
SPRING: Integrating remote sensing and GIS by object-oriented data modelling. Computers & Graphics,
(3): 395-403.
Carvalho, R.L.S.; Nascimento, B.I.S.; Querino, C.A.S.; Silva,
M.J.G. & Delgado, A.R.S. 2016. Comportamento das
séries temporais de temperatura do ar, umidade e pre-cipitação pluviométrica no município de Ariquemes
(Rondônia-Brasil). Revista Brasileira de Climatologia, 18(12): 123-142.
Carreiras, J.M.B.; Jones, J; Lucas, R.M. & Gabriel, C. 2014.
Land Use and Land Cover Change Dynamics across
the Brazilian Amazon: Insights from Extensive
Time-Series Analysis of Remote Sensing Data. PLOS
ONE, 9(8): 1-20.
Chavez Júnior, P.S. 1988. An improved dark-object subtraction
technique for atmospheric scattering correction of
multispectral data. Remote Sensing of Environment,
: 459-479.
Chen, G.; Powers, R.P.; Carvalho, L.M.T. & Mora, B. 2015.
Spatiotemporal patterns of tropical deforestation and
forest degradation in response to the operation of the
Tucuruí hydroelectric dam in the Amazon basin. Applied Geography, 63: 1-8.
Congalton, R.G. & Green, K. 2009. Assessing the Accuracy of
Remotely Sensed Data: Principles and Practices. 2º
Ed. CRC/Taylor & Francis, Boca Raton, 183p.
Congedo, L. 2017. Semi-Automatic Classification Plugin Documentation Release 5.3.2.1.
Du, P.; Samat, A.; Waske, B.; Liu, S. & Li, Z. 2015. Random
Forest and Rotation Forest for fully polarized SAR
image classification using polarimetric and spatial features. Journal of Photogrammetry and Remote Sensing, 105: 38-53.
Engelbrecht, J.; Theron, A.; Vhengani, L. & Kemp, J. 2017.
A Simple Normalized Difference Approach to Burnt
Area Mapping Using Multi-Polarisation C-Band
SAR. Remote Sensing, 9(8): 1-13.
Fearnside, P.M. 2007. Brazil’s Cuiabá-Santarém (BR-163)
Highway: The Environmental Cost of Paving a Soybean Corridor Through the Amazon. Environmental
Management, 39(5): 601-614.
Ferreira, A.M.M. & Salati, E. 2005. Forças de transformação do
ecossistema amazônico. Estudos Avançados, 19(54):
-44.
Filella, I. & Penuelas, J. 1994. The Red Edge Position and
Shape as Indicator of Plant Chlorophyll Content, Biomass and Hydric Status. International Journal Remote
Sensing, 15(7): 1459-1470.
Forkuor, G.; Dimobe, K.; Serme, I. & Tondoh, J.E. 2018. Landsat-8 vs. Sentinel-2: examining the added of sentinel-2’s red-edge bands to land-use and land-cover
mapping in Burkina Faso. GIScience & Remote Sensing, 55(3): 331-354.
Gascon, F.; Bouzinac, C.; Thépaut, O.; Jung, M.; Francesconi,
B.; Louis, J.; Lonjou, V.; Lafrance, B.; Massera, S.;
Gaudel-Vacaresse, A.; Languille, F.; Alhammoud, B.;
Viallefont, F.; Pflug, B.; Bieniarz, J.; Clerc, S.; Pessiot, L.; Trémas, T.; Cadau, E.; Bonis, R.; Isola, C.;
Martimort, P. & Fernandez, V. 2017. Copernicus Sentinel-2A Calibration and Products Validation Status.
Remote Sensing, 9(6): 1-81.
Gislason, P.O.; Benediktsson, J.A. & Sveinsson, J.R. 2006.
Random Forests for land cover classification. Pattern
Recognition Letters, 27(4): 294-300.
Hirye, M.C.M.; Alves, D.S. & Kux, H.J.H. 2015. Mapeamento
da cobertura da terra na cidade de Altamira (PA) em
e 2010, com a utilização do Modelo Linear de
Mistura Espectral de imagens do sensor TM. Revista
Brasileira de Cartografia, 67(1): 157-168.
.
Liaw, A. & Wiener, M. 2002. Classification and Regression by
randomForest. R News – The Newsletter of the R Project, 2(3): 18-22.
Lu, D. & Weng, Q. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing,
: 823-870.
Lucas, R.M.; Honzák, M.; Curran, P.J.; Foody, G.M.; Milne, R.;
Brown, T. & Amaral, S. 2000. Mapping the regional extent of tropical forest regeneration stages in the
Brazilian Legal Amazon using NOAA AVHRR data.
International Journal of Remote Sensing, 21(15):
-2881.
Martin; P.A.; Newton, A.C. & Bullock, J.M. 2013. Carbon pools
recover more quickly than plant biodiversity in tropical secondary forests. Proceedings of the Royal Society B, 280:1-8.
Mitchard, E.T.A.; Feldpausch, T.R.; Brienen, R.J.W.; Lopez-Gonzalez, G.; Monteagudo, A.; Baker, T.R.;
Lewis, S.L.; Lloyd, J.; Quesada, C.A.; Gloor, M.;
Steege, H.; Meir, P.; Alvarez, E.; Araujo-Murakami,
A.; Aragão, L.E.O.C.; Arroyo, L.; Aymard, G.; Bank,
O.; Bonal, D.; Brown, S.; Brown, F.I.; Cerón, C.E.;
Moscoso, V.C.; Chave, J.; Comiskey, J.A.; Cornejo,
F.; Medina, M.C.; Costa, L.; Costa, F.R.C.; Fiore,
A.D.; Domingues, T.F.; Erwin, T.L.; Frederickson,
T.; Higuchi, N.; Coronado, E.N.H.; Killen, T.J.; Laurance, W.F.; Levis, C.; Magnusson, W.E.; Marimon,
B.S.; Marimon Junior, B.H.; Polo, I.M.; Mishra, P.;
Nascimento, M.T.; Neill, D.; Vargas, M.P.N.; Palacios, W.A.; Parada, A.; Molina, G.P.; Peña-Claros,
M.; Pitman, N.; Peres, C.A.; Poorter, L.; Prieto, A.;
Ramirez-Angulo, H.; Correa, Z.R.; Roopsind, A.;
Roucoux, K.H.; Rudas, A.; Salomão, R.P.; Schietti,
J.; Silveira, M.; Souza, P.F.; Steininger, M.K.; Stropp,
J.; Terborgh, J.; Thomas, R.; Toledo, M.; Torres-Le-zama, A.; van Andel, T.R.; van der Heijden, G.M.F.;
Vieira, I.C.G.; Vieira, S.; Vilanova-Torre, E.; Vos,
V.A.; Wang, O.; Zartman, C.E.; Malhi, Y. & Phillips,
O.L.2014. Markedly divergent estimates of Amazon
forest carbon density from ground plots and satellites.
Global Ecology and Biogeography, 23: 935-946.
Moreira, E.P.; Valeriano, M.M.; Rennó, C.D. & França, H.
Efeito da topografia sobre a classificação do uso
e cobertura da terra por análise de imagens baseada
em objetos. Revista Brasileira de Cartografia, 68(3):
-517.
Nogueira, E.M; Yanai, A.M; Fonseca, F.O.R. & Fearnside, P.M.
Carbon stock loss from deforestation through
in Brazilian Amazonia. Global Change Biology,
:1271-1292.
Pal, M. 2005. Random forest classifier for remote sensing classification. International Journal of Remote Sensing,
: 217-222.
R Core Team. 2018. R: A language and environment for statistical computing. Vienna: R Foundation for Statistical
Computing.
Rodriguez-Galiano, V.F.; Ghimire, B.; Rogan, J.; Chica-Olmo, M. & Rigol-Sanchez, J.P. 2012. An assessment
of the effectiveness of a random forest classifier for
land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67: 93-104.
Rouse, J.W.; Hass, R.H.; Schell, J.A.; Deering, D.W. & Harlan,
J.C. 1974. Monitoring the vernal advancements and
retrogradation (greenwave effect) of natural vegetation. NASA/GSFC, Type III, Final Report, Greenbelt,
MD. p.1-371.
Rubistein, R.Y. Simulation and the Monte Carlo method. Canada: John Wiley & Sons, 1981, 282 p.
Sader, S.; Waide, R.; Lawrence, W. & Joyce, A. 1989. Tropical
forest biomass and successional age class relationships to a vegetation index derived from Landsat TM
data. Remote Sensing of Environment, 28: 143-156.
Saito, E.A.; Fonseca, L.M.G.; Escada, M.I.S. & Korting, T.S.
Efeitos da mudança de escala em padrões de
desmatamento na Amazônia. Revista Brasileira de
Cartografia, 63(3): 401-414.
Santiago, A.R.; Almeida, A.C.; Pinheiro, L.B.A.; Clevelario
Junior, J. & Silva, S.S. 2014. Proposta metodológica
para o mapeamento da vegetação brasileira utilizando
o Modelo Linear de Mistura Espectral. Revista Brasileira de Cartografia, 66(3): 681-690.
Schuster, C.; Förster, M. & Kleinschmit, B. 2012. Testing the
Red Edge Channel for Improving Land-Use Classifications Based on High-Resolution Multi-Spectral Satellite Data. International Journal of Remote Sensing,
(17): 5583-5599.
Silveira, E.M.O.; Acerbi-Junior, F.W.; Mello, J.M. & Bueno,
I.T. 2017. Object-based change detection using semivariogram indices derived from NDVI images: The
environmental disaster in Mariana, Brazil. Ciência e
Agrotecnologia, 41: 554-564.
Shimabukuro, Y.E. & Smith, J.A. 1991. The Least-Squares
Mixing Models to Generate Fraction Images Derived
From Remote Sensing Multispectral Data. IEEE
Transactions on Geoscience and Remote Sensing,
(1): 16-20.
Shimabukuro, Y.E.; Beuchle, R.; Grecchi, R.C. & Achard, F.
Assessment of forest degradation in Brazilian
Amazon due to selective logging and fires using time
series of fraction images derived from Landsat ETM+
images. 2014. Remote Sensing Letters, 5(9): 773-782.
Shimabukuro, Y.E.; Arai, E.; Anderson, L.O.; Aragão, L.E.O.C.
& Duarte, V. 2017. Mapping degraded forest areas
caused by fires during the year 2010 in Mato Grosso
State, Brazilian Legal Amazon using Landsat-5 TM
fraction images. Revista Brasileira de Cartografia,
(1): 23-32.
Sothe, C.; Liesenberg, V.; Almeida, C.M. & Schimalski, M.B.
Abordagens para classificação do estágio successional da vegetação do Parque Nacional de São
Joaquim empregando imagens Landsat-8 e Rapideye.
Bulletim of Geodetic Sciences, 23(3): 389-404.
Souza Júnior, C.; Firestone, L.; Silva, L.M. & Roberts, D. 2003.
Mapping forest degradation in the Easter Amazon
from SPOT 4 through spectral mixture models. Remote Sensing and Environment, 87: 494-506.
Steininger, M.K. 2000. Secondary forest structure and biomass
following short and extended land-use in central and
southern Amazonia. Journal of Tropical Ecology,
(5):689-708.
Usman, M.; Liedl, R.; Shahid, M.A. & Abbas, A. 2015. Land
use/land cover classification and its change detection
using multi-temporal MODIS NDVI data. Journal of
Geographical Sciences, 25(12): 1479-1506.
Vieira, I.C.G.; Almeida, A.S.; Davidson, E.A.; Stone, T.A.;
Carvalho, C.J.R. & Guerrero, J.B. 2003. Classifying
successional forests using Landsat spectral properties
and ecological characteristics in eastern Amazônia.
Remote Sensing of Environment, 87: 470-481.
Downloads
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 