Avaliação do Sentinel-2, NDVI e MLME para Mapeamento do Uso e Cobertura da Terra

Autores

  • Juliana Maria Ferreira de Souza Diniz Instituto Nacional de Pesquisas Espaciais, Divisão de Observação da Terra, Av. dos Astronautas 1758, Jardim da Granja
  • Daniel Andrade Maciel Instituto Nacional de Pesquisas Espaciais, Divisão de Observação da Terra, Av. dos Astronautas 1758, Jardim da Granja
  • Fabio Furlan Gama Instituto Nacional de Pesquisas Espaciais, Divisão de Observação da Terra, Av. dos Astronautas 1758, Jardim da Granja
  • Marcos Adami Instituto Nacional de Pesquisas Espaciais, Centro Regional da Amazônia, Av. Perimetral 2651, Parque de Ciência e Tecnologia Guamá

DOI:

https://doi.org/10.11137/2020_2_381_391

Palavras-chave:

classificação orientada a objeto, Random Forest, simulação de Monte Carlo

Resumo

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.

Referências

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

Publicado

2020-08-21

Edição

Seção

Artigos