Fechar
Metadados

@Article{FurtadoSilvFernNovo:2015:LaCoCl,
               author = "Furtado, Luiz Felipe de Almeida and Silva, Thiago Sanna Freire and 
                         Fernandes, Pedro Jos{\'e} Farias and Novo, Evlyn M{\'a}rcia 
                         Le{\~a}o de Moraes",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and 
                         {Universidade Estadual Paulista (UNESP)} and {Universidade Federal 
                         Fluminense (UFF)} and {Instituto Nacional de Pesquisas Espaciais 
                         (INPE)}",
                title = "Land cover classification of Lago Grande de Curuai floodplain 
                         (Amazon, Brazil) using multi-sensor and image fusion techniques",
              journal = "Acta Amazonica",
                 year = "2015",
               volume = "45",
               number = "2",
                pages = "195--202",
             keywords = "wetlands, remote sensing, synthetic aperture radar, {\'a}reas 
                         {\'u}midas, sensoriamento remoto, radar de abertura 
                         sint{\'e}tica.",
             abstract = "Dadas as limita{\c{c}}{\~o}es de diferentes tipos de imagens de 
                         sensores remotos, classifica{\c{c}}{\~o}es autom{\'a}ticas do 
                         uso e cobertura do solo na v{\'a}rzea Amaz{\^o}nica podem 
                         resultar em {\'{\i}}ndices de acur{\'a}cia 
                         insatisfat{\'o}rios. Uma das maneiras de melhorar esses 
                         {\'{\i}}ndices {\'e} atrav{\'e}s da combina{\c{c}}{\~a}o de 
                         dados de distintos sensores, por fus{\~a}o de imagens ou 
                         atrav{\'e}s de classifica{\c{c}}{\~o}es multi-sensores. Desta 
                         forma, o presente estudo teve o objetivo de determinar qual 
                         m{\'e}todo de classifica{\c{c}}{\~a}o {\'e} mais eficiente em 
                         melhorar os {\'{\i}}ndices de acur{\'a}cia das 
                         classifica{\c{c}}{\~o}es do uso e cobertura do solo para a 
                         v{\'a}rzea Amaz{\^o}nica e {\'a}reas {\'u}midas similares - 
                         (a) a fus{\~a}o sint{\'e}tica de imagens SAR e {\'o}pticas ou 
                         (b) a classifica{\c{c}}{\~a}o multi-sensor de imagens 
                         {\'o}pticas e SAR pareadas. Classifica{\c{c}}{\~o}es da 
                         cobertura do solo com base em imagens de um {\'u}nico sensor 
                         (Landsat TM ou Radarsat-2) foram comparadas com as 
                         classifica{\c{c}}{\~o}es multi-sensor e 
                         classifica{\c{c}}{\~o}es baseadas em fus{\~a}o de imagens. A 
                         an{\'a}lise de imagens baseada em objetos (OBIA) e o algoritmo de 
                         minera{\c{c}}{\~a}o de dados J.48 foram utilizados para realizar 
                         a classifica{\c{c}}{\~a}o autom{\'a}tica, cuja precis{\~a}o 
                         foi avaliada com o {\'{\i}}ndice kappa e com as medidas de 
                         discord{\^a}ncia de aloca{\c{c}}{\~a}o e de quantidade, 
                         recentemente propostas na literatura. Em geral, as 
                         classifica{\c{c}}{\~o}es baseadas em imagens {\'o}pticas 
                         apresentaram melhor precis{\~a}o do que as 
                         classifica{\c{c}}{\~o}es baseadas em dados SAR. Uma vez que 
                         ambos os conjuntos de dados foram combinados em uma abordagem 
                         multi-sensores, houve uma redu{\c{c}}{\~a}o de 2% no erro de 
                         aloca{\c{c}}{\~a}o da classifica{\c{c}}{\~a}o, uma vez que o 
                         m{\'e}todo foi capaz de superar parte das limita{\c{c}}{\~o}es 
                         presentes em ambas as imagens. Contudo, a precis{\~a}o diminuiu 
                         quando foram usados m{\'e}todos de fus{\~a}o de imagens. 
                         Concluiu-se que o m{\'e}todo de classifica{\c{c}}{\~a}o 
                         multi-sensor {\'e} mais apropriado para 
                         classifica{\c{c}}{\~o}es de uso do solo na v{\'a}rzea 
                         amaz{\^o}nica. ABSTRACT: Given the limitations of different types 
                         of remote sensing images, automated land-cover classifications of 
                         the Amazon v{\'a}rzea may yield poor accuracy indexes. One way to 
                         improve accuracy is through the combination of images from 
                         different sensors, by either image fusion or multi-sensor 
                         classifications. Therefore, the objective of this study was to 
                         determine which classification method is more efficient in 
                         improving land cover classification accuracies for the Amazon 
                         v{\'a}rzea and similar wetland environments - (a) synthetically 
                         fused optical and SAR images or (b) multi-sensor classification of 
                         paired SAR and optical images. Land cover classifications based on 
                         images from a single sensor (Landsat TM or Radarsat-2) are 
                         compared with multi-sensor and image fusion classifications. 
                         Object-based image analyses (OBIA) and the J.48 data-mining 
                         algorithm were used for automated classification, and 
                         classification accuracies were assessed using the kappa index of 
                         agreement and the recently proposed allocation and quantity 
                         disagreement measures. Overall, optical-based classifications had 
                         better accuracy than SAR-based classifications. Once both datasets 
                         were combined using the multi-sensor approach, there was a 2% 
                         decrease in allocation disagreement, as the method was able to 
                         overcome part of the limitations present in both images. Accuracy 
                         decreased when image fusion methods were used, however. We 
                         therefore concluded that the multi-sensor classification method is 
                         more appropriate for classifying land cover in the Amazon 
                         v{\'a}rzea.",
                  doi = "10.1590/1809-4392201401439",
                  url = "http://dx.doi.org/10.1590/1809-4392201401439",
                 issn = "0044-5967",
             language = "en",
           targetfile = "furtado_land cover.pdf",
        urlaccessdate = "26 nov. 2020"
}


Fechar