Fechar
Metadados

@PhDThesis{Anjos:2016:DeMuCo,
               author = "Anjos, Daniela Souza dos",
                title = "Detec{\c{c}}{\~a}o de mudan{\c{c}}as da cobertura da terra na 
                         regi{\~a}o da Floresta Nacional de Tapaj{\'o}s utilizando dados 
                         de m{\'u}ltiplos sensores",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2016",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2016-02-23",
             keywords = "detec{\c{c}}{\~a}o de mudan{\c{c}}a, multisensor, SAR, floresta 
                         tropical, change detection, tropical forest.",
             abstract = "Florestas tropicais s{\~a}o {\'a}reas de grande relev{\^a}ncia 
                         para o ambiente global e estudos capazes de detectar e tipificar 
                         as mudan{\c{c}}as ocorridas nestas regi{\~o}es t{\^e}m se 
                         mostrado de grande import{\^a}ncia. O sensoriamento remoto tem 
                         sido a maior fonte de dados para processos de detec{\c{c}}{\~a}o 
                         de mudan{\c{c}}as, por{\'e}m, a constante cobertura de nuvens 
                         que afeta regi{\~o}es de floresta torna dif{\'{\i}}cil a 
                         obten{\c{c}}{\~a}o de dados {\'o}pticos de qualidade em datas 
                         espec{\'{\i}}ficas. O uso de dados de diferentes sensores em 
                         processos de detec{\c{c}}{\~a}o de mudan{\c{c}}as se mostra 
                         como uma alternativa ao problema, mas apresenta, entretanto, 
                         diversas dificuldades, principalmente quando envolve a 
                         integra{\c{c}}{\~a}o de dados de Radares de Abertura 
                         Sint{\'e}tica (SAR - do ingl{\^e}s Synthetic Aperture Radar) e 
                         dados {\'o}pticos. Neste contexto, o presente trabalho se 
                         prop{\~o}e a avaliar a acur{\'a}cia da detec{\c{c}}{\~a}o de 
                         mudan{\c{c}}as na regi{\~a}o da Floresta Nacional do 
                         Tapaj{\'o}s, na Amaz{\^o}nia Brasileira, entre os anos de 2009 e 
                         2013, ao se empregar dados multissensores (SAR e {\'o}ptico). 
                         Para tanto, dados Radarsat-2 e EO-1 ALI foram utilizados. Dentre 
                         os diversos m{\'e}todos de detec{\c{c}}{\~a}o de 
                         mudan{\c{c}}as existentes os m{\'e}todos de 
                         compara{\c{c}}{\~a}o p{\'o}s-classifica{\c{c}}{\~a}o e 
                         classifica{\c{c}}{\~a}o direta, baseados em 
                         classifica{\c{c}}{\~o}es pixel a pixel, foram selecionados para 
                         o estudo por se adequarem aos diferentes tipos de dados 
                         utilizados. Diferentes conjuntos de atributos foram classificados 
                         repetidas vezes, por meio dos classificadores supervisionados 
                         M{\'a}quina de Vetor de Suporte (SVM do ingl{\^e}s Support 
                         Vector Machine) e M{\'a}xima Verossimilhan{\c{c}}a (Maxver), na 
                         busca do melhor conjunto de dados para cada m{\'e}todo de 
                         detec{\c{c}}{\~a}o de mudan{\c{c}}a. De acordo com trabalhos de 
                         campo realizados na regi{\~a}o 9 classes de cobertura da terra, 
                         para cada ano, foram adotadas no estudo, o que resultou em 81 
                         potenciais classes de mudan{\c{c}}a e n{\~a}o mudan{\c{c}}a. No 
                         entanto, para o intervalo de estudo, apenas 14 dentre essas 81 
                         classes foram encontradas em campo. Devido a essa diferen{\c{c}}a 
                         um m{\'e}todo de valida{\c{c}}{\~a}o das amostras obtidas em 
                         campo foi proposto. Ap{\'o}s essa valida{\c{c}}{\~a}o as 
                         classes n{\~a}o encontradas em campo, mas detectadas pela 
                         compara{\c{c}}{\~a}o p{\'o}s-classifica{\c{c}}{\~a}o foram 
                         agrupadas, de acordo com conhecimento a priori, em 
                         poss{\'{\i}}veis e n{\~a}o encontradas e imposs{\'{\i}}veis 
                         ou improv{\'a}veis. Este agrupamento tornou os resultados dos 
                         diferentes m{\'e}todos de detec{\c{c}}{\~a}o de mudan{\c{c}}a 
                         adotados compar{\'a}veis. No entanto, as classes criadas 
                         transformaram as matrizes de confus{\~a}o associadas aos mapas de 
                         mudan{\c{c}}a obtidos por compara{\c{c}}{\~a}o 
                         p{\'o}s-classifica{\c{c}}{\~a}o em matrizes n{\~a}o quadradas, 
                         para as quais os {\'{\i}}ndices de valida{\c{c}}{\~a}o 
                         precisaram ser repensados. A repeti{\c{c}}{\~a}o das 
                         classifica{\c{c}}{\~o}es de cada conjunto de dados, a partir de 
                         diferentes amostras de treinamento, fez com que 
                         informa{\c{c}}{\~o}es de incerteza tamb{\'e}m pudessem ser 
                         associadas aos mapas de mudan{\c{c}}a. Os resultados obtidos 
                         atrav{\'e}s da detec{\c{c}}{\~a}o de mudan{\c{c}}a por 
                         classifica{\c{c}}{\~a}o direta se destacaram e comprovaram a 
                         potencialidade dos dados multissensor, SAR e {\'o}ptico, na 
                         obten{\c{c}}{\~a}o de mapas de mudan{\c{c}}a acurados para 
                         regi{\~o}es de floresta. ABSTRACT: Tropical forests are areas of 
                         great relevance to the global environment. Studies to detect and 
                         classify the changes in forest regions have proved to be of great 
                         importance in protecting these areas. Remote sensing has been a 
                         major source of data for change detection processes. However, the 
                         constant cloud cover that affects these regions turns difficult to 
                         obtain quality optical data on specific dates. The use of 
                         different data types in change detection process is shown as an 
                         alternative to solve the problem. However, many difficulties are 
                         encountered in this process, particularly when it involves SAR and 
                         optical data integration. In this context, this study aims to 
                         evaluate the capabilities of multisensor data integration (SAR and 
                         optical) for a change detection study in forest areas. Radarsat-2 
                         data and EO-1 ALI were used. The study comprises a region 
                         belonging to the Tapaj{\'o}s National Forest in the Brazilian 
                         Amazon, between the years 2009 and 2013. The change detection 
                         methods by post classification comparison and direct 
                         classification, pixel to pixel based, were selected for the study. 
                         These methods are appropriate for different types of data used. 
                         Different sets of attributes were classified in order to select 
                         the best set of data for each change detection method. The 
                         supervised classifiers Support Vector Machine and Maximum 
                         Likelihood were used in the study. Polarimetric decompositions of 
                         Cloude e Pottier and Freeman e Durden were introduced in an 
                         attempt to improve the accuracy of SAR classifications. A method 
                         to validate the 14 change/no change classes found in the field for 
                         the time interval is proposed. This is necessary because the 9 
                         land cover classes for each year result in 81 potential change/no 
                         change classes. After the validation of the 14 change/no change 
                         classes, used in the study, the classes detected by the post 
                         classification comparison method but not found in the field could 
                         be merged. This merge makes the change detection results by post 
                         classification comparison and direct classification methods 
                         comparable. However, the confusion matrices obtained after the 
                         clustering become non square matrices. For these classifications 
                         the validation indices needed to be rethought. Due to repetition 
                         of the classifications, for each data set using different training 
                         samples, uncertainty information is also associated with final 
                         maps. The results obtained by direct classification change 
                         detection stand out and prove the capacity of using multi-sensor 
                         data, SAR and optical, for detecting changes in forest area.",
            committee = "Dutra, Luciano Vieira (presidente/orientador) and Sant'Anna, 
                         Sidnei Jo{\~a}o Siqueira (orientador) and Escada, Maria Isabel 
                         Sobral and Felgueiras, Carlos Alberto and Pantale{\~a}o, Eliana 
                         and Vogt, Nathan David and Negri, Rog{\'e}rio Galante",
           copyholder = "SID/SCD",
         englishtitle = "Land cover change detection in Tapaj{\'o}s National Forest using 
                         multisensor data",
             language = "pt",
                pages = "183",
                  ibi = "8JMKD3MGP3W34P/3L42DJE",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34P/3L42DJE",
           targetfile = "publicacao.pdf",
        urlaccessdate = "05 dez. 2020"
}


Fechar