Fechar
Metadados

@MastersThesis{Penha:2018:DeÁrQu,
               author = "Penha, Thales Vaz",
                title = "Detec{\c{c}}{\~a}o de {\'a}reas queimadas na Amaz{\^o}nia 
                         utilizando imagens de m{\'e}dia resolu{\c{c}}{\~a}o espacial, 
                         t{\'e}cnicas de GEOBIA e minera{\c{c}}{\~a}o de dados",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2018",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2018-05-08",
             keywords = "mapeamento de {\'a}reas queimadas, {\'{\i}}ndices espectrais, 
                         an{\'a}lise baseada em objetos, florestas tropicais, 
                         multi-sensores {\'o}pticos, minera{\c{c}}{\~a}o de dados, 
                         burned areas mapping, spectral indices, object-based image 
                         analysis. Tropical forest. Optical multi-sensor. Data Mining. 
                         Landsat-8. Sentinel-2. CBERS-4.",
             abstract = "O mapeamento refinado de {\'a}reas queimadas na Amaz{\^o}nia 
                         brasileira ainda {\'e} um desafio. A principal dificuldade na 
                         detec{\c{c}}{\~a}o de {\'a}reas queimadas para grandes 
                         extens{\~o}es territoriais {\'e} devido {\`a} cobertura de 
                         nuvens, presen{\c{c}}a de sombras e a detec{\c{c}}{\~a}o de 
                         inc{\^e}ndios florestais. A integra{\c{c}}{\~a}o de imagens de 
                         m{\'e}dia resolu{\c{c}}{\~a}o espacial (~30m) pode fornecer uma 
                         maior disponibilidade de imagens orbitais adequadas, diminuindo as 
                         incertezas associadas aos dados de resolu{\c{c}}{\~a}o espacial 
                         mais baixa (>250m), os quais subestimam/superestimam {\'a}reas 
                         queimadas e dificultam a detec{\c{c}}{\~a}o de pequenas manchas 
                         de {\'a}reas queimadas. Neste estudo, uma metodologia baseada em 
                         {\'{\i}}ndices espectrais, An{\'a}lise de Imagem Baseada em 
                         Objetos Geogr{\'a}ficos (GEOBIA), imagens de m{\'e}dia 
                         resolu{\c{c}}{\~a}o espacial e Minera{\c{c}}{\~a}o de Dados 
                         foi proposta para refinar o mapeamento de {\'a}reas queimadas na 
                         regi{\~a}o amaz{\^o}nica, dividido em duas fases de 
                         experimentos. Na primeira, nove {\'{\i}}ndices espectrais foram 
                         avaliados em duas cenas dos sensores Landsat-8 OLI e Sentinel-2 
                         MSI, em duas {\'a}reas de estudo. Para isso, modelos de 
                         detec{\c{c}}{\~a}o de {\'a}reas queimadas com base em 
                         t{\'e}cnicas de GEOBIA e {\'{\i}}ndices espectrais foram 
                         constru{\'{\i}}dos. Na segunda, modelos de detec{\c{c}}{\~a}o 
                         baseados em t{\'e}cnicas de GEOBIA e Minera{\c{c}}{\~a}o de 
                         Dados para tr{\^e}s {\'a}reas de estudo, utilizando imagens 
                         Landsat-8 OLI, Sentinel-2 MSI e CBERS-4 MUX, foram desenvolvidos. 
                         Esta fase teve como objetivo identificar os atributos descritores 
                         mais relevantes de {\'a}reas queimadas. Os resultados mostraram 
                         que o {\'{\i}}ndice Burned Area Index (BAI) {\'e} o mais 
                         adequado para este mapeamento (M > 1,5). Al{\'e}m disso, 
                         {\'{\i}}ndices espectrais e bandas espectrais cujas faixas de 
                         espectro eletromagn{\'e}tico contemplam as bandas do infravemelho 
                         pr{\'o}ximo (NIR) e infravermelho de ondas curtas (SWIR) s{\~a}o 
                         as mais indicadas para detec{\c{c}}{\~a}o de {\'a}reas 
                         queimadas. Com efeito, os modelos de detec{\c{c}}{\~a}o de 
                         {\'a}reas queimadas baseado em GEOBIA permitiram detectar mais de 
                         80% das {\'a}reas queimadas pequenas (< 0,1 km²) com altos 
                         valores de Coeficiente Dice (DC) (cerca de 0,70) e baixos erros de 
                         omiss{\~a}o e comiss{\~a}o, 22% e 32%, respectivamente. Ademais, 
                         a aplica{\c{c}}{\~a}o do algoritmo do CSF e da {\'a}rvore de 
                         decis{\~a}o (J48) foi adequada (apresentando DC m{\'e}dio de 
                         0,80, erros de omiss{\~a}o e comiss{\~a}o de 17% e 22%, 
                         respectivamente), permitindo uma interpreta{\c{c}}{\~a}o robusta 
                         da sele{\c{c}}{\~a}o autom{\'a}tica de atributos para detectar 
                         e caracterizar as {\'a}reas queimadas. Os modelos criados com 
                         base no caminho majorit{\'a}rio apresentaram em m{\'e}dia 10% do 
                         tamanho das {\'a}rvores de decis{\~a}o originais, e foram 
                         capazes de detectar aproximadamente 42% das {\'a}reas queimadas. 
                         Os resultados indicam os atributos mais importantes para a 
                         constru{\c{c}}{\~a}o de novos modelos, sendo os melhores 
                         atributos descritores baseados em pixel, objetos e textura 
                         derivados do BAI e NIR. Finalmente, este estudo recomenda o uso de 
                         imagens dos sensores OLI, MSI e MUX para a detec{\c{c}}{\~a}o e 
                         monitoramento de {\'a}reas queimadas, uma vez que contribuem para 
                         a maior disponibilidade de imagens adequadas sem cobertura de 
                         nuvens. Como trabalhos futuros sugere-se a aplica{\c{c}}{\~a}o 
                         dos modelos propostos para detectar {\'a}reas queimadas em outras 
                         localidades da Amaz{\^o}nia, bem como o uso de outras imagens de 
                         m{\'e}dia resolu{\c{c}}{\~a}o espacial. ABSTRACT: Refined 
                         burned areas (BA) mapping in the Brazilian Amazon is still a 
                         challenge. The main difficulty in BA detection for large areas is 
                         due to the occurrence of cloud coverage, the presence of shadows 
                         and forest fires detection. The integration of different data 
                         sources of medium spatial resolution satellite images can provide 
                         a wider range of suitable orbital images (without cloud coverage) 
                         and decrease the uncertainties associated to coarse spatial 
                         resolution data, which might underestimate or overestimate BA and 
                         difficult the detection of small BA patches. In this study, a 
                         methodology based on spectral indices, Geographic Object-Based 
                         Image Analysis (GEOBIA), medium resolution images and data mining 
                         has been used to improve the mapping of BA in the Amazon region, 
                         divided in two experimental phases. The first evaluates the 
                         performance of nine spectral indices for BA detection in two 
                         scenes from Landsat-8 OLI and Sentinel-2 MSI, using two different 
                         study areas. BA detection models based on GEOBIA and spectral 
                         indices were developed in order to do so. For the second phase, 
                         classification models based on GEOBIA techniques and data mining 
                         was developed for three study areas, including Landsat-8 OLI, 
                         Sentinel-2 MSI and CBERS-4 MUX imagery, seeking the identification 
                         of the most relevant descriptor attributes of BA. The results 
                         showed that Burned Area Index (BAI) is the most suitable index for 
                         BA mapping (M index > 1.5). Furthermore, spectral indices and 
                         spectral bands whose electromagnetic spectrum ranges contemplate 
                         the NIR and SWIR bands are the most indicated for BA detection. On 
                         top of that, the BA detection model based on GEOBIA allowed the 
                         detection of more than 80% of the small BA (< 0,1 km²) presenting 
                         high Dice Coefficient (DC) values (about 0.70) and low omission 
                         and commission errors of 22% and 32%, respectively. Besides, the 
                         usage of CSF algorithm and decision tree (J48) methods were 
                         adequate (DC about 0.80, omission and commission of 17% and 22%, 
                         respectively), allowing a robust interpretation of the automatic 
                         selection of attributes to detect and characterize the BA. In 
                         addition, the BA detection models based on the major path 
                         presented average size of 10% of the original decision trees and 
                         were able to detect around 42% of BA. The results show which are 
                         the most important attributes when constructing new models, the 
                         best being the ones based on pixel, objects and textural type 
                         derived from BAI and NIR band. Finally, this study recommends the 
                         use of OLI, MSI and MUX sensors for BA detection and monitoring, 
                         since they contribute to the availability of suitable images 
                         without cloud coverage. Further studies are encouraged to apply 
                         the proposed model of BA detection to other Amazon sites and a 
                         wider use of medium spatial resolution images.",
            committee = "Anderson, Liana Oigheinstein (presidente) and Fonseca, Leila Maria 
                         Garcia (orientador) and K{\"o}rting, Thales Sehn (orientador) and 
                         Morelli, Fabiano and Feitosa, Raul Queiroz",
         englishtitle = "Burned areas detection in Amazonia using medium spatial resolution 
                         images, GEOBIA and data mining techniques",
             language = "pt",
                pages = "165",
                  ibi = "8JMKD3MGP3W34R/3R2LBLB",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/3R2LBLB",
           targetfile = "publicacao.pdf",
        urlaccessdate = "04 dez. 2020"
}


Fechar