Fechar
Metadados

@Article{DinizMaciGamaAdam:2020:AvSeNd,
               author = "Diniz, Juliana Maria Ferreira de Souza and Maciel, Daniel Andrade 
                         and Gama, F{\'a}bio Furlan and Adami, Marcos",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)}",
                title = "Avalia{\c{c}}{\~a}o do sentinel-2, ndvi e mlme para mapeamento 
                         do uso e cobertura da terra",
              journal = "Anu{\'a}rio do Instituto de Geoci{\^e}ncias",
                 year = "2020",
               volume = "43",
               number = "2",
                pages = "381--391",
             keywords = "classifica{\c{c}}{\~a}o orientada a objeto, Random Forest, 
                         simula{\c{c}}{\~a}o de Monte Carlo, object-based classification, 
                         Random Forest, Monte Carlo simulation.",
             abstract = "A floresta amaz{\^o}nica {\'e} considerada um dos maiores 
                         reservat{\'o}rios de carbono da Terra. No entanto, 
                         mudan{\c{c}}as antr{\'o}picas indiscriminadas no uso e cobertura 
                         da terra, como a convers{\~a}o da floresta em {\'a}reas 
                         agr{\'{\i}}colas e pastagens, provocam grandes impactos 
                         ambientais na floresta. A utiliza{\c{c}}{\~a}o de t{\'e}cnicas 
                         que auxiliam o mapeamento do uso e cobertura da terra se torna 
                         cada vez mais necess{\'a}ria. {\'{\I}}ndices como o NDVI 
                         ({\'{\I}}ndice de Vegeta{\c{c}}{\~a}o por Diferen{\c{c}}a 
                         Normalizada) e MLME (Modelo Linear de Mistura Espectral) s{\~a}o 
                         amplamente utilizados para estudos da vegeta{\c{c}}{\~a}o, por 
                         permitirem analisar e real{\c{c}}ar par{\^a}metros e 
                         fei{\c{c}}{\~o}es 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 
                         sat{\'e}lite Sentinel-2B, adicionado com o {\'{\i}}ndice de 
                         vegeta{\c{c}}{\~a}o NDVI e com o MLME, utilizando o 
                         classificador Random Forest (RF). Para a realiza{\c{c}}{\~a}o 
                         deste estudo, foram utilizadas imagens do sensor MSI do 
                         Sentinel-2B e calculados os {\'{\i}}ndices NDVI e MLME, 
                         derivados da imagem Sentinel-2B. A partir da 
                         segmenta{\c{c}}{\~a}o da imagem, foi realizada a 
                         extra{\c{c}}{\~a}o de atributos para cada segmento. A 
                         classifica{\c{c}}{\~a}o foi realizada pelo m{\'e}todo RF e a 
                         valida{\c{c}}{\~a}o foi realizada atrav{\'e}s da 
                         simula{\c{c}}{\~a}o de Monte Carlo, observando-se os valores de 
                         {\'{\i}}ndice Kappa e Acur{\'a}cia Global (AG). Para avaliar a 
                         diferen{\c{c}}a obtida com a adi{\c{c}}{\~a}o das 
                         vari{\'a}veis NDVI e MLME, quatro cen{\'a}rios de 
                         classifica{\c{c}}{\~a}o foram r ealizados. Notou-se que os c 
                         en{\'a}rios apresentaram resultados semelhantes de 
                         {\'{\i}}ndice Kappa e AG, n{\~a}o apresentando diferen{\c{c}}a 
                         significativa entre eles. A utiliza{\c{c}}{\~a}o 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 inclus{\~a}o do MLME para 
                         a separa{\c{c}}{\~a}o da classe Floresta Degradada (FD), se 
                         mostrou significativa. Al{\'e}m disso, observou-se que a 
                         utiliza{\c{c}}{\~a}o do classificador RF apresenta bons 
                         resultados para o mapeamento do uso e cobertura da terra. 
                         ABSTRACT: The Amazon Rainforest is considered one of the largest 
                         carbon reservoirs on Earth. However, indiscriminate anthropogenic 
                         land use and land cover changes, such as the conversion of forest 
                         to agricultural areas and pasture, generate large environmental 
                         impacts. The use of remote sensing techniques which helps mapping 
                         land use and land cover (LULC) becomes increasingly necessary. 
                         Vegetation indices such as NDVI (Normalized Difference Vegetation 
                         Index) and the Spectral Linear Mixing Model (MLME) are widely used 
                         for mapping and vegetation studies, because they allow analyzing 
                         and highlighting vegetation parameters and features in remotely 
                         sensed imagery. Thus, the aim of this paper was to evaluate the 
                         performance of land use and land cover (LULC) mapping using 
                         Sentinel-2B satellite data, added with the NDVI vegetation index 
                         and MLME using the Random Forest (RF) classifier. For this study, 
                         we used Sentinel-2B/ MSI images and both NDVI and MLME were 
                         calculated from Sentinel-2B bands. From image segmentation, 
                         attribute extraction was performed for each segment. The 
                         classification was performed by the RF method and validated using 
                         a Monte Carlo Simulation, observing Kappa and Global Accuracy (GA) 
                         values. To evaluate the gain obtained with the addition of NDVI 
                         and MLME variables, four classification scenarios were performed. 
                         We noticed that these scenarios presented similar results of Kappa 
                         index and GA, with no significant difference between them. The use 
                         of the Sentinel-2B/ MSI spectral bands showed a good alternative 
                         to mapping LULC, facilitating processing steps. However, the 
                         inclusion of the MLME for separation of the Degraded Forest (DF) 
                         class showed to be significant. In addition, it was shown that the 
                         use of the Random Forest classifier presents good results for the 
                         LULC mapping.",
                  doi = "10.11137/2020_2_381_391",
                  url = "http://dx.doi.org/10.11137/2020_2_381_391",
                 issn = "0101-9759",
             language = "en",
           targetfile = "diniz2020.pdf",
        urlaccessdate = "25 jan. 2021"
}


Fechar