@Article{NagelTerOliHórBes:2020:EsCaAr,
author = "Nagel, Gustavo Willy and Terra, Fabr{\'{\i}}cio da Silva and
Oliveira, Jade Silva de and H{\'o}rak-Terra, Ingrid and Beskow,
Samuel",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and
{Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM)}
and {Universidade Federal de Pelotas (UFPel)} and {Universidade
Federal dos Vales do Jequitinhonha e Mucuri (UFVJM)} and
{Universidade Federal de Pelotas (UFPel)}",
title = "C{\'a}lculo da curva n{\'u}mero para bacia hidrogr{\'a}fica
urbana utilizando diferentes abordagens de
classifica{\c{c}}{\~a}o para imagem orbital rapideye: estudo de
caso para o arroio pepino (Pelotas, RS)",
journal = "Pesquisas em Geoci{\^e}ncias",
year = "2020",
volume = "47",
number = "2",
pages = "1--18",
keywords = "m{\'a}xima verosimilhan{\c{c}}a gaussiana, mapeador de
{\^a}ngulo espectral, k-m{\'e}dias, m{\'a}quina de vetor
suporte, hidrologia urbana, escoamento superficial, maximum
gaussian likelihood, spectral angle mapper, k-means, support
vector machine, urban hidrology, runoff.",
abstract = "O valor da curva-n{\'u}mero (CN) {\'e} um par{\^a}metro
emp{\'{\i}}rico usado na determina{\c{c}}{\~a}o do escoamento
superficial direto a partir dos excessos de
precipita{\c{c}}{\~o}es, sendo dependente das mudan{\c{c}}as de
uso e cobertura da superf{\'{\i}}cie. Imagens de alta
resolu{\c{c}}{\~a}o espacial s{\~a}o importantes para
identificar tais mudan{\c{c}}as em bacias hidrogr{\'a}ficas
urbanas. O objetivo deste trabalho foi comparar os efeitos de
diferentes mapas de uso e cobertura, produzidos a partir de
classifica{\c{c}}{\~o}es n{\~a}o-supervisionada (K-m{\'e}dias)
e supervisionadas (MaxVer, SAM e SVM) em uma imagem orbital de
alta resolu{\c{c}}{\~a}o espacial, no c{\'a}lculo do valor CN
da bacia hidrogr{\'a}fica urbana do Arroio Pepino (Pelotas, RS).
A hip{\'o}tese {\'e} de que diferentes algoritmos de
classifica{\c{c}}{\~a}o produzem diferentes mapas de
superf{\'{\i}}cie que por sua vez afetam o valor CN final. As
classifica{\c{c}}{\~o}es foram realizadas em uma imagem RapidEye
e 10 classes foram identificadas: {\'a}gua, asfalto, estrada de
terra, vegeta{\c{c}}{\~a}o (3 tipos) e coberturas (4 tipos). O
valor CN de cada classe foi obtido pela compara{\c{c}}{\~a}o com
valores tabulados, e o valor CN total foi calculado pela
m{\'e}dia ponderada considerando a {\'a}rea proporcional de cada
classe. O SVM foi o algoritmo de melhor desempenho (acur{\'a}cia
global de 70,36% e {\'{\i}}ndice kappa de 0,66). Os valores
finais de CN apresentaram distintas intensidades: CNtotal = 88,96
para SAM, CNtotal = 89,66 para K-m{\'e}dias, CNtotal = 89,94 para
SVM e CNtotal = 90,71 para MaxVer. A proximidade entre estes
valores foi influenciada pela baixa capacidade de drenagem da
bacia estudada mesmo em {\'a}reas vegetadas. Diferen{\c{c}}as
nas propor{\c{c}}{\~o}es das classes afetam o valor do CN final
da bacia, e sua qualidade {\'e} altamente dependente da
acur{\'a}cia da imagem classificada. ABSTRACT: Curve number
calculation for urban watershed using different classification
approaches for RapidEye image: case study for the Pepino stream
(Pelotas, RS). The curve-number (CN) value is an empirical
parameter used for predicting direct runoff from rainfall excess,
and it depends on land use and cover changes. High spatial
resolution images have been important to identify these changes in
urban watersheds. This research aimed to compare the effects of
different surface maps, produced by unsupervised (K-means) and
supervised classifications (MaxVer, SAM, and SVM) of a high
spatial resolution orbital image, on calculation of CN value in
the urban watershed of the Pepino stream (Pelotas/RS). The
hypothesis is that different classification algorithms produce
divergent maps which in turn affect the final CN value. A RapidEye
image was classified in order to map the surface, and ten classes
were identified: water, asphalt, dirt road, vegetation (3 types)
and roofs (4 types). The CN value of each class was obtained by
comparing to corresponding tabulated values, and the total CN
value was calculated by weighted average taking into account the
proportional area of each class. The SVM was the best performed
classifier (global accuracy: 70.36% and kappa index: 0.66). The
final CN values showed different intensities: CNtotal = 88.96 for
SAM, CNtotal = 89.66 for K-means, CNtotal = 89.94 for SVM and
CNtotal = 90.71 for MaxVer. The proximity among these values was
influenced by the poor drainage capacity of the watershed even in
vegetation areas. Differences on proportions of the classes affect
the final CN value of the watershed, and its quality is highly
dependent on accuracy of the classified image.",
doi = "10.22456/1807-9806.108583",
url = "http://dx.doi.org/10.22456/1807-9806.108583",
issn = "1518-2398 and 1807-9806",
language = "pt",
targetfile = "nagel_calculo.pdf",
urlaccessdate = "04 jun. 2024"
}