%0 Conference Proceedings
%4 sid.inpe.br/marte2/2019/10.01.18.47
%2 sid.inpe.br/marte2/2019/10.01.18.47.24
%@isbn 978-85-17-00097-3
%T Avaliação de índices espectrais e do algoritmo Random Forest para a detecção de mudanças da cobertura do solo no Cerrado brasileiro
%D 2019
%A Silva Pinto, Álvaro Salgado Araújo,
%A Silveira, Eduarda Martiniano de Oliveira,
%A Rocha, Thainá Guimarães,
%A Cunha, Luiza Imbroisi Ferraz,
%A Acerbi Júnior, Fausto Weimar,
%@affiliation Universidade Federal de Lavras (UFLA)
%@affiliation Universidade Federal de Lavras (UFLA)
%@affiliation Universidade Federal de Lavras (UFLA)
%@affiliation Universidade Federal de Lavras (UFLA)
%@affiliation Universidade Federal de Lavras (UFLA)
%@electronicmailaddress alvarosalgado96@yahoo.com.br
%@electronicmailaddress dudalavras@hotmail.com
%@electronicmailaddress thaina.g.rocha@gmail.com
%@electronicmailaddress luiza.1302@gmail.com
%@electronicmailaddress fausto@dcf.ufla.br
%E Gherardi, Douglas Francisco Marcolino,
%E Sanches, Ieda DelArco,
%E Aragão, Luiz Eduardo Oliveira e Cruz de,
%B Simpósio Brasileiro de Sensoriamento Remoto, 19 (SBSR)
%C Santos
%8 14-17 abril 2019
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%J São José dos Campos
%P 963-966
%S Anais
%1 Instituto Nacional de Pesquisas Espaciais (INPE)
%K Sensoriamento remoto, índices de vegetação, desmatamentos, queimadas, áreas em regeneração, Remote sensing, vegetation indices, deforestation, burned, regeneration areas.
%X O objetivo deste trabalho foi analisar a capacidade de 7 índices de vegetação em detectar e diferenciar mudanças na cobertura do solo em uma cena Landsat inserida no Cerrado Brasileiro, para isto foi utilizado o algoritmo Random Forest. Foram geradas as imagens diferença entre os anos de 2006 a 2017, estas imagens foram segmentadas e posteriormente foram coletadas 50 amostras por classe e ano das classes queimada, desmatamento, regeneração e não mudança. A partir destas amostras extraiu-se valores mínimos, médios, máximos e desvios padrão para treinamento do algoritmo Random Forest. Como resultado, verificou-se que todos os índices contribuíram para a acurácia global de 92,37%, comprovando sua alta capacidade em diferenciar vegetação de não vegetação. Os índices NBR e NBR2 foram os mais significativos ao diferenciar queimadas de desmatamentos, sendo que a alta separabilidade destes índices também foi comprovada em outros estudos no Cerrado. ABSTRACT: The objective of this work was to analyze 7 vegetation indices in order to detect and differentiate land cover changes in the Brazilian savannas, also known as the Cerrado. We calculated the difference images from Landsat scenes of the years 2006 to 2017. The difference images were segmented and 50 samples per class (burned, deforestation, regeneration and no changed areas) per year were collected. Then, we extracted from each sample the minimum, average, maximum and standard deviation values for training the Random Forest algorithm. The results showed the importance of all indices to achieve the overall accuracy of 92.37%, proving their high capacity to differentiate vegetated from non-vegetated areas. The NBR and NBR2 were the most significant indices for differentiation of burned areas and deforestation. Similar results were also reported by other authors studying land cover changes in the Cerrado.
%9 Mudança de uso e cobertura da Terra
%@language pt
%3 97697.pdf