@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/ibi/8JMKD3MGP3W34P/3L42DJE",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}