| 1. Identificação | |||||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | ||||||||||||
| Site | mtc-m21c.sid.inpe.br | ||||||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | ||||||||||||
| Identificador | 8JMKD3MGP3W34R/3R2LBLB | ||||||||||||
| Repositório | sid.inpe.br/mtc-m21c/2018/04.29.22.45 | ||||||||||||
| Última Atualização | 2018:08.10.18.58.27 (UTC) simone | ||||||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2018/04.29.22.45.57 | ||||||||||||
| Última Atualização dos Metadados | 2020:12.07.21.11.34 (UTC) administrator | ||||||||||||
| Chave Secundária | INPE-18049-TDI/2759 | ||||||||||||
| Chave de Citação | Penha:2018:DeÁrQu | ||||||||||||
| Título | Detecção de áreas queimadas na Amazônia utilizando imagens de média resolução espacial, técnicas de GEOBIA e mineração de dados  | ||||||||||||
| Título Alternativo | Burned areas detection in Amazonia using medium spatial resolution images, GEOBIA and data mining techniques | ||||||||||||
| Curso | SER-SRE-SESPG-INPE-MCTIC-GOV-BR | ||||||||||||
| Ano | 2018 | ||||||||||||
| Data | 2018-05-08 | ||||||||||||
| Data de Acesso | 06 maio 2024 | ||||||||||||
| Tipo da Tese | Dissertação (Mestrado em Sensoriamento Remoto) | ||||||||||||
| Tipo Secundário | TDI | ||||||||||||
| Número de Páginas | 165 | ||||||||||||
| Número de Arquivos | 1 | ||||||||||||
| Tamanho | 6516 KiB | ||||||||||||
| 2. Contextualização | |||||||||||||
| Autor | Penha, Thales Vaz | ||||||||||||
| Banca | Anderson, Liana Oigheinstein (presidente) Fonseca, Leila Maria Garcia (orientador) Körting, Thales Sehn (orientador) Morelli, Fabiano Feitosa, Raul Queiroz | ||||||||||||
| Endereço de e-Mail | tpenha@id.uff.br | ||||||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | ||||||||||||
| Cidade | São José dos Campos | ||||||||||||
| Histórico (UTC) | 2018-04-29 22:47:52 :: thales.penha@inpe.br -> administrator :: 2018-05-08 12:41:57 :: administrator -> pubtc@inpe.br :: 2018-05-08 12:42:30 :: pubtc@inpe.br -> administrator :: 2018-06-04 01:52:24 :: administrator -> thales.penha@inpe.br :: 2018-06-28 14:16:53 :: thales.penha@inpe.br -> pubtc@inpe.br :: 2018-07-13 11:51:29 :: pubtc@inpe.br -> administrator :: 2018-08-10 11:29:41 :: administrator -> simone :: 2018-08-10 11:35:12 :: simone :: -> 2018 2018-08-10 18:53:46 :: simone -> administrator :: 2018 2018-08-10 18:54:29 :: administrator -> simone :: 2018 2018-08-10 18:58:52 :: simone -> administrator :: 2018 2020-12-07 21:11:34 :: administrator -> simone :: 2018 | ||||||||||||
| 3. Conteúdo e estrutura | |||||||||||||
| É a matriz ou uma cópia? | é a matriz | ||||||||||||
| Estágio do Conteúdo | concluido | ||||||||||||
| Transferível | 1 | ||||||||||||
| Palavras-Chave | mapeamento de áreas queimadas índices espectrais análise baseada em objetos florestas tropicais multi-sensores ópticos mineração de dados burned areas mapping spectral indices object-based image analysis. Tropical forest. Optical multi-sensor. Data Mining. Landsat-8. Sentinel-2. CBERS-4 | ||||||||||||
| Resumo | O mapeamento refinado de áreas queimadas na Amazônia brasileira ainda é um desafio. A principal dificuldade na detecção de áreas queimadas para grandes extensões territoriais é devido à cobertura de nuvens, presença de sombras e a detecção de incêndios florestais. A integração de imagens de média resolução espacial (~30m) pode fornecer uma maior disponibilidade de imagens orbitais adequadas, diminuindo as incertezas associadas aos dados de resolução espacial mais baixa (>250m), os quais subestimam/superestimam áreas queimadas e dificultam a detecção de pequenas manchas de áreas queimadas. Neste estudo, uma metodologia baseada em índices espectrais, Análise de Imagem Baseada em Objetos Geográficos (GEOBIA), imagens de média resolução espacial e Mineração de Dados foi proposta para refinar o mapeamento de áreas queimadas na região amazônica, dividido em duas fases de experimentos. Na primeira, nove índices espectrais foram avaliados em duas cenas dos sensores Landsat-8 OLI e Sentinel-2 MSI, em duas áreas de estudo. Para isso, modelos de detecção de áreas queimadas com base em técnicas de GEOBIA e índices espectrais foram construídos. Na segunda, modelos de detecção baseados em técnicas de GEOBIA e Mineração de Dados para três áreas 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 áreas queimadas. Os resultados mostraram que o índice Burned Area Index (BAI) é o mais adequado para este mapeamento (M > 1,5). Além disso, índices espectrais e bandas espectrais cujas faixas de espectro eletromagnético contemplam as bandas do infravemelho próximo (NIR) e infravermelho de ondas curtas (SWIR) são as mais indicadas para detecção de áreas queimadas. Com efeito, os modelos de detecção de áreas queimadas baseado em GEOBIA permitiram detectar mais de 80% das áreas queimadas pequenas (< 0,1 km²) com altos valores de Coeficiente Dice (DC) (cerca de 0,70) e baixos erros de omissão e comissão, 22% e 32%, respectivamente. Ademais, a aplicação do algoritmo do CSF e da árvore de decisão (J48) foi adequada (apresentando DC médio de 0,80, erros de omissão e comissão de 17% e 22%, respectivamente), permitindo uma interpretação robusta da seleção automática de atributos para detectar e caracterizar as áreas queimadas. Os modelos criados com base no caminho majoritário apresentaram em média 10% do tamanho das árvores de decisão originais, e foram capazes de detectar aproximadamente 42% das áreas queimadas. Os resultados indicam os atributos mais importantes para a construção 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 detecção e monitoramento de áreas queimadas, uma vez que contribuem para a maior disponibilidade de imagens adequadas sem cobertura de nuvens. Como trabalhos futuros sugere-se a aplicação dos modelos propostos para detectar áreas queimadas em outras localidades da Amazônia, bem como o uso de outras imagens de média resolução 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. | ||||||||||||
| Área | SRE | ||||||||||||
| Arranjo | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Detecção de áreas... | ||||||||||||
| Conteúdo da Pasta doc | acessar | ||||||||||||
| Conteúdo da Pasta source |
| ||||||||||||
| Conteúdo da Pasta agreement |
| ||||||||||||
| 4. Condições de acesso e uso | |||||||||||||
| URL dos dados | http://mtc-m21c.sid.inpe.br/ibi/8JMKD3MGP3W34R/3R2LBLB | ||||||||||||
| URL dos dados zipados | http://mtc-m21c.sid.inpe.br/zip/8JMKD3MGP3W34R/3R2LBLB | ||||||||||||
| Idioma | pt | ||||||||||||
| Arquivo Alvo | publicacao.pdf | ||||||||||||
| Grupo de Usuários | gabinete@inpe.br pubtc@inpe.br thales.penha@inpe.br | ||||||||||||
| Grupo de Leitores | administrator gabinete@inpe.br pubtc@inpe.br thales.penha@inpe.br yolanda.souza@mcti.gov.br | ||||||||||||
| Visibilidade | shown | ||||||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | ||||||||||||
| Permissão de Leitura | allow from all | ||||||||||||
| Permissão de Atualização | não transferida | ||||||||||||
| 5. Fontes relacionadas | |||||||||||||
| Repositório Espelho | urlib.net/www/2017/11.22.19.04.03 | ||||||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F3NU5S | ||||||||||||
| Divulgação | BNDEPOSITOLEGAL | ||||||||||||
| Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 | ||||||||||||
| 6. Notas | |||||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | ||||||||||||
| 7. Controle da descrição | |||||||||||||
| e-Mail (login) | simone | ||||||||||||
| atualizar | |||||||||||||