@MastersThesis{Penha:2018:DeÁrQu,
author = "Penha, Thales Vaz",
title = "Detec{\c{c}}{\~a}o de {\'a}reas queimadas na Amaz{\^o}nia
utilizando imagens de m{\'e}dia resolu{\c{c}}{\~a}o espacial,
t{\'e}cnicas de GEOBIA e minera{\c{c}}{\~a}o de dados",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2018",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2018-05-08",
keywords = "mapeamento de {\'a}reas queimadas, {\'{\i}}ndices espectrais,
an{\'a}lise baseada em objetos, florestas tropicais,
multi-sensores {\'o}pticos, minera{\c{c}}{\~a}o de dados,
burned areas mapping, spectral indices, object-based image
analysis. Tropical forest. Optical multi-sensor. Data Mining.
Landsat-8. Sentinel-2. CBERS-4.",
abstract = "O mapeamento refinado de {\'a}reas queimadas na Amaz{\^o}nia
brasileira ainda {\'e} um desafio. A principal dificuldade na
detec{\c{c}}{\~a}o de {\'a}reas queimadas para grandes
extens{\~o}es territoriais {\'e} devido {\`a} cobertura de
nuvens, presen{\c{c}}a de sombras e a detec{\c{c}}{\~a}o de
inc{\^e}ndios florestais. A integra{\c{c}}{\~a}o de imagens de
m{\'e}dia resolu{\c{c}}{\~a}o espacial (~30m) pode fornecer uma
maior disponibilidade de imagens orbitais adequadas, diminuindo as
incertezas associadas aos dados de resolu{\c{c}}{\~a}o espacial
mais baixa (>250m), os quais subestimam/superestimam {\'a}reas
queimadas e dificultam a detec{\c{c}}{\~a}o de pequenas manchas
de {\'a}reas queimadas. Neste estudo, uma metodologia baseada em
{\'{\i}}ndices espectrais, An{\'a}lise de Imagem Baseada em
Objetos Geogr{\'a}ficos (GEOBIA), imagens de m{\'e}dia
resolu{\c{c}}{\~a}o espacial e Minera{\c{c}}{\~a}o de Dados
foi proposta para refinar o mapeamento de {\'a}reas queimadas na
regi{\~a}o amaz{\^o}nica, dividido em duas fases de
experimentos. Na primeira, nove {\'{\i}}ndices espectrais foram
avaliados em duas cenas dos sensores Landsat-8 OLI e Sentinel-2
MSI, em duas {\'a}reas de estudo. Para isso, modelos de
detec{\c{c}}{\~a}o de {\'a}reas queimadas com base em
t{\'e}cnicas de GEOBIA e {\'{\i}}ndices espectrais foram
constru{\'{\i}}dos. Na segunda, modelos de detec{\c{c}}{\~a}o
baseados em t{\'e}cnicas de GEOBIA e Minera{\c{c}}{\~a}o de
Dados para tr{\^e}s {\'a}reas 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 {\'a}reas queimadas. Os resultados mostraram
que o {\'{\i}}ndice Burned Area Index (BAI) {\'e} o mais
adequado para este mapeamento (M > 1,5). Al{\'e}m disso,
{\'{\i}}ndices espectrais e bandas espectrais cujas faixas de
espectro eletromagn{\'e}tico contemplam as bandas do infravemelho
pr{\'o}ximo (NIR) e infravermelho de ondas curtas (SWIR) s{\~a}o
as mais indicadas para detec{\c{c}}{\~a}o de {\'a}reas
queimadas. Com efeito, os modelos de detec{\c{c}}{\~a}o de
{\'a}reas queimadas baseado em GEOBIA permitiram detectar mais de
80% das {\'a}reas queimadas pequenas (< 0,1 km²) com altos
valores de Coeficiente Dice (DC) (cerca de 0,70) e baixos erros de
omiss{\~a}o e comiss{\~a}o, 22% e 32%, respectivamente. Ademais,
a aplica{\c{c}}{\~a}o do algoritmo do CSF e da {\'a}rvore de
decis{\~a}o (J48) foi adequada (apresentando DC m{\'e}dio de
0,80, erros de omiss{\~a}o e comiss{\~a}o de 17% e 22%,
respectivamente), permitindo uma interpreta{\c{c}}{\~a}o robusta
da sele{\c{c}}{\~a}o autom{\'a}tica de atributos para detectar
e caracterizar as {\'a}reas queimadas. Os modelos criados com
base no caminho majorit{\'a}rio apresentaram em m{\'e}dia 10% do
tamanho das {\'a}rvores de decis{\~a}o originais, e foram
capazes de detectar aproximadamente 42% das {\'a}reas queimadas.
Os resultados indicam os atributos mais importantes para a
constru{\c{c}}{\~a}o 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 detec{\c{c}}{\~a}o e
monitoramento de {\'a}reas queimadas, uma vez que contribuem para
a maior disponibilidade de imagens adequadas sem cobertura de
nuvens. Como trabalhos futuros sugere-se a aplica{\c{c}}{\~a}o
dos modelos propostos para detectar {\'a}reas queimadas em outras
localidades da Amaz{\^o}nia, bem como o uso de outras imagens de
m{\'e}dia resolu{\c{c}}{\~a}o 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.",
committee = "Anderson, Liana Oigheinstein (presidente) and Fonseca, Leila Maria
Garcia (orientador) and K{\"o}rting, Thales Sehn (orientador) and
Morelli, Fabiano and Feitosa, Raul Queiroz",
englishtitle = "Burned areas detection in Amazonia using medium spatial resolution
images, GEOBIA and data mining techniques",
language = "pt",
pages = "165",
ibi = "8JMKD3MGP3W34R/3R2LBLB",
url = "http://urlib.net/ibi/8JMKD3MGP3W34R/3R2LBLB",
targetfile = "publicacao.pdf",
urlaccessdate = "26 abr. 2024"
}