@Article{PavanelliSanGalXauXau:2018:PaOlDa,
author = "Pavanelli, Jo{\~a}o Arthur Pompeu and Santos, Jo{\~a}o Roberto
dos and Galv{\~a}o, L{\^e}nio Soares and Xaud, Maristela Ramalho
and Xaud, Haron Abrahim Magalh{\~a}es",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto
Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de
Pesquisas Espaciais (INPE)} and {Empresa Brasileira de Pesquisa
Agropecu{\'a}ria (EMBRAPA)} and {Empresa Brasileira de Pesquisa
Agropecu{\'a}ria (EMBRAPA)}",
title = "Palsar-2/Alos-2 and Oli/Landsat-8 data integration for land use
and land cover mapping in northern Brazilian Amazon",
journal = "Bulletin of Geodetic Sciences",
year = "2018",
volume = "24",
number = "2",
pages = "250--269",
month = "Apr./June",
keywords = "Random Forest, LULC, hybrid classification, Random Forest, uso e
cobertura da terra, classifica{\c{c}}{\~a}o h{\'{\i}}brida.",
abstract = "In northern Brazilian Amazon, the crops, savannahs and rainforests
form a complex landscape where land use and land cover (LULC)
mapping is difficult. Here, data from the Operational Land Imager
(OLI)/Landsat-8 and Phased Array type L-band Synthetic Aperture
Radar (PALSAR-2)/ALOS-2 were combined for mapping 17 LULC classes
using Random Forest (RF) during the dry season. The potential
thematic accuracy of each dataset was assessed and compared with
results of the hybrid classification from both datasets. The
results showed that the combination of PALSAR-2 HH/HV amplitudes
with the reflectance of the six OLI bands produced an overall
accuracy of 83% and a Kappa of 0.81, which represented an
improvement of 6% in relation to the RF classification derived
solely from OLI data. The RF models using OLI multispectral
metrics performed better than RF models using PALSAR-2 L-band dual
polarization attributes. However, the major contribution of
PALSAR-2 in the savannahs was to discriminate low biomass classes
such as savannah grassland and wooded savannah. RESUMO: Na
por{\c{c}}{\~a}o norte da Amaz{\^o}nia brasileira, as savanas,
florestas estacionais e terras agropecu{\'a}rias formam uma
paisagem complexa, onde o mapeamento de uso e cobertura da terra
{\'e} uma tarefa desafiadora. Nesse trabalho, dados Landsat-8/OLI
e ALOS-2/PALSAR-2 foram combinados para mapeamento de 17 classes
de uso e cobertura da terra usando o algoritmo Random Forest. O
potencial de cada conjunto de dados foi analisado separadamente e
em compara{\c{c}}{\~a}o ao modelo h{\'{\i}}brido. Os
resultados mostraram que o modelo h{\'{\i}}brido com as
polariza{\c{c}}{\~o}es PALSAR-2 HH/HV e seis bandas de
reflect{\^a}ncia do OLI produziu os melhores resultados, com
acur{\'a}cia global de 83% e Kappa de 0,81. Isto representou um
aumento de 6% em rela{\c{c}}{\~a}o {\`a}
classifica{\c{c}}{\~a}o das bandas do OLI somente. Os modelos
usando os dados {\'o}pticos produziram resultados melhores do que
os do SAR. Entretanto, a maior contribui{\c{c}}{\~a}o do
PALSAR-2 foi melhorar a discrimina{\c{c}}{\~a}o de classes de
savana com menor biomassa, como os campos limpos e campos
cerrados.",
doi = "10.1590/S1982-21702018000200017",
url = "http://dx.doi.org/10.1590/S1982-21702018000200017",
issn = "1982-2170",
language = "en",
targetfile = "pavanelli_palsar.pdf",
urlaccessdate = "28 abr. 2024"
}