| 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/3RU6Q68 | ||||||||||||
| Repositório | sid.inpe.br/mtc-m21c/2018/10.03.18.55 | ||||||||||||
| Última Atualização | 2018:11.30.11.57.50 (UTC) simone | ||||||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2018/10.03.18.55.24 | ||||||||||||
| Última Atualização dos Metadados | 2018:11.30.12.02.28 (UTC) simone | ||||||||||||
| Chave Secundária | INPE-18112-TDI/2813 | ||||||||||||
| Chave de Citação | GirolamoNeto:2018:IdFiCe | ||||||||||||
| Título | Identificação de fitofisionomias de Cerrado no Parque Nacional de Brasília utilizando random forest aplicado a imagens de alta e média resoluções espaciais  | ||||||||||||
| Título Alternativo | Identification of Brazilian savannah physiognomies on Brasília National Park using random forest on high and medium spatial resolution images | ||||||||||||
| Curso | SER-SRE-SESPG-INPE-MCTIC-GOV-BR | ||||||||||||
| Ano | 2018 | ||||||||||||
| Data | 2018-08-28 | ||||||||||||
| Data de Acesso | 01 maio 2024 | ||||||||||||
| Tipo da Tese | Tese (Doutorado em Sensoriamento Remoto) | ||||||||||||
| Tipo Secundário | TDI | ||||||||||||
| Número de Páginas | 186 | ||||||||||||
| Número de Arquivos | 1 | ||||||||||||
| Tamanho | 16744 KiB | ||||||||||||
| 2. Contextualização | |||||||||||||
| Autor | Girolamo Neto, Cesare Di | ||||||||||||
| Banca | Ponzoni, Flávio Jorge (presidente) Fonseca, Leila Maria Garcia (orientadora) Körting, Thales Sehn (orientador) Valeriano, Dalton de Morisson Negri, Rogério Galante Lacerda, Camila Souza dos Anjos | ||||||||||||
| Endereço de e-Mail | cesare.neto@gmail.com | ||||||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | ||||||||||||
| Cidade | São José dos Campos | ||||||||||||
| Histórico (UTC) | 2018-10-03 18:56:12 :: cesare.neto@inpe.br -> pubtc@inpe.br :: 2018-10-05 13:13:16 :: pubtc@inpe.br -> cesare.neto@inpe.br :: 2018-10-08 18:05:57 :: cesare.neto@inpe.br -> administrator :: 2018-10-09 17:57:24 :: administrator -> pubtc@inpe.br :: 2018-10-09 17:58:01 :: pubtc@inpe.br -> cesare.neto@inpe.br :: 2018-10-15 13:04:41 :: cesare.neto@inpe.br -> pubtc@inpe.br :: 2018-10-15 13:13:38 :: pubtc@inpe.br -> cesare.neto@inpe.br :: 2018-10-15 13:18:50 :: cesare.neto@inpe.br -> pubtc@inpe.br :: 2018-11-20 12:13:30 :: pubtc@inpe.br -> administrator :: 2018-11-23 12:49:52 :: administrator -> simone :: 2018-11-23 13:08:08 :: simone :: -> 2018 2018-11-23 13:13:14 :: simone -> administrator :: 2018 2018-11-26 17:20:19 :: administrator -> simone :: 2018 2018-11-30 12:02:28 :: simone -> :: 2018 | ||||||||||||
| 3. Conteúdo e estrutura | |||||||||||||
| É a matriz ou uma cópia? | é a matriz | ||||||||||||
| Estágio do Conteúdo | concluido | ||||||||||||
| Transferível | 1 | ||||||||||||
| Palavras-Chave | sensoriamento remoto classificação cerrado textura mineração de dados remote sensing classification cerrado texture data mining | ||||||||||||
| Resumo | Depois da Mata Atlântica, o Cerrado é o bioma Brasileiro que mais passou por alterações com a ocupação humana, com uma perda de cobertura vegetal de 978.745 km². Portanto, é estratégico que o bioma seja monitorado para combater o desmatamento e manter as áreas de preservação ambiental. Neste sentido, várias pesquisas têm sido desenvolvidas para estudar as alterações da cobertura e uso da terra, estimar as emissões de carbono, estudar o impacto do desmatamento e degradação da biodiversidade. A maioria dos trabalhos para classificar a cobertura vegetal do Cerrado tem utilizado imagens da classe Landsat, com 30 metros de resolução espacial, discriminando fitofisionomias de Campo, Savana e Floresta com taxas de acerto superiores a 80%. Todavia, ainda são encontradas dificuldades em classificar as fitofisionomias com uma legenda de classificação mais detalhada. Esse fato mostra a necessidade do uso de imagens de resolução espacial melhor, as quais se mostraram capazes de identificar a estrutura da vegetação em fitofisionomias semelhantes. Embora, o uso destas imagens permita classificar a cobertura vegetal do Cerrado com mais detalhes, não há na literatura pesquisas conclusivas sobre quais fitofisionomias podem ser mais bem discriminadas com imagens de resolução espacial da classe Landsat (30m) e alta resolução (1 a 4 m). Dentro deste contexto, o principal objetivo deste trabalho foi avaliar imagens de alta e média resoluções, combinadas com técnicas de extração de atributos, para mapear as fitofisionomias do Cerrado com um maior nível de detalhamento do que a literatura existente. Foram obtidas imagens (Landsat-8 e WorldView-2) para o Parque Nacional de Brasília, região que contém mais de 30 mil hectares de vegetação nativa de Cerrado. A partir destas imagens foram gerados dados de Reflectância, do Modelo Linear de Mistura Espectral, da Transformada Tasseled Cap, de Índices de Vegetação e de textura. Foram coletados pontos em campo e com interpretação visual para gerar um conjunto de dados com mais de mil amostras classificadas para quatro diferentes legendas. Estas legendas consideram as fitofisionomias de Ribeiro e Walter (2008) e foram propostas, contendo 3, 6, 8 e 10 diferentes classes, de acordo com seu nível de detalhamento. A escala mais simples diferenciou apenas as classes Campestre, Savânica e Florestal, e conforme o aumento da complexidade, foram identificadas classes como Campo Limpo, Campo Limpo Úmido, Campo Limpo Úmido com Murundu, Campo Sujo, Campo Rupestre, Cerrado Ralo, Cerrado Típico, Cerrado Denso, Veredas e Mata de Galeria. O comportamento espectral destas fitofisionomias revelou que elas são diferenciáveis apenas para a escala mais simples. Para níveis mais complexos, existe uma maior dificuldade de discriminação com dados de Reflectância. A classificação das imagens foi feita pelo algoritmo Random Forest. Dentre os principais resultados, a legenda mais simples de mapeamento mostra-se adequada para ambas às resoluções espaciais, obtendo taxas de acerto superiores a 87%. Com o aumento da complexidade de legenda, a imagem Landsat-8 passou a apresentar limitações na discriminação de classes como Campo Limpo, Campo Sujo e Campo Rupestre. As classes de Cerrado Ralo e Cerrado Denso apresentaram confusão com a classe de Cerrado Típico. Ainda foi constatado que estas imagens são deficientes em representar a transição entre as classes de Campo Sujo e Cerrado Ralo. A taxa de acerto para a legenda mais detalhada com a imagem Landsat-8 foi de 65,21%. Entretanto, a imagem WorldView-2 se mostrou capaz de identificar estas fitofisionomias com uma melhor taxa de acerto (74,17%). O uso de atributos relacionados à textura foi essencial para o aumento dessa taxa. Neste sentido, por meio da imagem WorldView-2 foi possível identificar a Classe de Campo Rupestre com melhor taxa de acerto, reduzindo erros entre as classes de Campo Limpo e Campo Sujo. xii As classes de Cerrado Ralo e Cerrado Denso reduziram sua confusão com Cerrado Típico. O erro de transição entre Campo Sujo e Cerrado Ralo ainda persiste na imagem de alta resolução, porém com uma menor magnitude. Algumas classes como Veredas, Campo Limpo Úmido e Campo Limpo Úmido com Murundu não foram identificadas com boa precisão em ambas as imagens. Dentre as principais conclusões deste trabalho destacam-se o uso de atributos de textura para melhorar a discriminação de fitofisionomias do Cerrado. Estes atributos foram capazes de representar as variações entre regiões com vegetação arbórea intercaladas por regiões com vegetação herbáceoarbustiva, melhorando a discriminação de fitofisionomias como Campo Sujo, Cerrado Ralo, Cerrado Típico e Cerrado Denso. ABSTRACT: After the Atlantic Forest, the Cerrado is the Brazilian biome that has presented most changes with human occupation, with a loss of vegetation cover of 978,745 km². Therefore, it is strategic that this biome is monitored in order to decrease deforestation and maintain the areas of environmental protection. In this sense, several researches have been developed to study changes in land cover and use, to estimate carbon emissions, to study the impact of deforestation and biodiversity degradation. Most of these studies classify Cerrado vegetation using Landsat like images, with 30 meters of spatial resolution, discriminating classes such as Grassland, Savanna and Woodland with accuracy higher than 80%. However, it is still difficult to classify Cerrado phytophysiognomies with a more detailed classification legend. This fact shows the need of better spatial resolution images, which were able to identify vegetation structure in similar phytophysiognomies. Although the use of these images allows classifying the Cerrado vegetation cover with more details, there is no conclusive research in the literature about which phytophysiognomie can be discriminated with better accuracy with Landsat images (30m) and high resolution (1 to 4 m). In this context, the aim of this work was to evaluate high and medium resolution images, combined with feature extraction techniques, to map Cerrado phytophysiognomies with a higher level of detail than the existing literature. A Landsat-8 image and a WorldView-2 image were obtained for the Brasilia National Park, a region that contains more than 30 thousand hectares of Cerrado native vegetation. Data of Reflectance, Spectral Linear Mixture Model, Tasseled Cap Transformation, Vegetation Indices and texture were obtained for these images. Samples for the classification were collected on field and by visual interpretation, generating a dataset with more than one thousand samples classified for four different legends. These legends adopts the phytophysiognomies described by Ribeiro and Walter (2008) and were proposed containing 3, 6, 8 and 10 different classes, according to their level of detail. The simpler scale adopted the classes of Grassland, Savanna and Woodland. When the level of detail was increased, the following classes were used: Open Grassland, Flooded Grassland, Flooded Grassland with Murundu, Shrub Grassland, Rocky Grassland, Shrub Savanna, Typical Savanna, Dense Savanna, Flooded Plains with Palmtrees and Gallery Forest. The spectral behavior of these phytophysiognomies revealed that they are distinguishable only for the simplest scale, for more complex levels, there is a greater difficulty of discrimination with Reflectance data. The classification of the images was done by the algorithm Random Forest. Among the main results, the simplest mapping legend is adequate for both spatial resolutions, obtaining hit rates higher than 87%. With the increase of the legend complexity, the Landsat-8 images started to present difficulties in discriminating classes like Open Grassland, Shrub Grassland and Rocky Grassland. The classes of Shrub Savanna and Dense Savanna were misclassified as Typical Savanna. It was still observed that these images are deficient in representing the transition between the classes of Shrub Grassland and Shrub Savanna. The hit rate for the most detailed legend with the Landsat-8 image was 65.21%. However, the WorldView-2 image was able to identify these phytophysiognomies with a better accuracy (74.17%). The use of texture features was essential for this increase. In this sense, the WorldView-2 image xiv identified the Rock Grassland class with better accuracy and also reduced the misclassification between the Open Grasslands and Shrub Grasslands. The classes of Shrub Savanna and Dense Savanna reduced their confusion with Typical Savanna. The transition error between Shrub Grasslands and Shrub Savanna still persists in WorldView-2 image, but with a smaller magnitude. Some classes such as Flooded Plains with Palmtrees, Flooded Grassland and Flooded Grassland with Murundu were not identified with good accuracy on both images. The main conclusion of this study is that the use of texture features helped to improve the discrimination of Cerrado phytophysiognomies. These features were able to represent the variations between regions with arboreal vegetation interspersed by regions with herbaceous-shrub vegetation, improving the discrimination of phytophysiognomies such as Shrub Grasslands, Shrub Savanna, Typical Savanna and Dense Savanna. | ||||||||||||
| Área | SRE | ||||||||||||
| Arranjo | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Identificação de fitofisionomias... | ||||||||||||
| Conteúdo da Pasta doc | acessar | ||||||||||||
| Conteúdo da Pasta source |
| ||||||||||||
| Conteúdo da Pasta agreement |
| ||||||||||||
| 4. Condições de acesso e uso | |||||||||||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34R/3RU6Q68 | ||||||||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/3RU6Q68 | ||||||||||||
| Idioma | pt | ||||||||||||
| Arquivo Alvo | publicacao.pdf | ||||||||||||
| Grupo de Usuários | cesare.neto@inpe.br gabinete@inpe.br pubtc@inpe.br | ||||||||||||
| Grupo de Leitores | administrator cesare.neto@inpe.br gabinete@inpe.br pubtc@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 | ||||||||||||