Fechar

@Article{SouzaEscaMaruMont:2019:ReAgPe,
               author = "Souza, Anielli Rosane de and Escada, Maria Isabel Sobral and 
                         Marujo, Rennan de Freitas Bezerra and Monteiro, Ant{\^o}nio 
                         Miguel Vieira",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)}",
                title = "Cartografia do invis{\'{\i}}vel: revelando a agricultura de 
                         pequena escala com imagens Rapideye na regi{\~a}o do baixo 
                         Tocantins, PA",
              journal = "Revista do Departamento de Geografia",
                 year = "2019",
               volume = "38",
                pages = "137--153",
             keywords = "Uso e cobertura da terra, paisagem, classifica{\c{c}}{\~a}o 
                         semiautom{\'a}tica, imagens de alta resolu{\c{c}}{\~a}o 
                         espacial, RapidEye,Land Use and Land Cover, Landscape, 
                         Semi-Automatic Classification, High Spatial Resolution Images, 
                         RapidEye.",
             abstract = "Dados derivados de sensoriamento remoto aliados ao uso de 
                         t{\'e}cnicas de classifica{\c{c}}{\~a}o digital de imagens 
                         fornecem uma vis{\~a}o sin{\'o}ptica e informa{\c{c}}{\~o}es 
                         sobre a dimens{\~a}o temporal dos fen{\^o}menos espaciais, 
                         possibilitando gerar informa{\c{c}}{\~o}es sobre a din{\^a}mica 
                         e os padr{\~o}es espaciais da paisagem em {\'a}reas de grandes 
                         extens{\~o}es territoriais como a Amaz{\^o}nia. Nos mapeamentos 
                         extensivos, como os realizados com imagens de sat{\'e}lite pelo 
                         INPE para a Amaz{\^o}nia Legal, {\'e} comum a 
                         defini{\c{c}}{\~a}o e descri{\c{c}}{\~a}o de classes de uso e 
                         cobertura da terra em fun{\c{c}}{\~a}o da resolu{\c{c}}{\~a}o 
                         espacial e radiom{\'e}trica dos sensores utilizados. Por essa 
                         raz{\~a}o, pequenas {\'a}reas que n{\~a}o atingem o tamanho 
                         m{\'{\i}}nimo da {\'a}rea de mapeamento e/ou com usos 
                         diversificados s{\~a}o, em geral, agregadas em uma {\'u}nica 
                         classe. Esse {\'e} o exemplo da classe denominada Mosaico de 
                         Ocupa{\c{c}}{\~a}o presente na legenda do sistema de 
                         monitoramento do uso e cobertura da terra da 
                         Amaz{\^o}nia-TerraClass. Esta classe procura representar, em 
                         parte, a agricultura familiar, no entanto, como o mapeamento 
                         {\'e} feito pelo sensor TM ou OLI dos sat{\'e}lites da 
                         s{\'e}rie Landsat, com resolu{\c{c}}{\~a}o espacial de 30m e 
                         como o TerraClass define uma {\'a}rea m{\'{\i}}nima de 
                         mapeamento de 6,25 hectares (ha), a identifica{\c{c}}{\~a}o de 
                         pequenas {\'a}reas agr{\'{\i}}colas {\'e} comprometida, pois 
                         essas categorias s{\~a}o agregadas em classes mistas e n{\~a}o 
                         s{\~a}o mais distingu{\'{\i}}veis. Para estudos que procuram 
                         dar visibilidade aos padr{\~o}es espaciais de atividades de 
                         produ{\c{c}}{\~a}o de pequena escala torna-se necess{\'a}rio 
                         realizar o refinamento dessas classes com dados de 
                         resolu{\c{c}}{\~a}o espacial com melhor defini{\c{c}}{\~a}o. 
                         Neste contexto, o objetivo desse trabalho {\'e} testar tr{\^e}s 
                         algoritmos semiautom{\'a}ticos de classifica{\c{c}}{\~a}o, 
                         baseados em pixel e em regi{\~o}es: os algoritmos MAXVER, 
                         Bhattacharya e K-Vizinho Mais Pr{\'o}ximo (KNN), para avaliar a 
                         capacidade de refinamento da classe Mosaico de 
                         Ocupa{\c{c}}{\~a}o do dado produzido pelo TerraClass2014. A 
                         {\'a}rea de estudo compreende parte dos munic{\'{\i}}pios de 
                         Camet{\'a}, Mocajuba e Bai{\~a}o, localizados na regi{\~a}o 
                         Nordeste do Par{\'a}, onde a produ{\c{c}}{\~a}o de mandioca, 
                         pimenta-do-reino, cacau e a{\c{c}}a{\'{\i}} t{\^e}m grande 
                         import{\^a}ncia econ{\^o}mica para popula{\c{c}}{\~a}o local. 
                         Para o mapeamento das categorias contidas na classe Mosaico de 
                         Ocupa{\c{c}}{\~a}o, foram utilizadas imagens do RapidEye, sensor 
                         REIS, ortoimagens com 5m de resolu{\c{c}}{\~a}o espacial. Foi 
                         estimada a exatid{\~a}o global dos algoritmos testados obtendo-se 
                         {\'{\i}}ndices de 26%, 38% e 78%, para os algoritmos MAXVER, 
                         Bhattacharya e K-Vizinho Mais Pr{\'o}ximo, respectivamente. 
                         Al{\'e}m da maior exatid{\~a}o Global (78%), o algoritmo 
                         K-Vizinho Mais Pr{\'o}ximo apresentou melhores resultados 
                         relativo {\`a}s classes de vegeta{\c{c}}{\~a}o secund{\'a}ria, 
                         hidrografia, e pasto sujo, com mais de 90% de acerto. A classe 
                         agricultura anual de pequena escala apresentou acerto de 62%, 
                         enquanto o {\'{\i}}ndice de acerto dos outros dois algoritmos 
                         testados n{\~a}o passou de 8%. A abordagem metodol{\'o}gica 
                         desenvolvida demonstrou a viabilidade do uso das imagens de alta 
                         resolu{\c{c}}{\~a}o espacial e de m{\'e}todos 
                         semiautom{\'a}ticos para a classifica{\c{c}}{\~a}o de classes 
                         de uso e cobertura da terra associadas {\`a} classe Mosaico de 
                         Ocupa{\c{c}}{\~a}o do TerraClass. A metodologia pode ser 
                         utilizada para complementar {\`a}s atuais bases de dados 
                         existentes para a Amaz{\^o}nia (TerraClass, MapBiomas e IBGE), 
                         explicitando as categorias agr{\'{\i}}colas de 
                         produ{\c{c}}{\~a}o em pequena escala, dando visibilidade a esses 
                         sistemas de produ{\c{c}}{\~a}o, frequentemente negligenciados 
                         nos mapeamentos que abrangem grandes extens{\~o}es territoriais. 
                         ABSTRACT: Remote sensing-derived data combined with the use of 
                         digital classification techniques provides a synoptic view and 
                         information about the temporal dimension of the studied phenomena 
                         on the territory, making possible to generate information about 
                         the landscape dynamic and spatial pattern in regions of large 
                         territorial extensions such as Amazon. In the mapping of large 
                         areas, such as those performed by INPE for the Legal Amazon with 
                         satellite images, land use and land cover classes are in general 
                         defined as a function of the spatial and radiometric resolution of 
                         the sensors used, so that small areas with diversified uses are 
                         generally aggregated into single and mixed class. This is the 
                         example of the so-called Mosaic of Uses class of the Land Use and 
                         Land Cover Monitoring System of the Amazon-TerraClass. This class 
                         represents in part, household agriculture, however, as this 
                         mapping is carried out based on TM or OLI images from Landsat 
                         series satellites, due to its spatial resolution of 30m and the 
                         minimum mapping area of 6.25 hectares (ha) defined by TerraClass, 
                         the identification of small production scale is compromised, since 
                         they are aggregated with other land use and land cover areas no 
                         longer distinguishable. For studies that seek to give visibility 
                         to small-scale economy spatial patterns, it is necessary to refine 
                         these classes with resolution data of better definition. In this 
                         context, the main objective of this work is to test three 
                         semi-automatic classification algorithms based on pixel and 
                         regions were tested, such as MAXVER, Bhattacharya and knearest 
                         neighbor (KNN) to evaluate theirs refinement capacity of the 
                         Mosaic of Uses class of the data produced by TerraClass-2014. The 
                         study area comprises part of the municipalities of Camet{\'a}, 
                         Mocajuba, and Bai{\~a}o, located in the northeastern region of 
                         Par{\'a}, where the production of cassava, black pepper, cacao, 
                         and a{\c{c}}a{\'{\i}} are economically important for the local 
                         population. For the mapping of the categories contained in the 
                         Occupancy Mosaic class, images of RapidEye, REIS sensors, 
                         orthoimage with 5m spatial resolution were used. The accuracy of 
                         the tested algorithms were estimated in 26%, 38% and 78% for 
                         MAXVER, Bhattacharya and k-nearest neighbor algorithms, 
                         respectively. In addition to the greater Global accuracy (78%), 
                         the k-nearest neighbor algorithm presented better results in 
                         relation to secondary vegetation, hydrography, and dirty pasture 
                         classes, with more than 90% of accuracy. The small-scale 
                         agriculture class presented 62% of accuracy, while the other two 
                         algorithms tested did not exceed 8%. The methodological approach 
                         developed demonstrated the feasibility of using spatial 
                         high-resolution images and semi-automatic methods to distinguish 
                         land use and land cover classes present into TerraClass's Mosaic 
                         of Uses class. The methodology can be used to complement the 
                         existing databases for the Amazon (TerraClass, MapBiomas, and 
                         IBGE), emphasizing small-scale agricultural categories, giving 
                         visibility to their production systems, frequently neglected in 
                         large extent mappings.",
                  doi = "10.11606/rdg.v38i1.151603",
                  url = "http://dx.doi.org/10.11606/rdg.v38i1.151603",
                 issn = "0102-4582",
             language = "pt",
           targetfile = "souza_cartografia.pdf",
        urlaccessdate = "29 mar. 2024"
}


Fechar