@Article{DinizMaciGamaAdam:2020:AvSeNd,
author = "Diniz, Juliana Maria Ferreira de Souza and Maciel, Daniel Andrade
and Gama, F{\'a}bio Furlan and Adami, Marcos",
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 = "Avalia{\c{c}}{\~a}o do sentinel-2, ndvi e mlme para mapeamento
do uso e cobertura da terra",
journal = "Anu{\'a}rio do Instituto de Geoci{\^e}ncias",
year = "2020",
volume = "43",
number = "2",
pages = "381--391",
keywords = "classifica{\c{c}}{\~a}o orientada a objeto, Random Forest,
simula{\c{c}}{\~a}o de Monte Carlo, object-based classification,
Random Forest, Monte Carlo simulation.",
abstract = "A floresta amaz{\^o}nica {\'e} considerada um dos maiores
reservat{\'o}rios de carbono da Terra. No entanto,
mudan{\c{c}}as antr{\'o}picas indiscriminadas no uso e cobertura
da terra, como a convers{\~a}o da floresta em {\'a}reas
agr{\'{\i}}colas e pastagens, provocam grandes impactos
ambientais na floresta. A utiliza{\c{c}}{\~a}o de t{\'e}cnicas
que auxiliam o mapeamento do uso e cobertura da terra se torna
cada vez mais necess{\'a}ria. {\'{\I}}ndices como o NDVI
({\'{\I}}ndice de Vegeta{\c{c}}{\~a}o por Diferen{\c{c}}a
Normalizada) e MLME (Modelo Linear de Mistura Espectral) s{\~a}o
amplamente utilizados para estudos da vegeta{\c{c}}{\~a}o, por
permitirem analisar e real{\c{c}}ar par{\^a}metros e
fei{\c{c}}{\~o}es em imagens de sensoriamento remoto. Desse
modo, o objetivo deste trabalho foi avaliar o desempenho do
mapeamento do uso e cobertura da terra (LULC), utilizando dados do
sat{\'e}lite Sentinel-2B, adicionado com o {\'{\i}}ndice de
vegeta{\c{c}}{\~a}o NDVI e com o MLME, utilizando o
classificador Random Forest (RF). Para a realiza{\c{c}}{\~a}o
deste estudo, foram utilizadas imagens do sensor MSI do
Sentinel-2B e calculados os {\'{\i}}ndices NDVI e MLME,
derivados da imagem Sentinel-2B. A partir da
segmenta{\c{c}}{\~a}o da imagem, foi realizada a
extra{\c{c}}{\~a}o de atributos para cada segmento. A
classifica{\c{c}}{\~a}o foi realizada pelo m{\'e}todo RF e a
valida{\c{c}}{\~a}o foi realizada atrav{\'e}s da
simula{\c{c}}{\~a}o de Monte Carlo, observando-se os valores de
{\'{\i}}ndice Kappa e Acur{\'a}cia Global (AG). Para avaliar a
diferen{\c{c}}a obtida com a adi{\c{c}}{\~a}o das
vari{\'a}veis NDVI e MLME, quatro cen{\'a}rios de
classifica{\c{c}}{\~a}o foram r ealizados. Notou-se que os c
en{\'a}rios apresentaram resultados semelhantes de
{\'{\i}}ndice Kappa e AG, n{\~a}o apresentando diferen{\c{c}}a
significativa entre eles. A utiliza{\c{c}}{\~a}o das faixas
espectrais do Sentinel-2B/MSI se mostrou uma boa alternativa para
realizar o mapeamento do uso e cobertura da terra, facilitando as
etapas de processamento. No entanto, a inclus{\~a}o do MLME para
a separa{\c{c}}{\~a}o da classe Floresta Degradada (FD), se
mostrou significativa. Al{\'e}m disso, observou-se que a
utiliza{\c{c}}{\~a}o do classificador RF apresenta bons
resultados para o mapeamento do uso e cobertura da terra.
ABSTRACT: The Amazon Rainforest is considered one of the largest
carbon reservoirs on Earth. However, indiscriminate anthropogenic
land use and land cover changes, such as the conversion of forest
to agricultural areas and pasture, generate large environmental
impacts. The use of remote sensing techniques which helps mapping
land use and land cover (LULC) becomes increasingly necessary.
Vegetation indices such as NDVI (Normalized Difference Vegetation
Index) and the Spectral Linear Mixing Model (MLME) are widely used
for mapping and vegetation studies, because they allow analyzing
and highlighting vegetation parameters and features in remotely
sensed imagery. Thus, the aim of this paper was to evaluate the
performance of land use and land cover (LULC) mapping using
Sentinel-2B satellite data, added with the NDVI vegetation index
and MLME using the Random Forest (RF) classifier. For this study,
we used Sentinel-2B/ MSI images and both NDVI and MLME were
calculated from Sentinel-2B bands. From image segmentation,
attribute extraction was performed for each segment. The
classification was performed by the RF method and validated using
a Monte Carlo Simulation, observing Kappa and Global Accuracy (GA)
values. To evaluate the gain obtained with the addition of NDVI
and MLME variables, four classification scenarios were performed.
We noticed that these scenarios presented similar results of Kappa
index and GA, with no significant difference between them. The use
of the Sentinel-2B/ MSI spectral bands showed a good alternative
to mapping LULC, facilitating processing steps. However, the
inclusion of the MLME for separation of the Degraded Forest (DF)
class showed to be significant. In addition, it was shown that the
use of the Random Forest classifier presents good results for the
LULC mapping.",
doi = "10.11137/2020_2_381_391",
url = "http://dx.doi.org/10.11137/2020_2_381_391",
issn = "0101-9759",
language = "en",
targetfile = "diniz2020.pdf",
urlaccessdate = "28 abr. 2024"
}