@MastersThesis{Carneiro:2021:AvUsDa,
author = "Carneiro, Arian Ferreira",
title = "Avalia{\c{c}}{\~a}o do uso de dados {\'o}pticos e de
micro-ondas no monitoramento de pastagens na Amaz{\^o}nia
Brasileira",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2021-12-13",
keywords = "s{\'e}ries temporais, pastagem, Bioma Amaz{\^o}nia, radar de
abertura sint{\'e}tica, time series, pasture, Amazon Biome,
synthetic aperture Radar.",
abstract = "A atividade pecu{\'a}ria ocorre em cerca de 47% dos
estabelecimentos agropecu{\'a}rios do Brasil. O crescimento
desordenado de pastagens oferece riscos ambientais sobretudo a
{\'a}reas de floresta, alterando o equil{\'{\i}}brio natural
existente, com impactos diretos na din{\^a}mica clim{\'a}tica da
regi{\~a}o. Ocorrendo em 60% de {\'a}reas desflorestadas na
Amaz{\^o}nia Legal, as pastagens constituem a maior classe de uso
e cobertura da terra, ocupando cerca de 21, 28% da {\'a}rea do
Pa{\'{\i}}s em 2018. No bioma Amaz{\^o}nia, uma {\'a}rea de
aproximadamente 46, 2 milh{\~o}es de hectares {\'e} ocupada por
pastagens. Frente a extens{\~a}o territorial e as dificuldades
log{\'{\i}}sticas de fiscaliza{\c{c}}{\~a}o ambiental, o
sensoriamento remoto atua como ferramental primordial no
monitoramento das pastagens no que tange a detec{\c{c}}{\~a}o e
qualifica{\c{c}}{\~a}o destas {\'a}reas de forma
sistem{\'a}tica. Contudo, para regi{\~o}es de clima tropical
{\'u}mido, o monitoramento via sensoriamento remoto {\'o}ptico
{\'e} condicionado pela alta ocorr{\^e}ncia de nuvens,
condicionante esta que pouco influencia os sensores imageadores
que operam no espectro das micro-ondas. Deste modo, o objetivo
desta pesquisa visa a investiga{\c{c}}{\~a}o do potencial de
dados derivados de s{\'e}ries temporais de imagens de
sensoriamento remoto dos sat{\'e}lites Sentinel- 1 (SAR - banda
C) e Sentinel-2 (MSI - Multispectral Scanner Instrument) para o
mapeamento, discrimina{\c{c}}{\~a}o e indicativos de qualidade
das pastagens na regi{\~a}o sul do estado de Roraima, visando
subsidiar programas de monitoramento da Amaz{\^o}nia. Para tanto,
foram utilizadas s{\'e}ries temporais, relativas a dois anos, de
dados {\'o}pticos e de micro-ondas. A investiga{\c{c}}{\~a}o
foi baseada em produtos de classifica{\c{c}}{\~a}o digital de
imagens, cujo processo foi dividido em 3 principais etapas.
Primeiramente discriminou-se a classe Pastagem de outras classes
de uso e cobertura da terra. Em seguida diferenciou-se a Pastagem
em Arbustiva e Herb{\'a}cea e finalmente estas 2 {\'u}ltimas
classes foram qualificadas segundo seus indicativos de
degrada{\c{c}}{\~a}o. Nestas 3 etapas foram extra{\'{\i}}dos e
selecionados atributos derivados de s{\'e}ries temporais de dados
{\'o}pticos, de radar, bem como da combina{\c{c}}{\~a}o dos
dados destes dois tipos de sensor. O algoritmo Random Forest foi
empregado na classifica{\c{c}}{\~a}o dos dados e o experimento
Monte Carlo foi utilizado para apoio na valida{\c{c}}{\~a}o dos
resultados. Dentre os resultados obtidos, para a Etapa 1, o
conjunto formado pela combina{\c{c}}{\~a}o das m{\'e}tricas
extra{\'{\i}}das das s{\'e}ries {\'o}pticas e de radar obteve
a melhor performance, com acur{\'a}cia global de 94, 05%. Os
resultados da adi{\c{c}}{\~a}o dos dados de radar na
classifica{\c{c}}{\~a}o evidenciaram ganho significativo na
diminui{\c{c}}{\~a}o da confus{\~a}o de {\'a}reas de pastos
com a presen{\c{c}}a de solo exposto com {\'a}reas urbanas. Para
a Etapa 2, o resultado da classifica{\c{c}}{\~a}o dos conjuntos
de dados combinado ({\'o}ptico e SAR) e apenas {\'o}ptico
obtiveram a melhor performance, pois n{\~a}o apresentaram
diferen{\c{c}}a significativa (\α = 10%) entre eles, o que
garante melhor cen{\'a}rio para o classifica{\c{c}}{\~a}o do
conjunto de dados {\'o}ptico (acur{\'a}cia global de 87, 88%),
uma vez que h{\'a} menor complexidade no processamento de uma
{\'u}nica fonte. Na Etapa 3, o NDVI foi utilizado como
intermedi{\'a}rio com rela{\c{c}}{\~a}o {\`a} qualidade das
pastagens. A determina{\c{c}}{\~a}o dos indicativos de
degrada{\c{c}}{\~a}o foi feita com base no fatiamento do NDV Im
para quatro classes (Ausente, Leve, Moderada e Severa), onde foi
poss{\'{\i}}vel obter 64% de acur{\'a}cia global. Quando
consideradas apenas duas classes (Ausente e Degradado), foi
poss{\'{\i}}vel observar um aumento da acur{\'a}cia global para
72%. Utilizando dados SAR, uma regress{\~a}o linear m{\'u}ltipla
foi aplicada para obten{\c{c}}{\~a}o de uma rela{\c{c}}{\~a}o
com a degrada{\c{c}}{\~a}o de pastagens, considerando o NDVI
como refer{\^e}ncia (r2 = 0, 6). Os resultados obtidos na
determina{\c{c}}{\~a}o obtiveram acur{\'a}cias de 43% e 68%
quando consideradas 4 classes (Ausente, Leve, Moderada e Severa) e
quando generalizadas apenas a 2 classes (Ausente e Degradado),
respectivamente. Por fim, com base na combina{\c{c}}{\~a}o dos
melhores cen{\'a}rios obtidos para cada uma das etapas, foi
poss{\'{\i}}vel a obten{\c{c}}{\~a}o de um resultado final
para a {\'a}rea de estudo com informa{\c{c}}{\~o}es detalhadas
das pastagens na regi{\~a}o. ABSTRACT: Livestock activity occurs
in about 47% of agricultural establishments in Brazil. The
disorderly growth of pastures poses environmental risks, above all
to forest areas, altering the existing natural balance, with
direct impacts on the regions climate dynamics. Occurring in 60%
of deforested areas in the Legal Amazon, pastures constitute the
largest land use and cover class, occupying about 21.28% of the
countrys area at 2018. In the Amazon biome, an area of
approximately 46.2 million hectares is occupied by pastures. Given
the territorial extension and the logistical difficulties of
environmental inspection, remote sensing acts as an essential tool
in monitoring pastures concerning the detection and qualification
of these areas in a systematic way. However, for regions with a
humid tropical climate, monitoring via optical remote sensing is
conditioned to the high occurrence of clouds, a condition that has
less influence on microwave imaging sensors. Thus, this research
aims to investigate the potential of data derived from time series
of remote sensing images from Sentinel-1 (SAR - C-band) and
Sentinel-2 (MSI - Multispectral Scanner Instrument) satellites for
mapping, discrimination, and quality indicators of pastures in the
southern region of the state of Roraima, aiming to support
monitoring programs in the Amazon. For this purpose, two-year time
series of optical and microwave data were used. The investigation
was based on digital image classification products, whose process
was divided into 3 main steps. Firstly, the Pasture class was
distinguished from other classes of land use and land cover. Then,
the Shrub and Herbaceous pastures were distinguished and finally,
these 2 last classes were classified according to their
indications of degradation. In these 3 steps, attributes derived
from time series of optical and radar data were extracted and
selected, as well as the combination of data from these two types
of sensors. The Random Forest algorithm was used to classify the
data and the Monte Carlo experiment was used to support the
validation of the results. Among the results obtained, for Step 1,
the set formed by the combination of metrics extracted from both
the optical and radar series obtained the best performance, with
an overall accuracy of 94.05%. The results of adding radar data to
the classification showed a significant gain in reducing the
confusion of pasture areas with the presence of exposed soil with
urban areas (since the presence of areas without asphalt pavement
is common in this area). For Step 2, the result of the
classification of the combined and optical sets obtained the best
performance, with no significant difference (\α = 10%)
between them, which guarantees the best scenario for the optical
(global accuracy of 87, 88%), since there is less complexity in
processing a single source. In Step 3, the NDVI was used as an
intermediary about pasture quality. The determination of
degradation indicators based on the NDVI obtained accuracies of
64% and 72%, when considering 4 classes (Absent, Mild, Moderate,
and Severe) and when generalized only to 2 classes (Absent and
Degraded), respectively. Using SAR data, a multiple linear
regression was applied to obtain a relationship with pasture
degradation, considering the NDVI (r2 = 0.6). The results obtained
in the determination obtained accuracies of 43% and 68% when
considering 4 classes (Absent, Mild, Moderate, and Severe) and
when generalized only to 2 classes (Absent and Degraded),
respectively. Finally, based on the combination of the best
scenarios obtained for each of the stages, it was possible to
obtain a final result for the study area with detailed information
on pastures in the region.",
committee = "Korting, Thales Sehn (presidente) and Santanna, Sidnei Jo{\~a}o
Siqueira (orientador) and Adami, Marcos and Almeida, Claudio
Aparecido and Bendahan, Amaury Burlamaqui",
englishtitle = "Evaluation of the use of optical and microwave data in the
monitoring of pastures in the brazilian amazonevaluation of the
use of optical and microwave data in the monitoring of pastures in
the Brazilian Amazon",
language = "pt",
pages = "153",
ibi = "8JMKD3MGP3W34T/45UD35E",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/45UD35E",
targetfile = "publicacao.pdf",
urlaccessdate = "20 abr. 2024"
}