Fechar

%0 Thesis
%4 sid.inpe.br/mtc-m21d/2022/02.22.12.51
%2 sid.inpe.br/mtc-m21d/2022/02.22.12.51.08
%T Uso de métricas fenológicas calculadas de diferentes índices de vegetação da constelação de satélites PlanetScope para classificação de fitofisionomias do Cerrado
%J Use of phenological metrics calculated from different vegetation indices of the planetscope satellite constellation for classifying Savanna physiognomies
%D 2022
%8 2022-02-11
%9 Dissertação (Mestrado em Sensoriamento Remoto)
%P 71
%A Ruiz, Isadora Haddad,
%E Körting, Thales Sehn (presidente) ,
%E Galvão, Lênio Soares (orientador),
%E Breunig, Fábio Marcelo (orientador),
%E Bourscheidt, Vandoir,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K fenologia da vegetação, planetScope, Cerrado, constelação de satélites, classificação, ensemble metrics, land surface phenology, random Forest, satellite constellation, Savannas.
%X O mapeamento da vegetação nativa do Cerrado no Brasil é desafiador, não havendo um consenso sobre a melhor estratégia de sensoriamento remoto para lidar com a variabilidade espacial de algumas fitofisionomias e a similaridade espectral de outras. Neste estudo, avaliou-se o desempenho de 12 métricas fenológicas (Land Surface Phenology - LSP) calculadas a partir de três diferentes índices de vegetação (IV) da constelação de satélites PlanetScope (PS). As métricas foram usadas como variáveis de entrada para o algoritmo de aprendizado de máquina Random Forest (RF), visando classificar oito fitofisionomias do Cerrado. A área de estudo foi a Estação Ecológica de Águas Emendadas (ESAE), localizada na região central do Brasil. Testou-se a classificação LSP na estação de crescimento 2017-2018 contra a classificação IV na estação seca de 2017, usando um mapa disponível de vegetação como referência para avaliação da precisão dos resultados. Além disso, analisou-se o desempenho do uso combinado (todos os IVs ou métricas LSP em conjunto) e individual (cada IV ou métricas LSP usadas separadamente) das variáveis na classificação RF das fitofisionomias. Os resultados mostraram que a acurácia total (OA) da classificação RF usando 12 imagens PS adquiridas na estação seca de 2017, variou de 0,56 para o Green-Red Normalized Difference (GRND) a 0,57 e 0,61 para o Enhanced Vegetation Index (EVI) e Normalized Difference Vegetation Index (NDVI), respectivamente. As métricas LSP, determinadas durante a estação de crescimento de 2017-2018, produziram ganhos de 19,3% (EVI), 13,1% (NDVI) e 5,4% (GRND), quando comparadas com o uso isolado de IVs da estação seca. Mantendo o EVI da estação seca como referência para comparação, o uso combinado dos IVs (OA = 0,70) ou métricas LSP (OA = 0,73) produziu ganhos na OA de 22,8% e 28,1%, respectivamente. As variáveis mais significativas para o modelo RF empregando conjuntamente as métricas LSP foram obtidas principalmente do NDVI e EVI, sendo elas: o valor mínimo (TRG) e máximo (PEAK) de IV; o valor médio na primavera (MSP); o valor médio na estação de crescimento (MGS); e a taxa de verdejamento na primavera (RSP). Os resultados mostraram a importância de se utilizar dados de alta resolução espacial e temporal da constelação de satélites PlanetScope para classificar fitofisionomias de Cerrado, usando informações de fenologia da vegetação. Além disso, quando séries temporais densas não estiverem disponíveis para calcular adequadamente as métricas LSP, uma alternativa é o uso combinado de IVs com sensibilidades diferentes aos parâmetros biofísicos da vegetação. Isto é válido especialmente para dados de satélite adquiridos durante a estação seca local, quando a frequência de cobertura de nuvens é reduzida. ABSTRACT: Mapping of savannas in Brazil is challenging since there is no consensus on the best remote sensing strategy to deal with the spatial variability of some physiognomies and the spectral similarity among others. In this study, we evaluated the performance of 12 land surface phenology (LSP) metrics calculated from three PlanetScope (PS) vegetation indices (VIs) for Random Forest (RF) classification of eight savanna physiognomies. At the protected Ecological Station of Águas Emendadas (ESAE) located in central Brazil, we tested the LSP classification in the 2017-2018 growing season against the dry-season VI classification in 2017 using an available vegetation map for accuracy assessment. Furthermore, we analyzed the performance of individual (each set of VIs or LSP metrics used separately) and combined (all VIs or LSP metrics used together) metrics for RF classification of the savanna physiognomies. The results showed that the overall accuracy (OA) of RF classification using 12 PS images acquired in the 2017 dry season ranged from 0.56 for the Green-Red Normalized Difference (GRND) to 0.57 and 0.61 for the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI), respectively. The LSP metrics retrieved during the 2017-2018 growing season produced gains in OA of 19.3% (EVI), 13.1% (NDVI) and 5.4% (GRND) when compared to the individual use of VIs in the dry season. Keeping the dry-season EVI as a reference of comparison, the combined use of VIs (OA = 0.70) or LSP metrics (OA = 0.73) also generated gains in OA of 22.8% and 28.1%, respectively. The most important ranked LSP metrics from the combination of this type of variable were mainly calculated from the NDVI and EVI: the minimum (TRG) and maximum (PEAK) VI values; the mean Spring (MSP); the mean growing season (MGS); and the rate of spring green up (RSP). The results show the importance of the combined use of high spatial and temporal resolution data of the Planets satellite constellation for the classification of Brazilian savannas using the vegetation phenology information. Besides that, when dense time series are not available for retrieving the LSP metrics, an alternative is the combined use of different VIs for satellite data acquired during the dry season when the frequency of cloud cover is reduced.
%@language pt
%3 publicacao.pdf


Fechar