@MastersThesis{Lima:2022:MaÁrAl,
author = "Lima, Deborah Lopes Correia",
title = "Mapeamento de {\'a}reas alag{\'a}veis na bacia Amaz{\^o}nica
utilizando o classificador Random Forest a partir de dados
extra{\'{\i}}dos do MDE-SRTM",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2022",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2022-04-25",
keywords = "{\'a}reas alag{\'a}veis, Random Forest, modelo digital de
eleva{\c{c}}{\~a}o, SRTM, sele{\c{c}}{\~a}o de atributos,
wetlands, digital elevation model, variable selection.",
abstract = "As {\'a}reas alag{\'a}veis s{\~a}o uma fonte importante de
recursos naturais, desempenham um papel significativo nos ciclos
hidrol{\'o}gico e de carbono, e fornecem diversos servi{\c{c}}os
ecossist{\^e}micos. A bacia Amaz{\^o}nica possui
caracter{\'{\i}}sticas favor{\'a}veis {\`a}
forma{\c{c}}{\~a}o de grandes extens{\~o}es de {\'a}reas
alag{\'a}veis. O mapeamento acurado dessas {\'a}reas {\'e}
importante para dar suporte ao desenvolvimento de diferentes
estudos nesses ambientes. Devido {\`a} sua vasta dimens{\~a}o e
{\`a} dificuldade de acesso, o sensoriamento remoto se torna uma
fonte importante de dados para o seu estudo. Por exemplo, o Modelo
Digital de Eleva{\c{c}}{\~a}o (MDE) fornece
informa{\c{c}}{\~o}es morfom{\'e}tricas que podem auxiliar no
mapeamento das {\'a}reas alag{\'a}veis. Nesse sentido, o
objetivo desta pesquisa foi propor um m{\'e}todo para o
mapeamento das {\'a}reas alag{\'a}veis da bacia Amaz{\^o}nica a
partir de atributos morfom{\'e}tricos e hidrol{\'o}gicos
extra{\'{\i}}dos do MDE derivado do Shuttle Radar Topography
Mission (SRTM). Como {\'a}rea de estudo foram utilizadas cinco
sub{\'a}reas que apresentam diferentes padr{\~o}es
geomorfol{\'o}gicos, distribu{\'{\i}}das ao longo da bacia
hidrogr{\'a}fica. O classificador Random Forest (RF) foi
utilizado para gerar o mapeamento, principalmente por oferecer
duas abordagens de interesse para esta pesquisa: (i) a
quantifica{\c{c}}{\~a}o da import{\^a}ncia dos atributos por
meio da m{\'e}trica Mean Decrease Accuracy (MDA); e (ii) a
probabilidade de o pixel pertencer a uma determinada classe. O
valor do MDA foi utilizado como base do processo de
sele{\c{c}}{\~a}o dos atributos. Por outro lado, o valor da
probabilidade associada a cada pixel foi utilizado para calcular a
incerteza da classifica{\c{c}}{\~a}o a partir da m{\'e}trica
Entropia de Shannon, o que orientou o processo iterativo de
amostragem. A an{\'a}lise do ranqueamento indicou que atributos
que em m{\'e}dia ocuparam posi{\c{c}}{\~o}es mais altas no
ranqueamento (considerando m{\'u}ltiplas itera{\c{c}}{\~o}es do
RF), apresentaram uma maior estabilidade da posi{\c{c}}{\~a}o
ocupada comparados aos atributos que ocuparam as menores
posi{\c{c}}{\~o}es no ranqueamento. A partir do processo de
sele{\c{c}}{\~a}o dos atributos, o conjunto inicial de 124
atributos, foi reduzido a apenas 9. Em compara{\c{c}}{\~a}o com
o modelo completo (contendo os 124 atributos), o modelo reduzido
n{\~a}o apresentou diferen{\c{c}}as expressivas em
rela{\c{c}}{\~a}o {\`a} acur{\'a}cia de mapeamento e {\`a}s
m{\'e}tricas tradicionais de avalia{\c{c}}{\~a}o (e.g.
sensibilidade e precis{\~a}o). A avalia{\c{c}}{\~a}o da
incerteza espacialmente distribu{\'{\i}}da, calculada a partir
da entropia de Shannon, indicou que reduzir a quantidade de
atributos levou o classificador a convergir para o resultado com
um maior n{\'{\i}}vel de certeza. De maneira geral, o mapeamento
obtido apresentou coer{\^e}ncia com o MDE-SRTM, indicando o
potencial da metodologia proposta. A metodologia e os resultados
apresentados nesta pesquisa contribuem para um melhor entendimento
acerca da: (i) utiliza{\c{c}}{\~a}o de atributos
extra{\'{\i}}dos do MDE para o processo de
classifica{\c{c}}{\~a}o das {\'a}reas alag{\'a}veis; (ii)
possibilidade de redu{\c{c}}{\~a}o do conjunto de atributos
{\`a}queles mais importantes para a classifica{\c{c}}{\~a}o; e
(iii) do impacto da redu{\c{c}}{\~a}o dos atributos sobre o
mapeamento. ABSTRACT: Wetlands are important natural resources
that play a key role in the hydrologic and carbon cycles and
provide a wide range of ecosystem services. The Amazon basin has
favorable conditions for the formation of wide-ranging wetlands
which need to be accurately mapped to support different studies.
Since Amazon wetlands present a huge extension and difficult
access, remote sensing may be an important source of information.
For example, Digital Elevation Model (DEM) may provide information
about the topography, which is essential for mapping wetlands. In
this sense, the main aim of this research was to develop a method
for mapping wetlands in the Amazon basin using morphometric and
hydrological attributes extracted from the Shuttle Radar
Topography Mission (SRTM) DEM. The study area included five
subareas in the watershed with different morphological patterns.
The classification and mapping were carried out through the Random
Forest (RF) algorithm, which provides: (i) the quantification of
attribute importance using the Mean Decrease Accuracy (MDA)
metric; and (ii) the probability of a pixel to be classified to a
certain class. This pixel probability allowed to estimate the
mapping uncertainty based on the Shannons Entropy, which guided an
iterative sampling process. The stability of the attributes
ranking positions was accessed and analyzed. Attributes that, on
average, occupied higher ranking positions had higher ranking
stability considering multiple RF runs. On the other hand,
attributes that on average had lower rank had more unstable
ranking. The method for selecting attributes allowed to reduce
them from 124 to only 9 attributes. No significant differences
were found between the mapping accuracy for the full model (with
124 attributes) and the reduced model (9 attributes). The analysis
of the uncertainty mapping, calculated by Shannons Entropy,
indicated that the reduction of attributes provided a
classification with higher level of certainty. In general, the
obtained mapping was consistent with DEM-SRTM, which indicates the
potential of the proposed methodology. The methodology and the
results presented in this study contribute to a better
understating of (i) the use of DEM attributes for wetland mapping;
(ii) the possibility of reducing the dataset to only the most
relevant attributes for the classification; and (iii) the impact
of the reduction of attributes in the mapping.",
committee = "Novo, Evlyn Marcia Le{\~a}o de Moraes (presidente) and
Renn{\'o}, Camilo Daleles (orientador) and K{\"o}rting, Thales
Sehn and Martins, Vitor Souza",
englishtitle = "Mapping wetlands in the Amazon basin using Random Forest
classifier and attributes derived from DEM-SRTM",
language = "pt",
pages = "83",
ibi = "8JMKD3MGP3W34T/46Q63PS",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/46Q63PS",
targetfile = "publicacao.pdf",
urlaccessdate = "05 maio 2024"
}