Integração de imagens Orbitais Ópticas e SAR Com Processamento em Nuvem no Mapeamento da Cobertura da Terra no Cerrado

Autores

  • Angela Gabrielly Pires Silva angelagabrielly225@gmail.com
    Instituto Federal de Goiás – IFG (Campus Goiânia)/Grupo de Estudos em Geomática - GEO https://orcid.org/0000-0001-7759-9806
  • Edipo Cremon edipo.cremon@ifg.edu.br
    Instituto Federal de Goiás – IFG (Campus Goiânia), Grupo de Estudos em Geomática - GEO https://orcid.org/0000-0003-3174-7273
  • Giovanni de Araújo Boggione giovanni.boggione@ifg.edu.br
    Instituto Federal de Goiás – IFG (Campus Goiânia)/Grupo de Estudos em Geomática - GEO https://orcid.org/0000-0002-1675-6529
  • Fabio Corrêa Alves alves.fabioc@gmail.com
    Instituto Nacional de Pesquisas Espaciais – INPE/Divisão de Observação da Terra e Geoinformática – DIOTG. https://orcid.org/0000-0002-2941-8393

Palavras-chave:

Google Earth Engine, Sensoriamento remoto, Integração de dados orbitais, Random Forrest, Apresndizado de máquina

Resumo

O mapeamento da cobertura da terra é de suma importância para o monitoramento ambiental e gestão territorial. Séries temporais de radar de abertura sintética (SAR) do Sentinel-1 (S-1) e o sensor óptico MSI/Sentinel-2 (S-2) fornecem condições favoráveis para o mapeamento da cobertura da terra devido suas resoluções espectrais, espaciais e temporais. Este trabalho parte do pressuposto que a combinação entre as séries temporais do S-1 e S-2 permite maior exatidão no mapeamento da cobertura da terra no bioma Cerrado. As imagens foram classificadas utilizando o algoritmo Random Forest na plataforma de processamento em nuvem Google Earth Engine. As classificações obtidas apenas com os dados S-2 (kappa = 89,99) foram melhores do que as obtidas com os dados S-1 (kappa = 75,78). A eficiência da classificação aumentou ao combinar os dados de ambas as missões S-1 e S-2 (kappa= 93,07). Os resultados obtidos neste trabalho sugerem que a banda do infravermelho de ondas curtas, a polarização VH dos dados SAR e os índices cellulose absorption index (CAI) e o Hall Cover foram as variáveis mais importantes no mapeamento da cobertura da terra do bioma Cerrado.

Referências

BORGES, J. et al. Sentinel-1 and sentinel-2 data for savannah land cover mapping: Optimising the combination of sensors and seasons. Remote Sensing, v. 12, n. 23, p. 3862, 2020.

BRASIL. Ministério do Meio Ambiente. Mapeamento do uso e cobertura do cerrado: Projeto Terra Class Cerrado 2013. Brasília, v. 67, 2015.

BREIMAN, L. Random forests. Machine learning, v. 45, n. 1, p. 5–32, 2001.

CHATZIANTONIOU, A.; PSOMIADIS, E.; PETROPOULOS, G. P. Co-orbital Sentinel 1 and 2 for LULC mapping with emphasis on wetlands in a mediterranean setting based on machine learning. Remote Sensing, v. 9, n. 12, p. 1259, 2017.

CONGALTON, R. G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, v. 37, n. 1, p. 35–46, 1991.

GHORBANIAN, A. et al. Improved land cover map of Iran using sentinel imagery within google earth engine and a novel automatic workflow for land cover classification using migrated training samples. ISPRS Journal of Photogrammetry and Remote Sensing, v. 167, p. 276–288, 2020.

GORELICK, N. et al. Google earth engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, v. 202, p. 18–27, 2017.

HALL, R. J. et al. Modeling Forest stand structure attributes using landsat ETM+ data: Application to mapping of aboveground biomass and stand volume. Forest Ecology and Management, v. 225, n. 1, p. 378–390, 2006.

HANSEN, M. C. et al. High-resolution global maps of 21st-century forest cover change. Science, v. 342, n. 6160, p. 850–853, 2013.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Mapas de biomas e vegetação. 2004.

KUMAR, L.; MUTANGA, O. Google Earth Engine applications since inception: Usage, trends, and potential. Remote Sensing, v. 10, n. 10, p. 1509, 2018.

LEE, J. S. et al. Improved sigma filter for speckle filtering of sar imagery. IEEE Transactions on Geoscience and Remote Sensing, v. 47, n. 1, p. 202–213, 2008.

LOPES, M. et al. Combining optical and radar satellite image time series to map natural vegetation: savannas as an example. Remote Sensing in Ecology and Conservation, v. 6, n. 3, p. 316–326, 2020.

MAGIDI, J. et al. Application of the random forest classifier to map irrigated áreas using google earth engine. Remote Sensing, v. 13, n. 5, 2021.

MAPBIOMAS, Projeto. Projeto mapbiomas: Coleção 5.0 da série anual de mapas de cobertura e uso de solo do brasil. Projeto MapBiomas: Coleção, v. 5, 2019.

MENDES, F. S. et al. Optical and SAR remote sensing synergism for mapping vegetation types in the endangered Cerrado/Amazon ecotone of Nova Mutum—Mato Grosso. Remote Sensing, v. 11, n. 10, p. 1161, 2019.

MERCIER, A. et al. Evaluation of Sentinel-1 and 2 time series for land cover classification of forest–agriculture mosaics in temperate and tropical landscapes. Remote Sensing, v. 11, n. 8, 2019.

NOVO, E. M. L. M. Sensoriamento Remoto: princípios e aplicações. São Paulo: Editora Blucher, 2010.

OSHIRO, T. M. Uma abordagem para a construção de uma única árvore a partir de uma Random Forest para classificação de bases de expressão gênica. Tese (Doutorado) — Universidade de São Paulo, 2013.

PEREIRA, L. O.; FREITAS C. C.; S., SANT’ANNA S. J.; S., REIS M. ALOS/PALSAR data evaluation for land use and land cover mapping in the amazon region. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 9, n. 12, p. 5413–5423, 2016.

PONZONI, F. J.; SHIMABUKURO, Y. E.; KUPLICH, T. M. Sensoriamento remoto da vegetação. São Paulo: Oficina de Textos, 2015.

SANO, E. E.; JESUS, E. T; BEZERRA, H. S. Mapeamento e quantificação de áreas remanescentes do cerrado através de um Sistema de Informações Geográficas. Sociedade & Natureza, v. 13, n. 25, 2001.

SANO, E. E. et al. Land cover mapping of the tropical savanna region in Brazil. Environmental Monitoring and Assessment, v. 166, n. 1, p. 113–124, 2010.

SANT’ANNA, S. J. S.; FERNANDES, D.; LACAVA, J. C. S. Análise comparativa do desempenho de filtros redutores de “speckle” em imagens SAR. In: SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES (SBSR), v. 9, 2001, Fortaleza, Anais [...] Fortaleza: SBSR, 2001.

SARAIVA, C. S. A. Avaliação o Potencial das Imagens Sentinel-1 para Identificação de Culturas Agrícolas. 2015. Dissertação (Mestrado em Engenharia Geográfica). Universidade de Lisboa, Lisboa, 2015. Disponível em: https://repositorio.ul.pt/handle/10451/20682. Acesso: 26 nov. 2020.

SOUZA, C. M. et al. Reconstructing three decades of land use and land cover changes in brazilian biomes with Landsat archive and Earth Engine. Remote Sensing, v. 12, n. 17, 2020.

SYMEONAKIS, E. et al. Optimisation of savannah land cover characterization with optical and SAR data. Remote Sensing, v. 10, n. 4, 2018.

ZHANG, W. et al. From woody cover to woody canopies: How Sentinel-1 and Sentinel-2 data advance the mapping of woody plants in savannas. Remote Sensing of Environment, v. 234, p. 111465, 2019.

Downloads

Publicado

2021-08-31

Como Citar

Silva, A. G. P., Cremon, E. H., de Araújo Boggione , G., & Corrêa Alves, F. (2021). Integração de imagens Orbitais Ópticas e SAR Com Processamento em Nuvem no Mapeamento da Cobertura da Terra no Cerrado. Revista Geoaraguaia, 11(Especial), 85–106. Recuperado de https://periodicoscientificos.ufmt.br/ojs/index.php/geo/article/view/12079