Integração de imagens Orbitais Ópticas e SAR Com Processamento em Nuvem no Mapeamento da Cobertura da Terra no Cerrado
Palabras clave:
Google Earth Engine, Sensoriamento remoto, Integração de dados orbitais, Random Forrest, Apresndizado de máquinaResumen
La cartografía de la cubierta del suelo es de suma importancia para la vigilancia del medio ambiente y la gestión del territorio. Las series temporales del radar de apertura sintética (SAR) de Sentinel-1 (S-1) y del sensor óptico MSI/Sentinel-2 (S-2) ofrecen condiciones favorables para la cartografía de la cubierta terrestre debido a sus resoluciones espectral, espacial y temporal. Este trabajo parte de la hipótesis de que la combinación entre las series temporales de S-1 y S-2 permite una mayor precisión en la cartografía de la cobertura del suelo en el bioma del Cerrado. Las imágenes se clasificaron mediante el algoritmo Random Forest en la plataforma de procesamiento en la nube Google Earth Engine. Las clasificaciones obtenidas sólo con los datos S-2 (kappa = 89,99) fueron mejores que las obtenidas con los datos S-1 (kappa = 75,78). La eficacia de la clasificación aumentó al combinar los datos de las misiones S-1 y S-2 (kappa= 93,07). Los resultados obtenidos en este trabajo sugieren que la banda infrarroja de onda corta, la polarización VH de los datos del SAR y el índice Cellulose absorption index (CAI) y Hall Cover fueron las variables más importantes en la cartografía de la cubierta terrestre del bioma del Cerrado.
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
A Revista Geoaraguaia poderá solicitar alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua. Se necessário, alguns ajustes normativos podem ser feitos pela revista, porém respeitando o estilo dos autores.
As provas finais não serão enviadas aos autores.
As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
A revista