Dados de sensoriamento remoto de múltiplas fontes eleva a exatidão de classificação de florestas naturais e plantadas

Palavras-chave: Random Forest, Landsat-8, Sentinel-1

Resumo

É um desafio mapear a distribuição espacial de florestas naturais e plantadas com base em imagens de satélite, devido à alta correlação entre elas. Esta investigação visa aumentar a precisão nas classificações de florestas naturais e plantações de eucalipto, combinando dados de sensoriamento remoto de várias fontes. Definimos quatro classes de vegetação: floresta natural (NF), floresta de eucalipto plantada (PF), agricultura (A) e pastagem (P), e amostramos 410.251 pixels de 100 polígonos de cada classe. Os experimentos de classificação foram realizados usando um algoritmo florestal aleatório com imagens de Landsat-8, Sentinel-1 e SRTM. Foram consideradas quatro características de textura (energia, contraste, correlação e entropia) e NDVI. Utilizamos o escore F1, a precisão geral e as métricas de desacordo total, para avaliar o desempenho da classificação e a distância de Jeffries – Matusita (JM) para medir a separabilidade espectral. A precisão geral apenas para as bandas Landsat-8 foi de 88,29%. Uma combinação de bandas Landsat-8 e Sentinel-1 resultou em um aumento de precisão geral de 3% e essa combinação de bandas também melhorou o escore F1 de NF, PF, P e A em 2,22%, 2,9%, 3,71% e 8,01% , respectivamente. O desacordo total diminuiu de 11,71% para 8,71%. O aumento da separabilidade estatística corrobora essa melhora e é observado principalmente entre NF-PF (11,98%) e A-P (45,12%). Concluímos que a combinação de dados de sensoriamento remoto óptico e por radar aumentou a precisão da classificação de florestas naturais e plantadas e pode servir de base para o mapeamento semi-automático em larga escala dos recursos florestais.

Downloads

Não há dados estatísticos.

Biografia do Autor

Matheus Pinheiro Ferreira, Instituto Militar de Engenharia

Matheus Pinheiro Ferreira é graduado em Engenharia Florestal pela Universidade Federal do Paraná (UFPR, 2010) com formação complementar na Universidade de Freiburg/Alemanha, Mestre (2012) e Doutor (2017) em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais (INPE).  Sua Tese de Doutorado foi agraciada com Menção Honrosa pelo Prêmio CAPES de Tese 2018. Sua linha atual de pesquisa se concentra na utilização de imagens de sensoriamento remoto para o monitoramento de recursos florestais e mudanças de uso e cobertura da terra. Possui experiência em sensoriamento remoto hiperespectral, modelagem de transferência radiativa e aprendizado de máquina. Desde 2018, é Professor Adjunto da Seção de Engenharia Cartográfica do Instituto Militar de Engenharia (IME), onde ministra aulas em disciplinas relacionadas ao sensoriamento remoto e processamento digital de imagens a nível de graduação e pós-graduação. (Fonte: Currículo Lattes)

Carlos Frederico de Sá Volotão, Instituto Militar de Engenharia

Doutor em Computação Aplicada (INPE, 2007-2013), Mestre em Sensoriamento Remoto (INPE, 1998-2001) e Engenheiro Cartógrafo (IME, 1989-1993). Especialista em Sensoriamento Remoto e Computação Aplicada, atualmente é professor e chefe da Seção de Engenharia Cartográfica do IME. Principais áreas de atuação: processamento de imagens, inteligência artificial, geociências, computação aplicada ao imageamento e fotogrametria.

Publicado
2020-03-30
Como Citar
CARNEIRO, G. F.; FERREIRA, M. P.; VOLOTÃO, C. F. DE S. Dados de sensoriamento remoto de múltiplas fontes eleva a exatidão de classificação de florestas naturais e plantadas. Revista Brasileira de Cartografia, v. 72, n. 1, p. 110-125, 30 mar. 2020.
Seção
Artigos Originais