Land use/cover classification in the Brazilian Amazon using satellite images

Detalhes bibliográficos
Autor(a) principal: Lu, Dengsheng
Data de Publicação: 2012
Outros Autores: Batistella, Mateus, Li, Guiying, Moran, Emilio, Hetrick, Scott, Freitas, Corina da Costa, Dutra, Luciano Vieira, Sant’Anna, Sidnei João Siqueira
Tipo de documento: Artigo
Idioma: por
eng
Título da fonte: Pesquisa Agropecuária Brasileira (Online)
Texto Completo: https://seer.sct.embrapa.br/index.php/pab/article/view/13100
Resumo: Land use/cover classification is one of the most important applications in remote sensing. However, mapping accurate land use/cover spatial distribution is a challenge, particularly in moist tropical regions, due to the complex biophysical environment and limitations of remote sensing data per se. This paper reviews experiments related to land use/cover classification in the Brazilian Amazon for a decade. Through comprehensive analysis of the classification results, it is concluded that spatial information inherent in remote sensing data plays an essential role in improving land use/cover classification. Incorporation of suitable textural images into multispectral bands and use of segmentation‑based method are valuable ways to improve land use/cover classification, especially for high spatial resolution images. Data fusion of multi‑resolution images within optical sensor data is vital for visual interpretation, but may not improve classification performance. In contrast, integration of optical and radar data did improve classification performance when the proper data fusion method was used. Of the classification algorithms available, the maximum likelihood classifier is still an important method for providing reasonably good accuracy, but nonparametric algorithms, such as classification tree analysis, has the potential to provide better results. However, they often require more time to achieve parametric optimization. Proper use of hierarchical‑based methods is fundamental for developing accurate land use/cover classification, mainly from historical remotely sensed data.
id EMBRAPA-4_87ae1204e5379e3de1c81e6c6bedf81d
oai_identifier_str oai:ojs.seer.sct.embrapa.br:article/13100
network_acronym_str EMBRAPA-4
network_name_str Pesquisa Agropecuária Brasileira (Online)
repository_id_str
spelling Land use/cover classification in the Brazilian Amazon using satellite imagesClassificação de uso e cobertura da terra na Amazônia brasileira por meio de imagens de satélitedata fusion; multiple sensor data; nonparametric classifiers; texture.fusão de dados; dados de sensor múltiplo; classificadores não paramétricos; textura.Land use/cover classification is one of the most important applications in remote sensing. However, mapping accurate land use/cover spatial distribution is a challenge, particularly in moist tropical regions, due to the complex biophysical environment and limitations of remote sensing data per se. This paper reviews experiments related to land use/cover classification in the Brazilian Amazon for a decade. Through comprehensive analysis of the classification results, it is concluded that spatial information inherent in remote sensing data plays an essential role in improving land use/cover classification. Incorporation of suitable textural images into multispectral bands and use of segmentation‑based method are valuable ways to improve land use/cover classification, especially for high spatial resolution images. Data fusion of multi‑resolution images within optical sensor data is vital for visual interpretation, but may not improve classification performance. In contrast, integration of optical and radar data did improve classification performance when the proper data fusion method was used. Of the classification algorithms available, the maximum likelihood classifier is still an important method for providing reasonably good accuracy, but nonparametric algorithms, such as classification tree analysis, has the potential to provide better results. However, they often require more time to achieve parametric optimization. Proper use of hierarchical‑based methods is fundamental for developing accurate land use/cover classification, mainly from historical remotely sensed data.A classificação de uso e cobertura da terra é uma das principais aplicações do sensoriamento remoto. Contudo, a precisão no mapeamento da distribuição espacial do uso/cobertura da terra é um desafio, principalmente em regiões tropicais úmidas, em razão do complexo ambiente biofísico e das limitações dos dados de sensoriamento remoto per se. Este trabalho revisa experimentos relacionados à classificação do uso/cobertura da terra na Amazônia brasileira, durante uma década. A partir de análise compreensiva dos resultados de classificação, conclui-se que a informação espacial, em dados de sensoriamento remoto, tem papel fundamental na melhoria da classificação de uso/cobertura da terra. A incorporação de imagens textura, em bandas multiespectrais, e o uso de método baseado em segmentação são formas importantes de melhorar a  classificação, especialmente para imagens de alta resolução espacial. A fusão de dados de imagens de resolução múltipla dentro de dados do sensor ótico é vital para a interpretação visual, mas pode não melhorar o desempenho da classificação. Em contraste, a integração de dados ópticos e de radar melhorou o desempenho da classificação, quando o método adequado de fusão de dados foi utilizado. Entre os algoritmos de classificação disponíveis, o classificador de máxima verossimilhança ainda é importante para se obter precisão razoável, mas algoritmos não paramétricos, como a análise por árvore de decisão, podem promover melhores resultados. Porém, algoritmos não paramétricos geralmente demandam mais tempo para obtenção da parametrização otimizada. O uso adequado de métodos baseados em hierarquia é fundamental para a precisão na classificação de uso/cobertura da terra, sobretudo em dados de sensoriamento remoto antigos.Pesquisa Agropecuaria BrasileiraPesquisa Agropecuária BrasileiraNational Institute of Child Health and Human Development at NIH, National Science Foundation, JAXA Science Program, Radarsat SOAR ProgramLu, DengshengBatistella, MateusLi, GuiyingMoran, EmilioHetrick, ScottFreitas, Corina da CostaDutra, Luciano VieiraSant’Anna, Sidnei João Siqueira2012-11-09info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfapplication/pdfhttps://seer.sct.embrapa.br/index.php/pab/article/view/13100Pesquisa Agropecuaria Brasileira; v.47, n.9, set. 2012: Número Temático Geotecnologias; 1185-1208Pesquisa Agropecuária Brasileira; v.47, n.9, set. 2012: Número Temático Geotecnologias; 1185-12081678-39210100-104xreponame:Pesquisa Agropecuária Brasileira (Online)instname:Empresa Brasileira de Pesquisa Agropecuária (Embrapa)instacron:EMBRAPAporenghttps://seer.sct.embrapa.br/index.php/pab/article/view/13100/7950https://seer.sct.embrapa.br/index.php/pab/article/view/13100/7951https://seer.sct.embrapa.br/index.php/pab/article/downloadSuppFile/13100/9373https://seer.sct.embrapa.br/index.php/pab/article/downloadSuppFile/13100/9374https://seer.sct.embrapa.br/index.php/pab/article/downloadSuppFile/13100/9375https://seer.sct.embrapa.br/index.php/pab/article/downloadSuppFile/13100/9376info:eu-repo/semantics/openAccess2012-11-13T21:40:07Zoai:ojs.seer.sct.embrapa.br:article/13100Revistahttp://seer.sct.embrapa.br/index.php/pabPRIhttps://old.scielo.br/oai/scielo-oai.phppab@sct.embrapa.br || sct.pab@embrapa.br1678-39210100-204Xopendoar:2012-11-13T21:40:07Pesquisa Agropecuária Brasileira (Online) - Empresa Brasileira de Pesquisa Agropecuária (Embrapa)false
dc.title.none.fl_str_mv Land use/cover classification in the Brazilian Amazon using satellite images
Classificação de uso e cobertura da terra na Amazônia brasileira por meio de imagens de satélite
title Land use/cover classification in the Brazilian Amazon using satellite images
spellingShingle Land use/cover classification in the Brazilian Amazon using satellite images
Lu, Dengsheng
data fusion; multiple sensor data; nonparametric classifiers; texture.
fusão de dados; dados de sensor múltiplo; classificadores não paramétricos; textura.
title_short Land use/cover classification in the Brazilian Amazon using satellite images
title_full Land use/cover classification in the Brazilian Amazon using satellite images
title_fullStr Land use/cover classification in the Brazilian Amazon using satellite images
title_full_unstemmed Land use/cover classification in the Brazilian Amazon using satellite images
title_sort Land use/cover classification in the Brazilian Amazon using satellite images
author Lu, Dengsheng
author_facet Lu, Dengsheng
Batistella, Mateus
Li, Guiying
Moran, Emilio
Hetrick, Scott
Freitas, Corina da Costa
Dutra, Luciano Vieira
Sant’Anna, Sidnei João Siqueira
author_role author
author2 Batistella, Mateus
Li, Guiying
Moran, Emilio
Hetrick, Scott
Freitas, Corina da Costa
Dutra, Luciano Vieira
Sant’Anna, Sidnei João Siqueira
author2_role author
author
author
author
author
author
author
dc.contributor.none.fl_str_mv National Institute of Child Health and Human Development at NIH, National Science Foundation, JAXA Science Program, Radarsat SOAR Program

dc.contributor.author.fl_str_mv Lu, Dengsheng
Batistella, Mateus
Li, Guiying
Moran, Emilio
Hetrick, Scott
Freitas, Corina da Costa
Dutra, Luciano Vieira
Sant’Anna, Sidnei João Siqueira
dc.subject.por.fl_str_mv data fusion; multiple sensor data; nonparametric classifiers; texture.
fusão de dados; dados de sensor múltiplo; classificadores não paramétricos; textura.
topic data fusion; multiple sensor data; nonparametric classifiers; texture.
fusão de dados; dados de sensor múltiplo; classificadores não paramétricos; textura.
description Land use/cover classification is one of the most important applications in remote sensing. However, mapping accurate land use/cover spatial distribution is a challenge, particularly in moist tropical regions, due to the complex biophysical environment and limitations of remote sensing data per se. This paper reviews experiments related to land use/cover classification in the Brazilian Amazon for a decade. Through comprehensive analysis of the classification results, it is concluded that spatial information inherent in remote sensing data plays an essential role in improving land use/cover classification. Incorporation of suitable textural images into multispectral bands and use of segmentation‑based method are valuable ways to improve land use/cover classification, especially for high spatial resolution images. Data fusion of multi‑resolution images within optical sensor data is vital for visual interpretation, but may not improve classification performance. In contrast, integration of optical and radar data did improve classification performance when the proper data fusion method was used. Of the classification algorithms available, the maximum likelihood classifier is still an important method for providing reasonably good accuracy, but nonparametric algorithms, such as classification tree analysis, has the potential to provide better results. However, they often require more time to achieve parametric optimization. Proper use of hierarchical‑based methods is fundamental for developing accurate land use/cover classification, mainly from historical remotely sensed data.
publishDate 2012
dc.date.none.fl_str_mv 2012-11-09
dc.type.none.fl_str_mv
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://seer.sct.embrapa.br/index.php/pab/article/view/13100
url https://seer.sct.embrapa.br/index.php/pab/article/view/13100
dc.language.iso.fl_str_mv por
eng
language por
eng
dc.relation.none.fl_str_mv https://seer.sct.embrapa.br/index.php/pab/article/view/13100/7950
https://seer.sct.embrapa.br/index.php/pab/article/view/13100/7951
https://seer.sct.embrapa.br/index.php/pab/article/downloadSuppFile/13100/9373
https://seer.sct.embrapa.br/index.php/pab/article/downloadSuppFile/13100/9374
https://seer.sct.embrapa.br/index.php/pab/article/downloadSuppFile/13100/9375
https://seer.sct.embrapa.br/index.php/pab/article/downloadSuppFile/13100/9376
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Pesquisa Agropecuaria Brasileira
Pesquisa Agropecuária Brasileira
publisher.none.fl_str_mv Pesquisa Agropecuaria Brasileira
Pesquisa Agropecuária Brasileira
dc.source.none.fl_str_mv Pesquisa Agropecuaria Brasileira; v.47, n.9, set. 2012: Número Temático Geotecnologias; 1185-1208
Pesquisa Agropecuária Brasileira; v.47, n.9, set. 2012: Número Temático Geotecnologias; 1185-1208
1678-3921
0100-104x
reponame:Pesquisa Agropecuária Brasileira (Online)
instname:Empresa Brasileira de Pesquisa Agropecuária (Embrapa)
instacron:EMBRAPA
instname_str Empresa Brasileira de Pesquisa Agropecuária (Embrapa)
instacron_str EMBRAPA
institution EMBRAPA
reponame_str Pesquisa Agropecuária Brasileira (Online)
collection Pesquisa Agropecuária Brasileira (Online)
repository.name.fl_str_mv Pesquisa Agropecuária Brasileira (Online) - Empresa Brasileira de Pesquisa Agropecuária (Embrapa)
repository.mail.fl_str_mv pab@sct.embrapa.br || sct.pab@embrapa.br
_version_ 1793416650095067136