Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2

Detalhes bibliográficos
Autor(a) principal: Pinto, Iriene Sadine Marques
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/44279
Resumo: Tese de mestrado, Sistemas de Informação Geográfica – Tecnologias e Aplicações, Universidade de Lisboa, Faculdade de Ciências, 2020
id RCAP_acf9c168615ac0bfcf6686c959fbe0bd
oai_identifier_str oai:repositorio.ul.pt:10451/44279
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2Deteção remotaOcupação do soloClassificação de imagemTeses de mestrado - 2020Departamento de Engenharia Geográfica, Geofísica e EnergiaTese de mestrado, Sistemas de Informação Geográfica – Tecnologias e Aplicações, Universidade de Lisboa, Faculdade de Ciências, 2020Com a disponibilização gratuita das imagens da constelação de satélite Sentinel da ESA é pertinente equacionar a possibilidade de atualizar a carta de ocupação do solo numa base temporal anual com evidentes benefícios para as entidades governativas responsáveis pelo planeamento e gestão do território. Nesse sentido, foi realizado um estudo de viabilidade de utilização das imagens do satélite Sentinel-2 na construção de uma carta de ocupação do solo na ilha de Santiago, Cabo Verde. Para o efeito, foram usadas imagens multiespectrais com as quais foram testados algoritmos de classificação supervisionada de imagem subordinados às classes de ocupação do solo definidas no âmbito da iniciativa CCI land cover África. A classificação foi validada com verdade terreno e com a carta de ocupação do solo produzida na década de 90. A metodologia consistiu na aplicação de índices de vegetação, de acordo com a análise da imagem de resolução espacial melhorado para 10 metros. Foi classificada a imagem, definindo a priori as cinco classes percetíveis na imagem, posteriormente validada com as medições efetuadas no terreno de identificação e georreferenciação da ocupação do solo. A nível da classificação da imagem, recorreu-se à classificação supervisionada com os algoritmos das redes neuronais, máxima verosimilhança e distância de Mahalanobis, tendo sido produzidos indicadores de qualidade com base na matriz de confusão e no cálculo da exatidão do produtor, do utilizador, a exatidão global e índice Kappa. Foi avaliada a aplicação das diferentes metodologias (algoritmos de classificação) para analisar a ocupação do solo na ilha, e dos três classificadores testados o que melhor se adaptou à realidade da ilha foi o da distância de Mahalanobis com melhor exatidão global em 4 das imagens. A máxima verosimilhança e as redes neuronais apresentam a melhor exatidão global nas outras duas imagens. O facto de dispormos de poucos dados de treino, 10 parcelas para cada classe, diminui a exatidão esperada de métodos mais sofisticados como as redes neuronais ou a máxima verosimilhança que claramente requerem centenas de amostras de treino para um bom desempenho. Neste caso, e em situações semelhantes, com poucos dados treino, a distância de Mahalanobis pode ser uma boa escolha. Neste projeto utiliza-se 5 classes de ocupação do solo, o solo agrícola, vegetação, solo descoberto, tecido urbano e corpos de água.With the free availability of satellite images from Sentinel constellation (ESA), it is pertinent to consider the possibility of updating the land occupation chart on an annual time basis with benefits for the government entities responsible for planning and managing the territory. In this sense, a feasibility study was carried out on the use of the Sentinel-2 satellite images in the construction of a land cover map on Santiago island, Cape Verde. For this purpose, multispectral images were used using supervised image classification algorithms, subject to the land occupation classes defined under the CCI land cover Africa initiative. The classification was validated with ground truth and with the land occupation produced in the 90's. The methodology consisted on the application of vegetation indexes computed with the multispectral images with improved spatial resolution to 10 meters. The image was classified, defining a priori the seven classes identified in the image, later validated with validation data and measurements made on the field. In terms of image classification, supervised classification algorithms using the neural network algorithms, maximum likelihood and Mahalanobis distance were used, and quality indicators were produced based on the confusion matrix and the calculation of the producer, user precision, the global precision and Kappa index. The application of different methodologies (classification algorithms) to assess the land occupation on the island was evaluated, and of the three classifiers tested, the one that best adapted to the reality of the island was the Mahalanobis distance with the best overall accuracy in 4 of the images. Maximum likelihood and neural networks have the best overall accuracy in the other two images. The fact that we have little training data, 10 plots for each class, reduces the expected accuracy of more sophisticated methods such as neural networks or maximum likelihood that clearly require hundreds of training samples to perform well. In this case, and in similar situations, with little training data, the Mahalanobis distance may be a good choice. In this project we use five class land cover, agricultural area, vegetation, bare areas, urban areas and water bodies.Fernandes, João Catalão, 1962-Repositório da Universidade de LisboaPinto, Iriene Sadine Marques2020-08-27T13:23:45Z202020202020-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/44279TID:202605477porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T16:45:13Zoai:repositorio.ul.pt:10451/44279Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:56:53.796499Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2
title Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2
spellingShingle Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2
Pinto, Iriene Sadine Marques
Deteção remota
Ocupação do solo
Classificação de imagem
Teses de mestrado - 2020
Departamento de Engenharia Geográfica, Geofísica e Energia
title_short Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2
title_full Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2
title_fullStr Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2
title_full_unstemmed Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2
title_sort Cartografia de ocupação do solo da ilha de Santiago, Cabo Verde, usando imagens do satélite Sentinel-2
author Pinto, Iriene Sadine Marques
author_facet Pinto, Iriene Sadine Marques
author_role author
dc.contributor.none.fl_str_mv Fernandes, João Catalão, 1962-
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Pinto, Iriene Sadine Marques
dc.subject.por.fl_str_mv Deteção remota
Ocupação do solo
Classificação de imagem
Teses de mestrado - 2020
Departamento de Engenharia Geográfica, Geofísica e Energia
topic Deteção remota
Ocupação do solo
Classificação de imagem
Teses de mestrado - 2020
Departamento de Engenharia Geográfica, Geofísica e Energia
description Tese de mestrado, Sistemas de Informação Geográfica – Tecnologias e Aplicações, Universidade de Lisboa, Faculdade de Ciências, 2020
publishDate 2020
dc.date.none.fl_str_mv 2020-08-27T13:23:45Z
2020
2020
2020-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10451/44279
TID:202605477
url http://hdl.handle.net/10451/44279
identifier_str_mv TID:202605477
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134511681765376

Registros relacionados