Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.

Detalhes bibliográficos
Autor(a) principal: ANDRADE, João Maria de.
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/17721
Resumo: Informações precisas sobre a cobertura do solo são fundamentais para o monitoramento e desenvolvimento eficientes de estudos ambientais na Caatinga brasileira. É uma das maiores e mais biodiversas florestas secas do planeta. Distinguir diferentes padrões de cobertura do solo por meio de sensoriamento remoto de resolução espacial média, como a série de imagens Landsat, é um desafio para a Caatinga devido à cobertura heterogênea do solo, complexas interações clima­solo­vegetação e distúrbios antrópicos. Duas abordagens de sensoriamento remoto têm alto potencial para o mapeamento preciso e eficiente da cobertura do solo na Caatinga: imagens mono e multi­temporais. A heterogeneidade da cobertura do solo desse ambiente pode contribuir para um melhor desempenho de abordagens multiespectrais que são normalmente aplicadas para imagens mono­temporais. Em um esforço de mapeamento da cobertura do solo na Caatinga, o fator temporal ganha relevância, e o uso de séries temporais pode trazer vantagens. Este estudo avalia as precisões e vantagens das abordagens multitemporal do Normalized Difference Vegetation Index (NDVI) e mono­temporal multiespectral na classificação da cobertura do solo. Ambas as abordagens usam o método Random Forest, e os resultados são avaliados com base em amostras coletadas durante levantamentos de campo. Os resultados indicam que a classificação da cobertura do solo obtida a partir de multi­temporal NDVI tem melhor desempenho (acurácia geral de 88,8% e coeficiente de concordância kappa de 0,86) do que dados mono­tempora multiespectrais (acurácia geral de 81,4% e coeficiente kappa de 0,78). O teste Z indicou que uma diferença estatisticamente significativa no desempenho entre as duas abordagens. O desempenho inferior observado para a classificação multiespectral mono­temporal deve­se às semelhanças nas respostas espectrais para alvos de vegetação decídua que perdem sua folhagem e podem ser interpretados incorretamente como áreas sem vegetação. Enquanto isso, a classificação multi­temporal NDVI dos agrupamentos de vegetais nas florestas sazonais permite incorporar a variabilidade sazonal das classes de cobertura do solo durante as estações chuvosa e seca, bem como as transições entre as estações, por isso apresenta maior precisão. Além disso, as variáveis mais importantes que contribuíram para a precisão foram as bandas Red, Near Infrared (NIR) e Short­Wave Infrared (SWIR) na classificação multiespectral mono­temporal, e os meses na estação seca foram os mais relevantes para classificação multi­temporal NDVI.
id UFCG_bb7e3afd85d136cab36d34a0f4511ee7
oai_identifier_str oai:localhost:riufcg/17721
network_acronym_str UFCG
network_name_str Biblioteca Digital de Teses e Dissertações da UFCG
repository_id_str 4851
spelling Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.Classification of caatinga soil cover: evaluation of approaches in Machine Learning using LandSat Mono and multitemporal data.Sensoriamento remotoRemote sensingDetección remotaRandom­ ForestFloresta AleatóriaBosque aleatorioSemiáridoSemiaridFlorestas TropicaisTropical florestsBosques tropicalesSazonais secasSequías estacionalesSeasonal droughtsNDVIMultiespectralEngenharia CivilEngenharia de Água e SoloInformações precisas sobre a cobertura do solo são fundamentais para o monitoramento e desenvolvimento eficientes de estudos ambientais na Caatinga brasileira. É uma das maiores e mais biodiversas florestas secas do planeta. Distinguir diferentes padrões de cobertura do solo por meio de sensoriamento remoto de resolução espacial média, como a série de imagens Landsat, é um desafio para a Caatinga devido à cobertura heterogênea do solo, complexas interações clima­solo­vegetação e distúrbios antrópicos. Duas abordagens de sensoriamento remoto têm alto potencial para o mapeamento preciso e eficiente da cobertura do solo na Caatinga: imagens mono e multi­temporais. A heterogeneidade da cobertura do solo desse ambiente pode contribuir para um melhor desempenho de abordagens multiespectrais que são normalmente aplicadas para imagens mono­temporais. Em um esforço de mapeamento da cobertura do solo na Caatinga, o fator temporal ganha relevância, e o uso de séries temporais pode trazer vantagens. Este estudo avalia as precisões e vantagens das abordagens multitemporal do Normalized Difference Vegetation Index (NDVI) e mono­temporal multiespectral na classificação da cobertura do solo. Ambas as abordagens usam o método Random Forest, e os resultados são avaliados com base em amostras coletadas durante levantamentos de campo. Os resultados indicam que a classificação da cobertura do solo obtida a partir de multi­temporal NDVI tem melhor desempenho (acurácia geral de 88,8% e coeficiente de concordância kappa de 0,86) do que dados mono­tempora multiespectrais (acurácia geral de 81,4% e coeficiente kappa de 0,78). O teste Z indicou que uma diferença estatisticamente significativa no desempenho entre as duas abordagens. O desempenho inferior observado para a classificação multiespectral mono­temporal deve­se às semelhanças nas respostas espectrais para alvos de vegetação decídua que perdem sua folhagem e podem ser interpretados incorretamente como áreas sem vegetação. Enquanto isso, a classificação multi­temporal NDVI dos agrupamentos de vegetais nas florestas sazonais permite incorporar a variabilidade sazonal das classes de cobertura do solo durante as estações chuvosa e seca, bem como as transições entre as estações, por isso apresenta maior precisão. Além disso, as variáveis mais importantes que contribuíram para a precisão foram as bandas Red, Near Infrared (NIR) e Short­Wave Infrared (SWIR) na classificação multiespectral mono­temporal, e os meses na estação seca foram os mais relevantes para classificação multi­temporal NDVI.Accurate information on the land cover is crucial for efficient monitoring and development of environmental studies in the Brazilian Caatinga forest, one of the largest and most biodiverse dry forests on the planet. Distinguishing different patterns of land cover through medium spatial­resolution remote sensing, such as the Landsat image series, is challenging to Caatinga due to heterogeneous land cover, complex climate­soil ­ vegetation interactions, and anthropogenic disturbance. Two remote sensing approaches have a high potential for accurate and efficient land­cover mapping in Caatinga: single and multi­date imagery. The heterogeneity of the land cover of this environment can contribute to a better performance of multispectral approaches that are usually applied for single­date images. In a land­cover mapping effort in Caatinga, the temporal factor gains relevance, and the use of time series can bring advantages, but, in general, this approach uses vegetation index, losing multispectral information. This manuscript assesses the accuracies and advantages of single­date multispectral and multi­date Normalized Difference Vegetation Index (NDVI) approaches in land­cover classification. Both approaches use the Random Forest method, and the results are evaluated based on samples collected during field surveys. Results indicate that land­cover classification obtained from multi­date NDVI performs better (overall accuracy of 88.8% and kappa of 0.86) than single­date multispectral data (overall accuracy of 81.4% and kappa coefficient of 0.78). The Z­test indicated that the difference in performance between the two approaches was statistically significant. The lower performance observed for single­date multispectral classification is due to similarities in spectral responses for targets of deciduous vegetation that lose their foliage and can be misread as non­vegetated areas. Meanwhile, an accurate classification by time series of plant clusters in seasonal forests allows incorporating seasonal variability of land­cover classes during the rainy and dry seasons, as well as transitions between seasons. The most important variables that contributed to the accuracy were the Red, Near Infrared (NIR) and Short­Wave Infrared (SWIR) bands in single­date multispectral classification, and the months in the dry season were the most relevant in multi­date NDVI classification.CapesUniversidade Federal de Campina GrandeBrasilCentro de Tecnologia e Recursos Naturais - CTRNPÓS-GRADUAÇÃO EM ENGENHARIA CIVIL E AMBIENTALUFCGCUNHA, John Elton de Brito Leite.CUNHA, J. E. B. L.http://lattes.cnpq.br/7756258383405207RUFINO, Iana Alexandra Alves.RUFINO, I. A. A.http://lattes.cnpq.br/7751984072554691GALVÃO, Carlos de Oliveira.MELO, Davi de Carvalho Diniz.ANDRADE, João Maria de.2021-02-112021-03-18T13:32:28Z2021-03-182021-03-18T13:32:28Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/17721ANDRADE, J. M. de. Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais. 2021. 69 f. Dissertação (Mestrado em Engenharia Civil e Ambiental), Programa de Pós-graduação em Recursos Naturais, Centro de Engenharia Civil e Ambiental, Universidade Federal de Campina Grande - Paraíba - Brasil, 2021.porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFCGinstname:Universidade Federal de Campina Grande (UFCG)instacron:UFCG2021-03-19T14:46:35Zoai:localhost:riufcg/17721Biblioteca Digital de Teses e Dissertaçõeshttp://bdtd.ufcg.edu.br/PUBhttp://dspace.sti.ufcg.edu.br:8080/oai/requestbdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.bropendoar:48512021-03-19T14:46:35Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG)false
dc.title.none.fl_str_mv Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.
Classification of caatinga soil cover: evaluation of approaches in Machine Learning using LandSat Mono and multitemporal data.
title Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.
spellingShingle Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.
ANDRADE, João Maria de.
Sensoriamento remoto
Remote sensing
Detección remota
Random­ Forest
Floresta Aleatória
Bosque aleatorio
Semiárido
Semiarid
Florestas Tropicais
Tropical florests
Bosques tropicales
Sazonais secas
Sequías estacionales
Seasonal droughts
NDVI
Multiespectral
Engenharia Civil
Engenharia de Água e Solo
title_short Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.
title_full Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.
title_fullStr Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.
title_full_unstemmed Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.
title_sort Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.
author ANDRADE, João Maria de.
author_facet ANDRADE, João Maria de.
author_role author
dc.contributor.none.fl_str_mv CUNHA, John Elton de Brito Leite.
CUNHA, J. E. B. L.
http://lattes.cnpq.br/7756258383405207
RUFINO, Iana Alexandra Alves.
RUFINO, I. A. A.
http://lattes.cnpq.br/7751984072554691
GALVÃO, Carlos de Oliveira.
MELO, Davi de Carvalho Diniz.
dc.contributor.author.fl_str_mv ANDRADE, João Maria de.
dc.subject.por.fl_str_mv Sensoriamento remoto
Remote sensing
Detección remota
Random­ Forest
Floresta Aleatória
Bosque aleatorio
Semiárido
Semiarid
Florestas Tropicais
Tropical florests
Bosques tropicales
Sazonais secas
Sequías estacionales
Seasonal droughts
NDVI
Multiespectral
Engenharia Civil
Engenharia de Água e Solo
topic Sensoriamento remoto
Remote sensing
Detección remota
Random­ Forest
Floresta Aleatória
Bosque aleatorio
Semiárido
Semiarid
Florestas Tropicais
Tropical florests
Bosques tropicales
Sazonais secas
Sequías estacionales
Seasonal droughts
NDVI
Multiespectral
Engenharia Civil
Engenharia de Água e Solo
description Informações precisas sobre a cobertura do solo são fundamentais para o monitoramento e desenvolvimento eficientes de estudos ambientais na Caatinga brasileira. É uma das maiores e mais biodiversas florestas secas do planeta. Distinguir diferentes padrões de cobertura do solo por meio de sensoriamento remoto de resolução espacial média, como a série de imagens Landsat, é um desafio para a Caatinga devido à cobertura heterogênea do solo, complexas interações clima­solo­vegetação e distúrbios antrópicos. Duas abordagens de sensoriamento remoto têm alto potencial para o mapeamento preciso e eficiente da cobertura do solo na Caatinga: imagens mono e multi­temporais. A heterogeneidade da cobertura do solo desse ambiente pode contribuir para um melhor desempenho de abordagens multiespectrais que são normalmente aplicadas para imagens mono­temporais. Em um esforço de mapeamento da cobertura do solo na Caatinga, o fator temporal ganha relevância, e o uso de séries temporais pode trazer vantagens. Este estudo avalia as precisões e vantagens das abordagens multitemporal do Normalized Difference Vegetation Index (NDVI) e mono­temporal multiespectral na classificação da cobertura do solo. Ambas as abordagens usam o método Random Forest, e os resultados são avaliados com base em amostras coletadas durante levantamentos de campo. Os resultados indicam que a classificação da cobertura do solo obtida a partir de multi­temporal NDVI tem melhor desempenho (acurácia geral de 88,8% e coeficiente de concordância kappa de 0,86) do que dados mono­tempora multiespectrais (acurácia geral de 81,4% e coeficiente kappa de 0,78). O teste Z indicou que uma diferença estatisticamente significativa no desempenho entre as duas abordagens. O desempenho inferior observado para a classificação multiespectral mono­temporal deve­se às semelhanças nas respostas espectrais para alvos de vegetação decídua que perdem sua folhagem e podem ser interpretados incorretamente como áreas sem vegetação. Enquanto isso, a classificação multi­temporal NDVI dos agrupamentos de vegetais nas florestas sazonais permite incorporar a variabilidade sazonal das classes de cobertura do solo durante as estações chuvosa e seca, bem como as transições entre as estações, por isso apresenta maior precisão. Além disso, as variáveis mais importantes que contribuíram para a precisão foram as bandas Red, Near Infrared (NIR) e Short­Wave Infrared (SWIR) na classificação multiespectral mono­temporal, e os meses na estação seca foram os mais relevantes para classificação multi­temporal NDVI.
publishDate 2021
dc.date.none.fl_str_mv 2021-02-11
2021-03-18T13:32:28Z
2021-03-18
2021-03-18T13:32:28Z
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://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/17721
ANDRADE, J. M. de. Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais. 2021. 69 f. Dissertação (Mestrado em Engenharia Civil e Ambiental), Programa de Pós-graduação em Recursos Naturais, Centro de Engenharia Civil e Ambiental, Universidade Federal de Campina Grande - Paraíba - Brasil, 2021.
url http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/17721
identifier_str_mv ANDRADE, J. M. de. Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais. 2021. 69 f. Dissertação (Mestrado em Engenharia Civil e Ambiental), Programa de Pós-graduação em Recursos Naturais, Centro de Engenharia Civil e Ambiental, Universidade Federal de Campina Grande - Paraíba - Brasil, 2021.
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.publisher.none.fl_str_mv Universidade Federal de Campina Grande
Brasil
Centro de Tecnologia e Recursos Naturais - CTRN
PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL E AMBIENTAL
UFCG
publisher.none.fl_str_mv Universidade Federal de Campina Grande
Brasil
Centro de Tecnologia e Recursos Naturais - CTRN
PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL E AMBIENTAL
UFCG
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFCG
instname:Universidade Federal de Campina Grande (UFCG)
instacron:UFCG
instname_str Universidade Federal de Campina Grande (UFCG)
instacron_str UFCG
institution UFCG
reponame_str Biblioteca Digital de Teses e Dissertações da UFCG
collection Biblioteca Digital de Teses e Dissertações da UFCG
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG)
repository.mail.fl_str_mv bdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.br
_version_ 1822155225747685376