| spelling |
Plinio da Costa Tembahttp://lattes.cnpq.br/2522406502464981Eliane Maria VieiraHelder Lages JardimMarcelo Antônio NeroMarcos Antônio Timbó Elmirohttp://lattes.cnpq.br/5913378356108740Fernanda Paula Bicalho Pio2023-06-02T17:05:28Z2023-06-02T17:05:28Z2023-03-24http://hdl.handle.net/1843/54383O constante desenvolvimento das tecnologias para aquisição e processamento de dados de sensoriamento remoto tem incentivado a aplicação de imagens digitais em variadas circunstâncias, inclusive em estudos ambientais e do monitoramento da superfície terrestre. Considerando o desenvolvimento das ações antrópicas e a intensificação do uso alternativo do solo para diversas atividades, os estudos do uso da Terra a partir de dados de sensoriamento remoto têm se tornado mais comum e as geotecnologias são consideradas como importantes ferramentas para fornecimento de dados que auxiliam os trabalhos de gestão territorial. A aplicação de imagens fornecidas com acesso livre também demonstra maior uso, inclusive com os dados do satélite sentinel. As imagens multiespectrais obtidas através do sensoriamento remoto permitem a aplicação de técnicas de análises para a obtenção de informações qualitativas e quantitativas de uma determinada região. Uma significativa aplicação destes dados é observada em análises do uso e cobertura da superfície terrestre sendo este um conhecimento de relevante importância para a gestão territorial. Para os estudos de classificação do uso e ocupação da Terra diversas técnicas de processamento e classificação de imagens podem ser aplicadas. Estas, por sua vez, variam em função das características dos sensores de aquisição das cenas e da finalidade do experimento. Em estudos de classificação de imagens é comum se deparar com problemas de mistura espectral que são observados devido à resolução espacial dos sensores. Dependendo da finalidade e parâmetros do estudo a ser realizado, a mistura espectral poderá se caracterizar como uma limitação dos dados e processos realizados. Assim, métodos de trabalho são utilizados para permitir extrair informações das imagens com maior riqueza de detalhes considerando as propriedades dos materiais presentes dentro de um pixel. O estudo da mistura espectral é utilizado para auxiliar as técnicas de classificação das imagens digitais. Na análise da mistura espectral ocorre então a decomposição do espectro apresentado dentro de um pixel e diferentes métodos podem ser aplicados para esta finalidade. O método de maior frequência de uso é o do modelo linear de mistura espectral (MLME). A facilidade de operação do método faz com que ele seja empregado em estudos de diversas partes do mundo tendo bons resultados. O presente trabalho objetiva abordar o modelo linear de mistura espectral baseado no método dos mínimos quadrados com restrição. Este modelo assume que a resposta espectral em cada pixel em qualquer banda espectral é decorrente de uma combinação linear das respostas espectrais de cada componente presente na mistura. Assim, neste estudo buscou-se comparar dois resultados de classificação do uso e ocupação do solo para a região da microbacia do Ribeirão Jirau, localizada nos municípios de Itabira e de Santa Maria de Itabira, no interior de Minas Gerais, sendo um mapeamento gerado a partir de classificação convencional com cenas de imagens digitais do satélite Sentinel-2 e o outro resultado gerado a partir de imagens fração obtidas no modelo linear de mistura espectral. Os resultados foram comparados a partir de coeficientes de concordância extraídos da matriz de erros onde foram consideradas análises gerais de precisão (exatidão global e coeficiente Kappa) e a análise individualizada por classe com o estudo das precisões do usuário e do produtor, buscando-se conhecer detalhadamente o desempenho dos classificadores. Os valores de precisão geral para as classificações originárias dos dados do Sentinel-2 e do MLME foram de 65% e 62%, respectivamente. O coeficiente Kappa apresentou resultado de 0,53 para a classificação obtida a partir dos dados espectrais do satélite e 0,62 para a classificação obtida a partir do modelo de mistura indicando que a qualidade dos dois mapeamentos pode ser considerada como moderada, suficientemente boa ou boa. A análise das classificações por categoria revelou que os dois mapeamentos apresentaram especificidades, principalmente para as classes de floresta natural e floresta plantada. O estudo permitiu atestar a funcionalidade do uso de imagens fração do MLME como subsídio à classificação de imagens e proporcionou possibilidades de novos tipos de análises para a aplicação do modelo.The constant development of technologies for the acquisition and processing of remote sensing data has encouraged the application of digital images in various circumstances, including environmental studies and monitoring of the Earth's surface. Considering the development of anthropic actions and the intensification of alternative land use for various activities, studies of land use based on remote sensing data have become more common and geotechnologies are considered important tools for providing data that help territorial management work. The application of images provided with free access also demonstrates greater use, including data from the sentinel satellite. The multispectral images obtained through remote sensing allow the application of analysis techniques to obtain qualitative and quantitative information on a given region. A significant application of these data is observed in analyzes of the use and coverage of the earth's surface, which is knowledge of great importance for territorial management. For land use and occupation classification studies, several image processing and classification techniques can be applied. These, in turn, vary depending on the characteristics of the scene acquisition sensors and the purpose of the experiment. In image classification studies, it is common to encounter spectral mixing problems that are observed due to the spatial resolution of the sensors. Depending on the purpose and parameters of the study to be carried out, the spectral mixture may be characterized as a limitation of the data and processes carried out. Thus, working methods are used to extract information from images with greater detail, considering the properties of the materials present within a pixel. The study of the spectral mixture is used to help the classification techniques of digital images. In the analysis of the spectral mixture, the spectrum presented inside a pixel is decomposed and different methods can be applied for this purpose. The most frequently used method is the linear model of spectral mixing (MLME). The ease of operation of the method makes it used in studies in different parts of the world with good results. The present work aims to address the linear model of spectral mixing based on the method of least squares with restriction. This model assumes that the spectral response at each pixel in any spectral band is due to a linear combination of the spectral responses of each component present in the mixture. Thus, in this study, we sought to compare two classification results of land use and occupation for the Ribeirão Jirau microbasin region, located in the municipalities of Itabira and Santa Maria de Itabira, in the interior of Minas Gerais, with a mapping generated from from conventional classification with scenes of digital images from the Sentinel-2 satellite and the other result generated from fraction images obtained in the linear model of spectral mixture. The results were compared based on concordance coefficients extracted from the error matrix, where general precision analyzes were considered (global accuracy and Kappa coefficient) and the individualized analysis by class with the study of user and producer precisions, seeking to know detail the performance of the classifiers. The overall precision values for classifications derived from Sentinel-2 and MLME data were 65% and 62%, respectively. The Kappa coefficient presented a result of 0,53 for the classification obtained from the satellite spectral data and 0,62 for the classification obtained from the mixture model, indicating that the quality of the two mappings can be considered as moderate, good enough or good. The analysis of the classifications by category revealed that the two mappings presented specificities, mainly for the classes of natural forest and planted forest. The study allowed attesting the functionality of using MLME fraction images as a subsidy for image classification and provided possibilities for new types of analysis for the application of the model.porUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Análise e Modelagem de Sistemas AmbientaisUFMGBrasilIGC - INSTITUTO DE GEOCIENCIASModelagem de dados – Aspectos ambientaisSolo – Uso – Minas GeraisProcessamento de imagensClassificaçãoMistura espectralModelo linear de mistura espectralClassificação de imagensSentinel-2Avaliação da técnica de modelo linear de mistura espectral como subsídio à classificação do uso e ocupação do soloinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALFERNANDA PAULA BICALHO PIO FINAL.pdfFERNANDA PAULA BICALHO PIO FINAL.pdfapplication/pdf3963979https://repositorio.ufmg.br/bitstream/1843/54383/1/FERNANDA%20PAULA%20BICALHO%20PIO%20FINAL.pdf972ff0d3ac79b22631610b7543e74c82MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/54383/2/license.txtcda590c95a0b51b4d15f60c9642ca272MD521843/543832023-06-02 14:05:29.035oai:repositorio.ufmg.br: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ório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-06-02T17:05:29Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|