Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR

Detalhes bibliográficos
Autor(a) principal: Belloli, Tássia Fraga
Data de Publicação: 2022
Outros Autores: Guasselli, Laurindo Antônio, Kuplich, Tatiana Mora, Ruiz, Luis Fernando Chimelo, Simioni, João Paulo Delapasse
Tipo de documento: Artigo
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/236062
Resumo: Delinear com precisão os limites das Áreas Úmidas (AUs) e os padrões de cobertura vegetal é um passo essencial para a rápida avaliação e gestão destes ecossistemas. A Análise de Imagens Baseada em Objeto (Object-Based Image Analysis - OBIA) a partir de aprendizado de máquina e da integração de dados ópticos e de radar apresentam vantagens em relação a outras técnicas no mapeamento da cobertura vegetal nos ecossistemas de AUs. Este estudo tem como objetivo classificar tipologias de cobertura vegetal em áreas úmidas, integrando imagens ópticas e SAR dos satélites Sentinel-1 e 2A e o algoritmo Random Forest à classificação OBIA, utilizando como estudo de caso o Banhado Grande, localizado no Rio Grande do Sul. Como resultados, as polarizações VH e VV do Sentinel-1 obtiveram a maior relevância na classificação (18,6%). Entre as bandas ópticas as maiores relevâncias ocorreram para as bandas Borda Vermelha e Infravermelho Médio. A partir dos atributos ópticos, a classificação obteve acurácia de 86,2%. Quando inseridos os atributos SAR mais importantes, a acurácia aumentou para 91,3%. A classe Macrófitas Emergentes (ME), correspondente à espécie Scirpus giganteus, alcançou a melhor acurácia (91%), com área estimada em 1.507 ha. Concluímos que a integração de imagens aliada ao método de classificação possibilitou identificar e delimitar a extensão das tipologias vegetais e a área total do ecossistema. Os resultados acurados demostram que esta abordagem metodológica pode ser expandida para outras áreas úmidas palustres subtropicais.
id UFRGS-2_c830f4c4000eae8993d03079f50edd07
oai_identifier_str oai:www.lume.ufrgs.br:10183/236062
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Belloli, Tássia FragaGuasselli, Laurindo AntônioKuplich, Tatiana MoraRuiz, Luis Fernando ChimeloSimioni, João Paulo Delapasse2022-03-22T04:38:15Z20221808-0936http://hdl.handle.net/10183/236062001137849Delinear com precisão os limites das Áreas Úmidas (AUs) e os padrões de cobertura vegetal é um passo essencial para a rápida avaliação e gestão destes ecossistemas. A Análise de Imagens Baseada em Objeto (Object-Based Image Analysis - OBIA) a partir de aprendizado de máquina e da integração de dados ópticos e de radar apresentam vantagens em relação a outras técnicas no mapeamento da cobertura vegetal nos ecossistemas de AUs. Este estudo tem como objetivo classificar tipologias de cobertura vegetal em áreas úmidas, integrando imagens ópticas e SAR dos satélites Sentinel-1 e 2A e o algoritmo Random Forest à classificação OBIA, utilizando como estudo de caso o Banhado Grande, localizado no Rio Grande do Sul. Como resultados, as polarizações VH e VV do Sentinel-1 obtiveram a maior relevância na classificação (18,6%). Entre as bandas ópticas as maiores relevâncias ocorreram para as bandas Borda Vermelha e Infravermelho Médio. A partir dos atributos ópticos, a classificação obteve acurácia de 86,2%. Quando inseridos os atributos SAR mais importantes, a acurácia aumentou para 91,3%. A classe Macrófitas Emergentes (ME), correspondente à espécie Scirpus giganteus, alcançou a melhor acurácia (91%), com área estimada em 1.507 ha. Concluímos que a integração de imagens aliada ao método de classificação possibilitou identificar e delimitar a extensão das tipologias vegetais e a área total do ecossistema. Os resultados acurados demostram que esta abordagem metodológica pode ser expandida para outras áreas úmidas palustres subtropicais.Accurately mapping the boundaries of wetlands and patterns of vegetation cover is an essential step for rapid assessment and management of wetlands. The Object-Based Image Analysis (OBIA) as from machine learning and fusion of optical and radar data has advantages over other techniques for mapping vegetation cover in wetlands ecosystems. This study aims to classify vegetation cover typologies in wetlands, integrating optical and SAR images from the Sentinel-1 and 2A satellites and the Random Forest algorithm in OBIA classification, using Banhado Grande, located in the Rio Grande do Sul as a case study. As a result, the VH and VV polarizations of Sentinel-1 obtained the highest relevance in the classification (18.6%). Among the optical bands, the greatest relevance occurred for the Red Edge and Medium Infrared bands. From the optical attributes, the classification obtained an accuracy of 86.2%. When the most important SAR attributes were inserted, the accuracy increased to 91.3%. The Emergent Macrophyte (ME) class, corresponding to the species Scirpus giganteus, achieved the best accuracy of the classifier (91%), with an estimated area of 1,507 ha. We conclude that the integration of images combined with the classification method made it possible to delimit the extent of vegetation typologies and the total area of the ecosystem. Accurate results show that this methodological approach can be expanded to other subtropical palustrine wetlands.application/pdfporRevista brasileira de cartografia, Rio de Janeiro. Vol. 74, no. 1 (2022), p. 67-83Mapeamento ambientalÁreas úmidasCobertura vegetalImagens SARVegetation mapping in marshesOBIARandom ForestSentinel-1 e 2AClassificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SARObject-based classification of vegetation cover typologies in wetland, integrating optical images and SAR info:eu-repo/semantics/articleinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001137849.pdf.txt001137849.pdf.txtExtracted Texttext/plain59342http://www.lume.ufrgs.br/bitstream/10183/236062/2/001137849.pdf.txt6ad33b2ed3452264016158907de9ca6dMD52ORIGINAL001137849.pdfTexto completoapplication/pdf1188115http://www.lume.ufrgs.br/bitstream/10183/236062/1/001137849.pdf016edbc1ad5d6ee7a74fdce764fb9b37MD5110183/2360622022-12-03 06:10:12.503359oai:www.lume.ufrgs.br:10183/236062Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-12-03T08:10:12Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR
dc.title.alternative.en.fl_str_mv Object-based classification of vegetation cover typologies in wetland, integrating optical images and SAR
title Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR
spellingShingle Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR
Belloli, Tássia Fraga
Mapeamento ambiental
Áreas úmidas
Cobertura vegetal
Imagens SAR
Vegetation mapping in marshes
OBIA
Random Forest
Sentinel-1 e 2A
title_short Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR
title_full Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR
title_fullStr Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR
title_full_unstemmed Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR
title_sort Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR
author Belloli, Tássia Fraga
author_facet Belloli, Tássia Fraga
Guasselli, Laurindo Antônio
Kuplich, Tatiana Mora
Ruiz, Luis Fernando Chimelo
Simioni, João Paulo Delapasse
author_role author
author2 Guasselli, Laurindo Antônio
Kuplich, Tatiana Mora
Ruiz, Luis Fernando Chimelo
Simioni, João Paulo Delapasse
author2_role author
author
author
author
dc.contributor.author.fl_str_mv Belloli, Tássia Fraga
Guasselli, Laurindo Antônio
Kuplich, Tatiana Mora
Ruiz, Luis Fernando Chimelo
Simioni, João Paulo Delapasse
dc.subject.por.fl_str_mv Mapeamento ambiental
Áreas úmidas
Cobertura vegetal
Imagens SAR
topic Mapeamento ambiental
Áreas úmidas
Cobertura vegetal
Imagens SAR
Vegetation mapping in marshes
OBIA
Random Forest
Sentinel-1 e 2A
dc.subject.eng.fl_str_mv Vegetation mapping in marshes
OBIA
Random Forest
Sentinel-1 e 2A
description Delinear com precisão os limites das Áreas Úmidas (AUs) e os padrões de cobertura vegetal é um passo essencial para a rápida avaliação e gestão destes ecossistemas. A Análise de Imagens Baseada em Objeto (Object-Based Image Analysis - OBIA) a partir de aprendizado de máquina e da integração de dados ópticos e de radar apresentam vantagens em relação a outras técnicas no mapeamento da cobertura vegetal nos ecossistemas de AUs. Este estudo tem como objetivo classificar tipologias de cobertura vegetal em áreas úmidas, integrando imagens ópticas e SAR dos satélites Sentinel-1 e 2A e o algoritmo Random Forest à classificação OBIA, utilizando como estudo de caso o Banhado Grande, localizado no Rio Grande do Sul. Como resultados, as polarizações VH e VV do Sentinel-1 obtiveram a maior relevância na classificação (18,6%). Entre as bandas ópticas as maiores relevâncias ocorreram para as bandas Borda Vermelha e Infravermelho Médio. A partir dos atributos ópticos, a classificação obteve acurácia de 86,2%. Quando inseridos os atributos SAR mais importantes, a acurácia aumentou para 91,3%. A classe Macrófitas Emergentes (ME), correspondente à espécie Scirpus giganteus, alcançou a melhor acurácia (91%), com área estimada em 1.507 ha. Concluímos que a integração de imagens aliada ao método de classificação possibilitou identificar e delimitar a extensão das tipologias vegetais e a área total do ecossistema. Os resultados acurados demostram que esta abordagem metodológica pode ser expandida para outras áreas úmidas palustres subtropicais.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-03-22T04:38:15Z
dc.date.issued.fl_str_mv 2022
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/other
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/236062
dc.identifier.issn.pt_BR.fl_str_mv 1808-0936
dc.identifier.nrb.pt_BR.fl_str_mv 001137849
identifier_str_mv 1808-0936
001137849
url http://hdl.handle.net/10183/236062
dc.language.iso.fl_str_mv por
language por
dc.relation.ispartof.pt_BR.fl_str_mv Revista brasileira de cartografia, Rio de Janeiro. Vol. 74, no. 1 (2022), p. 67-83
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 Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/236062/2/001137849.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/236062/1/001137849.pdf
bitstream.checksum.fl_str_mv 6ad33b2ed3452264016158907de9ca6d
016edbc1ad5d6ee7a74fdce764fb9b37
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1801225051734802432

Registros relacionados