Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest

Detalhes bibliográficos
Autor(a) principal: Pacheco, Admilson da Penha
Data de Publicação: 2021
Outros Autores: da Silva Junior, Juarez Antonio
Tipo de documento: Artigo
Idioma: por
Título da fonte: Anuário do Instituto de Geociências (Online)
Texto Completo: https://revistas.ufrj.br/index.php/aigeo/article/view/36119
Resumo: O mapeamento de áreas queimadas através de imagens de sensoriamento remoto apresenta uma série de questões importantes no gerenciamento espacial de estudos de detecção de focos de calor, análise de risco de incêndio, avaliação de danos e gerenciamento de processos de regeneração florestal. Neste estudo foi apresentada uma abordagem metodológica para mapeamento de áreas de queimadas no estado do Maranhão de 2001 a 2019 a partir de dados do satélite Terra/MODIS e do Algoritmo de Classificação Binária Random Forest. A avaliação da qualidade dos mapas gerados foi realizada a partir do produto padrão NASA MCD64A1 de áreas queimadas do sensor MODIS, que resultou num Coeficiente de Determinação geral (R²) de 0,55 e Correlação de Spearman de 0,78. O modelo Random Forest com 400 árvores permitiu avaliar a banda espectral de maior contribuição na classificação, bem como os erros relacionados ao número de árvores empregado. Algumas feições de áreas queimadas foram superestimadas, apresentando elevados erros de comissão. Os resultados mostraram que esta abordagem é útil para determinar áreas queimadas derivadas de dados de satélite de órbita polar. O modelo Random Forest mostrou-se aplicável em áreas de transição entre biomas. Constatou-se uma relação não linear entre a variabilidade espaço-temporal de incêndio e o clima em ecossistemas temperados. A Metodologia estabelecida e validada neste estudo poderá ser aplicada em outras regiões de clima temperado.
id UFRJ-21_199a742e7e2243b9ced067a22cc2fe11
oai_identifier_str oai:www.revistas.ufrj.br:article/36119
network_acronym_str UFRJ-21
network_name_str Anuário do Instituto de Geociências (Online)
repository_id_str
spelling Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random ForestVegetação; Sensoriamento Remoto; IncêndiosO mapeamento de áreas queimadas através de imagens de sensoriamento remoto apresenta uma série de questões importantes no gerenciamento espacial de estudos de detecção de focos de calor, análise de risco de incêndio, avaliação de danos e gerenciamento de processos de regeneração florestal. Neste estudo foi apresentada uma abordagem metodológica para mapeamento de áreas de queimadas no estado do Maranhão de 2001 a 2019 a partir de dados do satélite Terra/MODIS e do Algoritmo de Classificação Binária Random Forest. A avaliação da qualidade dos mapas gerados foi realizada a partir do produto padrão NASA MCD64A1 de áreas queimadas do sensor MODIS, que resultou num Coeficiente de Determinação geral (R²) de 0,55 e Correlação de Spearman de 0,78. O modelo Random Forest com 400 árvores permitiu avaliar a banda espectral de maior contribuição na classificação, bem como os erros relacionados ao número de árvores empregado. Algumas feições de áreas queimadas foram superestimadas, apresentando elevados erros de comissão. Os resultados mostraram que esta abordagem é útil para determinar áreas queimadas derivadas de dados de satélite de órbita polar. O modelo Random Forest mostrou-se aplicável em áreas de transição entre biomas. Constatou-se uma relação não linear entre a variabilidade espaço-temporal de incêndio e o clima em ecossistemas temperados. A Metodologia estabelecida e validada neste estudo poderá ser aplicada em outras regiões de clima temperado.Universidade Federal do Rio de JaneiroPacheco, Admilson da Penhada Silva Junior, Juarez Antonio2021-03-04info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/view/3611910.11137/1982-3908_2021_44_36119Anuário do Instituto de Geociências; Vol 44 (2021)Anuário do Instituto de Geociências; Vol 44 (2021)1982-39080101-9759reponame:Anuário do Instituto de Geociências (Online)instname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJporhttps://revistas.ufrj.br/index.php/aigeo/article/view/36119/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12166https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12167https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12170https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12173https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12174https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12176https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12178https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12179https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12180/*ref*/Bastarrika, A.; Chuvieco, E. & Martín, M.P. 2011. Mapping burned areas from Landsat TM/ETM+ data with a two-phase algorithm: balancing omission and commission errors. Remote Sensing of Environment, 115(4): 1003-1012. DOI. 10.1016/j.rse.2010.12.005. Belgiu, M. & Drăguń, L. 2016. Random forest in remote sensing: a review of applications and future directions. Journal of Photogrammetry and Remote Sensing, 114: 24-31. DOI.10.1016/j.isprsjprs.2016.01.011. Bezerra, D.S.; Dias, B.C.C.; Rodrigues, L.H.S.; Tomaz, R.B.; Santos, A.L. & Silva Junior, C.H.L. 2018. Análise dos focos de queimadas e seus impactos no Maranhão. Revista Brasileira de Climatologia, 22: 446-462. Breiman, L. 2001. Random forests. Kluwer Academic Publishers. Manufactured in The Netherland. Machine Learning, 45: 5–32. Calle, A. & Casanova, J.L. 2015. Forest Fires and Remote Sensing. Earth Observation 9: 177-202. Carmenta, A.R.; Parry, L.; Blackburn, A.; Vermeylen, S. & Barlow, J. 2011. Understanding human-fire interactions in tropical forest regions: A case for interdisciplinary research across the natural and social sciences. Ecology and Society,16: 53–75. Chuvieco, E.; Giglio, L. & Justice, C. 2008. Global characterization of fire activity: toward defining fire regimes from earth observation data. Global Change Biology, 14(7): 1488-1502. DOI.10.1111/j.1365-2486.2008.01585.x. Chuvieco, E.; Lizundia-Loiola, J.; Pettinari, M.L.; Ramo, R.; Padilla, M.; Tansey, K.; Mouillot, F.; Laurent, P.; Storm, T. & Heil, A. 2018. Generation and analysis of a new global burned area product based on MODIS 250 m reflectance bands and thermal anomalies. Earth System Science Data, 10(4): 2015-2031. DOI.10.5194/essd-10-2015-2018. Chuvieco, E.; Mouillot, F.; Werf, G.R.V.D.; Miguel, J.S.; Tanase, M.; Koutsias, N.; García, M.; Yebra, M.; Padilla, M. & Gitas, I. 2019. Historical background and current developments for mapping burned area from Satellite Earth Observation. Remote Sensing of Environment, 225: 45-64. DOI. 10.1016/j.rse.2019.02.013. Chu, T. & Guo, X. 2014. Review Remote Sensing Techniques in Monitoring Post-Fire Effects and Patterns of Forest Recovery in Boreal Forest Regions: A Review. Remote Sensing, 6: 470-520. DOI.10.3390/rs6010470. Collins, L.; Griffioen, P.; Newell, G. & Mellor, A. 2018. The utility of Random Forests for wildfire severity mapping. Remote Sensing of Environment, 216: 374 – 384. Cutler, D.R.; Edwards, T.C.; Beard, K.H.; Cutler, A.; Hess, K.T.; Gibson, J. & Lawler, J.J. 2007. Random Forests for Classification in Ecology. Ecology, 88(11): 2783-2792. DOI.10.1890/07-0539.1. Giglio, L.; Van Der Werf, G.R.; Randerson, J.T.; Collatz, G.J. ; Kasibhatla, P.S. 2006. Global estimation of burned area using MODIS active fire observations. Atmospheric Chemistry and Physics, 6: 957−974. Guo, F.; Wang, G.; Su, Z.; Liang, H.; Wang, W.; Lin, F. & Liu, A. 2016. What drives forest fire in Fujian, China? Evidence from logistic regression and Random Forests. International of Wildland Fire, 25(5): 505-519 . Hawbaker, T.J.; Vanderhoof, M.K.; Schmidt, G.L.; Beal, Y.; Picotte, J.J.; Takacs, J.D.; Falgout, J.T. & Dwyer, J.L. 2020. The Landsat Burned Area algorithm and products for the conterminous United States. Remote Sensing of Environment, 244: 111801. DOI. 10.1016/j.rse.2020.111801. INMET. 2020. INSTITUTO NACIONAL DE METEROLOGGIA - BDMEP - Banco de Dados Meteorológicos para Ensino e Pesquisa. Disponível em: http://www.inmet.gov.br/portal/index.php?r=bdmep/bdmep. Acesso em: 05 de /março de 2020. INPE. 2020. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Monitoramento do Desmatamento da Floresta Amazônica Brasileira por Satélite. São José dos Campos. 2020. Disponível em: < http://www.obt.inpe.br/OBT/assuntos/programas/amazonia/prodes>. Acesso em: 10 de março. 2020. Klink, C.A. & Machado, R.B. 2005. Conservation of the Brazilian Cerrado. Conservation Biology, 19(3): 707-713. DOI. 10.1111/j.1523-1739.2005.00702. Libonati, R.; Dacamara, C.; Setzer, A.; Morelli, F. & Melchiori, A. 2015. An Algorithm for Burned Area Detection in the Brazilian Cerrado Using 4 µm MODIS Imagery. Remote Sensing, 7(11): 15782-15803. DOI.10.3390/rs71115782. Lizundia-Loiola, J.; Pettinari, M.L. & Chuvieco, E. 2020. Temporal Anomalies in Burned Area Trends: satellite estimations of the amazonian 2019 fire crisis. Remote Sensing, 12(1): 151-158. DOI. 10.3390/rs12010151. Maranhão. 2011. Plano de ação para prevenção e controle do desmatamento e das queimadas no estado do Maranhão. Decreto nº 27.317, de 14 de abril de 2011. Disponível em: http://www.oads.org.br/leis/2503.pdf. Acesso em: 10 de março de 2020. Masullo, G.A.Y. 2018. Análise preditiva de ocorrências de incêndios no bioma amazônico do Maranhão. GeoTextos, 14( 2): 185-211. Melchiori, E.A.; Setzer, A.W.; Morelli, F.; Libonati, R.; Candido, P. & Jesus, S.A. Landsat-Tm/Oli algorithm for burned areas in the Brazilian Cerrado—Preliminary results. In: PROCEEDINGS OF VII INTERNATIONAL CONFERENCE ON FOREST FIRE RESEARCH, Coimbra, Portugal, 17–20 November 2014. Mellor, A.; Haywood, A.; Stone, C. & Jones, S. 2013. The Performance of Random Forests in an Operational Setting for Large Area Sclerophyll Forest Classification. Remote Sensing, 5(6): 2838-2856. DOI.10.3390/rs5062838. Millard, K. & Richardson, M. 2015. On the Importance of Training Data Sample Selection in Random Forest Image Classification: a case study in peatland ecosystem mapping. Remote Sensing, 7(7): 8489-8515. DOI. 10.3390/rs70708489. MMA. 2018. MINISTÉRIO DO MEIO AMBIENTE. Análises no Cerrado. Disponível em: < http://combateaodesmatamento.mma.gov.br/analises-no-cerrado >. Acesso em: 1 jan. 2020. MODIS. 2015. Moderate Resolution Imaging Spectroradiometer Surface Reflectance - User’sGuide. NASA (USA). Disponível em: < https://modis-land.gsfc.nasa.gov/pdf/MOD09_UserGuide_v1.4.pdf>. Acesso em: 6 mar. 2020. Oertel, C.; Matschullat, J.; Zurbaa, K.; Zimmermanna, F. & Erasmi, S. 2016. Greenhouse gas emissions from soils—A review. Erde, 76: 327–352 Pereira, A.; Pereira, J.; Libonati, R.; Oom, D.; Setzer, A.; Morelli, F.; Machado-silva, F. & Carvalho, L. 2017. Burned Area Mapping in the Brazilian Savanna Using a One-Class Support Vector Machine Trained by Active Fires. Remote Sensing, 9(11): 1161. DOI.10.3390/rs9111161. Pereira, A.A.; Teixeira, R.F.; Libonati, R.; Melchiori, A.E. & Carvalho, T.M.L. 2016. Avaliação de índices espectrais para identificação de áreas queimadas no cerrado utilizando dados LANDSAT TM. Revista Brasileira de Cartografia, 8(68): 1665-1680. Pulvirenti, L.; Squicciarino, G.; Fiori, E.; Fiorucci, P.; Ferraris, L.; Negro, D.; Gollini, A.; Severino, M. & Puca, S. 2020. An Automatic Processing Chain for Near Real-Time Mapping of Burned Forest Areas Using Sentinel-2 Data. Remote Sensing, 12(4): 1-27. DOI. 10.3390/rs12040674. Ramo, R. & Chuvieco, E. 2017. Developing a Random Forest Algorithm for MODIS Global Burned Area Classification. Remote Sensing, 9(11): 1193. DOI. 10.3390/rs9111193. Ramo, R.; García, M.; Rodríguez, D. & Chuvieco, E. 2018. A data mining approach for global burned area mapping. International Journal of Applied Earth Observation And Geoinformation, 73: 39-51. DOI.10.1016/j.jag.2018.05.027. Sales, G.M.; Pereira, M.C.; Thalês, R.; Poccard-chapuis, R. & Almeida, S.A. 2019. Emprego dos focos de calor na avaliação das áreas queimadas e em incêndios florestais em Paragominas, Pará, Brasil. Boletim do Museu Paraense Emílio Goeldi, 14(1): 55-77. Disponível em: < https://boletimcn.museu-goeldi.br/bcnaturais/article/view/140 >. Acesso em: 22 mai. 2020. Tanase, M.A.; Belenguer-Plomer, M.A.; Roteta, E.; Bastarrika, A.; Wheeler, J.; Fernández-Carrillo, Á.; Tansey, K.; Wiedemann, W.; Navratil, P. & Lohberge, R.S. 2020. Burned Area Detection and Mapping: intercomparison of sentinel-1 and sentinel-2 based algorithms over tropical Africa. Remote Sensing, 12(2): 334. 10.3390/rs12020334. Tian, S.; Zhang, X.; Tian, J. & Sun, Q. 2016. Random Forest Classification of Wetland Landcovers from Multi-Sensor Data in the Arid Region of Xinjiang, China. Remote Sensing, 8(11): 954. DOI. 10.3390/rs8110954. USGS. 2020. United States Geological Survey. Disponível em: <https://lpdaac.usgs.gov/products/mcd64a1v006/. Acesso em: 20 de maio de 2020. Wilks, D.S. Statistical Methods in the Atmospheric Sciences. Cambridge: Academic Press, 2011.704 p. Yao, J.; Raffuse, S.M; Brauer, M.; Williamson, J.; Bowman, D.M.J.S.; Johnston, H. & Henderson, S.B. 2018. Predicting the minimum height of forest fire smoke within the atmosphere using machine learning and data from the CALIPSO satellite. Remote Sensing of Environment, 206(1): 98-106.Copyright (c) 2021 Anuário do Instituto de Geociênciashttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2021-05-17T20:24:58Zoai:www.revistas.ufrj.br:article/36119Revistahttps://revistas.ufrj.br/index.php/aigeo/indexPUBhttps://revistas.ufrj.br/index.php/aigeo/oaianuario@igeo.ufrj.br||1982-39080101-9759opendoar:2021-05-17T20:24:58Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
title Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
spellingShingle Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
Pacheco, Admilson da Penha
Vegetação; Sensoriamento Remoto; Incêndios
title_short Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
title_full Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
title_fullStr Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
title_full_unstemmed Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
title_sort Análise Espaço-Temporal de Áreas de Queimadas no Estado do Maranhão a partir de Imagens MODIS e Classificação Random Forest
author Pacheco, Admilson da Penha
author_facet Pacheco, Admilson da Penha
da Silva Junior, Juarez Antonio
author_role author
author2 da Silva Junior, Juarez Antonio
author2_role author
dc.contributor.none.fl_str_mv
dc.contributor.author.fl_str_mv Pacheco, Admilson da Penha
da Silva Junior, Juarez Antonio
dc.subject.por.fl_str_mv Vegetação; Sensoriamento Remoto; Incêndios
topic Vegetação; Sensoriamento Remoto; Incêndios
description O mapeamento de áreas queimadas através de imagens de sensoriamento remoto apresenta uma série de questões importantes no gerenciamento espacial de estudos de detecção de focos de calor, análise de risco de incêndio, avaliação de danos e gerenciamento de processos de regeneração florestal. Neste estudo foi apresentada uma abordagem metodológica para mapeamento de áreas de queimadas no estado do Maranhão de 2001 a 2019 a partir de dados do satélite Terra/MODIS e do Algoritmo de Classificação Binária Random Forest. A avaliação da qualidade dos mapas gerados foi realizada a partir do produto padrão NASA MCD64A1 de áreas queimadas do sensor MODIS, que resultou num Coeficiente de Determinação geral (R²) de 0,55 e Correlação de Spearman de 0,78. O modelo Random Forest com 400 árvores permitiu avaliar a banda espectral de maior contribuição na classificação, bem como os erros relacionados ao número de árvores empregado. Algumas feições de áreas queimadas foram superestimadas, apresentando elevados erros de comissão. Os resultados mostraram que esta abordagem é útil para determinar áreas queimadas derivadas de dados de satélite de órbita polar. O modelo Random Forest mostrou-se aplicável em áreas de transição entre biomas. Constatou-se uma relação não linear entre a variabilidade espaço-temporal de incêndio e o clima em ecossistemas temperados. A Metodologia estabelecida e validada neste estudo poderá ser aplicada em outras regiões de clima temperado.
publishDate 2021
dc.date.none.fl_str_mv 2021-03-04
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://revistas.ufrj.br/index.php/aigeo/article/view/36119
10.11137/1982-3908_2021_44_36119
url https://revistas.ufrj.br/index.php/aigeo/article/view/36119
identifier_str_mv 10.11137/1982-3908_2021_44_36119
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/36119/pdf
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12166
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12167
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12170
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12173
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12174
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12176
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12178
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12179
https://revistas.ufrj.br/index.php/aigeo/article/downloadSuppFile/36119/12180
/*ref*/Bastarrika, A.; Chuvieco, E. & Martín, M.P. 2011. Mapping burned areas from Landsat TM/ETM+ data with a two-phase algorithm: balancing omission and commission errors. Remote Sensing of Environment, 115(4): 1003-1012. DOI. 10.1016/j.rse.2010.12.005. Belgiu, M. & Drăguń, L. 2016. Random forest in remote sensing: a review of applications and future directions. Journal of Photogrammetry and Remote Sensing, 114: 24-31. DOI.10.1016/j.isprsjprs.2016.01.011. Bezerra, D.S.; Dias, B.C.C.; Rodrigues, L.H.S.; Tomaz, R.B.; Santos, A.L. & Silva Junior, C.H.L. 2018. Análise dos focos de queimadas e seus impactos no Maranhão. Revista Brasileira de Climatologia, 22: 446-462. Breiman, L. 2001. Random forests. Kluwer Academic Publishers. Manufactured in The Netherland. Machine Learning, 45: 5–32. Calle, A. & Casanova, J.L. 2015. Forest Fires and Remote Sensing. Earth Observation 9: 177-202. Carmenta, A.R.; Parry, L.; Blackburn, A.; Vermeylen, S. & Barlow, J. 2011. Understanding human-fire interactions in tropical forest regions: A case for interdisciplinary research across the natural and social sciences. Ecology and Society,16: 53–75. Chuvieco, E.; Giglio, L. & Justice, C. 2008. Global characterization of fire activity: toward defining fire regimes from earth observation data. Global Change Biology, 14(7): 1488-1502. DOI.10.1111/j.1365-2486.2008.01585.x. Chuvieco, E.; Lizundia-Loiola, J.; Pettinari, M.L.; Ramo, R.; Padilla, M.; Tansey, K.; Mouillot, F.; Laurent, P.; Storm, T. & Heil, A. 2018. Generation and analysis of a new global burned area product based on MODIS 250 m reflectance bands and thermal anomalies. Earth System Science Data, 10(4): 2015-2031. DOI.10.5194/essd-10-2015-2018. Chuvieco, E.; Mouillot, F.; Werf, G.R.V.D.; Miguel, J.S.; Tanase, M.; Koutsias, N.; García, M.; Yebra, M.; Padilla, M. & Gitas, I. 2019. Historical background and current developments for mapping burned area from Satellite Earth Observation. Remote Sensing of Environment, 225: 45-64. DOI. 10.1016/j.rse.2019.02.013. Chu, T. & Guo, X. 2014. Review Remote Sensing Techniques in Monitoring Post-Fire Effects and Patterns of Forest Recovery in Boreal Forest Regions: A Review. Remote Sensing, 6: 470-520. DOI.10.3390/rs6010470. Collins, L.; Griffioen, P.; Newell, G. & Mellor, A. 2018. The utility of Random Forests for wildfire severity mapping. Remote Sensing of Environment, 216: 374 – 384. Cutler, D.R.; Edwards, T.C.; Beard, K.H.; Cutler, A.; Hess, K.T.; Gibson, J. & Lawler, J.J. 2007. Random Forests for Classification in Ecology. Ecology, 88(11): 2783-2792. DOI.10.1890/07-0539.1. Giglio, L.; Van Der Werf, G.R.; Randerson, J.T.; Collatz, G.J. ; Kasibhatla, P.S. 2006. Global estimation of burned area using MODIS active fire observations. Atmospheric Chemistry and Physics, 6: 957−974. Guo, F.; Wang, G.; Su, Z.; Liang, H.; Wang, W.; Lin, F. & Liu, A. 2016. What drives forest fire in Fujian, China? Evidence from logistic regression and Random Forests. International of Wildland Fire, 25(5): 505-519 . Hawbaker, T.J.; Vanderhoof, M.K.; Schmidt, G.L.; Beal, Y.; Picotte, J.J.; Takacs, J.D.; Falgout, J.T. & Dwyer, J.L. 2020. The Landsat Burned Area algorithm and products for the conterminous United States. Remote Sensing of Environment, 244: 111801. DOI. 10.1016/j.rse.2020.111801. INMET. 2020. INSTITUTO NACIONAL DE METEROLOGGIA - BDMEP - Banco de Dados Meteorológicos para Ensino e Pesquisa. Disponível em: http://www.inmet.gov.br/portal/index.php?r=bdmep/bdmep. Acesso em: 05 de /março de 2020. INPE. 2020. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Monitoramento do Desmatamento da Floresta Amazônica Brasileira por Satélite. São José dos Campos. 2020. Disponível em: < http://www.obt.inpe.br/OBT/assuntos/programas/amazonia/prodes>. Acesso em: 10 de março. 2020. Klink, C.A. & Machado, R.B. 2005. Conservation of the Brazilian Cerrado. Conservation Biology, 19(3): 707-713. DOI. 10.1111/j.1523-1739.2005.00702. Libonati, R.; Dacamara, C.; Setzer, A.; Morelli, F. & Melchiori, A. 2015. An Algorithm for Burned Area Detection in the Brazilian Cerrado Using 4 µm MODIS Imagery. Remote Sensing, 7(11): 15782-15803. DOI.10.3390/rs71115782. Lizundia-Loiola, J.; Pettinari, M.L. & Chuvieco, E. 2020. Temporal Anomalies in Burned Area Trends: satellite estimations of the amazonian 2019 fire crisis. Remote Sensing, 12(1): 151-158. DOI. 10.3390/rs12010151. Maranhão. 2011. Plano de ação para prevenção e controle do desmatamento e das queimadas no estado do Maranhão. Decreto nº 27.317, de 14 de abril de 2011. Disponível em: http://www.oads.org.br/leis/2503.pdf. Acesso em: 10 de março de 2020. Masullo, G.A.Y. 2018. Análise preditiva de ocorrências de incêndios no bioma amazônico do Maranhão. GeoTextos, 14( 2): 185-211. Melchiori, E.A.; Setzer, A.W.; Morelli, F.; Libonati, R.; Candido, P. & Jesus, S.A. Landsat-Tm/Oli algorithm for burned areas in the Brazilian Cerrado—Preliminary results. In: PROCEEDINGS OF VII INTERNATIONAL CONFERENCE ON FOREST FIRE RESEARCH, Coimbra, Portugal, 17–20 November 2014. Mellor, A.; Haywood, A.; Stone, C. & Jones, S. 2013. The Performance of Random Forests in an Operational Setting for Large Area Sclerophyll Forest Classification. Remote Sensing, 5(6): 2838-2856. DOI.10.3390/rs5062838. Millard, K. & Richardson, M. 2015. On the Importance of Training Data Sample Selection in Random Forest Image Classification: a case study in peatland ecosystem mapping. Remote Sensing, 7(7): 8489-8515. DOI. 10.3390/rs70708489. MMA. 2018. MINISTÉRIO DO MEIO AMBIENTE. Análises no Cerrado. Disponível em: < http://combateaodesmatamento.mma.gov.br/analises-no-cerrado >. Acesso em: 1 jan. 2020. MODIS. 2015. Moderate Resolution Imaging Spectroradiometer Surface Reflectance - User’sGuide. NASA (USA). Disponível em: < https://modis-land.gsfc.nasa.gov/pdf/MOD09_UserGuide_v1.4.pdf>. Acesso em: 6 mar. 2020. Oertel, C.; Matschullat, J.; Zurbaa, K.; Zimmermanna, F. & Erasmi, S. 2016. Greenhouse gas emissions from soils—A review. Erde, 76: 327–352 Pereira, A.; Pereira, J.; Libonati, R.; Oom, D.; Setzer, A.; Morelli, F.; Machado-silva, F. & Carvalho, L. 2017. Burned Area Mapping in the Brazilian Savanna Using a One-Class Support Vector Machine Trained by Active Fires. Remote Sensing, 9(11): 1161. DOI.10.3390/rs9111161. Pereira, A.A.; Teixeira, R.F.; Libonati, R.; Melchiori, A.E. & Carvalho, T.M.L. 2016. Avaliação de índices espectrais para identificação de áreas queimadas no cerrado utilizando dados LANDSAT TM. Revista Brasileira de Cartografia, 8(68): 1665-1680. Pulvirenti, L.; Squicciarino, G.; Fiori, E.; Fiorucci, P.; Ferraris, L.; Negro, D.; Gollini, A.; Severino, M. & Puca, S. 2020. An Automatic Processing Chain for Near Real-Time Mapping of Burned Forest Areas Using Sentinel-2 Data. Remote Sensing, 12(4): 1-27. DOI. 10.3390/rs12040674. Ramo, R. & Chuvieco, E. 2017. Developing a Random Forest Algorithm for MODIS Global Burned Area Classification. Remote Sensing, 9(11): 1193. DOI. 10.3390/rs9111193. Ramo, R.; García, M.; Rodríguez, D. & Chuvieco, E. 2018. A data mining approach for global burned area mapping. International Journal of Applied Earth Observation And Geoinformation, 73: 39-51. DOI.10.1016/j.jag.2018.05.027. Sales, G.M.; Pereira, M.C.; Thalês, R.; Poccard-chapuis, R. & Almeida, S.A. 2019. Emprego dos focos de calor na avaliação das áreas queimadas e em incêndios florestais em Paragominas, Pará, Brasil. Boletim do Museu Paraense Emílio Goeldi, 14(1): 55-77. Disponível em: < https://boletimcn.museu-goeldi.br/bcnaturais/article/view/140 >. Acesso em: 22 mai. 2020. Tanase, M.A.; Belenguer-Plomer, M.A.; Roteta, E.; Bastarrika, A.; Wheeler, J.; Fernández-Carrillo, Á.; Tansey, K.; Wiedemann, W.; Navratil, P. & Lohberge, R.S. 2020. Burned Area Detection and Mapping: intercomparison of sentinel-1 and sentinel-2 based algorithms over tropical Africa. Remote Sensing, 12(2): 334. 10.3390/rs12020334. Tian, S.; Zhang, X.; Tian, J. & Sun, Q. 2016. Random Forest Classification of Wetland Landcovers from Multi-Sensor Data in the Arid Region of Xinjiang, China. Remote Sensing, 8(11): 954. DOI. 10.3390/rs8110954. USGS. 2020. United States Geological Survey. Disponível em: <https://lpdaac.usgs.gov/products/mcd64a1v006/. Acesso em: 20 de maio de 2020. Wilks, D.S. Statistical Methods in the Atmospheric Sciences. Cambridge: Academic Press, 2011.704 p. Yao, J.; Raffuse, S.M; Brauer, M.; Williamson, J.; Bowman, D.M.J.S.; Johnston, H. & Henderson, S.B. 2018. Predicting the minimum height of forest fire smoke within the atmosphere using machine learning and data from the CALIPSO satellite. Remote Sensing of Environment, 206(1): 98-106.
dc.rights.driver.fl_str_mv Copyright (c) 2021 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2021 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.source.none.fl_str_mv Anuário do Instituto de Geociências; Vol 44 (2021)
Anuário do Instituto de Geociências; Vol 44 (2021)
1982-3908
0101-9759
reponame:Anuário do Instituto de Geociências (Online)
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Anuário do Instituto de Geociências (Online)
collection Anuário do Instituto de Geociências (Online)
repository.name.fl_str_mv Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv anuario@igeo.ufrj.br||
_version_ 1797053541696667648