Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro

Detalhes bibliográficos
Autor(a) principal: Cho, Davi Fernando
Data de Publicação: 2021
Outros Autores: Schwaida, Samuel Fernando, Cicerelli, Rejane Ennes, Almeida, Tati, Ramos, Ana Paula Marques, Sano, Edson Eyji
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/37979
Resumo: O Cerrado é um ecossistema altamente diversificado e fornece habitat para muitas espécies, porém, vem sofrendo degradação acentuada nas últimas décadas devido à expansão da produção de commodities agrícolas. Esse cenário reforça a necessidade de contínuo monitoramento das mudanças de uso e cobertura do solo, seja com foco na produção agrícola ambientalmente sustentável ou no entendimento do mercado. Recentemente, os algoritmos de aprendizagem de máquina têm se concretizado como uma abordagem promissora e inovadora para processamento de dados de sensoriamento remoto. Assim, esse trabalho teve por objetivo avaliar o potencial do algoritmo de classificação de imagens Random Forest para o mapeamento e classificação do uso e cobertura do solo no Cerrado Brasileiro. A área de estudo selecionada foram os municípios de Natividade, Chapada da Natividade e São Valério da Natividade, no estado do Tocantins. Os materiais básicos deste estudo foram o modelo digital de elevação produzido pela missão Shuttle Radar Topography Mission (SRTM), as imagens de luzes noturnas obtidas pelo sensor Visible Infrared Imaging Radiometer Suite (VIIRS) e as imagens multiespectrais do satélite Landsat-8 Operational Land Imager (OLI), adquiridas entre os meses de maio a outubro de 2013. Todas as análises foram realizadas na plataforma Google Earth Engine que permite processamento de dados em nuvem. Foi gerado um cubo de imagens contendo 38 camadas que foram classificadas pelo algoritmo Random Forest, com 500 árvores de decisão. Para o treinamento do classificador, foram utilizados pontos aleatórios de cada classe de mapeamento do projeto TerraClass Cerrado 2013. Considerando o mapeamento do TerraClass Cerrado 2013 como verdade terrestre, obteve-se um índice Kappa de 0,64. Houve superestimação expressiva da classe ‘agricultura anual’ e ‘área urbana’. A metodologia proposta apresentou um bom potencial como uma alternativa de menor custo e tempo para o mapeamento do uso e cobertura do solo do Cerrado.
id UFRJ-21_5da805caf6af83a5eb392b35c43506ef
oai_identifier_str oai:www.revistas.ufrj.br:article/37979
network_acronym_str UFRJ-21
network_name_str Anuário do Instituto de Geociências (Online)
repository_id_str
spelling Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado BrasileiroGeotecnologias; Machine learning; Processamento em NuvemO Cerrado é um ecossistema altamente diversificado e fornece habitat para muitas espécies, porém, vem sofrendo degradação acentuada nas últimas décadas devido à expansão da produção de commodities agrícolas. Esse cenário reforça a necessidade de contínuo monitoramento das mudanças de uso e cobertura do solo, seja com foco na produção agrícola ambientalmente sustentável ou no entendimento do mercado. Recentemente, os algoritmos de aprendizagem de máquina têm se concretizado como uma abordagem promissora e inovadora para processamento de dados de sensoriamento remoto. Assim, esse trabalho teve por objetivo avaliar o potencial do algoritmo de classificação de imagens Random Forest para o mapeamento e classificação do uso e cobertura do solo no Cerrado Brasileiro. A área de estudo selecionada foram os municípios de Natividade, Chapada da Natividade e São Valério da Natividade, no estado do Tocantins. Os materiais básicos deste estudo foram o modelo digital de elevação produzido pela missão Shuttle Radar Topography Mission (SRTM), as imagens de luzes noturnas obtidas pelo sensor Visible Infrared Imaging Radiometer Suite (VIIRS) e as imagens multiespectrais do satélite Landsat-8 Operational Land Imager (OLI), adquiridas entre os meses de maio a outubro de 2013. Todas as análises foram realizadas na plataforma Google Earth Engine que permite processamento de dados em nuvem. Foi gerado um cubo de imagens contendo 38 camadas que foram classificadas pelo algoritmo Random Forest, com 500 árvores de decisão. Para o treinamento do classificador, foram utilizados pontos aleatórios de cada classe de mapeamento do projeto TerraClass Cerrado 2013. Considerando o mapeamento do TerraClass Cerrado 2013 como verdade terrestre, obteve-se um índice Kappa de 0,64. Houve superestimação expressiva da classe ‘agricultura anual’ e ‘área urbana’. A metodologia proposta apresentou um bom potencial como uma alternativa de menor custo e tempo para o mapeamento do uso e cobertura do solo do Cerrado.Universidade Federal do Rio de JaneiroCAPESCho, Davi FernandoSchwaida, Samuel FernandoCicerelli, Rejane EnnesAlmeida, TatiRamos, Ana Paula MarquesSano, Edson Eyji2021-08-31info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/view/3797910.11137/1982-3908_2021_44_37979Anuário 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/37979/pdf/*ref*/Alencar, A., Shimbo, J.Z., Lenti, F., Marques, C.B., Zimbres, B., Rosa, M., Arruda, V., Castro, I., Ribeiro, J.P.F.M., Varela, V., Alencar, I., Piontekowski, V., Ribeiro, V., Bustamante, M.M.C., Sano, E.E. & Barroso, M. 2020, ‘Mapping three decades of changes in the brazilian savanna native vegetation using landsat data processed in the google earth engine platform’, Remote Sensing, vol. 12, no. 6, p. 924. Belgiu, M. & Drăgu, L. 2016, ‘Random forest in remote sensing: A review of applications and future directions’, ISPRS Journal of Photogrammetry and Remote Sensing, vol. 114, pp. 24–31. Brasil 2015, ‘Mapeamento do Uso e Cobertura do Cerrado: Projeto TerraClass Cerrado 2013’, Ministério do Meio Ambiente, Brasília, DF, p. 67. Brasil 2016, Projeto GEF Pró-espécies, viewed 12 August 2019, <https://antigo.mma.gov.br/biodiversidade/economia-dos-ecossistemas-e-da-biodiversidade/item/11642-projeto-gef-pró-espécies.html>. Breiman, L. 2001, ‘Random Forests’, Machine Learning, vol. 45, no. 1, pp. 5–32. Campos, L.J.M., Costa, R.V. da, Almeida, R.E.M. de, Evangelista, B.A., Simon, J., Silva, K.J.N. da, Pereira, A.A. & Evaristo, A.B. 2019, Boletim de Pesquisa e Desenvolvimento: Produtividade de cultivares de soja em três ambientes do Tocantins, Londrina. Chelotti, G.B. 2017, ‘Mapeamento de uso do solo da bacia hidrográfica do Alto Descoberto, no Distrito Federal, por meio de classificação orientada a objetos com base em imagem do satélite Landsat 8 e softwares livres’, Revista Brasileira de Geomática, vol. 5, no. 2, p. 172. Deines, J.M., Kendall, A.D., Crowley, M.A., Rapp, J., Cardille, J.A. & Hyndman, D.W. 2019, ‘Mapping three decades of annual irrigation across the US High Plains Aquifer using Landsat and Google Earth Engine’, Remote Sensing of Environment, vol. 233. Ferraz, E.M. 2009, ‘A cirurgia segura: uma exigência do século XXI’, Revista do Colégio Brasileiro de Cirurgiões, vol. 36, no. 4, pp. 281–2. Gao, B.C. 1996, ‘NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space’, Remote Sensing of Environment, vol. 58, no. 3, pp. 257–66. Garcia, J.R. & Filho, J.E.R.V. 2018, ‘O papel da dimensão ambiental na ocupação do MATOPIBA’, Confins, no. 35. Google 2019, Google Earth Engine User Summit 2018, viewed 3 June 2019, <https://sites.google.com/earthoutreach.org/eeus2018/home?authuser=0>. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D. & Moore, R. 2017, ‘Google Earth Engine: Planetary-scale geospatial analysis for everyone’, Remote Sensing of Environment, vol. 202, pp. 18–27. Grande, T.O., Almeida, T. & Cicerelli, R.E. 2016, ‘Classificação orientada a objeto em associação às ferramentas reflectância acumulada e mineração de dados’, Pesquisa Agropecuaria Brasileira, vol. 51, no. 12, pp. 1983–91. Grande, T.O., Aguiar, L.M.S. & Machado, R.B. 2020, ‘Heating a biodiversity hotspot: connectivity is more important than remaining habitat’, Landscape Ecology, vol. 35, no. 3, pp. 639–57. Guerra, J.B., Schultz, B. & Sanches, I.D. 2017, ‘Mapeamento automático da expansão da agricultura anual no MATOPIBA entre 2002 e 2015 utilizando a plataforma Google Earth Engine’, Anais do XVIII Simpósio Brasileiro de Sensoriamento Remoto -SBSR, Santos - SP, pp. 6850–7. Han, J., Kamber, M. & Pei, J. 2012, Data Mining: Concepts and Techniques, Data Mining: Concepts and Techniques, Elsevier. Hashem, I.A.T., Yaqoob, I., Anuar, N.B., Mokhtar, S., Gani, A. & Ullah Khan, S. 2015, ‘The rise of “big data” on cloud computing: Review and open research issues’, Information Systems, vol. 47, pp. 98–115. Huang, H., Chen, Y., Clinton, N., Wang, J., Wang, X., Liu, C., Gong, P., Yang, J., Bai, Y., Zheng, Y. & Zhu, Z. 2017, ‘Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine’, Remote Sensing of Environment, vol. 202, pp. 166–76. Instituto Brasileiro de Geografia e Estatística 2020, Conheça cidade e estados do Brasil, viewed 29 August 2020, <https://cidades.ibge.gov.br/>. Instituto Nacional de Meteorologia 2020, BDMEP - DADOS HISTÓRICOS, viewed 15 January 2021, <https://portal.inmet.gov.br/servicos/bdmep-dados-hist%25C3%25B3ricos/>. Klink, C. & Machado, R. 2005, ‘A conservação do Cerrado brasileiro’, Megadiversidade, vol. 1, no. 2, pp. 43–51. Landis, J.R. & Koch, G.G. 1977, ‘An Application of Hierarchical Kappa-type Statistics in the Assessment of Majority Agreement among Multiple Observers’, Biometrics, vol. 33, no. 2, p. 363. Mapbiomas 2019, Coleção v4.1 da série anual de mapas de cobertura e uso de solo do Brasil. McFeeters, S.K. 1996, ‘The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features’, International Journal of Remote Sensing, vol. 17, no. 7, pp. 1425–32. Nascimento, E.R.P. & Sano, E.E. 2010, ‘Identificação de Cerrado Rupestre por meio de imagens multitemporais do Landsat: proposta metodológica’, Sociedade & Natureza, vol. 22, no. 1, pp. 93–106. Nunes, J.F. & Roig, H.L. 2015, ‘Análise e mapeamento do uso e ocupação do solo da bacia do alto do descoberto, DF/GO, por meio de classificação automática baseada em regras e lógica nebulosa’, Revista Arvore, vol. 39, no. 1, pp. 25–36. Parente, L. & Ferreira, L. 2018, ‘Assessing the Spatial and Occupation Dynamics of the Brazilian Pasturelands Based on the Automated Classification of MODIS Images from 2000 to 2016’, Remote Sensing, vol. 10, no. 4, p. 606. Sano, E.E., Ferreira, L.G., Asner, G.P. & Steinke, E.T. 2007, ‘Spatial and temporal probabilities of obtaining cloud-free Landsat images over the Brazilian tropical savanna’, International Journal of Remote Sensing, vol. 28, no. 12, pp. 2739–52. Sano, E.E., Rosa, R., Scaramuzza, C.A. de M., Adami, M., Bolfe, E.L., Coutinho, A.C., Esquerdo, J.C.D.M., Maurano, L.E.P., Narvaes, I. da S., Filho, F.J.B. de O., da Silva, E.B., Victoria, D. de C., Ferreira, L.G., Brito, J.L.S., Bayma, A.P., de Oliveira, G.H. & Bayma-Silva, G. 2019, ‘Land use dynamics in the Brazilian Cerrado in the period from 2002 to 2013’, Pesquisa Agropecuaria Brasileira, vol. 54. Secretaria do Planejamento e Orçamento do Governo do Tocantins n.d., ‘Perfil socioeconômico dos municípios’, 2017, viewed 11 June 2019, <http://www.sefaz.to.gov.br/estatistica/estatistica/indicadores-socioeconomicos/estatistica/indicadores-socioeconomicos/versao-2017/>. Sharma, R.C., Tateishi, R., Hara, K., Gharechelou, S. & Iizuka, K. 2016, ‘Global mapping of urban built-up areas of year 2014 by combining MODIS multispectral data with VIIRS nighttime light data’, International Journal of Digital Earth, vol. 9, no. 10, pp. 1004–20. Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A. & Skakun, S. 2017, ‘Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping’, Frontiers in Earth Science, vol. 5. Souza, C.M., Shimbo, J.Z., Rosa, M.R., Parente, L.L., Alencar, A.A., Rudorff, B.F.T., Hasenack, H., Matsumoto, M., Ferreira, L.G., Souza-Filho, P.W.M., de Oliveira, S.W., Rocha, W.F., Fonseca, A. V., Marques, C.B., Diniz, C.G., Costa, D., Monteiro, D., Rosa, E.R., Vélez-Martin, E., Weber, E.J., Lenti, F.E.B., Paternost, F.F., Pareyn, F.G.C., Siqueira, J. V., Viera, J.L., Neto, L.C.F., Saraiva, M.M., Sales, M.H., Salgado, M.P.G., Vasconcelos, R., Galano, S., Mesquita, V. V. & Azevedo, T. 2020, ‘Reconstructing three decades of land use and land cover changes in Brazilian biomes with landsat archive and earth engine’, Remote Sensing, vol. 12, no. 17, p. 2735. Spera, S.A., Galford, G.L., Coe, M.T., Macedo, M.N. & Mustard, J.F. 2016, ‘Land-use change affects water recycling in Brazil’s last agricultural frontier’, Global change biology, vol. 22, no. 10, pp. 3405–13. Vieira, R.R.S., Ribeiro, B.R., Resende, F.M., Brum, F.T., Machado, N., Sales, L.P., Macedo, L., Soares-Filho, B. & Loyola, R. 2018, ‘Compliance to Brazil’s Forest Code will not protect biodiversity and ecosystem services’, Diversity and Distributions, vol. 24, no. 4, pp. 434–8. Wang, R., Wan, B., Guo, Q., Hu, M. & Zhou, S. 2017, ‘Mapping regional urban extent using NPP-VIIRS DNB and MODIS NDVI data’, Remote Sensing, vol. 9, no. 8. Wang, L., Diao, C., Xian, G., Yin, D., Lu, Y., Zou, S. & Erickson, T.A. 2020, ‘A summary of the special issue on remote sensing of land change science with Google earth engine’, Remote Sensing of Environment, vol. 248, no. July. Yang, C., Xu, Y. & Nebert, D. 2013, ‘Redefining the possibility of digital Earth and geosciences with spatial cloud computing’, International Journal of Digital Earth, vol. 6, no. 4, pp. 297–312. Yang, C., Huang, Q., Li, Z., Liu, K. & Hu, F. 2017, ‘Big Data and cloud computing: innovation opportunities and challenges’, International Journal of Digital Earth, vol. 10, no. 1, pp. 13–53.Copyright (c) 2021 Anuário do Instituto de Geociênciashttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2021-08-31T15:38:51Zoai:www.revistas.ufrj.br:article/37979Revistahttps://revistas.ufrj.br/index.php/aigeo/indexPUBhttps://revistas.ufrj.br/index.php/aigeo/oaianuario@igeo.ufrj.br||1982-39080101-9759opendoar:2021-08-31T15:38:51Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro
title Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro
spellingShingle Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro
Cho, Davi Fernando
Geotecnologias; Machine learning; Processamento em Nuvem
title_short Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro
title_full Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro
title_fullStr Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro
title_full_unstemmed Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro
title_sort Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro
author Cho, Davi Fernando
author_facet Cho, Davi Fernando
Schwaida, Samuel Fernando
Cicerelli, Rejane Ennes
Almeida, Tati
Ramos, Ana Paula Marques
Sano, Edson Eyji
author_role author
author2 Schwaida, Samuel Fernando
Cicerelli, Rejane Ennes
Almeida, Tati
Ramos, Ana Paula Marques
Sano, Edson Eyji
author2_role author
author
author
author
author
dc.contributor.none.fl_str_mv CAPES
dc.contributor.author.fl_str_mv Cho, Davi Fernando
Schwaida, Samuel Fernando
Cicerelli, Rejane Ennes
Almeida, Tati
Ramos, Ana Paula Marques
Sano, Edson Eyji
dc.subject.por.fl_str_mv Geotecnologias; Machine learning; Processamento em Nuvem
topic Geotecnologias; Machine learning; Processamento em Nuvem
description O Cerrado é um ecossistema altamente diversificado e fornece habitat para muitas espécies, porém, vem sofrendo degradação acentuada nas últimas décadas devido à expansão da produção de commodities agrícolas. Esse cenário reforça a necessidade de contínuo monitoramento das mudanças de uso e cobertura do solo, seja com foco na produção agrícola ambientalmente sustentável ou no entendimento do mercado. Recentemente, os algoritmos de aprendizagem de máquina têm se concretizado como uma abordagem promissora e inovadora para processamento de dados de sensoriamento remoto. Assim, esse trabalho teve por objetivo avaliar o potencial do algoritmo de classificação de imagens Random Forest para o mapeamento e classificação do uso e cobertura do solo no Cerrado Brasileiro. A área de estudo selecionada foram os municípios de Natividade, Chapada da Natividade e São Valério da Natividade, no estado do Tocantins. Os materiais básicos deste estudo foram o modelo digital de elevação produzido pela missão Shuttle Radar Topography Mission (SRTM), as imagens de luzes noturnas obtidas pelo sensor Visible Infrared Imaging Radiometer Suite (VIIRS) e as imagens multiespectrais do satélite Landsat-8 Operational Land Imager (OLI), adquiridas entre os meses de maio a outubro de 2013. Todas as análises foram realizadas na plataforma Google Earth Engine que permite processamento de dados em nuvem. Foi gerado um cubo de imagens contendo 38 camadas que foram classificadas pelo algoritmo Random Forest, com 500 árvores de decisão. Para o treinamento do classificador, foram utilizados pontos aleatórios de cada classe de mapeamento do projeto TerraClass Cerrado 2013. Considerando o mapeamento do TerraClass Cerrado 2013 como verdade terrestre, obteve-se um índice Kappa de 0,64. Houve superestimação expressiva da classe ‘agricultura anual’ e ‘área urbana’. A metodologia proposta apresentou um bom potencial como uma alternativa de menor custo e tempo para o mapeamento do uso e cobertura do solo do Cerrado.
publishDate 2021
dc.date.none.fl_str_mv 2021-08-31
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/37979
10.11137/1982-3908_2021_44_37979
url https://revistas.ufrj.br/index.php/aigeo/article/view/37979
identifier_str_mv 10.11137/1982-3908_2021_44_37979
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/37979/pdf
/*ref*/Alencar, A., Shimbo, J.Z., Lenti, F., Marques, C.B., Zimbres, B., Rosa, M., Arruda, V., Castro, I., Ribeiro, J.P.F.M., Varela, V., Alencar, I., Piontekowski, V., Ribeiro, V., Bustamante, M.M.C., Sano, E.E. & Barroso, M. 2020, ‘Mapping three decades of changes in the brazilian savanna native vegetation using landsat data processed in the google earth engine platform’, Remote Sensing, vol. 12, no. 6, p. 924. Belgiu, M. & Drăgu, L. 2016, ‘Random forest in remote sensing: A review of applications and future directions’, ISPRS Journal of Photogrammetry and Remote Sensing, vol. 114, pp. 24–31. Brasil 2015, ‘Mapeamento do Uso e Cobertura do Cerrado: Projeto TerraClass Cerrado 2013’, Ministério do Meio Ambiente, Brasília, DF, p. 67. Brasil 2016, Projeto GEF Pró-espécies, viewed 12 August 2019, <https://antigo.mma.gov.br/biodiversidade/economia-dos-ecossistemas-e-da-biodiversidade/item/11642-projeto-gef-pró-espécies.html>. Breiman, L. 2001, ‘Random Forests’, Machine Learning, vol. 45, no. 1, pp. 5–32. Campos, L.J.M., Costa, R.V. da, Almeida, R.E.M. de, Evangelista, B.A., Simon, J., Silva, K.J.N. da, Pereira, A.A. & Evaristo, A.B. 2019, Boletim de Pesquisa e Desenvolvimento: Produtividade de cultivares de soja em três ambientes do Tocantins, Londrina. Chelotti, G.B. 2017, ‘Mapeamento de uso do solo da bacia hidrográfica do Alto Descoberto, no Distrito Federal, por meio de classificação orientada a objetos com base em imagem do satélite Landsat 8 e softwares livres’, Revista Brasileira de Geomática, vol. 5, no. 2, p. 172. Deines, J.M., Kendall, A.D., Crowley, M.A., Rapp, J., Cardille, J.A. & Hyndman, D.W. 2019, ‘Mapping three decades of annual irrigation across the US High Plains Aquifer using Landsat and Google Earth Engine’, Remote Sensing of Environment, vol. 233. Ferraz, E.M. 2009, ‘A cirurgia segura: uma exigência do século XXI’, Revista do Colégio Brasileiro de Cirurgiões, vol. 36, no. 4, pp. 281–2. Gao, B.C. 1996, ‘NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space’, Remote Sensing of Environment, vol. 58, no. 3, pp. 257–66. Garcia, J.R. & Filho, J.E.R.V. 2018, ‘O papel da dimensão ambiental na ocupação do MATOPIBA’, Confins, no. 35. Google 2019, Google Earth Engine User Summit 2018, viewed 3 June 2019, <https://sites.google.com/earthoutreach.org/eeus2018/home?authuser=0>. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D. & Moore, R. 2017, ‘Google Earth Engine: Planetary-scale geospatial analysis for everyone’, Remote Sensing of Environment, vol. 202, pp. 18–27. Grande, T.O., Almeida, T. & Cicerelli, R.E. 2016, ‘Classificação orientada a objeto em associação às ferramentas reflectância acumulada e mineração de dados’, Pesquisa Agropecuaria Brasileira, vol. 51, no. 12, pp. 1983–91. Grande, T.O., Aguiar, L.M.S. & Machado, R.B. 2020, ‘Heating a biodiversity hotspot: connectivity is more important than remaining habitat’, Landscape Ecology, vol. 35, no. 3, pp. 639–57. Guerra, J.B., Schultz, B. & Sanches, I.D. 2017, ‘Mapeamento automático da expansão da agricultura anual no MATOPIBA entre 2002 e 2015 utilizando a plataforma Google Earth Engine’, Anais do XVIII Simpósio Brasileiro de Sensoriamento Remoto -SBSR, Santos - SP, pp. 6850–7. Han, J., Kamber, M. & Pei, J. 2012, Data Mining: Concepts and Techniques, Data Mining: Concepts and Techniques, Elsevier. Hashem, I.A.T., Yaqoob, I., Anuar, N.B., Mokhtar, S., Gani, A. & Ullah Khan, S. 2015, ‘The rise of “big data” on cloud computing: Review and open research issues’, Information Systems, vol. 47, pp. 98–115. Huang, H., Chen, Y., Clinton, N., Wang, J., Wang, X., Liu, C., Gong, P., Yang, J., Bai, Y., Zheng, Y. & Zhu, Z. 2017, ‘Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine’, Remote Sensing of Environment, vol. 202, pp. 166–76. Instituto Brasileiro de Geografia e Estatística 2020, Conheça cidade e estados do Brasil, viewed 29 August 2020, <https://cidades.ibge.gov.br/>. Instituto Nacional de Meteorologia 2020, BDMEP - DADOS HISTÓRICOS, viewed 15 January 2021, <https://portal.inmet.gov.br/servicos/bdmep-dados-hist%25C3%25B3ricos/>. Klink, C. & Machado, R. 2005, ‘A conservação do Cerrado brasileiro’, Megadiversidade, vol. 1, no. 2, pp. 43–51. Landis, J.R. & Koch, G.G. 1977, ‘An Application of Hierarchical Kappa-type Statistics in the Assessment of Majority Agreement among Multiple Observers’, Biometrics, vol. 33, no. 2, p. 363. Mapbiomas 2019, Coleção v4.1 da série anual de mapas de cobertura e uso de solo do Brasil. McFeeters, S.K. 1996, ‘The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features’, International Journal of Remote Sensing, vol. 17, no. 7, pp. 1425–32. Nascimento, E.R.P. & Sano, E.E. 2010, ‘Identificação de Cerrado Rupestre por meio de imagens multitemporais do Landsat: proposta metodológica’, Sociedade & Natureza, vol. 22, no. 1, pp. 93–106. Nunes, J.F. & Roig, H.L. 2015, ‘Análise e mapeamento do uso e ocupação do solo da bacia do alto do descoberto, DF/GO, por meio de classificação automática baseada em regras e lógica nebulosa’, Revista Arvore, vol. 39, no. 1, pp. 25–36. Parente, L. & Ferreira, L. 2018, ‘Assessing the Spatial and Occupation Dynamics of the Brazilian Pasturelands Based on the Automated Classification of MODIS Images from 2000 to 2016’, Remote Sensing, vol. 10, no. 4, p. 606. Sano, E.E., Ferreira, L.G., Asner, G.P. & Steinke, E.T. 2007, ‘Spatial and temporal probabilities of obtaining cloud-free Landsat images over the Brazilian tropical savanna’, International Journal of Remote Sensing, vol. 28, no. 12, pp. 2739–52. Sano, E.E., Rosa, R., Scaramuzza, C.A. de M., Adami, M., Bolfe, E.L., Coutinho, A.C., Esquerdo, J.C.D.M., Maurano, L.E.P., Narvaes, I. da S., Filho, F.J.B. de O., da Silva, E.B., Victoria, D. de C., Ferreira, L.G., Brito, J.L.S., Bayma, A.P., de Oliveira, G.H. & Bayma-Silva, G. 2019, ‘Land use dynamics in the Brazilian Cerrado in the period from 2002 to 2013’, Pesquisa Agropecuaria Brasileira, vol. 54. Secretaria do Planejamento e Orçamento do Governo do Tocantins n.d., ‘Perfil socioeconômico dos municípios’, 2017, viewed 11 June 2019, <http://www.sefaz.to.gov.br/estatistica/estatistica/indicadores-socioeconomicos/estatistica/indicadores-socioeconomicos/versao-2017/>. Sharma, R.C., Tateishi, R., Hara, K., Gharechelou, S. & Iizuka, K. 2016, ‘Global mapping of urban built-up areas of year 2014 by combining MODIS multispectral data with VIIRS nighttime light data’, International Journal of Digital Earth, vol. 9, no. 10, pp. 1004–20. Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A. & Skakun, S. 2017, ‘Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping’, Frontiers in Earth Science, vol. 5. Souza, C.M., Shimbo, J.Z., Rosa, M.R., Parente, L.L., Alencar, A.A., Rudorff, B.F.T., Hasenack, H., Matsumoto, M., Ferreira, L.G., Souza-Filho, P.W.M., de Oliveira, S.W., Rocha, W.F., Fonseca, A. V., Marques, C.B., Diniz, C.G., Costa, D., Monteiro, D., Rosa, E.R., Vélez-Martin, E., Weber, E.J., Lenti, F.E.B., Paternost, F.F., Pareyn, F.G.C., Siqueira, J. V., Viera, J.L., Neto, L.C.F., Saraiva, M.M., Sales, M.H., Salgado, M.P.G., Vasconcelos, R., Galano, S., Mesquita, V. V. & Azevedo, T. 2020, ‘Reconstructing three decades of land use and land cover changes in Brazilian biomes with landsat archive and earth engine’, Remote Sensing, vol. 12, no. 17, p. 2735. Spera, S.A., Galford, G.L., Coe, M.T., Macedo, M.N. & Mustard, J.F. 2016, ‘Land-use change affects water recycling in Brazil’s last agricultural frontier’, Global change biology, vol. 22, no. 10, pp. 3405–13. Vieira, R.R.S., Ribeiro, B.R., Resende, F.M., Brum, F.T., Machado, N., Sales, L.P., Macedo, L., Soares-Filho, B. & Loyola, R. 2018, ‘Compliance to Brazil’s Forest Code will not protect biodiversity and ecosystem services’, Diversity and Distributions, vol. 24, no. 4, pp. 434–8. Wang, R., Wan, B., Guo, Q., Hu, M. & Zhou, S. 2017, ‘Mapping regional urban extent using NPP-VIIRS DNB and MODIS NDVI data’, Remote Sensing, vol. 9, no. 8. Wang, L., Diao, C., Xian, G., Yin, D., Lu, Y., Zou, S. & Erickson, T.A. 2020, ‘A summary of the special issue on remote sensing of land change science with Google earth engine’, Remote Sensing of Environment, vol. 248, no. July. Yang, C., Xu, Y. & Nebert, D. 2013, ‘Redefining the possibility of digital Earth and geosciences with spatial cloud computing’, International Journal of Digital Earth, vol. 6, no. 4, pp. 297–312. Yang, C., Huang, Q., Li, Z., Liu, K. & Hu, F. 2017, ‘Big Data and cloud computing: innovation opportunities and challenges’, International Journal of Digital Earth, vol. 10, no. 1, pp. 13–53.
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_ 1797053539094102016

Registros relacionados