Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/233822 |
Resumo: | As florestas secundárias estão em constante aumento à medida que as florestas primárias são degradadas e as áreas produtivas são abandonadas. O mapeamento dos estágios de sucessão das florestas secundárias é importante para apoiar a previsão de impactos, o monitoramento e a conservação ambiental, permitindo avaliar quantitativa e qualitativamente os remanescentes florestais bem como sua distribuição espacial. Neste estudo objetivou-se avaliar o potencial de classificação de estágios sucessionais da Floresta Estacional Semidecídua em uma região da Serra do Sudeste do Rio Grande do Sul a partir de diferentes fontes de dados de sensoriamento remoto e suas sinergias. Foram utilizados dados ópticos Sentinel-2 de reflectância de superfície, dados SAR Sentinel-1 e texturas GLCM (Grey Level Co-Ocurrence Matrix) derivadas e dados geomorfométricos SRTM, os quais compuseram diferentes grupos que serviram como dados de entrada para os classificadores de aprendizagem de máquina Support Vector Machine (SVM), Classification and Regression Tree (CART) e Random Forest (RF). Os procedimentos foram realizados na plataforma Google Earth Engine. O RF apresentou as maiores exatidões globais (93 a 97%), independente do conjunto de dados utilizados como entrada, com o índice kappa variando de 0,89 (dados ópticos e SAR) a 0,95 (dados ópticos, SAR e geomorfométricos). O CART apresentou valores idênticos de exatidão global (92,5%) exceto para o conjunto de dados acrescido das camadas de textura SAR, que apresentou exatidão ligeiramente mais baixa (91,7%); o índice kappa variou de 0,89 a 0,91. O pior desempenho foi o da classificação de dados ópticos por SVM, resultando em 59% de exatidão e 0,37 de índice kappa, todavia, a sinergia de dados ópticos, SAR e geomorfométricos classificados por SVM atingiu 75% de exatidão. A inclusão de camadas de texturas GLCM promoveu aumento da confusão entre as classes para todos os classificadores. Os melhores resultados foram obtidos pela sinergia de dados ópticos, SAR e geomorfométricos classificados por RF, com exatidão global de 97% e índice kappa de 0,95. |
id |
URGS_95ebc4b245637cf1772f75acd234b500 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/233822 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Costa, Vinícius Lorini daFreitas, Marcos Wellausen Dias de2022-01-06T04:32:11Z2021http://hdl.handle.net/10183/233822001135779As florestas secundárias estão em constante aumento à medida que as florestas primárias são degradadas e as áreas produtivas são abandonadas. O mapeamento dos estágios de sucessão das florestas secundárias é importante para apoiar a previsão de impactos, o monitoramento e a conservação ambiental, permitindo avaliar quantitativa e qualitativamente os remanescentes florestais bem como sua distribuição espacial. Neste estudo objetivou-se avaliar o potencial de classificação de estágios sucessionais da Floresta Estacional Semidecídua em uma região da Serra do Sudeste do Rio Grande do Sul a partir de diferentes fontes de dados de sensoriamento remoto e suas sinergias. Foram utilizados dados ópticos Sentinel-2 de reflectância de superfície, dados SAR Sentinel-1 e texturas GLCM (Grey Level Co-Ocurrence Matrix) derivadas e dados geomorfométricos SRTM, os quais compuseram diferentes grupos que serviram como dados de entrada para os classificadores de aprendizagem de máquina Support Vector Machine (SVM), Classification and Regression Tree (CART) e Random Forest (RF). Os procedimentos foram realizados na plataforma Google Earth Engine. O RF apresentou as maiores exatidões globais (93 a 97%), independente do conjunto de dados utilizados como entrada, com o índice kappa variando de 0,89 (dados ópticos e SAR) a 0,95 (dados ópticos, SAR e geomorfométricos). O CART apresentou valores idênticos de exatidão global (92,5%) exceto para o conjunto de dados acrescido das camadas de textura SAR, que apresentou exatidão ligeiramente mais baixa (91,7%); o índice kappa variou de 0,89 a 0,91. O pior desempenho foi o da classificação de dados ópticos por SVM, resultando em 59% de exatidão e 0,37 de índice kappa, todavia, a sinergia de dados ópticos, SAR e geomorfométricos classificados por SVM atingiu 75% de exatidão. A inclusão de camadas de texturas GLCM promoveu aumento da confusão entre as classes para todos os classificadores. Os melhores resultados foram obtidos pela sinergia de dados ópticos, SAR e geomorfométricos classificados por RF, com exatidão global de 97% e índice kappa de 0,95.Secondary forests are constantly increasing as primary forests are degraded and productive areas are abandoned. The mapping of successional stages of the secondary forests is important to support the prediction of impacts, monitoring and environmental conservation, allowing the quantitative and qualitative assessment of forest remnants as well as their spatial distribution. The aim of this study was to evaluate the potential for classification of successional stages of the Semideciduous Seasonal Forest in a region of Serra do Sudeste in Rio Grande do Sul, using different sources of remote sensing data and their synergies. Sentinel-2 optical surface reflectance data, SAR Sentinel-1 data and GLCM (Grey Level Co-Ocurrence Matrix) derived textures and SRTM geomorphometric data were used, which composed different groups that served as input data for the learning classifiers Support Vector Machine (SVM), Classification and Regression Tree (CART) and Random Forest (RF). The procedures were performed on the Google Earth Engine platform. The RF had the highest global accuracies (93 to 97%), regardless of the data set used as input, with the kappa index ranging from 0.89 (optical and SAR data) to 0.95 (optical, SAR and geomorphometric data) . CART had identical global accuracy values (92.5%) except for the dataset SAR-GLCM texture layers, which had slightly lower accuracy (91.7%); the kappa index ranged from 0.89 to 0.91. The optical data (S2) classification by SVM had the worst performance, resulting in 59% accuracy and 0.37 kappa index, however, the synergy of optical, SAR and geomorphometric data classified by SVM reached 75% accuracy. The inclusion of SAR-GLCM texture layers increased confusion between classes for all classifiers. The best results were obtained by the synergy of optical, SAR and geomorphometric data classified by RF, with global accuracy of 97% and kappa index of 0.95.application/pdfporSensoriamento remotoComputação em nuvemFloresta secundáriaSupervised classificationCloud computingSecondary forestDetecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RSinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulCentro Estadual de Pesquisas em Sensoriamento Remoto e MeteorologiaPrograma de Pós-Graduação em Sensoriamento RemotoPorto Alegre, BR-RS2021mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001135779.pdf.txt001135779.pdf.txtExtracted Texttext/plain112625http://www.lume.ufrgs.br/bitstream/10183/233822/2/001135779.pdf.txtde6a0efdbc3e0a61b19ea1289b1f69a2MD52ORIGINAL001135779.pdfTexto completoapplication/pdf3389273http://www.lume.ufrgs.br/bitstream/10183/233822/1/001135779.pdf66f597121fcb73a0eb32d4a1c50573aeMD5110183/2338222022-02-22 05:14:09.474026oai:www.lume.ufrgs.br:10183/233822Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-02-22T08:14:09Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS |
title |
Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS |
spellingShingle |
Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS Costa, Vinícius Lorini da Sensoriamento remoto Computação em nuvem Floresta secundária Supervised classification Cloud computing Secondary forest |
title_short |
Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS |
title_full |
Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS |
title_fullStr |
Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS |
title_full_unstemmed |
Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS |
title_sort |
Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS |
author |
Costa, Vinícius Lorini da |
author_facet |
Costa, Vinícius Lorini da |
author_role |
author |
dc.contributor.author.fl_str_mv |
Costa, Vinícius Lorini da |
dc.contributor.advisor1.fl_str_mv |
Freitas, Marcos Wellausen Dias de |
contributor_str_mv |
Freitas, Marcos Wellausen Dias de |
dc.subject.por.fl_str_mv |
Sensoriamento remoto Computação em nuvem Floresta secundária |
topic |
Sensoriamento remoto Computação em nuvem Floresta secundária Supervised classification Cloud computing Secondary forest |
dc.subject.eng.fl_str_mv |
Supervised classification Cloud computing Secondary forest |
description |
As florestas secundárias estão em constante aumento à medida que as florestas primárias são degradadas e as áreas produtivas são abandonadas. O mapeamento dos estágios de sucessão das florestas secundárias é importante para apoiar a previsão de impactos, o monitoramento e a conservação ambiental, permitindo avaliar quantitativa e qualitativamente os remanescentes florestais bem como sua distribuição espacial. Neste estudo objetivou-se avaliar o potencial de classificação de estágios sucessionais da Floresta Estacional Semidecídua em uma região da Serra do Sudeste do Rio Grande do Sul a partir de diferentes fontes de dados de sensoriamento remoto e suas sinergias. Foram utilizados dados ópticos Sentinel-2 de reflectância de superfície, dados SAR Sentinel-1 e texturas GLCM (Grey Level Co-Ocurrence Matrix) derivadas e dados geomorfométricos SRTM, os quais compuseram diferentes grupos que serviram como dados de entrada para os classificadores de aprendizagem de máquina Support Vector Machine (SVM), Classification and Regression Tree (CART) e Random Forest (RF). Os procedimentos foram realizados na plataforma Google Earth Engine. O RF apresentou as maiores exatidões globais (93 a 97%), independente do conjunto de dados utilizados como entrada, com o índice kappa variando de 0,89 (dados ópticos e SAR) a 0,95 (dados ópticos, SAR e geomorfométricos). O CART apresentou valores idênticos de exatidão global (92,5%) exceto para o conjunto de dados acrescido das camadas de textura SAR, que apresentou exatidão ligeiramente mais baixa (91,7%); o índice kappa variou de 0,89 a 0,91. O pior desempenho foi o da classificação de dados ópticos por SVM, resultando em 59% de exatidão e 0,37 de índice kappa, todavia, a sinergia de dados ópticos, SAR e geomorfométricos classificados por SVM atingiu 75% de exatidão. A inclusão de camadas de texturas GLCM promoveu aumento da confusão entre as classes para todos os classificadores. Os melhores resultados foram obtidos pela sinergia de dados ópticos, SAR e geomorfométricos classificados por RF, com exatidão global de 97% e índice kappa de 0,95. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021 |
dc.date.accessioned.fl_str_mv |
2022-01-06T04:32:11Z |
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://hdl.handle.net/10183/233822 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001135779 |
url |
http://hdl.handle.net/10183/233822 |
identifier_str_mv |
001135779 |
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.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações 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 |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/233822/2/001135779.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/233822/1/001135779.pdf |
bitstream.checksum.fl_str_mv |
de6a0efdbc3e0a61b19ea1289b1f69a2 66f597121fcb73a0eb32d4a1c50573ae |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085573856067584 |