Classificação de estágios sucessionais da Floresta Estacional Semidecídua utilizando dados Sentinel-1-2 e SRTM no Google Earth Engine
DOI:
https://doi.org/10.5902/1980509868716Parole chiave:
Classificação supervisionada, Computação em nuvem, Floresta SecundáriaAbstract
Foram utilizados dados de sensoriamento remoto adquiridos pelos sensores MSI (Multispetral Instrument) do satélite Sentinel-2 e SAR (Synthetic Aperture Radar) Sentinel-1, dados de textura GLCM (Grey Level Co-Ocurrence Matrix) derivados das imagens Sentinel-1 e dados geomorfométricos derivados de imagens SRTM (Shuttle Radar Topography Mission). Os dados compuseram diferentes grupos de entrada para os classificadores de aprendizagem de máquina Support Vector Machine (SVM), Classification and Regression Tree (CART) e Random Forest (RF), implementados 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 dos dados de textura SAR, que apresentou exatidão ligeiramente mais baixa (91,7%), com índice Kappa variando 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.
Downloads
Riferimenti bibliografici
AGUILAR, Alexis. Remote Sensing of Forest Regeneration in Highland Tropical Forests. Giscience & Remote Sensing, volume 42, p. 66-79, 2005.
ALVARES, C.A.; José Luiz Stape, Paulo Cesar Sentelhas, José Leonardo de Moraes Gonçalves e Gerd Sparovek. Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, volume 22, p. 711 – 728, 2013.
BRASIL. Decreto nº 5.092 de 21 de maio de 2004. Define regras para identificação de áreas prioritárias para a conservação, utilização sustentável e repartição dos benefícios da biodiversidade, no âmbito das atribuições do ministério do meio ambiente. Diário Oficial da União, Página 2, 24/05/2004.
BRASIL. Decreto nº 750, de 10 de fevereiro de 1993. Dispõe sobre o corte, a exploração e a supressão de vegetação primária ou nos estágios avançado e médio de regeneração da Mata Atlântica, e dá outras providências. Diário Oficial da União - s 1, p 1801, 11/2/1993.
BRASIL. Lei Nº 11.428, de 22 de dezembro de 2006. Dispõe sobre a utilização e proteção da vegetação nativa do Bioma Mata Atlântica. Diário Oficial da União - s1, p1, 26/12/2006.
BRASIL. Resolução CONAMA nº 33, de 7 de dezembro de 1994. Define estágios sucessionais das formações vegetais que ocorrem na região da Mata Atlântica do Estado do Rio Grande do Sul, visando viabilizar critérios, normas e procedimentos para o manejo, utilização racional e conservação da vegetação natural. Diário Oficial da União 248, s1, pg. 21352-21353, de 30/12/1994.
CARLUCCI, M. B. et al. Conservação da Floresta com Araucária no Extremo Sul do Brasil. Natureza & Conservação, volume 9, p. 111 – 114, 2011.
CARRASCO, Luis; Aneurin W. O’Neil, R. Daniel Morton e Clare S. Rowland. Evaluating Combinations of Temporally Aggregated Sentinel-1, Sentinel-2 and Landsat 8 for Land Cover Mapping with Google Earth Engine. Remote Sensing, volume 11, 288, 2019.
CHEN, Lin et al. Optimal Combination of Predictors and Algorithms for Forest Above-Ground Biomass Mapping from Sentinel and SRTM Data. Remote Sensing, volume 11, 414, 2019.
CHIANG, Shou-Hao & VALDEZ, Miguel. Tree Species Classification by Integrating Satellite Imagery and Topographic Variables Using Maximum Entropy Method in a Mongolian Forest. Forests, volume 10, 2019.
CNCFlora. Araucaria angustifolia in Lista Vermelha da flora brasileira versão 2012.2 Centro Nacional de Conservação da Flora. Available in: http://cncflora.jbrj.gov.br/portal/ptbr/profile/araucaria%20angustifolia. Accessed in: 26 June 2021.
CORDEIRO, J. L. P.; HASENACK, H. Cobertura vegetal atual do Rio Grande do Sul. Em: Pillar, V. De P.; Müller, S. C.; Castilhos, Z. M. De S.; Jacques, A. V. Á. (Org.). Campos sulinos: conservação e uso sustentável da biodiversidade. Brasília: MMA, p. 285-299, 2009.
ERINJERY, Joseph J & Singh, Mewa & Kent, Rafi. Mapping and assessment of vegetation types in the tropical rainforests of the Western Ghats using multispectral Sentinel-2 and SAR Sentinel-1 satellite imagery. Remote Sensing of Environment, volume 216, p. 345-354, 2018.
ESA (EUROPEAN SPACE AGENCY), 2019. Sentinel Online. Available in: https://sentinels.copernicus.eu/web/sentinel/missions
FOODY, G., & CURRAN, P. Estimation of Tropical Forest Extent and Regenerative Stage Using Remotely Sensed Data. Journal of Biogeography, volume 21(3), p. 223-244, 1994.
FORKUOR, Gerald et al. Above-ground biomass mapping in West African dryland forest using Sentinel-1 and 2 datasets - A case study. Remote Sensing of Environment, volume 236, 111496, 2020.
FRITZONS, E.; Wrege, M.S.; Mantovani, L.E. A Distribuição Natural Do Pinheiro-Do-Paraná No Estado Do Rio Grande Do Sul, Brasil: A Influência De Fatores Climáticos. Revista Brasileira de Climatologia, volume 22, p. 117 – 132, 2018.
HARALICK, R.M., Shanmugam, K. and Dinstein, I. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, volume SMC-3, n.6, p.610-621, 1973.
HALL-BAYER, Mryka. Practical guidelines for choosing GLCM textures to use in landscape classification tasks over a range of moderate spatial scales. International Journal of Remote Sensing, 38:5, p. 1312 – 1338, 2017.
IBGE – Instituto Brasileiro De Geografia E Estatística (2006). Mapa de Regiões Fitoecológicas. https://www.ibge.gov.br/geociencias/downloads-geociencias.html
KUPLICH, T.M.; P. J. Curran, P.M. Atkinson. Relating SAR image texture to the biomass of regenerating tropical forests. International Journal of Remote Sensing, volume 26, p. 4829 – 4854, 2005.
LAURIN, Gaia Vaglio et al. Above-ground biomass prediction by Sentinel-1 multitemporal data in central Italy with integration of ALOS2 and Sentinel-2 data. Journal of Applied Remote Sensing, volume 12, p. 016008-1 - 016008-18, 2018.
LAURIN, Gaia Vaglio, Nicola Puletti, William Hawthorne, Veraldo Liesenberg, Piermaria Corona, Dario Papale, Qi Chen, Riccardo Valentini. Discrimination of tropical forest types, dominant species, and mapping of functional guids by hyperspectral and simulated multispectral Sentinel-2 data. Remote Sensing of Environment, Volume 176, p. 163-176, 2016.
LAURIN, Gaia Vaglio, Veraldo Liesenberg, Qi Chen, Leila Guerriero, Fabio Del Frate, Antonio Bartolini, David Coomes, Beccy Wilebore, Jeremy Lindsell, Riccardo Valentini. Optical and SAR sensor synergies for forest and land cover mapping in a tropical site in West Africa. International Journal of Applied Earth Observation and Geoinformation, volume 21, p. 7 – 16, 2013.
LIU, Yanan et al. Estimation of the forest stand mean height and aboveground biomass in Northeast China using SAR Sentinel-1B, multispectral Sentinel-2A, and DEM imagery. ISPRS Journal of Photogrammetry and Remote Sensing, volume 151, p. 277 – 289, 2019.
LU, Dengsheng et al. A comparative analysis of approaches for successional vegetation classification in the Brazilian Amazon. GIScience & Remote Sensing, volume 51, p. 695 – 709, 2014.
LU, Dengsheng. et al. Classification of successional forest stages in the Brazilian Amazon basin. Forest Ecology and Management, volume 181, p. 301–302, 2003.
MUELLER-DOMBOIS D, ELLENBERG H. Aims and methods of vegetation ecology. New York: John Wiley & Sons; 1974.
PAL, M. & MATHER, P.M. Support vector machines for classification in remote sensing. International Journal of Remote Sensing, volume 26, p. 1007 – 1011, 2005.
PERIASAMY, S. Significance of dual polarimetric synthetic aperture radar in biomass retrieval: An attempt on Sentinel-1. Remote sensing of environment, volume 217, p. 537-549, 2018.
PONZONI, F.J. e Ana Carolina Pinto Rezende. Caracterização espectral de estágios sucessionais de vegetação secundária arbórea em altamira (PA), através de dados orbitais. Árvore, volume 28, p. 535 – 545, 2004.
PRATICÒ, Salvatore et al. Machine Learning Classification of Mediterranean Forest Habitats in Google Earth Engine Based on Seasonal Sentinel-2 Time-Series and Input Image Composition Optimisation. Remote Sensing, volume 13, 586, 2021.
SAATCHI, Sassan em: Flores-Anderson, A. I., Herndon, K. E., Thapa, R. B., and Cherrington, E. (2019). The SAR Handbook: Comprehensive Methodologies for Forest Monitoring and Biomass Estimation, 1st Edn. Huntsville, AL: NASA Marshall Space Flight Center.
SHAHARUM, Nur Shafira Nisa et al. Oil palm mapping over Peninsular Malaysia using Google Earth Engine and machine learning algorithms. Remote Sensing Applications: Society and Environment, volume 17, 100287, 2020.
SOTHE, Camile & Almeida, Cláudia & Liesenberg, Veraldo & Schimalski, Marcos. Evaluating Sentinel-2 and Landsat-8 Data to Map Sucessional Forest Stages in a Subtropical Forest in Southern Brazil. Remote Sensing, Volume 9, 838, 2017.
STROMANN, Oliver; Andrea Nascetti, Osama Yousif e Yifang Ban. Dimensionality Reduction and Feature Selection for Object-Based Land Cover Classification based on Sentinel-1 and Sentinel-2 Time Series Using Google Earth Engine. Remote Sensing, volume 12, 76, 2020.
SULOVA, Andrea & ARSANJANI, J.J. Exploratory Analysis of Driving Force of Wildfires in Australia: An Application of Machine Learning within Google Earth Engine. Remote Sensing, 13(10), 2021.
TASSI, Andrea & VIZZARI, Marco. Object-Oriented LULC Classification in Google Earth Engine Combining SNIC, GLCM, and Machine Learning Algorithms. Remote Sensing, volume 12, 3776, 2020.
VIEIRA, I. C. G. et al. Classifying successional forests using Landsat spectral properties and ecological characteristics in eastern Amazonia. Remote Sensing of Environment, volume 87, p. 470–481, 2003.
WHYTE, Andrew; K. P. Ferentinos, G. P. Petropoulos. A new synergistic approach for monitoring wetlands using Sentinels -1 and 2 data with object-based machine learning algorithms. Environmental Modelling & Software, volume 104, 2018, p. 40 – 54.
WOOD, E.M et al. Image texture as a remotely sensed measure of vegetation structure. Remote Sensing of Environment, volume 121, p. 516 – 526, 2012.
WREGE, M.S. et al. Predicting Current and Future Geographical Distribution of Araucaria in Brazil for Fundamental Niche Modeling. Environment and Ecology Research, volume 4, p. 269 – 279, 2016.
XIE, Bo et al. Analysis of Regional Distribution of Tree Species Using Multi-Seasonal Sentinel-1&2 Imagery within Google Earth Engine. Forests, volume 12, 2021.
##submission.downloads##
Pubblicato
Come citare
Fascicolo
Sezione
Licenza
Copyright (c) 2024 Ciência Florestal
TQuesto lavoro è fornito con la licenza Creative Commons Attribuzione 4.0 Internazionale.
A CIÊNCIA FLORESTAL se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da lingua, respeitando, porém, o estilo dos autores.
As provas finais serão enviadas as autoras e aos autores.
Os trabalhos publicados passam a ser propriedade da revista CIÊNCIA FLORESTAL, sendo permitida a reprodução parcial ou total dos trabalhos, desde que a fonte original seja citada.
As opiniões emitidas pelos autores dos trabalhos são de sua exclusiva responsabilidade.
