Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/47353
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2019_VanessaSouzaSilva.pdf17,77 MBAdobe PDFVisualizar/Abrir
Título: Análise das imagens de radar do satélite ALOS-2/PALSAR-2 para discriminação de classes de cobertura vegetal na região de transição Floresta/ Cerrado
Autor(es): Silva, Vanessa Souza
E-mail do autor: vanessa.geosensoremoto@gmail.com
Orientador(es): Sano, Edson Eyji
Assunto: Radar de abertura sintética
Coeficiente de retroespalhamento
Sensoriamento remoto
Data de publicação: 17-Jan-2024
Referência: SILVA, Vanessa Souza. Análise das imagens de radar do satélite ALOS-2/PALSAR-2 para discriminação de classes de cobertura vegetal na região de transição Floresta/ Cerrado. 2019. xvi, 89 f., il. Dissertação (Mestrado em Geociências Aplicadas) — Universidade de Brasília, Brasília, 2019.
Resumo: Diversas regiões da floresta Amazónica vém sendo ocupada pelas atividades agropecuárias, especialmente na sua porção sul (estados de Rondónia, norte de Mato Grosso e Pará), conhecida como arco do desmatamento, O presente trabalho teve como objetivo analisar a potencialidade das imagens de radar do satélite ALOS-2, sensor PALSAR-2, banda L, em discriminar as seguintes classes de cobertura vegetal representativas da microrregião de Sinop de Mato Grosso: floresta primária; vegetação secundária; cultura agrícola; e pastagem. Foram analisadas cenas obtidas no modo de imageamento StripMap, nível de processamento 1.5 e polarizações HH e HV das estações chuvosa (fevereiro) e seca (setembro). Os seguintes produtos também foram considerados: HH•HV, HH/HV e índice de retroespalhamento por diferença normalizada (NDBI), com redução do ruído speckle por meio do filtro adaptativo Gamma (janela de 3 pixels x 3 pixels). Os coeficientes de retroespalhamento extraídos de áreas representativas das quatro classes de cobertura vegetal foram analisados por meio de gráficos de dispersão, agrupamento hierárquico (dendogramas) e boxplots, Baseados em amostras de treinamento obtidos em campo e por meio de dados auxiliares (projeto MapBiomas e TerraClass e visualizador de séries temporais de índices de vegetação SATVeg), foi avaliado ainda o potencial dos classificadores Random Forest e Support Vector Machine para discriminar as classes de cobertura vegetal da área de estudo. A avaliação da acurácia das classificações foi realizada por meio de matrizes de confusão, índices de exatidão global, Kappa e Tau. Os resultados indicaram que a imagem de polarização cruzada (HV) do mês de fevereiro apresentou o melhor potencial para discriminar as classes de cobertura vegetal da área de estudo, entretanto, para utilizar os classificadores, foram utilizadas as polarizações HH, fIV e HH*HV de fevereiro. Foi possível discriminar dois grupos de classes temáticas: floresta primária e vegetação secundária; e cultura agrícola e pastagem cultivada. A melhor classificação foi gerada pelo classificador SVM, com índice de exatidão global de 60%, índice Kappa de 0,47 e índice Tau de 47%.
Abstract: Several regions of the Amazon rainforest have been occupied by agricultural activities, especially in its southem portion (states of Rondónia, northem Mato Grosso, and Pará), known as the deforestation arch, The objective of this study is to analyze the potential of the ALOS-2 sateilite, PALSAR-2 sensor, L-band, to discriminate the following representative land use and land cover (LULC) classes from the northem pari of the Mato Grosso State (Sinop micro-region): primary forest; secondary vegetation; cropland; and pastureland, Data obtained in StripMap image acquisition mode, 1.5 processing levei, and HH and 1-6/ polarizations of rainy (February) and dry (September) seasons were analyzed. The following products were also considered: HH•HV, HH/HV, and normalized difference backscatter index (NDBI), without spatial filtering and with speckle noise reduction by means of the Gamma adaptive fifter (3 pixels x 3 pixels window). The backscatterring coefficients extracted from representative areas of the four LULC classes were analyzed by means of scatterplots, hierarchical clustering (dendrograms), and boxplots. Based on field training semeies and ancillary data (MapBiomas and TerraClass projects and SATVeg vegetation indices time series viewer), the potential of the Random Forest and Support Vector Machine classifiers was also evaluated to discriminate the LULC classes of the study area. The classification accuracy was analyzed through the confusion matrices, overall accuracy, and Kappa and Tau indices. The results indicated that the cross-polarization (HV) images from February presented the best potential to discriminate the LULC classes of the study area. However, for the classifications, the HH, HV and HH*1-1V polarizations of February were used. It was possible to discriminate two groups of classes: primary forest and secondary vegetation; and croplands and pasturelands. The best classification was generated by the SVM classifier with an overall accuracy index of 60%, Kappa index of 0.47 and Tau index of 47%.
Unidade Acadêmica: Instituto de Geociências (IG)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Instituto de Geociências, Programa de Pós-Graduação em Geociências Aplicadas, 2019.
Programa de pós-graduação: Programa de Pós-Graduação em Geologia
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.