Change detection in the Brazilian Savanna biome
Técnicas em sensoriamento remoto vêm sendo desenvolvidas para se detectar mudanças em florestas, porém não há um método ótimo, ausente de limitações, que se aplique em qualquer tipo de paisagem. O bioma de savana brasileiro não é diferente, a quantificação de mudanças em áreas de Cerrado tem se torn...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2018 |
| País: | Brasil |
| Institución: | Universidade Federal de Lavras (UFLA) |
| Repositorio: | Repositório Institucional da UFLA |
| Idioma: | inglés |
| OAI Identifier: | oai:repositorio.ufla.br:1/29098 |
| Acceso en línea: | https://repositorio.ufla.br/handle/1/29098 |
| Access Level: | acceso abierto |
| Palabra clave: | Recursos Florestais e Engenharia Florestal Mudanças na cobertura do solo Florestas - Sensoriamento remoto Cerrado - Análise exploratória Aprendizado de máquina Land cover changes Forests - Remote sensing Cerrado - Exploratory analysis Machine learning |
| Sumario: | Técnicas em sensoriamento remoto vêm sendo desenvolvidas para se detectar mudanças em florestas, porém não há um método ótimo, ausente de limitações, que se aplique em qualquer tipo de paisagem. O bioma de savana brasileiro não é diferente, a quantificação de mudanças em áreas de Cerrado tem se tornado um desafio no âmbito espectral. Este estudo foi dividido em duas partes, a primeira através de uma análise exploratória de mudanças na cobertura do solo, e uma segunda que se utilizou de informações promissoras da primeira parte para discriminar mudanças decorrentes da ação humana de mudanças naturais através de algoritmos de aprendizado de máquina. O capítulo 1 avaliou a disponibilidade de imagens de satélite de áreas amostradas na Bacia SF9, e também aplicou métodos de seleção de atributos e segmentação multi-data para avaliar as bandas espectrais de imagens Landsat 8. Estes métodos selecionaram a banda do vermelho e a banda do infravermelho de ondas curtas como promissoras para detectar mudanças no Cerrado. Em relação à informação temporal, a total ausência de nuvens e sombras demonstrou boas acurácias mesmo em diferentes frequências de imagens. O capítulo 2 levou em consideração as bandas promissoras do capítulo 1 para o cálculo de índices espectrais, onde estes índices serviram como base de entrada para três algoritmos de aprendizado de máquina, Redes Neurais Artificias (RNA), Random Forest (RF) e Support Vector Machine (SVM). A importância individual de cada índice espectral também foi avaliada para todas as detecções. O algoritmo baseado em árvores de decisão Random Forest, gerou os melhores resultados na fase de teste, com acurácia global de 92%. O canal espectral do infravermelho de ondas curtas, assim como os índices transformação tasseled cap brightness e greenness se mostraram importantes no desempenho de todos os algoritmos avaliados. Assim, o estudo oferece novas opções para a detecção de mudanças no Cerrado através de uma análise exploratória das mudanças e avaliação de diferentes algoritmos na detecção. |
|---|