Uso do sensoriamento remoto como estratégia para a análise e gestão do uso dos solos

Authors

  • Efraim Martins Araújo Instituto Federal de Educação, Ciência e Tecnologia do Ceará, Campus Iguatu.
  • George Leite Mamede Universidade da Integração Internacional da Lusofonia Afro-Brasileira (Unilab)
  • João Paulo Madeiro do Vale Universidade Federal do Ceará
  • Eliakim Martins Araújo Instituto Federal de Educação, Ciência e Tecnologia do Maranhão, Campus Viana

Keywords:

Hiperespectral, Hyperion, Índice de kappa, Classificação de imagens

Abstract

Este artigo tem por objetivo analisar a eficiência da classificação supervisionado na detecção de usos das terras no entorno de dois reservatórios rurais, situados no Assentamento 25 de Maio, no Munícipio de Madalena – CE. Analisou-se o desempenho de diferentes classificadores supervisionada (Máxima Verossimilhança, KNN, Mínima Distância, SVM e Random Forest) em imagens multiespectrais (Landsat 8) e hiperespectrais (Hyperion) para detecção e diferenciação das classes de uso do solo. A classificação supervisionada, apresentou-se como uma ferramenta robusta na espacialização dos usos das terras, por conseguir separar tanto alvos distintos (água, solo e vegetação) como alvos semelhantes (macrófitas, vazante, vegetação nativa, agricultura e vegetação rala) quando aplicadas as imagens dos sensores multiespectral e hiperespectral. Cabe destacar, entretanto, que o desempenho dos classificadores aplicados à imagem do sensor Hyperion foi, em geral, superior aos obtidos em imagem Landsat 8, o que pode ser explicado pela alta resolução espectral do primeiro. Os resultados mostraram um excelente desempenho dos classificadores quando aplicado à imagem do sensor Hyperion, com Kappa de 0,81 (SVM) e 0,78 (Máxima verossimilhança) e o Landsat 8 um Kappa de 0,53 (Máxima verossimilhança).

Downloads

Download data is not yet available.

Author Biographies

Efraim Martins Araújo, Instituto Federal de Educação, Ciência e Tecnologia do Ceará, Campus Iguatu.

Tecnólogo em Irrigação e Drenagem pelo IFCE (2010); Mestre em Engenharia Agrícola pela Universidade Federal do Ceará (2013); Doutor em Engenharia Agrícola - UFC (2017). Coordena o Laboratório de Geoprocessamento do IFCE Campus Iguatu. Leciona as disciplinas de Topografia, Desenho Técnico e Captação e Armazenagem de Água, nos cursos: Superior de Tecnologia em Irrigação e Drenagem, Bacharelado em Engenharia Agrícola, Técnico em Agropecuária e Técnico em Zootecnia. Atua nas áreas: Topografia, Geoprocessamento, Sensoriamento Remoto, PDI (processamento digital de imagens) Agrometeorologia, Hidrologia, Manejo e conservação de bacias hidrográficas e Impactos Ambientais na agricultura irrigada.

George Leite Mamede, Universidade da Integração Internacional da Lusofonia Afro-Brasileira (Unilab)

Doutor em Hidrologia pelo Instituto de Geocologia da Universidade de Potsdam (Potsdam, Alemanha), com ênfase em modelagem de assoreamento de reservatórios, transporte de sedimento e gestao dos recursos hídricos. Possui mestrado em Engenharia Civil (Recursos Hídricos, 2002) e graduação em Engenharia Civil (1999), ambos pela Universidade Federal do Ceará. Atualmente é Professor Associado da Universidade da Integração Internacional da Lusofonia Afro-Brasileira - UNILAB e Diretor do Instituto de Engenharias e Desenvolvimento Sustentável. Tem experiência na área de Engenharia Civil, com ênfase em Hidrologia e Sedimentologia. Atua principalmente nos seguintes temas: planejamento e gestão de recursos hídricos, hidrologia, hidráulica, sedimentologia, reservatórios superficiais do semi-árido e modelagem matemática.

João Paulo Madeiro do Vale, Universidade Federal do Ceará

Concluiu programa de Doutorado em Engenharia de Teleinformática pela Universidade Federal do Ceará com ênfase em Engenharia Biomédica (2013). Concluiu via programa Ciência sem Fronteiras estágio de pesquisa na Universidade de Leicester, na Inglaterra, na modalidade Doutorado Sanduíche (2012). Possui mestrado em Engenharia de Teleinformática (2007) e graduação em Engenharia Elétrica (2006), ambos pela Universidade Federal do Ceará. Atualmente é Professor Efetivo, classe Adjunto A, da Universidade Federal do Ceará, Campus do Pici, em Fortaleza/CE, lotado no Departamento de Computação. Também atua como Membro Efetivo do Programa de Pós-Graduação Mestrado e Doutorado em Ciência da Computação da Universidade Federal do Ceará e do Programa de Pós-Graduação em Energia e Ambiente da Universidade da Integração Internacional da Lusofonia Afro-Brasileira. Tem experiência na área de Engenharia Elétrica, com ênfase em Instrumentação Eletrônica, atuando principalmente nos seguintes temas: processamento digital de sinais e imagens, sistemas de auxílio ao diagnóstico médico, visão computacional aplicada no contexto de mapeamento ambiental e imagens médicas e extração automática de parâmetros em sinal Eletrocardiograma.

Eliakim Martins Araújo, Instituto Federal de Educação, Ciência e Tecnologia do Maranhão, Campus Viana

Professor de Ensino Básico, Técnico e Tecnológico do Instituto Federal do Maranhão e Doutor em Engenharia Agrícola pela Universidade Federal do Ceará. Tem experiência nas áreas de Engenharia Agrícola, Topografia, Agrimensura, Geoprocessamento, Sensoriamento Remoto, Manejo de Bacias Hidrográficas, Agrometeorologia e Informática. Entusiasta do uso das mais diversas Geotecnologias nas Engenharias, tendo se dedicado com mais ênfase na difusão e utilização de trabalhos com Veículos Aéreos Não Tripulados (VANTs).

References

BLANCO, P. D.; DEL VALLE, H. F.; BOUZA, P. J.; METTERNICHT, G. I. Ecological site classification of semiarid rangelands: Synergistic use of Landsat and Hyperion imagery. International Journal of Applied Earth Observation and Geoinformation, v. 29, n., p. 11-21, 2014.

BREIMAN, L. Random forests. Machine Learning, Boston, v.45, n.1, p. 5-32, 2001.

COULTER, L. L.; STOW, D. A.; TSAI, Y.; IBANEZ, N.; SHIH, H.; KERR, A.; BENZA, M.; WEEKS, J. R.; MENSAH; F. Classification and assessment of land cover and land use change in southern Ghana using dense stacks of Landsat 7 ETM+ imagery. Remote Sensing of Environment. v. 184, p. 396-409, 2016.

DUBE, T.; MUTANGA, O. Evaluating the utility of the medium-spatial resolution Landsat 8 multispectral sensor in quantifying aboveground biomass in uMgeni catchment, South Africa. ISPRS Journal of Photogrammetry and Remote Sensing, v. 101, n. 1, p. 36-46, 2015.

EL-ASKARY, H.; ABD EL-MAWLA, S. H.; LI, J.; EL-HATTAB, M. M.; EL-RAEY, M. Change detection of coral reef habitat using Landsat-5 TM, Landsat 7 ETM+ and Landsat 8 OLI data in the Red Sea (Hurghada, Egypt). Int. J. Rem. Sens. v. 35, p. 2327–2346, 2014.

ESTOQUE, R .C.; MURAYAMA, Y. Examining the potential impact of land use/coverchanges on the ecosystem services of Baguio city, the Philippines: a scenario-based analysis. Appl. Geogr. v. 35, p. 316–32, 2012.

GALVÃO, L. S; FORMAGGIO, A. R; TISOT, D. A; Discriminação de variedades de cana-de-açúcar com dados hiperespectrais do sensor Hyperion/EO-1, Revista Brasileira de Cartografia. v. 1, n. 57, p. 7-14, 2005.

GILBERTSON, J. K.; KEMP, J.; NIEKERK VAN A. Effect of pan-sharpening multi-temporal Landsat 8 imagery for crop type differentiation using different classification techniques. Computers and Electronics in Agriculture. v.134, p. 151–159, 2017.

GEORGE, R.; PADALIA, H.; KUSHWAHA, S. P. S. Forest tree species discrimination in western Himalaya using EO-1 Hyperion. International Journal of Applied Earth Observation and Geoinformation, v. 28, n.2, p. 140-149, 2014.

GOLDSCHMIDT, R. R.; PASSOS, E. Data Mining: Um Guia Prático. Rio de Janeiro: Elsevier, 2005.

JAMES, G.; HASTIE, T.; TIBSHIRANI, R. An introduction to statistical learning: with applications in R. London: Ed. Springer, 2013. 429 p.

JAFARI, R.; LEWIS, M. M. Arid land characterisation with EO-1 Hyperion hyperspectral data. International Journal of Applied Earth Observation and Geoinformation, v. 19, p. 298–307, 2012.

LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, v. 33, n. 1, p. 159-174, 1977.

LIMA NETO, I. E.; WIEGAND, M. C.; ARAÚJO, J. C. Sediment redistribution due to a dense reservoir network in a large semiarid Brazilian basin. Hydrological Sciences Journal. v. 56, n. 2, p. 319-333, 2011.

MAY, L.; CARVALHO, L. Maximum growing depth of macrophytes in Loch Leven, Scotland, United Kingdom, in relation to historical changes in estimated phosphorus loading. Hydrobiologia. v. 646, p. 123-131, 2010.

MOREIRA, M. A. Fundamentos do Sensoriamento Remoto e Metodologias de Aplicações. 4. ed. – Viçosa, MG: editora UFV, p. 422, 2011.

MOUNTRAKIS, G.; JUNGHOIM, C. O. Support vector machines in remote sensing: a review. ISPRS Journal of Photogrammetry and Remote Sensing, New York, v. 2011, n. 66, p. 247-259, Dec. 2010.

PAHLEVAN, N.; SCHOTT, J. R. Leveraging EO-1 to evaluate capability of new generation of Landsat sensors for coastal/inland water studies. Selected TopicsAppl. Earth Observ. Rem. Sens., IEEE J. v. 6, p. 360–374, 2013.

PETROPOULOS, G. P.; ARVANITIS, K.; SIGRIMIS, N. Hyperion hyperspectral imagery analysis combined with machine learning classifiers for land use/cover mapping. Expert Systems with Applications, v. 39, n. 3, p. 3800-3809, 2012.

RABE, A., VAN DER LINDEN, S., HOSTERT, P. (2014). imageSVM, Version 3.0, software de available. Disponível em: . Acesso em: 14 de janeiro de 2016.

STEELE, C. M.; BESTELMEYER, B.T.; SMITH, P.L.; YANOFF, S.; BURKETT, L.M.; Spatially explicit representation of state-and-transition models. Rangeland Ecol. Manag. v. 65, p. 213–222, 2012.

TISOT, D. A.; FORMAGGIO, A. R.; RENNÓ, C. Eficácia de dados Hyperion/EO-1 para identificação de alvos agrícolas: Comparação com dados ETM+/LANDSAT-7. Engenharia Agrícola, Jaboticabal. v. 27, n. 2, p. 511-519, 2007.

UNITED STATES GEOLOGICAL SURVEY USA. USGS. EarthExplorer. Disponível em: <http://landsat.usgs.gov/Landsat8_Using_Product.php>. Acesso em: setembro de 2013.

VALÉRIO, A. M. O uso do sensoriamento remoto orbital e de superfície para o estudo do comportamento do corpo de água do reservatório de Manso, MT, Brasil. 2009. Dissertação (Mestrado em Sensoriamento Remoto), Instituto Nacional de Pesquisas Espaciais, São Paulo, São José dos Campos, 2009.

VAN DER LINDEN, S.; RABE, A.; HELD, M.; WIRTH, F.; SUESS, S.; OKUJENI, A.; HOSTERT, P. Image SVM Classification, Manual for Application: imageSVM version 3.0. Humboldt-Universität zu Berlin, Germany, 2014.

XIE, Y.-S.; WANG, J.-N.; SHANG, K. An improved approach based on Moment Matching to Destriping for Hyperion data. Procedia Environmental Sciences, v. 10, n., p. 319-324, 2011.

WHITE, J. C.; GÓMEZ, C.; WULDER, M. A.; COOPS, N. C. Characterizing temperate forest structural and spectral diversity with Hyperion EO-1 data. Remote Sensing of Environment. v. 114, p. 1576–1589, 2010.

Published

2021-04-23

How to Cite

Araújo, E. M., Mamede, G. L., do Vale, J. P. M., & Araújo, E. M. (2021). Uso do sensoriamento remoto como estratégia para a análise e gestão do uso dos solos. Geama Journal - Environmental Sciences, 7(1), 23–33. Retrieved from https://journals.ufrpe.br/index.php/geama/article/view/3444