Classificação da cobertura do solo da caatinga: avaliação de abordagens em Machine Learning utilizando dados LandSat Mono e multitemporais.

• Ano de defesa: 2021
• Autor(a) principal: ANDRADE, João Maria de.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Tecnologia e Recursos Naturais - CTRN; PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL E AMBIENTAL; UFCG
• Palavras-chave em Português: Sensoriamento remoto; Remote sensing; Detección remota; Random­ Forest; Floresta Aleatória; Bosque aleatorio; Semiárido; Semiarid; Florestas Tropicais; Tropical florests; Bosques tropicales; Sazonais secas; Sequías estacionales; Seasonal droughts; NDVI; Multiespectral; Engenharia Civil; Engenharia de Água e Solo
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/17721

Informações precisas sobre a cobertura do solo são fundamentais para o monitoramento e desenvolvimento eficientes de estudos ambientais na Caatinga brasileira. É uma das maiores e mais biodiversas florestas secas do planeta. Distinguir diferentes padrões de cobertura do solo por meio de sensoriamento remoto de resolução espacial média, como a série de imagens Landsat, é um desafio para a Caatinga devido à cobertura heterogênea do solo, complexas interações clima­solo­vegetação e distúrbios antrópicos. Duas abordagens de sensoriamento remoto têm alto potencial para o mapeamento preciso e eficiente da cobertura do solo na Caatinga: imagens mono e multi­temporais. A heterogeneidade da cobertura do solo desse ambiente pode contribuir para um melhor desempenho de abordagens multiespectrais que são normalmente aplicadas para imagens mono­temporais. Em um esforço de mapeamento da cobertura do solo na Caatinga, o fator temporal ganha relevância, e o uso de séries temporais pode trazer vantagens. Este estudo avalia as precisões e vantagens das abordagens multitemporal do Normalized Difference Vegetation Index (NDVI) e mono­temporal multiespectral na classificação da cobertura do solo. Ambas as abordagens usam o método Random Forest, e os resultados são avaliados com base em amostras coletadas durante levantamentos de campo. Os resultados indicam que a classificação da cobertura do solo obtida a partir de multi­temporal NDVI tem melhor desempenho (acurácia geral de 88,8% e coeficiente de concordância kappa de 0,86) do que dados mono­tempora multiespectrais (acurácia geral de 81,4% e coeficiente kappa de 0,78). O teste Z indicou que uma diferença estatisticamente significativa no desempenho entre as duas abordagens. O desempenho inferior observado para a classificação multiespectral mono­temporal deve­se às semelhanças nas respostas espectrais para alvos de vegetação decídua que perdem sua folhagem e podem ser interpretados incorretamente como áreas sem vegetação. Enquanto isso, a classificação multi­temporal NDVI dos agrupamentos de vegetais nas florestas sazonais permite incorporar a variabilidade sazonal das classes de cobertura do solo durante as estações chuvosa e seca, bem como as transições entre as estações, por isso apresenta maior precisão. Além disso, as variáveis mais importantes que contribuíram para a precisão foram as bandas Red, Near Infrared (NIR) e Short­Wave Infrared (SWIR) na classificação multiespectral mono­temporal, e os meses na estação seca foram os mais relevantes para classificação multi­temporal NDVI.