Classificação de séries temporais de dados de sensoriamento remoto para mapeamento de Wetlands no Norte Fluminense

• Ano de defesa: 2024
• Autor(a) principal: Santos, Mikaella Pereira dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sensoriamento Remoto; Wetlands; Machine Learning; RADAR; Landsat-8; Mapeamento por Landsat; Sensoriamento remoto; Áreas alagadas; Remote Sensing
• Link de acesso: https://app.uff.br/riuff/handle/1/33711

Compreender as dinâmicas e mudanças do uso e cobertura da terra nos diferentes recortes espaciais é uma tarefa de grande relevância para a gestão ambiental e do território. No cenário ambiental, os wetlands possuem grande significância, haja visto que atuam como autorreguladores hídricos, sendo a água um recurso natural de valoração inestimável a sociedade. Se debruçar nos estudos acerca dos wetlands pode ser considerado como um grande desafio metodológico, já que existem algumas dificuldades a serem superadas quando falamos de classificar esses ambientes. Sobre o ponto de vista metodológico no mapeamento dos wetlands, os avanços geotecnológicos têm contribuído e muito para a melhoria nesses estudos, mas muitas lacunas ainda precisam ser preenchidas nesse campo. Nesse sentido, a questão cerne desta pesquisa está pautada em contribuir metodologicamente no mapeamento desses wetlands, de forma multitemporal, a partir da utilização de séries temporais de dados de sensoriamento remoto, como imagens de sensores óticos e RADAR e do auxílio de aportes metodológicos como machine learning. Os resultados apontam para diferenças nas classificações com base no tipo de sensor. Se tratando do sensor RADAR, ele é visto como muito relevante na classificação de corpos hídricos, obtendo um kappa de 0,97. Em relação ao sensor ótico foram apresentadas variações a partir dos índices espectrais utilizados. Cabe ressaltar que, se tratando dos wetlands temporariamente inundados, a classificação utilizando as imagens do sensor ótico, com o índice NDWI de McFeeters (1996), demonstra o melhor resultado, com um valor de kappa de 0,80. Um outro resultado que corrobora para o melhor desempenho do NDWI de McFeeters na classificação de áreas úmidas é o fato de a classificação de McFeeters considerar as bandas Green e NIR, que neste caso apresentam menor variabilidade nos dados em comparação com o índice de Gao, que considera as bandas NIR e SWIR 1. A classificação de áreas úmidas ou wetlands, considerando sua respectiva importância, teve através desses mapeamentos um avanço muito significativo e, ademais, abre caminho para análises posteriores, que deem conta de explorar ainda mais metodologias de classificação desses alvos tão dinâmicos e complexos.