Computação em Nuvem e Aprendizado de Máquina: Comparação de imagens OLI/Landsat-8 e MSI/Sentinel-2A no Mapeamento de Uso e Cobertura da Terra no Semiárido Nordestino

Authors

DOI:

https://doi.org/10.29150/jhrs.v13.4.p536-550

Keywords:

Google Earth Engine, Random Forest, NDVI, Índice Kappa

Abstract

O processamento em nuvem de imagens multisensor de média e alta resolução impulsionou o crescimento da análise ambiental baseada em algoritmos de aprendizado de máquina. Portanto, o objetivo deste estudo foi utilizar a plataforma Google Earth Engine em conjunto com técnicas de aprendizado de máquina para realizar uma análise comparativa das respostas obtidas pelos sensores OLI/Landsat-8 e MSI/Sentinel-2A na delimitação de terrenos. classes de uso e cobertura do solo no município de Jardim de Piranhas/RN no ano de 2022. O NDVI e o método Random Forest foram usados ​​para classificar 5 classes: Vegetação Densa, Vegetação Aberta, Área Aberta, Agricultura e Corpos Hídricos. Para ambos os sensores, os NDVIs foram semelhantes com forte brilho (r = 0,89), classificações com índice Kappa “excelente” e Precisão Global de 89% para OLI e 92% para MSI. O sensor MSI/Sentinel examinou a melhor delimitação do alvo, com precisão satisfatória para o produtor e para o usuário. A metodologia aplicada e os resultados obtidos poderão contribuir para o desenvolvimento de políticas públicas de planejamento ambiental no município de Jardim de Piranhas e poderão ser reproduzidos em outras áreas do semiárido brasileiro. O estudo de dados espaciais, com recurso às geotecnologias, é essencial para o planejamento territorial, com vista a equilibrar a proteção dos ecossistemas, a segurança hídrica e o desenvolvimento urbano.

Author Biographies

Alíbia Deysi Guedes da Silva, Universidade Federal do Rio Grande do Norte

Mestranda em Geografia pelo Programa de Pós - Graduação em Geografia (GEOCERES) da UFRN. Licenciada e Bacharelanda em Geografia pela mesma instituição. Técnica em Informática pelo Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte. Vinculada ao Laboratório de Hidrografia, Climatologia e Cartografia - LAHICC. Possui afinidade em áreas como a Geotecnologias com ênfase no Sensoriamento Remoto e Geoprocessamento, Climatologia Geográfica e Hidroclimatologia. Dedica-se a desenvolver pesquisas e produção de trabalhos envolvendo o Processo Digital de Imagens com linguagem de programação, como JavaScript e Python

Sara Fernandes de Flor de Souza, Universidade Federal do Rio Grande do Norte

Professora Associada da Universidade Federal do Rio Grande do Norte - UFRN / Centro de Ensino Superior do Seridó - CERES / Caicó - RN. Doutora em Geografia pela Universidade Federal de Pernambuco - UFPE (2009-2013). Mestre em Geografia pela Universidade Federal de Pernambuco (2007-2009). Graduada em Geografia pela Universidade Estadual da Paraíba - UEPB (2003-2007). Atuando nas áreas: Geotecnologias, Cartografia e Geografia Física. Coordenadora do Laboratório Didático de Geociências (LADGEO) - CERES - UFRN. Vice-Coordenadora do Laboratório de Hidrografia, Climatologia e Cartografia (LAHICC) - CERES - UFRN.

Rebecca Luna Lucena, Universidade Federal do Rio Grande do Norte

Possui Graduação em Geografia pela Universidade Federal da Paraíba (UFPB). Especialização em Agrometeorologia e Climatologia (FAMEESP). Mestrado em Desenvolvimento e Meio Ambiente pelo Prodema (UFPB) e Doutorado em Geografia pela Universidade de Brasília (UnB), com especialidade na área de estudos teóricos e aplicados em Climatologia Geográfica. É professora de graduação dos cursos de Geografia (Licenciatura e Bacharelado) e dos programas de Pós-graduação em Geografia e Desenvolvimento e Meio Ambiente da Universidade Federal do Rio Grande do Norte (UFRN). Orienta trabalhos de conclusão de curso a nível de Graduação e Pós-graduação. Coordenadora do Laboratório de Hidrografia, Climatologia e Cartografia - LAHICC e da Estação Climatológica do Seridó (UFRN-INMET). É Líder dos grupos de Pesquisa Agroecologia e Desenvolvimento Sustentável no Semiárido - Caatingueiros - e Leituras e Análises em Hidrografia, Climatologia e Cartografia - LAHICC - (CNPq - Diretório dos Grupos de Pesquisa no Brasil). Membra efetiva da Associação dos Geógrafos Brasileiros (AGB), da Associação Brasileira de Climatologia (ABClima) e da Sociedade Brasileira para o Progresso da Ciência (SBPC). Possui diversas publicações em periódicos e livros de relevância nacional e internacional. Participa de organizações da sociedade civil, como a Comissão de alocação de águas do reservatório Itans (ANA - atual), Seridó Vivo - atual e Comitê da Bacia Hidrográfica do Rio Piancó-Piranhas-Açú (CBH-PPA - gestão 2017-2021). Foi coordenadora e vice-coordenadora do curso de Bacharelado em Geografia do CERES/UFRN (2017-2021). É representante do Núcleo Docente Estruturante dos cursos de graduação em Geografia e participa de comissões de avaliação de projetos de pesquisa e extensão da UFRN. Aprovada no estágio Pós-doutoral da Universidade de São Paulo (USP) - período set/2023 - set/2024. Trabalha em favor do fortalecimento da interiorização e internacionalização de campus de Caicó (CERES/UFRN). Desenvolve pesquisas na área de Geociências e Meio Ambiente, com ênfase nos estudos da Climatologia teórica e aplicada e da Climatologia Geográfica

References

Amani, M. et al. , 2020 Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE journal of selected topics in applied earth observations and remote sensing, v. 13, p. 5326–5350.

Breiman, L. , 2001 Random forests. Machine Learning, Boston, 45, p. 5-32

Congalton, R. G. 1991A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35-46.

Congalton, R. G.; Green, K, 1999. Assessing the Accuracy of Remotely Sensed Data: principles and practices. New York, Lewis Publishers. 137.

Chang, N.-B.; Bai, K, 2018. Multisensor Data Fusion and Machine Learning for Environmental Remote Sensing. [s.l.] CRC Press.

Chueh, A. M, 2005 Análise do potencial de degradação ambiental na bacia hidrográfica do Rio Pequeno em São José dos Pinhais/PR, por meio do DFC - Diagnóstico Físico Conservacionista1. Dissertação de Mestrado- UFPR, Curitiba, 2005 (p. 61-71).

Drusch, M. et al., 2012. Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment, v. 120, p. 25–36.

ESA. AGÊNCIA ESPACIAL EUROPEIA 2023. Introduzindo o Sentinel-2. Disponível: https://earth.esa.int/eogateway/missions. Acesso em: 05 mai. 2023.

Florenzano, T. G, 2002. Imagens de satelite para estudos ambientais. Oficina de textos.

Freires, E. V. et al., 2019. Comparison of OLI/ Landsat 8 and MSI/Sentinel-2 Images in Cover and Land Use Mapping in the Uruburetama Massif, Ceará. Anuário do Instituto de Geociências - UFRJ, 42, 427–442, 12 dez.

Gorelick, N.; Hancher, M.; Dixon, M.; Ilyushhchenko, S.; Thau, D.; Moore, R. 2016. Google Earth Engine: Planetary- scale geospatial analysis for everyone. Remote Sensing of Environment, http:dx.doi.org/10.1016/j.rse.2017.06.031

IPCC 2021- Painel Intergovernamental sobre Mudanças Climáticas. Mudança do Clima: A base científica. Tradução: OLIVEIRA, Mariane Arantes Rocha de. IPCC/WMO/UNEP, 2021.

Landis, J.R.; Koch, G.G. , 1977The measurement of observer agreement for categorical data. Biometrics, s.l ,v. 33, 159-174.

Lorenzzetti, J. A, 2015. Princípios físicos de sensoriamento remoto. São Paulo: Blucher, 2015.

Machado, A. M. B, 2020. Comparação de Imagens OLI/LANDSAT-8 e MSI/SENTINEL-2 no Mapeamento de Uso e Cobertura da TERRA na Ilha do Maranhão. Revista Equador, v. 9, 209–232, 2 jul.

Moreira, M. A, 2012. Fundamentos do Sensoriamento Remoto e Metodologias de Aplicação. 4 ed. Viçosa: UFV.

Mukaka, M.M. 2012. A guide to appropriate use of correlation coefficient in medical research. Malawi Medical Journal, 24(3): 69-71.

Mutanga, O.; Kumar, L, 2019 Google Earth Engine applications. Remote sensing, 11, 591.

Naushad, R.; Kaur, T.; Ghaderpour, E. 2021. Deep Transfer Learning for Land Use and Land Cover Classification: A Comparative Study. Sensors, 21, 8083, 3.

Novo, E. M. L. M. 2008. Sensoriamento remoto: princípios e aplicações. 3 ed. São Paulo: Edgard Blucher. 2008

Pereira, Paulo Emanuel Batista 2021. Diagnóstico de impacto ambiental no trecho do Rio Piancó-Piranhas- Açu em Jardim de Piranhas -RN. Orientador: Walker Gomes de Albuquerque. 2021. 101 f. Monografia (Bacharelado em Engenharia Ambiental) - Universidade Federal de Campina Grande, Centro de Ciências e Tecnologia Agroalimentar, [S. l.], 2021

RefatI, D. C. et al., 2023. Influence of drought and anthropogenic pressures on land use and land cover change in the brazilian semiarid region. Journal of South American Earth Sciences, v. 126, 104362, 1.

Rouse, J. W.; Haas, R. H.; Schell, J. A.; Deering, D. W.; Harlan, J. C, 1974. Monitoring the vernal advancement of retrogradation (greenwave effect) of natural vegetation. Greenbelt: NASA, 371 p., 1974.

Santos, S. de L. et a., l2019. Prejuízos e impactos ambientais do Rio Piranhas em Jardim de Piranhas-RN: Preservação e conservação deste afluente. Em: Semiárido Brasileiro – Volume 3. Belo Horizonte/MG: Editora Poisson. p. 122–125.

Santos, A. B. A., 2023. Impactos ambientais da cadeia produtiva da indústria têxtil em Jardim de Piranhs/RN. Orientador: Edna Lucia da Rocha Linhares. 2021. 51 f. Monografia (Graduação) - Curso de Ciência e Tecnologia, Universidade Federal Rural do Semi-árido, 2021. Disponível: https://repositorio.ufersa.edu.br/bitstream/prefix/9445/1/AndressaBAS_MONO.pdf. acesso em: 5 jul.

Shwartzshalev, S.; Bendavid, S, 2014.Understanding Machine Learning: From theory to algorithms. NY, USA:

Cambridge University Press.

Silva, J. M. C., Barbosa, L. C. F., 2017. Impact of Human Activities on the Caatinga. In: Silva, J. M. C.; Leal, I. R.; Tabarelli, M. Caatinga: the Largest Tropical Dry Forest Region in South America. Cham, Switzerland: Springer Publishing International, 359-368. Disponível: 10.1007/978-3-319-68339-3_13. Acesso: 02 mai. 2023.

Sun, A. Y.; Scanlon, B. R. How can Big Data and machine learning benefit environment and water management: a survey of methods, applications, and future directions. Environmental Research Letters, v. 14073001, 3 jul. 2019

USGS, 2023. United States Geological Survey. Disponível: https://www.usgs.gov/landsat-missions. Acesso: 05 mai. 2023.

Vale, T. M. C. et al., 2020. Subsistence Agriculture Productivity and Climate Extreme Events. Atmosphere, v. 11, n. 12, p. 1287, 2020. DOI: https://doi.org/10.3390/atmos11121287.

Yang, J.; Gong, P.; FU, R.; Zhang, M.; Chen, J.; Liang, S.; Xu, B.; SHI, J.; Dickinson, R., 2013. The role of satellite remote sensing in climate change studies. Nat. Clim. Chang. 3, 875–883. Doi: https://doi.org/10.1038/nclimate1908

Zhang, F. Yang, X. 2020. Improving land cover classification in an urbanized coastal area by Random forests: The role of variable selection. Remote Sensing of Environment. s.l, v. 251 n. 1, p. 112105. 2020. Doi: https://doi.org/10.1016/j.rse.2020.112105.

Downloads

Published

2023-12-30

How to Cite

Guedes da Silva, A. D., Sara Fernandes de Flor de Souza, & Rebecca Luna Lucena. (2023). Computação em Nuvem e Aprendizado de Máquina: Comparação de imagens OLI/Landsat-8 e MSI/Sentinel-2A no Mapeamento de Uso e Cobertura da Terra no Semiárido Nordestino. Journal of Hyperspectral Remote Sensing, 13(4), 536–550. https://doi.org/10.29150/jhrs.v13.4.p536-550

Issue

Vol. 13 No. 4 (2023): Journal of Hyperspectral Remote Sensing

Section

Environmental Applications

License

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Material protegido por direitos autorais e plágio. No caso de material com direitos autorais a ser reproduzido no manuscrito, a atribuição integral deve ser informada no texto; um documento comprobatório de autorização deve ser enviado para a Comissão Editorial como documento suplementar. É da responsabilidade dos autores, não da RBGF ou dos editores ou revisores, informar, no artigo, a autoria de textos, dados, figuras, imagens e/ou mapas publicados anteriormente em outro lugar. Se existir alguma suspeita sobre a originalidade do material, a Comissão Editorial pode verificar o manuscrito por plágio. Nos casos em que o plágio for confirmado, o manuscrito será devolvido sem revisão adicional e sem a possibilidade de re-submissão. Auto-plágio (ou seja, o uso de frases idênticas de documentos publicados anteriormente pelo mesmo autor) também não é aceitável.