Integração de Parâmetros Ambientais em Imagens Multifontes
DOI:
https://doi.org/10.29150/2237-2202.2021.249926Keywords:
Novo Índice Ambiental, Dados LiDAR (ALS) PE 3D, NDVIA, NDBIAMAbstract
O Sensoriamento Remoto (SR) passou a ser largamente utilizado ao longo das últimas décadas pelo rápido desenvolvimento tecnológico de sensores imageadores multifontes, além de inovadores conceitos tecnológicos para o desenvolvimento de modelos e métodos que possa explorar e avaliar novas formas de aquisição de dados espaciais. Nesse contexto, este trabalho tem como objetivo investigar dados LiDAR integrados a imagens orbitais multiespectrais do CBERS-4 para avaliação de um novo índice com base em parâmetros ambientais. Paras isso, foram analisadas o uso integrado de dados LiDAR em imagens do CBERS-4 usando fatiamento por altitudes com os índices físicos NDVI, NDWI e NDBI e o desenvolvimento de um novo índice para melhor aplicação da legislação ambiental. Como resultado, a acurácia da classificação supervisionada do uso e ocupação do solo pelo coeficiente Kappa apontou Boa Qualidade, e o índice de Exatidão Global (EG) indicou 100% de separabilidade dos alvos para as imagens dos períodos (29-08-2019 e 22-01-2015). No desenvolvimento do novo índice ambiental, a fórmula matemática baseada nos índices físicos NDVI e NDBI, pelo critério tentativa e erro de intervalo entre -1 a +1 que atendeu às necessidades de integração foi o valor zero (0), em escala logarítmica log10. Como conclusão, os resultados confirmam que é possível, usando fatiamento por altitudes com os índices físicos NDVI e NDBI para analisar o uso integrado de dados LiDAR 3D em imagens multiespectrais orbitais CBERS-4 a criação de um novo índice físico ambiental.
References
Albuquerque, R.S., 2017. Sistema de indicadores de vulnerabilidade socioambiental e políticas públicas para espaços urbanos: uma aplicação em São Bento-PB. Trabalho de Conclusão de Curso. Universidade Federal de Campina Grande, Pombal.
Chandler, G., 2007. An Overview of the CBERS-2 satellite and comparison of the CBERS-2 CCD data with the L5 TM Data. U.S. Department of the Interior U.S. Geological Survey. Disponível: https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/20070038251.pdf. Acesso: 29 abr. 2020.
Chen, F., Lin, A., Zhu, H., Niu, J., 2018. Quantifying climate change and ecological responses within the Yangtze river basin, China. Sustainability 10, 3026.
Chen, J., Du, P., Wu, C., Xia, J., Chanussot, J., 2018. Mapping urban land cover of a large area using multiple sensors multiple features. Remote Sensing 10, 872.
Chuviecco, E., 1995. Fundamentos de Teledetección Espacial. 2. ed. Ediciones Rialp, Madri.
Coutinho Filho, O.S., 2015. Análise do índice ponderado de áreas verdes baseado no Lidar (ALS) como parâmetro da qualidade ambiental urbana. Dissertação. Escola Politécnica. Universidade de São Paulo, São Paulo.
Egels, Y., Kasser, M., 2002. Digital Photogrammetry. Taylor & Francis, London.
Feng, Y., Gao, C., Tong, X., Chen, S., Lei, Z., Wang, J., 2019. Spatial patterns of land surface temperature and their influencing factors: a case study in Suzhou, China. Remote Sensing 11, 182.
Galvíncio, J.D., Pimentel, R., Fernandes, J.G., 2010. Relação da temperatura do ar e do solo com a quantidade de clorofila aeb em jurema preta (Mimosa tenuiflora (Willd) Poiret) no semi-árido do Nordeste do Brasil. Revista Brasileira de Geografia Física, 3, 41-46.
Gao, B.C., 1996. NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment 58, 257-266.
Gonçalves, F. deS., 2017. Parâmetros ambientais para o ordenamento territorial municipal e proposta para o Estado do Rio Grande do Sul. Tese. Universidade Federal do Rio Grande do Sul, Porto Alegre.
INPE. Instituto Nacional de Pesquisas Espaciais, 2018. Divisão de Processamento de Imagem. Manuais: tutorial de geoprocessamento SPRING. Disponível: http://www.dpi.inpe.br/spring/portugues/tutorial/index.html. Acesso: 20 ago. 2020.
INPE. Instituto Nacional de Pesquisas Espaciais, 2021. Divisão de Geração de Imagens DGI. Disponível: http://www.dgi.inpe.br/catalogo/. Acesso: 2 maio 2021.
Jensen, J.R., 2009. Sensoriamento Remoto do Ambiente: uma perspectiva em recursos terrestres. Parêntese editor, São José dos Campos.
Luo, H., Wang, L., Wu, C., Zhang, L., 2018. An improved method for impervious surface mapping incorporating LiDAR data and high-resolution imagery at different acquisition times. Remote Sensing 10, 1349.
Mitas, L., Mitasova, H., 1999. Spatial Interpolation, in: Longley, P., Goodchild, M.F., Maguire, D.J., Rhind, D.W. Geographical Information Systems: principles, techniques, management and applications, Wiley, Nova Jersey.
Morsy, S., Shaker, A., El-Rabbany, A., 2017. Multispectral LiDAR data for land cover classification of urban areas. Sensors 17, 958.
Novo, E.M.L.M., 2008. Sensoriamento Remoto, Princípios e Aplicações. 3. ed., v. 3. Editora
Blucher, São Paulo.
Pinto, C.T., 2016. Uncertainty evaluation for in-flight radiometric calibration of Earth observation sensors. Tese. - Instituto Nacional de Pesquisas Espaciais, São José dos Campos.
Ponzoni, F.J., Epiphanio, J.C.N., 2012. In-flight absolute calibration of Cbers sensors. Revista Brasileira de Cartografia 64, 813-820.
Ponzoni, F.J., Pinto, C.T., Lamparelli, R.A.C., Zullo Junior, J., Antunes, M.A.H., 2015. Calibração de Sensores Orbitais, 2. ed. Oficina de Textos, São José dos Campos.
QGIS, 2020. Disponível: https://www.QGIS.org/pt_BR/site/forusers/download.html. Acesso: 29 abr. 2020.
Rapinel, S., Hubert-Moy, L., Clément, B., 2015. Combined use of LiDAR data and multispectral earth observation imagery for wetland habitat mapping. International Journal of Applied Earth Observation and Geoinformation 37, 56-64.
Rosenfield, G.H., Fitzpatrick-Lins, K., 1986. A coefficient of agreement as a measure of thematic classification accuracy. Photogrammetric Engineering and Remote Sensing 52, 223-227.
Rouse, J. W.; Haas, R. H.; Schell, J. A.; Deering, D. W. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. Prog. Rep. RSC 1978-1. Remote Sensing Cent., Texas A&M Univ., College Station, 1973.
Sabins, F.F.Jr., 1997. Remote Sensing Principles and Interpretation. Freeman, New York.
LISIRD. Lasp Interactive Solar Irradiance Datacenter, 2020. University of Colorado. Disponível: https://lasp.colorado.edu/lisird/. Acesso: 20 nov. 2020.
Wu, J., Yao, W., Polewski, P., 2018. Mapping individual tree species and vitality along urban road corridors with LiDAR and imaging sensors: Point density versus view perspective. Remote Sensing 10, 1403.
Yang, H., Xi, C., Zhao, X., Mao, P., Shi, Z.W.Y., He, T., Li, Z., 2020. Measuring the urban land surface temperature variations under Zhengzhou city expansion using Landsat-Like data. Remote Sensing 12, 801.
