Aplicação de dados Sentinel 1 e 2 via Machine Learning para Mapeamento do Uso e Cobertura da Terra na Área de Proteção Ambiental do Ibirapuitã, Bioma Pampa utilizando o algoritmo de classificação Random Forest
DOI:
https://doi.org/10.26848/rbgf.v17.5.p3715-3735Palavras-chave:
Sinergia Sentinel 1 e 2. Random forest. Machine learning. Bioma Pampa.Resumo
A abordagem conjunta de imagens de sensores ópticos e de radar de abertura sintética (SAR) tem sido eficaz no
mapeamento da cobertura terrestre. Neste trabalho, realizado na área de proteção ambiental do Ibirapuitã, foram
empregadas técnicas de machine learning para classificar o uso e a cobertura da terra. O algoritmo Random Forest (RF)
foi utilizado a partir dos atributos estatísticos dos produtos derivados de imagens ópticas Sentinel-2, como o Índice de
Vegetação de Diferença Normalizada (NDVI), o Índice de Água-Diferença Normalizada (NDWI) e o Índice de
Vegetação-Ajustado ao Solo (SAVI), além de atributos provenientes de imagens SAR Sentinel-1, como coeficiente de
retroespalhamento, parâmetros polarimétricos e interferométricos. Os resultados mostraram que o classificador RF foi
robusto, com valores médios de Exatidão Global, Coeficiente Kappa e F1-Score de 96,89%, 0,9495 e 0,8909,
respectivamente. A combinação de atributos SAR e dados ópticos permitiu uma melhor discriminação para algumas
classes, como área urbana, área úmida e agricultura. A metodologia proposta alcançou alta acurácia e precisão na
classificação de uso e cobertura da terra, exceto no uso isolado dos dados Sentinel-1. Como destaque, tem-se a introdução da coerência interferométrica que resultou no melhor resultado entre os cenários propostos.
Downloads
Referências
Adugna, T., Xu, W., & Fan, J. (2022). Compar-ison of random forest and support vector machine classifiers for regional land cover mapping using coarse resolution FY-3C im-ages. Remote Sensing, 14(3), 574. DOI: https://doi.org/10.3390/rs14030574
Agência Espacial Europeia WorldCover. Dis-ponível em: https://esa-worldcover.org/en. Acesso 21 de jan. de 2023.
Almeida, C. A. D., Coutinho, A. C., Esquerdo, J. C. D. M., Adami, M., Venturieri, A., Di-niz, C. G., ... & Gomes, A. R. (2016). High spatial resolution land use and land cover mapping of the Brazilian Legal Amazon in 2008 using Landsat-5/TM and MODIS da-ta. Acta Amazonica, 46, 291-302. DOI: https://doi.org/10.1590/1809-4392201505504
Andrade, R., Silva, S. H. G., Weindorf, D. C., Chakraborty, S., Faria, W. M., Guilherme, L. R. G., & Curi, N. (2021). Micronutrients prediction via pXRF spectrometry in Brazil: Influence of weathering degree. Geoderma Regional, 27, e00431. DOI: https://doi.org/10.1016/j.geodrs.2021.e00431
Arias, M., Campo-Bescós, M. Á., & Álvarez-Mozos, J. (2022). On the influence of ac-quisition geometry in backscatter time series over wheat. International Journal of Applied Earth Observation and Geoinformation, 106, 102671. DOI: https://doi.org/10.1016/j.jag.2021.102671
Arveti, N., Etikala, B., & Dash, P. (2016). Land use/land cover analysis based on various comprehensive geospatial data sets: a case study from Tirupati area, south India. Ad-vances in Remote Sensing, 5(02), 73. DOI: https://doi.org/10.4236/ars.2016.52006
Barbosa, F. L. R., Guimarães, R. F., Carvalho Júnior, O. A. D., & Gomes, R. A. T. (2021). Land Use/Land Cover (LULC) classification based on SAR/Sentinel 1 image in Distrito Federal, Brazil. Sociedade & Natureza, 33.
Bazzi, H., Baghdadi, N., Ienco, D., El Hajj, M., Zribi, M., Belhouchette, H., ... & Demarez, V. (2019). Mapping irrigated areas using Sentinel-1 time series in Catalonia, Spain. Remote Sensing, 11(15), 1836. DOI: https://doi.org/10.3390/rs11151836
Breiman, L. (2001). Random forests. Machine learning, 45, 5-32. DOI: https://doi.org/10.1023/A:1010933404324
Bruggisser, M., Dorigo, W., Dostálová, A., Hol-laus, M., Navacchi, C., Schlaffer, S., & Pfeifer, N. (2021). Potential of Sentinel-1 C-band time series to derive structural parame-ters of temperate deciduous forests. Remote Sensing, 13(4), 798. DOI: https://doi.org/10.3390/rs13040798
Campos-Taberner, M., García-Haro, F. J., Mar-tínez, B., Sánchez-Ruíz, S., & Gilabert, M. A. (2019). A copernicus sentinel-1 and sen-tinel-2 classification framework for the 2020+ European common agricultural poli-cy: A case study in València (Spain). Agronomy, 9(9), 556. DOI: https://doi.org/10.3390/agronomy9090556
Campos-Taberner, M., García-Haro, F. J., Mar-tínez, B., Izquierdo-Verdiguier, E., Atzberger, C., Camps-Valls, G., & Gilabert, M. A. (2020). Understanding deep learning in land use classification based on Sentinel-2 time series. Scientific reports, 10(1), 17188. DOI: https://doi.org/10.1038/s41598-020-74215-5
Cao, R., Tu, W., Yang, C., Li, Q., Liu, J., Zhu, J., ... & Qiu, G. (2020). Deep learning-based remote and social sensing data fusion for urban region function recognition. ISPRS Journal of Photogrammetry and Remote Sensing, 163, 82-97. DOI: https://doi.org/10.1016/j.isprsjprs.2020.02.014
Carreiras, J. M., Jones, J., Lucas, R. M., & Shimabukuro, Y. E. (2017). Mapping major land cover types and retrieving the age of secondary forests in the Brazilian Amazon by combining single-date optical and radar remote sensing data. Remote sensing of en-vironment, 194, 16-32. DOI: https://doi.org/10.1016/j.rse.2017.03.016
Çavur, M., Duzgun, H. S., Kemeç, S., & Demirkan, D. C. (2019). Land use and land cover classification of Sentinel 2-A: St Pe-tersburg case study. The International Ar-chives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 13-16. DOI: https://doi.org/10.5194/isprs-archives-XLII-1-W2-13-2019
Chatziantoniou, A., Petropoulos, G. P., & Pso-miadis, E. (2017). Co-Orbital Sentinel 1 and 2 for LULC mapping with emphasis on wet-lands in a mediterranean setting based on machine learning. Remote Sensing, 9(12), 1259. DOI: https://doi.org/10.3390/rs9121259
Cloude, S. R., & Pottier, E. (1996). A review of target decomposition theorems in radar po-larimetry. IEEE transactions on geoscience and remote sensing, 34(2), 498-518. DOI: https://doi.org/10.1109/36.485127
Cloude, S. R., & Pottier, E. (1997). An entropy based classification scheme for land appli-cations of polarimetric SAR. IEEE transac-tions on geoscience and remote sensing, 35(1), 68-78. DOI: https://doi.org/10.1109/36.551935
Cloude, S. (2007). The dual polarization entro-py/alpha decomposition: A PALSAR case study. Science and Applications of SAR Po-larimetry and Polarimetric Interferometry, 644, 2.
Congalton, R. G., & Green, K. (2019). As-sessing the accuracy of remotely sensed da-ta: principles and practices. CRC press. DOI: https://doi.org/10.1201/9780429052729
Copernicus. Land Monitoring Sevice. CORINE Land Cover. Disponível em: https://land.copernicus.eu/pan-european/corine-land-cover. Acesso em: 21 de jan. de 2023.
Costa, J. D. S., Liesenberg, V., Schimalski, M. B., Sousa, R. V. D., Biffi, L. J., Gomes, A. R., ... & Bispo, P. D. C. (2021). Benefits of combining ALOS/PALSAR-2 and Sentinel-2A data in the classification of land cover classes in the Santa Catarina southern Plat-eau. Remote Sensing, 13(2), 229. DOI: https://doi.org/10.3390/rs13020229
Dascălu, A., Catalão, J., & Navarro, A. (2023). Detecting Deforestation Using Logistic Analysis and Sentinel-1 Multitemporal Backscatter Data. Remote Sensing, 15(2), 290 DOI: https://doi.org/10.3390/rs15020290
DINIZ, J., & GAMA, F. (2019). Utilização da coerência interferométrica SAR para mape-amento do uso e cobertura da terra na região da Amazônia. Simpósio Brasileiro de Senso-riamento Remoto. Distributions, 21, 1455-1460, 2015
Dobrinić, D., Medak, D., & Gašparović, M. (2020). Integration of multitemporal Senti-nel-1 and Sentinel-2 imagery for land-cover classification using machine learning meth-ods. The International Archives of Photo-grammetry, Remote Sensing and Spatial In-formation Sciences, 43, 91-98. DOI: https://doi.org/10.5194/isprs-archives-XLIII-B1-2020-91-2020
Dostálová, A., Milenkovic, M., Hollaus, M., & Wagner, W. (2016, May). Influence of for-est structure on the Sentinel-1 backscatter variation-analysis with full-waveform lidar data. In Living Planet Symposium (Vol. 740, p. 202).
Erinjery, J. J., Singh, M., & Kent, R. (2018). Mapping and assessment of vegetation types in the tropical rainforests of the Western Ghats using multispectral Sentinel-2 and SAR Sentinel-1 satellite imagery. Remote Sensing of Environment, 216, 345-354. DOI: https://doi.org/10.1016/j.rse.2018.07.006
Ferreira, G. H. S. (2018). Identificação de áreas inundáveis na porção sul de Roraima com auxílio de imagens de Radar.
Filipponi, F. (2019). Sentinel-1 GRD prepro-cessing workflow. In International Electron-ic Conference on Remote Sensing (p. 11). MDPI. DOI: https://doi.org/10.3390/ECRS-3-06201
Fiorillo, E., Di Giuseppe, E., Fontanelli, G., & Maselli, F. (2020). Lowland rice mapping in Sédhiou Region (Senegal) using sentinel 1 and sentinel 2 data and random forest. Re-mote Sensing, 12(20), 3403.
Fiorillo, E., Di Giuseppe, E., Fontanelli, G., & Maselli, F. (2020). Lowland rice mapping in Sédhiou Region (Senegal) using sentinel 1 and sentinel 2 data and random forest. Re-mote Sensing, 12(20), 3403. DOI: https://doi.org/10.3390/rs12203403
SCHMITT, Andreas; BRISCO, Brian. Wetland monitoring using the curvelet-based change detection method on polarimetric SAR im-agery. Water, 5, 1036-1051, 2013. DOI: https://doi.org/10.3390/w5031036
Foody, G. M. (2002). Status of land cover clas-sification accuracy assessment. Remote sensing of environment, 80(1), 185-201. DOI: https://doi.org/10.1016/S0034-4257(01)00295-4
Freeman, A., & Durden, S. L. (1998). A three-component scattering model for polarimetric SAR data. IEEE transactions on geoscience and remote sensing, 36(3), 963-973. DOI: https://doi.org/10.1109/36.673687
Gao, B. C. (1996). NDWI—A normalized dif-ference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257-266. DOI: https://doi.org/10.1016/S0034-4257(96)00067-3
García-Haro, F. J., Campos-Taberner, M., Moreno, Á., Tagesson, H. T., Camacho, F., Martínez, B., ... & Gilabert, M. A. (2020). A global canopy water content product from AVHRR/Metop. ISPRS Journal of Photo-grammetry and Remote Sensing, 162, 77-93. DOI: https://doi.org/10.1016/j.isprsjprs.2020.02.007
Ghorbanian, A., Mohammadzadeh, A., & Ja-mali, S. (2022). Linear and non-linear vege-tation trend analysis throughout Iran using two decades of MODIS NDVI image-ry. Remote Sensing, 14(15), 3683. DOI: https://doi.org/10.3390/rs14153683
Ghimire, B., Rogan, J., Galiano, V. R., Panday, P., & Neeti, N. (2012). An evaluation of bagging, boosting, and random forests for land-cover classification in Cape Cod, Mas-sachusetts, USA. GIScience & Remote Sensing, 49(5), 623-643. DOI: https://doi.org/10.2747/1548-1603.49.5.623
Gislason, P. O., Benediktsson, J. A., & Sveins-son, J. R. (2006). Random forests for land cover classification. Pattern recognition let-ters, 27(4), 294-300. DOI: https://doi.org/10.1016/j.patrec.2005.08.011
Goergen, L. C. D. G., Narvaes, I. D. S., & Adami, M. (2021). Estimation of wood vol-ume of Eucalyptus dunnii and urograndis of different ages using TM/Landsat 5 i. Ciência Florestal, 31, 683-704. DOI: https://doi.org/10.5902/1980509834751
Guimaraes, U. S., Galo, M. D. L. B. T., da Sil-va Narvaes, I., & da Silva, A. D. Q. (2020). Cosmo-SkyMed and TerraSAR-X datasets for geomorphological mapping in the east-ern of Marajó Island, Amazon coast. Geo-morphology, 350, 106934. DOI: https://doi.org/10.1016/j.geomorph.2019.106934
Hansen, J. N., Mitchard, E. T., & King, S. (2020). Assessing forest/non-forest separa-bility using Sentinel-1 c-band synthetic ap-erture radar. Remote Sensing, 12(11), 1899. DOI: https://doi.org/10.3390/rs12111899
Hardy, A., Ettritch, G., Cross, D. E., Bunting, P., Liywalii, F., Sakala, J., ... & Thomas, C. J. (2019). Automatic detection of open and vegetated water bodies using Sentinel 1 to map African malaria vector mosquito breed-ing habitats. Remote Sensing, 11(5), 593. DOI: https://doi.org/10.3390/rs11050593
Hawryło, P., Bednarz, B., Wężyk, P., & Szos-tak, M. (2018). Estimating defoliation of Scots pine stands using machine learning methods and vegetation indices of Sentinel-2. European Journal of Remote Sensing, 51(1), 194-204. DOI: https://doi.org/10.1080/22797254.2017.1417745
Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environ-ment, 25(3), 295-309. DOI: https://doi.org/10.1016/0034-4257(88)90106-X
Ibrahim, S. A. (2022). Improving Land Use/Cover Classification Accuracy from Random Forest Feature Importance Selec-tion Based on Synergistic Use of Sentinel Data and Digital Elevation Model in Agri-culturally Dominated Landscape. Agricultu-re, 13(1), 98. DOI: https://doi.org/10.3390/agriculture13010098
INPE. (2023). PRODES — Coordenação-Geral de Observação da Terra. Disponível em: . Acesso em: http://www.obt.inpe.br/OBT/assuntos/programas/amazonia/prodes4. Acesso em: 21 de jan. de 2023
Jacob, A. W., Vicente-Guijalba, F., Lopez-Martinez, C., Lopez-Sanchez, J. M., Litzin-ger, M., Kristen, H., ... & Engdahl, M. E. (2020). Sentinel-1 InSAR coherence for land cover mapping: A comparison of mul-tiple feature-based classifiers. IEEE Journal of Selected Topics in Applied Earth Obser-vations and Remote Sensing, 13, 535-552. DOI: https://doi.org/10.1109/JSTARS.2019.2958847
Jensen, J. R., & Epiphanio, J. C. N. (2009). Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres (p. 598). São José dos Campos: Parêntese Edi-tora.
Joshi, N., Baumann, M., Ehammer, A., Fens-holt, R., Grogan, K., Hostert, P., ... & Waske, B. (2016). A review of the applica-tion of optical and radar remote sensing data fusion to land use mapping and monitoring. Remote Sensing, 8(1), 70 DOI: https://doi.org/10.3390/rs8010070
Khalil, R. Z. (2018). InSAR coherence-based land cover classification of Okara, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 21, S23-S28 DOI: https://doi.org/10.1016/j.ejrs.2017.08.005
Kobayashi, N., Tani, H., Wang, X., & Sonobe, R. (2020). Crop classification using spectral indices derived from Sentinel-2A imagery. Journal of Information and Telecommuni-cation, 4(1), 67-90. DOI: https://doi.org/10.1080/24751839.2019.1694765
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. biometrics, 159-174. DOI: https://doi.org/10.2307/2529310
Lee, J. S. (1980). Digital image enhancement and noise filtering by use of local statistics. IEEE transactions on pattern analysis and machine intelligence, (2), 165-168 DOI: https://doi.org/10.1109/TPAMI.1980.4766994
Lee, J. S. (1981). Speckle analysis and smooth-ing of synthetic aperture radar images. Computer graphics and image processing, 17(1), 24-32 DOI: https://doi.org/10.1016/S0146-664X(81)80005-6
Lobert, F., Holtgrave, A. K., Schwieder, M., Pause, M., Vogt, J., Gocht, A., & Erasmi, S. (2021). Mowing event detection in perma-nent grasslands: Systematic evaluation of input features from Sentinel-1, Sentinel-2, and Landsat 8 time series. Remote Sensing of Environment, 267, 112751 DOI: https://doi.org/10.1016/j.rse.2021.112751
Lopes, M., Frison, P. L., Durant, S. M., Schulte to Bühne, H., Ipavec, A., Lapeyre, V., & Pettorelli, N. (2020). Combining optical and radar satellite image time series to map natu-ral vegetation: savannas as an example. Remote Sensing in Ecology and Conserva-tion, 6(3), 316-326 DOI: https://doi.org/10.1002/rse2.139
Mamun, A. A., Mahmood, A., Rahman, M. 2013. Identification and monitoring the change of land use pattern using remote sensing and GIS: A case study of Dhaka City. IOSR Journal of Mechanical and Civil Engineering, 6(2), pp.20-28 DOI: https://doi.org/10.9790/1684-0622028
Mapbiomas Brasil. Disponível em: https://mapbiomas.org/en. Acessado em: 21 de jan. de 2023.
Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784-2817. DOI: https://doi.org/10.1080/01431161.2018.1433343
Miguel, B. H., & Sano, E. E. (2019). Classifi-cação do uso e cobertura da terra do Distrito Federal, Brasil a partir de dado de coerência interferométrica. Revista Brasileira de Geo-grafia Física, 12(2), 427-442. DOI: https://doi.org/10.26848/rbgf.v12.2.p427-442
Ministério do Meio Ambiente – MMA. 2014. MMA Pampa. Disponível em: https://www.gov.br/mma/pt-br/noticias/a-biodiversidade-pouco-conhecida-do-pampa. Acesso em 16 de jan. de 2023.
Mohammadimanesh, F., Salehi, B., Mahdian-pari, M., Brisco, B., & Motagh, M. (2018). Multi-temporal, multi-frequency, and multi-polarization coherence and SAR backscatter analysis of wetlands. ISPRS Journal of Pho-togrammetry and Remote Sensing, 142, 78-93. DOI: https://doi.org/10.1016/j.isprsjprs.2018.05.009
Narvaes, I. D. S., Santos, J. R. D., & Silva, A. D. Q. D. (2010). Análise dos parâmetros es-truturais de tipologias florestais utilizando dados SAR em banda L. Boletim de Ciên-cias Geodésicas, 16, 475-489. DOI: https://doi.org/10.1590/S1982-21702010000300007
Nery, T., Sadler, R., Solis-Aulestia, M., White, B., Polyakov, M., & Chalak, M. (2016, Ju-ly). Comparing supervised algorithms in Land Use and Land Cover classification of a Landsat time-series. In 2016 IEEE Interna-tional Geoscience and Remote Sensing Symposium (IGARSS) (pp. 5165-5168). IEEE. DOI: https://doi.org/10.1109/IGARSS.2016.7730346
Nicolau, A. P., Flores-Anderson, A., Griffin, R., Herndon, K., & Meyer, F. J. (2021). Assessing SAR C-band data to effectively distinguish modified land uses in a heavily disturbed Am-azon forest. International Journal of Applied Earth Observation and Geoinformation, 94, 102214. DOI: https://doi.org/10.1016/j.jag.2020.102214
Niculescu Sr, S., Billey, A., & Talab-Ou-Ali Jr, H. (2018, October). Random forest classifi-cation using Sentinel-1 and Sentinel-2 series for vegetation monitoring in the Pays de Brest (France). In Remote Sensing for Agri-culture, Ecosystems, and Hydrology XX (Vol. 10783, p. 1078305). SPIE. DOI: https://doi.org/10.1117/12.2325546
Nitze, I., Schulthess, U., & Asche, H. (2012). Comparison of machine learning algorithms random forest, artificial neural network and support vector machine to maximum likeli-hood for supervised crop type classifica-tion. Proceedings of the 4th GEOBIA, Rio de Janeiro, Brazil, 79, 3540.
Novo, E. M. L. D. M., & Costa, M. P. (2005). Fundamentos e aplicações de radar no estu-do de áreas alagáveis.
Olesk, A., Praks, J., Antropov, O., Zalite, K., Arumäe, T., & Voormansik, K. (2016). In-terferometric SAR coherence models for characterization of hemiboreal forests using TanDEM-X data. Remote Sensing, 8(9), 700. DOI: https://doi.org/10.3390/rs8090700
Overbeck, G. E., Vélez‐Martin, E., Scarano, F. R., Lewinsohn, T. M., Fonseca, C. R., Mey-er, S. T., ... & Pillar, V. D. (2015). Conser-vation in Brazil needs to include non‐forest ecosystems. Diversity and distributions, 21(12), 1455-1460. DOI: https://doi.org/10.1111/ddi.12380
Paradella, W. R., Mura, J. C., & Gama, F. F. (2021). Monitoramento DInSAR para mine-ração e geotecnia. Oficina de Textos.
Pavanelli, J. A. P., Santos, J. R. D., Galvão, L. S., Xaud, M., & Xaud, H. A. M. (2018). PALSAR-2/ALOS-2 and OLI/LANDSAT-8 data integration for land use and land cover mapping in northern Brazilian Amazon. Bo-letim de Ciências Geodésicas, 24, 250-269. DOI: https://doi.org/10.1590/s1982-21702018000200017
Penna, P. A. D. A. (2014). Filtragem de ruído speckle em imagens de radar de abertura sintética por filtros de média não local com transformação homomórfica e distâncias es-tocásticas.
Planet Labs. (2022). “Planet Imager Product Specifications,” São Francisco. Acesso em 02 mar. 2022. Available: https://assets.planet.com/docs
Plank, S., Jüssi, M., Martinis, S., & Twele, A. (2017). Mapping of flooded vegetation by means of polarimetric Sentinel-1 and ALOS-2/PALSAR-2 imagery. International Journal of Remote Sensing, 38(13), 3831-3850. DOI: https://doi.org/10.1080/01431161.2017.1306143
Pompêo, M., Sòria-peprinyà, X., Garcia, M. S., Delegido, J., Urrego, E. P.; Pereira-Sandoval, M. A., Vicente, E. (2019). Senti-nel 2 (A e B): protocolo de instalação e uso para trabalhar imagens na avaliação da qua-lidade da água de reservatórios. São Paulo: Instituto de Biociências, 38 p
Ponzoni, F. J., Shimabukuro, Y. E., & Kuplich, T. M. (2012). Sensoriamento remoto da ve-getação. atual e ampl. São Paulo: Oficina de Textos.
Pôssa, E. M., Gama, F. F., Santos, J. R., Mura, J. C., & Bispo, P. C. (2018). Análise de uso da terra e cobertura florestal na Amazônia central, a partir de dado polarimétrico PAL-SAR/ALOS-1 e coerência interferométrica TanDEM-X. Revista Brasileira de Geografia Física, 11(6), 2094-2108. DOI: https://doi.org/10.26848/rbgf.v11.6.p2094-2108
Quegan, S., Le Toan, T., Yu, J. J., Ribbes, F., & Floury, N. (2000). Multitemporal ERS SAR analysis applied to forest mapping. IEEE Transactions on Geoscience and Re-mote Sensing, 38(2), 741-753. DOI: https://doi.org/10.1109/36.842003
Quegan, S., & Yu, J. J. (2001). Filtering of multichannel SAR images. IEEE Transac-tions on geoscience and remote sensing, 39(11), 2373-2379. DOI: https://doi.org/10.1109/36.964973
Richards, J. A., Woodgate, P. W., & Skidmore, A. K. (1987). An explanation of enhanced radar backscattering from flooded forests. International Journal of Remote Sensing, 8(7), 1093-1100. DOI: https://doi.org/10.1080/01431168708954756
Raczko, E., & Zagajewski, B. (2017). Compar-ison of support vector machine, random forest and neural network classifiers for tree species classification on airborne hyper-spectral APEX images.European Journal of Remote Sensing,50(1), 144-154. DOI: https://doi.org/10.1080/22797254.2017.1299557
Rosa, M. R. (2018). Classificação do padrão de ocupação urbana de são paulo utilizando aprendizagem de máquina e Sentinel 2. Re-vista do Departamento de Geografia, 15-21. DOI: https://doi.org/10.11606/rdg.v0ispe.145784
Rosemback, R., França, A. M. S., & Florenza-no, T. G. (2005). Análise comparativa dos dados NDVI obtidos de imagens CCD/CBERS-2 e TM/LANDSAT-5 em área urbana. Simpósio Brasileiro de Sensoria-mento Remoto, 12(2005), 1075-1082.
Rouse, J. W., Haas, R. H., Schell, J. A., & Dee-ring, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA Spec. Publ, 351(1), 309.
SHI, Jiancheng; DOZIER, Jeff; ROTT, Helmut. Snow mapping in alpine regions with syn-thetic aperture radar. IEEE Transactions on Geoscience and Remote Sensing, 32, 152-158, 1994. DOI: https://doi.org/10.1109/36.285197
Shuai, G., Zhang, J., Basso, B., Pan, Y., Zhu, X., Zhu, S., & Liu, H. (2019). Multi-temporal RADARSAT-2 polarimetric SAR for maize mapping supported by segmenta-tions from high-resolution optical image. In-ternational Journal of Applied Earth Obser-vation and Geoinformation, 74, 1-15. DOI: https://doi.org/10.1016/j.jag.2018.08.021
Small, D. (2011). Flattening gamma: Radio-metric terrain correction for SAR imagery. IEEE Transactions on Geoscience and Re-mote Sensing, 49(8), 3081-3093. DOI: https://doi.org/10.1109/TGRS.2011.2120616
Tavares, P. A., Beltrão, N. E. S., Guimarães, U. S., & Teodoro, A. C. (2019). Integration of sentinel-1 and sentinel-2 for classification and LULC mapping in the urban area of Be-lém, eastern Brazilian Amazon. Sensors, 19(5), 1140. DOI: https://doi.org/10.3390/s19051140
Thanh Noi, P., & Kappas, M. (2017). Compari-son of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery. Sensors, 18(1), 18. DOI: https://doi.org/10.3390/s18010018
Torbick, N., Chowdhury, D., Salas, W., & Qi, J. (2017). Monitoring rice agriculture across myanmar using time series Sentinel-1 assist-ed by Landsat-8 and PALSAR-2. Remote Sensing, 9(2), 119 DOI: https://doi.org/10.3390/rs9020119
Ulaby, F. T., & Elachi, C. (1990). Radar Polar-imetry for Geoscience Applications, 364 p., Artech House. Inc., MA. DOI: https://doi.org/10.1080/10106049009354274
Vicente, L., Souza Filho, C. R., & Perez Filho, A. (2007). O uso do infravermelho de on-das curtas (SWIR) no mapeamento de fitofi-sionomias em ambiente tropical por meio de classificação hiperespectral de dados do sensor ASTER. In Anais XIII Simpósio Bra-sileiro de Sensoriamento Remoto (pp. 1915-1922).
Werner, A., Storie, C. D., & Storie, J. (2014). Evaluating SAR-optical image fusions for urban LULC classification in Vancouver Canada. Canadian Journal of Remote Sens-ing, 40(4), 278-290. DOI: https://doi.org/10.1080/07038992.2014.976700
Whyte, A., Ferentinos, K. P., & Petropoulos, G. P. (2018). A new synergistic approach for monitoring wetlands using Sentinels-1 and 2 data with object-based machine learning al-gorithms. Environmental Modelling & Soft-ware, 104, 40-54. DOI: https://doi.org/10.1016/j.envsoft.2018.01.023
Woodhouse, I.H., 2006. Introduction to Microwave Remote Sensing. CRC Press/Taylor & Francis, New York.
Jin, Y., Liu, X., Chen, Y., & Liang, X. (2018). Land-cover mapping using Random Forest classification and incorporating NDVI time-series and texture: A case study of central Shandong. International journal of remote sensing, 39(23), 8703-8723. DOI: https://doi.org/10.1080/01431161.2018.1490976
Zakeri, H., Yamazaki, F., & Liu, W. (2017). Texture analysis and land cover classification of Tehran using polarimetric synthetic aperture radar imagery. Applied Sciences, 7(5), 452. DOI: https://doi.org/10.3390/app7050452
Zeferino, L. B., de Souza, L. F. T., do Amaral, C. H., Fernandes Filho, E. I., & de Oliveira, T. S.(2020). Does environmental data increase the accuracy of land use and land cover DOI: https://doi.org/10.1016/j.jag.2020.102128
classification?. International Journal of Applied Earth Observation and Geoinformation, 91, 102128.
Zhang, B., Wdowinski, S., Gann, D., Hong, S. H., & Sah, J. (2022). Spatiotemporal variations of wetland backscatter: The role of water depth and vegetation characteristics in Sentinel-1 dual-polarization SAR observations. Remote Sensing of Environment, 270, 112864. DOI: https://doi.org/10.1016/j.rse.2021.112864
Zhang, W., Brandt, M., Wang, Q., Prishchepov, A. V., Tucker, C. J., Li, Y., ... & Fensholt, R. (2019). From woody cover to woody canopies: How Sentinel-1 and Sentinel-2 data advance the mapping of woody plants in savannas. Remote Sensing of Environment, 234, 111465. DOI: https://doi.org/10.1016/j.rse.2019.111465
Sheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., & Homayouni, S. (2020). Support vector machine versus random forest for remote sensing image classification: A meta-analysis and systematic review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 6308-6325. DOI: https://doi.org/10.1109/JSTARS.2020.3026724
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Marcus Vinicius Maidana de Andrade, Ulisses Silva Guimarães, Tatiana Mora Kuplich, Igor da Silva Narvaes
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam na Revista Brasileira de Geografia Física concordam com os seguintes termos:
Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (exemplo: depositar em repositório institucional ou publicar como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
Autores têm permissão para disponibilizar seu trabalho online antes ou durante o processo editorial, em redes sociais acadêmicas, repositórios digitais ou servidores de preprints. Após a publicação na Revista Brasileira de Geografia Física, os autores se comprometem a atualizar as versões preprint ou pós-print do autor, nas plataformas onde foram originalmente disponibilizadas, informando o link para a versão final publicada e outras informações relevantes, com o reconhecimento da autoria e da publicação inicial nesta revista.
Qualquer usuário tem direito de:
Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
Adaptar — remixar, transformar e criar a partir do material para qualquer fim, mesmo que comercial.
O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
