Classificação  da cobertura do solo com base em imagens RGB e multiespectrais obtidas por VANT para área de floresta seca

Rivaildo da Silva Filho; Vicente de Paulo Rodrigues da Silva

doi:10.26848/rbgf.v17.6.p4530-4458

Autores/as

Rivaildo da Silva Filho UFCG
Vicente de Paulo Rodrigues da Silva Universidade Federal de Campina Grande (UFCG) https://orcid.org/0000-0003-4914-4833

DOI:

https://doi.org/10.26848/rbgf.v17.6.p4530-4458

Palabras clave:

Sensoriamento remoto, Random Forest, Drone, Semiárido, Caatinga

Resumen

A Caatinga Brasileira é um bioma que corresponde à uma das maiores Florestas Tropicais Sazonalmente Secas (FTSS) do mundo e o entendimento da cobertura do solo nesta área contribui para estudos voltados a preservação ambiental e a mitigação de impactos ambientais. Um dos desafios na classificação da cobertura do solo nessa área é a distinção entre os diferentes padrões vegetativos. Nesse contexto, surgem os Veículos Aéreos Não Tripulados (VANT’s) capazes de obter dados com alta resolução espacial e superar esta limitação. Esta pesquisa avalia a precisão da classificação da cobertura do solo através de dados obtidos a partir de VANT com câmera multiespectral embarcada. Duas abordagens utilizando o classificador Random Forest (RF) foram aplicadas, a primeira baseada nas bandas Red, Green, Nir e no NDVI obtidos da câmera multiespectral e a outra baseada nas bandas Red, Green, Blue e no NGRDI obtidos da câmera nativa do VANT. Os resultados das classificações foram avaliados com base em amostras de validação do modelo e indicam que a primeira abordagem apresentou o melhor desempenho com Acurácia Global de 95,33% e Coeficiente kappa de 93,33%. A varível mais importante, segundo índice MDG, foi o NDVI, o que mostra a importância do uso de índices de vegetação para realçar as características vegetativas. A partir dos resultados, conclui-se que o uso de VANT com a câmera Mapir Survey 3w embarcada é uma ferramenta eficiente para classificação da cobertura do solo na Caatinga, com alta capacidade de distinção dos padrões vegetativos.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Vicente de Paulo Rodrigues da Silva, Universidade Federal de Campina Grande (UFCG)

O professor VICENTE DE PAULO RODRIGUES DA SILVA é Pós-Doutor Sênior, Doutor em Recursos Naturais, Mestre em Meteorologia e Graduado em Meteorologia. Atualmente é professor titular da Universidade Federal de Campina Grande (UFCG) e pesquisador nível 1A do CNPq, com 5571 citações, Índice h = 32 e Índice i10 =126. Já concluiu a orientação de, aproximadamente, 100 alunos, em níveis de graduação, especialização, mestrado e doutorado e publicou mais de 300 artigos científicos em revistas nacionais e internacionais de alto impacto, bem como em congressos nacionais e internacionais, simpósios e conferências, além de publicações de livros e capítulos de livros e de dezenas de trabalhos técnicos. Tem atuado como consultor ad hoc de instituições federais (CNPq, INEP e CAPES) e de várias fundações estaduais de pesquisas (FUNDCET, FAPEAM, FACEPE, FAPITEC/CE, dentre outras). Como experiência administrativa, destaca-se como chefe do Departamento de Ciências Atmosféricas, coordenador do curso de Graduação em Meteorologia da UFCG, chefe e fundador do Laboratório de Agrometeorologia (LabAgro), chefe e fundador da Estação Agrometeorológica Experimental (EstAgro), coordenador geral do Grupo de Excelência Científica da UFCG, vinculado ao Programa de Apoio aos Núcleos de Excelência (Pronex). Tem experiência na área de meteorologia, agrometeorologia, climatologia, desertificação, agricultura de precisão, clima urbano, clima áridos e semiáridos. Tem experiência internacional como Editorial Board da revista internacional Agricultural Journal, revisor de artigos científicos de revistas internacionais (Agricultural Journal, Agronomy Journal, Hydrology Research, Acta Scientiarum Technology, Transactions of the ASABE e International Journal of Climatology, Journal of Arid Environments e Agricultural Water Management) e também parcerias científicas com pesquisadores de outros países como: Holanda (Pesquisador: Arjen Y. Hoekstra; instituição: Twente Water Centre, University of Twente); Estados Unidos (Pesquisador: Vijay P. Singh; instituição: Department of Biological and Agricultural Engineering, Texas A&M Univ., TX, USA) e República Islâmica do Iran (Pesquisador: Reza Modarres; instituição: Faculty of Natural Resources, Isfahan University of Technology)

Citas

AESA. Agência Executiva de Gestão das Águas do Estado da Paraíba. (n.d.). Disponível em http://www.aesa.pb.gov.br/aesa-website/meteorologia-chuvas/. Acesso em 30 de novembro de 2023

Anderson, K., & Gaston, K. J. (2013). Lightweight unmanned aerial vehicles will revolutionize spatial ecology. Frontiers in Ecology and the Environment, 11(3), 138–146. https://doi.org/10.2307/23470549

Andrade, J., Cunha, J., Silva, J., Rufino, I., &Galvão, C. (2021). Evaluating single and multi-date Landsat classifications of land-cover in a seasonally dry tropical forest. Remote Sensing, 22 , 100–515. https://doi.org/10.1016/j.rsase.2021.100515

Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114 , 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

Berni, J., Zarco-Tejada, P. J., Suarez, L., & Fereres, E. (2009). Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing, 47722–738. https://doi.org/10.1109/TGRS.2008.2010457

Brito, P. V. S., Santos, T. O., & Morais, Y. B. C. B. (2020). Análise da sazonalidade da vegetação de caatinga do município de Petrolina (Pernambuco) a partir de imagens do satélite Landsat 8–OLI. Revista Brasileira de Sensoriamento Remoto, 1 , 29–37.

Cai, Z., Jönsson, P., Jin, H., & Eklundh, L. (2017). Performance of smoothing methods for reconstructing NDVI time-series and estimating vegetation phenology from MODIS data. Remote Sensing, 9 , 12–71. https://doi.org/10.3390/rs9121271

Carvalho, R. da S., & Carvalho, J. E. B. (2022). Processamento digital e aprendizado de máquina de imagens aéreas obtidas por aeronaves remotamente pilotadas (RPA) para estimar percentual de cobertura do solo por gramíneas perenes em pomar de citros. Cruz das Almas, BA: Embrapa Mandioca e Fruticultura.

Chaves, I. D. B., Lopes, V. L., Folliott, P. F., & Paes-Silva, A. P. (2008). Uma classificação morfoestrutural para descrição e avaliação da biomassa da vegetação da caatinga. Revista Caatinga, 21 (2), 204–213.

Chen, Y., Lu, D., Moran, E., Batistella, M., Dutra, L. V., Sanches, I. D., Silva, R. F. B., Huang, J., Luiz, A. J. B., & Oliveira, M. A. F. (2018). Mapping croplands, cropping patterns, and crop types using MODIS time-series data. International Journal of Applied Earth Observation and Geoinformation, 69 , 133–147. https://doi.org/10.1016/j.jag.2018.03.005

Corcoran, J., Knight, J., & Gallant, A. (2013). Influence of multisource and multitemporal remotely sensed and ancillary data on the accuracy of random forest classification of wetlands in Northern Minnesota. Remote Sensing, 5 (7), 3212–3238. https://doi.org/10.3390/rs5073212

Di Vittorio, A. C., & Georgakakos, P. A. (2018). Land cover classification and wetland inundation mapping using MODIS. Remote Sensing of Environment, 204 , 1–17. https://doi.org/10.1016/j.rse.2017.11.001

Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80 (1), 185–201. https://doi.org/10.1016/S0034-4257(01)00295-4

Ghosh, A., & Joshi, P. K. A. (2014). Comparison of selected classification algorithms for mapping bamboo patches in lower Gangetic plains using very high resolution WorldView 2 imagery. International Journal of Applied Earth Observation and Geoinformation, 26 , 298–311. https://doi.org/10.1016/j.jag.2013.08.011

Giovos, R., Tassopoulos, D., Kalivas, D., Lougkos, N., & Priovolou, A. (2021). Remote sensing vegetation indices in viticulture: A critical review. Agriculture, 11 , 4–57. https://doi.org/10.3390/agriculture11050457

Gomes, A., Queiroz, M. D., Valente, M. S. D., & Pinto, F. (2021). Comparing a single-sensor camera with a multisensor camera for monitoring coffee crop using Unmanned Aerial Vehicles. Engenharia Agrícola, 41 (1), 87-97. https://doi.org/10.1590/1809-4430-Eng.Agric.v41n1p87-97/2021

Htitiou, A., Boudhar, A., Lebrini, A., Hadria, Y., Lionboui, R., Mansouri, R., Tychon, L., & Benabdelouahab, B. T. (2019). The performance of Random Forest classification based on phenological metrics derived from Sentinel-2 and Landsat 8 to map crop cover in an irrigated semiarid region. Remote Sensing in Earth Systems Sciences, 2 (4), 208-224. https://doi.org/10.1007/s41976-019-00023-9

IBGE. (2022). Manual técnico da vegetação brasileira (271 p.). Rio de Janeiro, RJ: IBGE.

Kattenborn, T., Lopatin, T., Förster, J., Braun, M., & Fassnacht, A. F. (2019). UAV data as an alternative to field sampling to map woody invasive species based on combined Sentinel-1 and Sentinel-2 data. Remote Sensing of Environment, 227 , 61–73. https://doi.org/10.1016/j.rse.2019.03.02

Li, G., Zhang, F., Jing, Y., Liu, Y., & Sun, G. (2017). Response of evapotranspiration to changes in land use and land cover and climate in China during 2001–2013. Science of the Total Environment, 596–597 , 256-265. https://doi.org/10.1016/j.scitotenv.2017.04.080

Liaw, A., & Wiener, M. (2002). Classification and regression by Random Forest. R News, 2 (3), 18-22.

Lima, N. A. S., Oliveira, L. M. M., Xavier, M. L. P., Silva Júnior, U. J., & Nascimento, E. F. (2019). Spectral indices for remote sensing with the LANDSAT-5 and SENTINEL-2 satellites around the Poço Cruz reservoir-PE. Journal of Hyperspectral Remote Sensing, 9 , 299-309. http://dx.doi.org/10.29150/jhrs.v9.5.p299-309

Liu, R., Shang, R., Liu, Y., & Lu, X. (2017). Global evaluation of gap-filling approaches for seasonal NDVI with considering vegetation growth trajectory, protection of key point, noise resistance and curve stability. Remote Sensing of Environment, 189 , 164-179. https://doi.org/10.1016/j.rse.2016.11.023

Lu, M., Chen, J., Tang, H., Rao, Y., Yang, P., & Wu, W. (2016). Land cover change detection by integrating object-based data blending model of Landsat and MODIS. Remote Sensing of Environment, 184 , 374-386. https://doi.org/10.1016/j.rse.2016.07.028

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 , 2784–2817. https://doi.org/10.1080/01431161.2018.1433343

Nitze, I., Barrett, B., & Cawkwell, F. (2015). Temporal optimisation of image acquisition for land cover classification with Random Forest and MODIS time-series. International Journal of Applied Earth Observation and Geoinformation, 34 , 136–146. https://doi.org/10.1016/j.jag.2014.08.001

Olariu, H. G., Malambo, L., Popescu, S. C., Virgil, C., & Wilcox, B. P. (2022). Woody plant encroachment: Evaluating methodologies for semiarid woody species classification from drone images. Remote Sensing, 14 (16), 65. https://doi.org/10.3390/rs14071665

Pal, M., & Mather, P. M. (2003). An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, 86 , 554–565. https://doi.org/10.1016/S0034-4257(03)00132-9

Pal, M., & Mather, P. M. (2005). Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26 , 1007–1011. https://doi.org/10.1080/01431160512331314083

RStudio. (2020). RStudio: Integrated development for R . Boston: PBC. Disponível em http://www.rstudio.com/. Acesso em 21 out. 2021.

Sá, S. de A. C. (2022). Sensoriamento remoto aplicado em cultivos no submédio São Francisco por imageamento aéreo com drones (97 p.). Dissertação de Mestrado, Universidade Federal do Vale do São Francisco, Juazeiro, BA.

Sampaio, H. S., Bourscheidt, V., Sarracini, L. H., Jorge, L. A. de C., Bettiol, G. M., & Bernardi, A. C. de C. (2020). Comparação entre índices de vegetação obtidos por imagens aéreas com Veículo Aéreo Não Tripulado (VANT) e satélite. Revista Brasileira de Engenharia de Biossistemas, 14 , 111-124.

Santos, C. V. B. Dos, Moura, M. S. B. De, Carvalho, H. F. de S., Galvincio, J. D., Miranda, R. de Q., Nishiwaki, A. A. M., & Montenegro, S. M. G. L. (2022). Avaliação do índice de área foliar e índice de área da planta em floresta seca utilizando modelos simplificados em imagens de alta resolução com o uso de VANT. Journal of Hyperspectral Remote Sensing, 12 (3), 109-123.

Santos, C. V. B. dos, Moura, M. S. B. de, Galvíncio, J. D., Carvalho, H. F. de S., Miranda, R. de Q., & Montenegro, S. M. G. L. (2021). Comparação de imagens multiespectrais utilizando satélites e VANT para a análise de mudanças estruturais em área de floresta seca. Revista Brasileira de Geografia Física, 14 (6), 2510-2522.

Silva, C. R., Machado, S. L. D., Araújo, A. A., & Abreu Júnior, C. A. M. (2018). Analysis of the phenology dynamics of Brazilian caatinga species with NDVI time series. Cerne, 24 (1), 48-58. https://doi.org/10.1590/0104776020182401248

Silveira, M. A., Andrade, P., Filho, C., Bremm, M., & Santos, C. F. (2022). Aprendizado de máquina com base na resposta espectral de imagens aéreas obtidas por ANTs e aplicado no manejo de pastagens. Embrapa Pecuária Sul .

Souza, R., Feng, X., Antonino, A., Montenegro, S., Souza, E., & Porporato, A. (2016). Vegetation response to rainfall seasonality and interannual variability in tropical dry forests. Hydrological Processes, 30 (20), 3583-3595. https://doi.org/10.1002/hyp.10953

Strecha, C., Fletcher, A., Lechner, A., Erskine, P., & Fua, P. (2012). Developing species specific vegetation maps using multi-spectral hyperspatial imagery from Unmanned Aerial Vehicles. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 3 , 311–316. https://doi.org/10.5194/isprsannals-I-3-311-20

Zhang, Z., Yang, Z., Ren, W., & Wen, G. (2019). Random forest based real-time defect detection of Al alloy in robotic arc welding using optical spectrum. Journal of Manufacturing Processes, 42 , 51–59. https://doi.org/10.1016/j.jmapro.2019.04.023