Fechar

@MastersThesis{Carneiro:2021:AvUsDa,
               author = "Carneiro, Arian Ferreira",
                title = "Avalia{\c{c}}{\~a}o do uso de dados {\'o}pticos e de 
                         micro-ondas no monitoramento de pastagens na Amaz{\^o}nia 
                         Brasileira",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2021",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2021-12-13",
             keywords = "s{\'e}ries temporais, pastagem, Bioma Amaz{\^o}nia, radar de 
                         abertura sint{\'e}tica, time series, pasture, Amazon Biome, 
                         synthetic aperture Radar.",
             abstract = "A atividade pecu{\'a}ria ocorre em cerca de 47% dos 
                         estabelecimentos agropecu{\'a}rios do Brasil. O crescimento 
                         desordenado de pastagens oferece riscos ambientais sobretudo a 
                         {\'a}reas de floresta, alterando o equil{\'{\i}}brio natural 
                         existente, com impactos diretos na din{\^a}mica clim{\'a}tica da 
                         regi{\~a}o. Ocorrendo em 60% de {\'a}reas desflorestadas na 
                         Amaz{\^o}nia Legal, as pastagens constituem a maior classe de uso 
                         e cobertura da terra, ocupando cerca de 21, 28% da {\'a}rea do 
                         Pa{\'{\i}}s em 2018. No bioma Amaz{\^o}nia, uma {\'a}rea de 
                         aproximadamente 46, 2 milh{\~o}es de hectares {\'e} ocupada por 
                         pastagens. Frente a extens{\~a}o territorial e as dificuldades 
                         log{\'{\i}}sticas de fiscaliza{\c{c}}{\~a}o ambiental, o 
                         sensoriamento remoto atua como ferramental primordial no 
                         monitoramento das pastagens no que tange a detec{\c{c}}{\~a}o e 
                         qualifica{\c{c}}{\~a}o destas {\'a}reas de forma 
                         sistem{\'a}tica. Contudo, para regi{\~o}es de clima tropical 
                         {\'u}mido, o monitoramento via sensoriamento remoto {\'o}ptico 
                         {\'e} condicionado pela alta ocorr{\^e}ncia de nuvens, 
                         condicionante esta que pouco influencia os sensores imageadores 
                         que operam no espectro das micro-ondas. Deste modo, o objetivo 
                         desta pesquisa visa a investiga{\c{c}}{\~a}o do potencial de 
                         dados derivados de s{\'e}ries temporais de imagens de 
                         sensoriamento remoto dos sat{\'e}lites Sentinel- 1 (SAR - banda 
                         C) e Sentinel-2 (MSI - Multispectral Scanner Instrument) para o 
                         mapeamento, discrimina{\c{c}}{\~a}o e indicativos de qualidade 
                         das pastagens na regi{\~a}o sul do estado de Roraima, visando 
                         subsidiar programas de monitoramento da Amaz{\^o}nia. Para tanto, 
                         foram utilizadas s{\'e}ries temporais, relativas a dois anos, de 
                         dados {\'o}pticos e de micro-ondas. A investiga{\c{c}}{\~a}o 
                         foi baseada em produtos de classifica{\c{c}}{\~a}o digital de 
                         imagens, cujo processo foi dividido em 3 principais etapas. 
                         Primeiramente discriminou-se a classe Pastagem de outras classes 
                         de uso e cobertura da terra. Em seguida diferenciou-se a Pastagem 
                         em Arbustiva e Herb{\'a}cea e finalmente estas 2 {\'u}ltimas 
                         classes foram qualificadas segundo seus indicativos de 
                         degrada{\c{c}}{\~a}o. Nestas 3 etapas foram extra{\'{\i}}dos e 
                         selecionados atributos derivados de s{\'e}ries temporais de dados 
                         {\'o}pticos, de radar, bem como da combina{\c{c}}{\~a}o dos 
                         dados destes dois tipos de sensor. O algoritmo Random Forest foi 
                         empregado na classifica{\c{c}}{\~a}o dos dados e o experimento 
                         Monte Carlo foi utilizado para apoio na valida{\c{c}}{\~a}o dos 
                         resultados. Dentre os resultados obtidos, para a Etapa 1, o 
                         conjunto formado pela combina{\c{c}}{\~a}o das m{\'e}tricas 
                         extra{\'{\i}}das das s{\'e}ries {\'o}pticas e de radar obteve 
                         a melhor performance, com acur{\'a}cia global de 94, 05%. Os 
                         resultados da adi{\c{c}}{\~a}o dos dados de radar na 
                         classifica{\c{c}}{\~a}o evidenciaram ganho significativo na 
                         diminui{\c{c}}{\~a}o da confus{\~a}o de {\'a}reas de pastos 
                         com a presen{\c{c}}a de solo exposto com {\'a}reas urbanas. Para 
                         a Etapa 2, o resultado da classifica{\c{c}}{\~a}o dos conjuntos 
                         de dados combinado ({\'o}ptico e SAR) e apenas {\'o}ptico 
                         obtiveram a melhor performance, pois n{\~a}o apresentaram 
                         diferen{\c{c}}a significativa (\α = 10%) entre eles, o que 
                         garante melhor cen{\'a}rio para o classifica{\c{c}}{\~a}o do 
                         conjunto de dados {\'o}ptico (acur{\'a}cia global de 87, 88%), 
                         uma vez que h{\'a} menor complexidade no processamento de uma 
                         {\'u}nica fonte. Na Etapa 3, o NDVI foi utilizado como 
                         intermedi{\'a}rio com rela{\c{c}}{\~a}o {\`a} qualidade das 
                         pastagens. A determina{\c{c}}{\~a}o dos indicativos de 
                         degrada{\c{c}}{\~a}o foi feita com base no fatiamento do NDV Im 
                         para quatro classes (Ausente, Leve, Moderada e Severa), onde foi 
                         poss{\'{\i}}vel obter 64% de acur{\'a}cia global. Quando 
                         consideradas apenas duas classes (Ausente e Degradado), foi 
                         poss{\'{\i}}vel observar um aumento da acur{\'a}cia global para 
                         72%. Utilizando dados SAR, uma regress{\~a}o linear m{\'u}ltipla 
                         foi aplicada para obten{\c{c}}{\~a}o de uma rela{\c{c}}{\~a}o 
                         com a degrada{\c{c}}{\~a}o de pastagens, considerando o NDVI 
                         como refer{\^e}ncia (r2 = 0, 6). Os resultados obtidos na 
                         determina{\c{c}}{\~a}o obtiveram acur{\'a}cias de 43% e 68% 
                         quando consideradas 4 classes (Ausente, Leve, Moderada e Severa) e 
                         quando generalizadas apenas a 2 classes (Ausente e Degradado), 
                         respectivamente. Por fim, com base na combina{\c{c}}{\~a}o dos 
                         melhores cen{\'a}rios obtidos para cada uma das etapas, foi 
                         poss{\'{\i}}vel a obten{\c{c}}{\~a}o de um resultado final 
                         para a {\'a}rea de estudo com informa{\c{c}}{\~o}es detalhadas 
                         das pastagens na regi{\~a}o. ABSTRACT: Livestock activity occurs 
                         in about 47% of agricultural establishments in Brazil. The 
                         disorderly growth of pastures poses environmental risks, above all 
                         to forest areas, altering the existing natural balance, with 
                         direct impacts on the regions climate dynamics. Occurring in 60% 
                         of deforested areas in the Legal Amazon, pastures constitute the 
                         largest land use and cover class, occupying about 21.28% of the 
                         countrys area at 2018. In the Amazon biome, an area of 
                         approximately 46.2 million hectares is occupied by pastures. Given 
                         the territorial extension and the logistical difficulties of 
                         environmental inspection, remote sensing acts as an essential tool 
                         in monitoring pastures concerning the detection and qualification 
                         of these areas in a systematic way. However, for regions with a 
                         humid tropical climate, monitoring via optical remote sensing is 
                         conditioned to the high occurrence of clouds, a condition that has 
                         less influence on microwave imaging sensors. Thus, this research 
                         aims to investigate the potential of data derived from time series 
                         of remote sensing images from Sentinel-1 (SAR - C-band) and 
                         Sentinel-2 (MSI - Multispectral Scanner Instrument) satellites for 
                         mapping, discrimination, and quality indicators of pastures in the 
                         southern region of the state of Roraima, aiming to support 
                         monitoring programs in the Amazon. For this purpose, two-year time 
                         series of optical and microwave data were used. The investigation 
                         was based on digital image classification products, whose process 
                         was divided into 3 main steps. Firstly, the Pasture class was 
                         distinguished from other classes of land use and land cover. Then, 
                         the Shrub and Herbaceous pastures were distinguished and finally, 
                         these 2 last classes were classified according to their 
                         indications of degradation. In these 3 steps, attributes derived 
                         from time series of optical and radar data were extracted and 
                         selected, as well as the combination of data from these two types 
                         of sensors. The Random Forest algorithm was used to classify the 
                         data and the Monte Carlo experiment was used to support the 
                         validation of the results. Among the results obtained, for Step 1, 
                         the set formed by the combination of metrics extracted from both 
                         the optical and radar series obtained the best performance, with 
                         an overall accuracy of 94.05%. The results of adding radar data to 
                         the classification showed a significant gain in reducing the 
                         confusion of pasture areas with the presence of exposed soil with 
                         urban areas (since the presence of areas without asphalt pavement 
                         is common in this area). For Step 2, the result of the 
                         classification of the combined and optical sets obtained the best 
                         performance, with no significant difference (\α = 10%) 
                         between them, which guarantees the best scenario for the optical 
                         (global accuracy of 87, 88%), since there is less complexity in 
                         processing a single source. In Step 3, the NDVI was used as an 
                         intermediary about pasture quality. The determination of 
                         degradation indicators based on the NDVI obtained accuracies of 
                         64% and 72%, when considering 4 classes (Absent, Mild, Moderate, 
                         and Severe) and when generalized only to 2 classes (Absent and 
                         Degraded), respectively. Using SAR data, a multiple linear 
                         regression was applied to obtain a relationship with pasture 
                         degradation, considering the NDVI (r2 = 0.6). The results obtained 
                         in the determination obtained accuracies of 43% and 68% when 
                         considering 4 classes (Absent, Mild, Moderate, and Severe) and 
                         when generalized only to 2 classes (Absent and Degraded), 
                         respectively. Finally, based on the combination of the best 
                         scenarios obtained for each of the stages, it was possible to 
                         obtain a final result for the study area with detailed information 
                         on pastures in the region.",
            committee = "Korting, Thales Sehn (presidente) and Santanna, Sidnei Jo{\~a}o 
                         Siqueira (orientador) and Adami, Marcos and Almeida, Claudio 
                         Aparecido and Bendahan, Amaury Burlamaqui",
         englishtitle = "Evaluation of the use of optical and microwave data in the 
                         monitoring of pastures in the brazilian amazonevaluation of the 
                         use of optical and microwave data in the monitoring of pastures in 
                         the Brazilian Amazon",
             language = "pt",
                pages = "153",
                  ibi = "8JMKD3MGP3W34T/45UD35E",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/45UD35E",
           targetfile = "publicacao.pdf",
        urlaccessdate = "30 jan. 2023"
}


Fechar