%0 Thesis
%4 sid.inpe.br/mtc-m21b/2017/02.02.15.58
%2 sid.inpe.br/mtc-m21b/2017/02.02.15.58.04
%T Mineração de dados de sensoriamento remoto para detecção e classificação de áreas de pastagem na Amazônia Legal
%J Remote sensing data mining to detect and classify pasture lands in the Legal Amazon
%D 2017
%8 2017-02-15
%9 Dissertação (Mestrado em Sensoriamento Remoto)
%P 101
%A Neves, Alana Kasahara,
%E Escada, Maria Isabel Sobral (presidente),
%E Körting, Thales Sehn (orientador),
%E Fonseca, Leila Maria Garcia (orientador),
%E Adami, Marcos,
%E Esquerdo, Júlio César Dalla Mora,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K pasto limpo, pasto sujo, árvore de decisão, séries temporais, TerraClass, herbaceous pasture, shrubby pasture, decision tree, time series.
%X Aproximadamente 60\% das áreas desflorestadas na Amazônia Legal são ocupadas por pastagens. A expansão das áreas de pastagem sobre áreas de floresta pode ser associada a fatores como o mercado de terras e a perda de produtividade da pastagem ao longo do tempo. De toda forma, essa expansão permanece como um obstáculo ao combate ao desflorestamento. A detecção e avaliação das condições das pastagens permitem melhores monitoramento e controle, assim como a identificação de áreas propícias para a recuperação. Dentro deste contexto, o objetivo deste trabalho é desenvolver uma metodologia de reconhecimento de áreas de pastagem na Amazônia, com base na detecção e classificação por meio de atributos de séries temporais e técnicas de mineração de dados, de acordo com as condições da cobertura vegetal. A área de estudo consiste em três órbitas/ponto do satélite Landsat 8 distribuídas em quatro estados (AC, MT, RO e AM): 001/067, 226/068 e 231/067. Foram utilizadas imagens de reflectância de superfície do sensor OLI do Landsat 8, referentes ao período entre abril de 2013 e dezembro de 2015. As nuvens e sombras de nuvens foram detectadas pelo algoritmo FMask e excluídas. A classificação foi feita em duas etapas: detecção de pastagem (diferenciá-las de outros alvos da cena) e, posteriormente, a classificação das pastagens em Pasto Limpo e Pasto Sujo. Para a caracterização destas classes, os seguintes atributos foram usados: índices de vegetação (NDVI, EVI, EVI2, SAVI e NDII), frações do Modelo Linear de Mistura Espectral (frações vegetação, NPV e solo), componentes da transformação \emph{Tasselled Cap (greenness, brightness e wetness)}, outros atributos espectrais e atributos texturais. As duas etapas da classificação foram realizadas utilizando três classificadores (árvore de decisão, \emph{random forest} e rede neural) e duas abordagens: por pixel e baseada em objetos. A avaliação dos resultados de classificação baseou-se em trabalho de campo e interpretação visual de imagens do satélite RapidEye. Os resultados mostraram melhoras nas taxas de acerto quando houve a utilização de segmentos, uma vez que as pastagens possuem uma grande quantidade de mistura de elementos em sua composição. Os modelos criados e avaliados na mesma cena obtiveram altas taxas de acerto (próximas a 90\%), entretanto não foram capazes de classificar outras cenas com a mesma eficiência. Quando amostras de duas cenas diferentes foram combinadas para a geração do modelo, as taxas de acerto ficaram parecidas entre as imagens, por volta de 80\%. A maior dificuldade esteve na separação entre Pasto Limpo e Pasto Sujo, uma vez que as pastagens na Amazônia variam de acordo com muitos fatores: manejo adotado, tipo de solo, regime de chuvas, tipo de gramínea utilizada e outros. ABSTRACT: The highest percentage of deforested areas in the Legal Amazon is occupied by pastures. The expansion of pasture areas over the forest may be associated with factors such as land speculation and loss of productivity over time. In any case, this expansion remains an obstacle to fight against deforestation. The detection and evaluation of pasture conditions allow better monitoring and control it, as well as the identification of suitable areas for recovery. In this context, the objective of this work is to develop a methodology for the recognition of pasture areas in the Amazon, based on the detection and classification by time series attributes and data mining techniques, according to the vegetation conditions. The study area consists of three path/rows of Landsat 8 satellite distributed in four Brazilian states (AC, MT, RO and AM): 001/067, 226/068 and 231/067. Surface reflectance images from OLI sensor (Landsat 8 satellite) were used for the period between April 2013 and December 2015. Clouds and cloud shadows were detected by the FMask algorithm and excluded from the dataset. The classification was carried out in two steps: pasture detection (differentiate them from other targets in the scene) and, later, the classification of pastures between Herbaceous Pasture and Shrubby Pasture. For the characterization of these classes, the following attributes were used: vegetation indices (NDVI, EVI, EVI2, SAVI and NDII), fractions of the Linear Spectral Mixture Model (vegetation, NPV and soil), bands of the Tasselled Cap Transformation (Greenness, Brightness and Wetness), other spectral attributes and textured attributes. The two steps of classification were performed using three classifiers (decision tree, random forest and neural network) and two different approaches: per pixel and object-based. The evaluation of the classification results was based on fieldwork and visual interpretation of RapidEye satellite images. The results showed improvements in the accuracy when segments were used instead of pixels, since pastures have a large amount of mixture of elements in their composition. The models created and evaluated in the same scene obtained high accuracy (close to 90\%), but they were not able to classify other scenes with the same efficiency. When samples from two different scenes were combined for model generation, the accuracy was similar between the images, around 80\%. The greatest difficulty was in the separation between Herbaceous Pasture and Shrubby Pasture, since pastures in Amazon may vary according to some factors, such as: adopted management, soil type, rainfall regime and type of grass used.
%@language pt
%3 publicacao.pdf