<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21d.sid.inpe.br 808</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34T/45UD35E</identifier>
		<repository>sid.inpe.br/mtc-m21d/2021/12.10.17.35</repository>
		<lastupdate>2022:04.19.19.34.10 urlib.net/www/2021/06.04.03.40 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21d/2021/12.10.17.35.39</metadatarepository>
		<metadatalastupdate>2022:12.01.08.32.12 sid.inpe.br/bibdigital@80/2006/04.07.15.50 administrator</metadatalastupdate>
		<secondarykey>INPE-18536-TDI/3181</secondarykey>
		<citationkey>Carneiro:2021:AvUsDa</citationkey>
		<title>Avaliação do uso de dados ópticos e de micro-ondas no monitoramento de pastagens na Amazônia Brasileira</title>
		<alternatetitle>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</alternatetitle>
		<course>SER-SRE-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2021</year>
		<date>2021-12-13</date>
		<thesistype>Dissertação (Mestrado em Sensoriamento Remoto)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>153</numberofpages>
		<numberoffiles>1</numberoffiles>
		<size>57079 KiB</size>
		<author>Carneiro, Arian Ferreira,</author>
		<committee>Korting, Thales Sehn (presidente),</committee>
		<committee>Santanna, Sidnei João Siqueira (orientador),</committee>
		<committee>Adami, Marcos,</committee>
		<committee>Almeida, Claudio Aparecido,</committee>
		<committee>Bendahan, Amaury Burlamaqui,</committee>
		<e-mailaddress>eng.ariancarneiro@gmail.com</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>séries temporais, pastagem, Bioma Amazônia, radar de abertura sintética, time series, pasture, Amazon Biome, synthetic aperture Radar.</keywords>
		<abstract>A atividade pecuária ocorre em cerca de 47% dos estabelecimentos agropecuários do Brasil. O crescimento desordenado de pastagens oferece riscos ambientais sobretudo a áreas de floresta, alterando o equilíbrio natural existente, com impactos diretos na dinâmica climática da região. Ocorrendo em 60% de áreas desflorestadas na Amazônia Legal, as pastagens constituem a maior classe de uso e cobertura da terra, ocupando cerca de 21, 28% da área do País em 2018. No bioma Amazônia, uma área de aproximadamente 46, 2 milhões de hectares é ocupada por pastagens. Frente a extensão territorial e as dificuldades logísticas de fiscalização ambiental, o sensoriamento remoto atua como ferramental primordial no monitoramento das pastagens no que tange a detecção e qualificação destas áreas de forma sistemática. Contudo, para regiões de clima tropical úmido, o monitoramento via sensoriamento remoto óptico é condicionado pela alta ocorrência 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 investigação do potencial de dados derivados de séries temporais de imagens de sensoriamento remoto dos satélites Sentinel- 1 (SAR - banda C) e Sentinel-2 (MSI - Multispectral Scanner Instrument) para o mapeamento, discriminação e indicativos de qualidade das pastagens na região sul do estado de Roraima, visando subsidiar programas de monitoramento da Amazônia. Para tanto, foram utilizadas séries temporais, relativas a dois anos, de dados ópticos e de micro-ondas. A investigação foi baseada em produtos de classificação 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 Herbácea e finalmente estas 2 últimas classes foram qualificadas segundo seus indicativos de degradação. Nestas 3 etapas foram extraídos e selecionados atributos derivados de séries temporais de dados ópticos, de radar, bem como da combinação dos dados destes dois tipos de sensor. O algoritmo Random Forest foi empregado na classificação dos dados e o experimento Monte Carlo foi utilizado para apoio na validação dos resultados. Dentre os resultados obtidos, para a Etapa 1, o conjunto formado pela combinação das métricas extraídas das séries ópticas e de radar obteve a melhor performance, com acurácia global de 94, 05%. Os resultados da adição dos dados de radar na classificação evidenciaram ganho significativo na diminuição da confusão de áreas de pastos com a presença de solo exposto com áreas urbanas. Para a Etapa 2, o resultado da classificação dos conjuntos de dados combinado (óptico e SAR) e apenas óptico obtiveram a melhor performance, pois não apresentaram diferença significativa (&#945; = 10%) entre eles, o que garante melhor cenário para o classificação do conjunto de dados óptico (acurácia global de 87, 88%), uma vez que há menor complexidade no processamento de uma única fonte. Na Etapa 3, o NDVI foi utilizado como intermediário com relação à qualidade das pastagens. A determinação dos indicativos de degradação foi feita com base no fatiamento do NDV Im para quatro classes (Ausente, Leve, Moderada e Severa), onde foi possível obter 64% de acurácia global. Quando consideradas apenas duas classes (Ausente e Degradado), foi possível observar um aumento da acurácia global para 72%. Utilizando dados SAR, uma regressão linear múltipla foi aplicada para obtenção de uma relação com a degradação de pastagens, considerando o NDVI como referência (r2 = 0, 6). Os resultados obtidos na determinação obtiveram acurácias 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 combinação dos melhores cenários obtidos para cada uma das etapas, foi possível a obtenção de um resultado final para a área de estudo com informações detalhadas das pastagens na região. 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 (&#945; = 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.</abstract>
		<area>SRE</area>
		<language>pt</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>arian.carneiro@inpe.br</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2021/06.04.03.40.25</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F3NU5S</nexthigherunit>
		<nexthigherunit>8JMKD3MGPCW/46KUATE</nexthigherunit>
		<hostcollection>urlib.net/www/2021/06.04.03.40</hostcollection>
		<agreement>autorizacao.pdf .htaccess2 .htaccess</agreement>
		<lasthostcollection>urlib.net/www/2021/06.04.03.40</lasthostcollection>
		<supervisor>Santanna, Sidnei João Siqueira,</supervisor>
		<url>http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2021/12.10.17.35</url>
	</metadata>
</metadatalist>