Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Vicens, Raúl Sánchez | - |
Autor(es): dc.contributor | Vicens, Raúl Sánchez | - |
Autor(es): dc.contributor | Castro, Pedro Ivo Bastos de | - |
Autor(es): dc.creator | Teixeira Junior, Paulo Domingos Pires | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:29:19Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:29:19Z | - |
Data de envio: dc.date.issued | 2022-07-20 | - |
Data de envio: dc.date.issued | 2022-07-20 | - |
Data de envio: dc.date.issued | 2020 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/25782 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/751329 | - |
Descrição: dc.description | Mudanças na cobertura vegetal e uso da terra são diversas e acompanham os seres humanos em sua história. As mudanças em terras agrícolas são particularmente importantes, pois se relacionam diretamente com a produção de alimentos, necessidade básica humana. Dentre essas, o abandono agrícola já foi muitas vezes descrito, mas poucas vezes espacializado. Assim é o caso do Estado do Rio de Janeiro, que apresenta um constante declínio na área plantada mas nenhuma tentativa de espacializar as trajetórias dessas terras. O cerne deste trabalho é desenvolvimento metodológico, utilizando um recorte do território fluminense com o objetivo de adaptar uma metodologia capaz de classificar, espacializar e quantificar mudanças em terras agrícolas, sobretudo o abandono, detectando mudanças e classificando suas trajetórias evolutivas. Para isso, foi confeccionada uma série temporal baseada em composições anuais das imagens Landsat entre 1984 e 2020. As composições foram classificadas a partir de um modelo Random Forest treinado no ano base (2017), seguindo uma lógica binária de Agricultura ou Não-agricultura. A classificação foi validada no ano base a nível de pixel e de geo-objeto (campo agrícola segmentado espacialmente a partir de imagens multitemporais), resultando em respectivas acurácias globais de 0,913 e 0,981, com maior incremento na classe de agricultura tanto na acurácia de produtor (0,69 para 0,907) quanto usuário (0,76 para 0,955). Para provar a viabilidade de exportar o modelo do ano base aos demais anos da série, foi feita validação (já a nível de geo-objeto) também nos anos de 1987, 1999 e 2007, onde nenhum valor de acurácia se mostrou inferior a 0,8, o mínimo almejado. A análise de trajetórias seguiu utilizando a série de classificações binárias a nível de geo-objeto, e foi feita a partir de um algoritmo próprio escrito em R, que cria segmentos temporais a partir da série temporal de valores binários, armazenando suas durações, tipos das mudanças (ganho ou perda), e o ano das mudanças. A classificação foi feita a partir das propriedades dos segmentos, e utilizou de três níveis hierárquicos, onde: o primeiro é mais generalizada e diz respeito às classes base da pesquisa (Invariante Agricultura, Invariante Não-agricultura, Abandono, Recultivo, Expansão e Rotação); o segundo considera se as mudanças são recentes ou antigas; e, o terceiro considera a estabilidade da agricultura relacionada à mudança. A validação das trajetórias encontrou acurácia global de: 0,912 no terceiro nível; 0,934 no segundo nível; e 0,948 no primeiro. O esperado incremento de acurácia na classificação mais generalizada foi visto também nas classes de abandono, com acurácias de produtor 0,973 e de usuário 0,896 no primeiro nível. Os resultados apontam confiança na metodologia e viabilidade para futura aplicação em todo o estado do Rio de Janeiro. | - |
Descrição: dc.description | Land use and land cover changes are diverse and accompany humans in their history. Changes in agricultural land use are particularly important, as they are directly related to food production, a basic human need. Among these, agricultural abandonment has often been described, but rarely spatialized. This is the case of the State of Rio de Janeiro, which shows a constant decline in the planted area but no attempt to spatialize the trajectories of these lands. This work uses a part of Rio de Janeiro's territory as a proof of concept, with the objective of adapting a methodology capable of classifying, spatializing and quantifying changes in agricultural land, especially abandonment, detecting changes and classifying their trajectories. For this, a time series was made based on annual compositions of Landsat images between 1984 and 2020. The compositions were classified based on a Random Forest model trained in the base year (2017), following a binary logic of Agriculture or Non-agriculture. The classification was validated in the base year at the pixel and geo-object level (agricultural field spatially segmented by multi-temporal images), resulting in respective global accuracies of 0.913 and 0.981, with a greater increase in the agricultural class, both in producer accuracy (0.69 to 0.907) and user (0.76 to 0.955). To prove the viability of exporting the model from the base year to the other years of the series, validation was also made (already at the geo-object level) in the years 1987, 1999 and 2007, where no accuracy value was lower than 0.8, the minimum desired. The trajectory-based analysis continued using the series of binary classifications at the geo-object level, and was made from a proprietary algorithm written in R, which creates time segments from the time series of binary values, storing their durations, types of changes (gain or loss), and the year of changes. The classification was based on the properties of the segments, and used three hierarchical levels, where: the first is more generalized and concerns the base classes (Agriculture Invariant, Non-agriculture Invariant, Abandonment, Recultivation, Expansion and Rotation); the second considers whether the changes are recent or old; and the third considers the stability of the agriculture period related to the change. The trajectories validation found an overall accuracy of 0.912 at the third level, 0.934 at the second level, and 0.948 at the first. The expected increase in accuracy in the more generalized classification was also seen in the abandonment classes, with a producer's accuracy of 0.973 and user’s accuracy of 0.896 in the first level. The results show confidence in the methodology and feasibility for future application in the State of Rio de Janeiro as a whole. | - |
Descrição: dc.description | 54 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Federal Fluminense | - |
Publicador: dc.publisher | Niterói | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Detecção de Mudanças | - |
Palavras-chave: dc.subject | Abandono de Terras Agrícolas | - |
Palavras-chave: dc.subject | Trajetórias Evolutivas | - |
Palavras-chave: dc.subject | Random Forest | - |
Palavras-chave: dc.subject | Segmentação Temporal | - |
Palavras-chave: dc.subject | Terra agrícola | - |
Palavras-chave: dc.subject | Abandono de terra agrícola | - |
Palavras-chave: dc.subject | Segmentação temporal | - |
Palavras-chave: dc.subject | Rio de Janeiro (Estado) | - |
Palavras-chave: dc.subject | Change Detection | - |
Palavras-chave: dc.subject | Agricultural Land Abandonment | - |
Palavras-chave: dc.subject | Trajectory-based | - |
Palavras-chave: dc.subject | Random Forest | - |
Palavras-chave: dc.subject | Temporal Segmentation | - |
Título: dc.title | Trajetórias evolutivas das terras agrícolas no Estado do Rio de Janeiro | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: