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 | Sano, Edson Eyji | - |
Autor(es): dc.creator | Camargo, Flávio Fortes | - |
Data de aceite: dc.date.accessioned | 2024-10-23T15:51:06Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T15:51:06Z | - |
Data de envio: dc.date.issued | 2019-10-10 | - |
Data de envio: dc.date.issued | 2019-10-10 | - |
Data de envio: dc.date.issued | 2019-10-10 | - |
Data de envio: dc.date.issued | 2018-12-07 | - |
Fonte completa do material: dc.identifier | http://repositorio.unb.br/handle/10482/35563 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/893641 | - |
Descrição: dc.description | Tese (doutorado)—Universidade de Brasília, Instituto de Geociências, Pós-Graduação em Geociências Aplicadas, 2018. | - |
Descrição: dc.description | O Cerrado ocupa uma área de aproximadamente 2.000.000 km² (23% do território brasileiro), concentrando-se principalmente no Planalto Central. A sua composição fitofisionômica abrange formações florestais, savânicas e campestres, as quais vêm sofrendo mudanças severas com a introdução da agricultura extensiva e mecanizada de grãos para exportação. Tecnologias de sensoriamento remoto têm sido empregadas para monitoramento da cobertura vegetal do Cerrado, utilizando principalmente imagens ópticas de sensores orbitais (casos de iniciativas como TerraClass e MapBiomas). Apesar dos avanços metodológicos e tecnológicos, muito ainda se tem a explorar dos sensores de radar de abertura sintética (utiliza-se o acrônimo em inglês SAR - synthetic aperture radar) orbitais para fins de mapeamento do uso e cobertura do Cerrado e discriminação de suas fitofisionomias. Nesta tese, foram realizados dois experimentos de classificação de imagens SAR do sensor ALOS-2/PALSAR-2 em duas áreas de Cerrado. O primeiro experimento (artigo 1) foi realizado em área de estudo de 356 km² localizada na porção norte do Distrito Federal (DF). A abordagem metodológica combinou segmentação multiresolução, atributos de segmentos e procedimentos interativos e iterativos de aprendizado de máquina. Foram gerados 397 atributos com base nas imagens em amplitude obtidas nas polarizações HH e HV. Esses atributos foram processados no software WEKA 3.8 com o emprego dos algoritmos de classificação J48 (árvore de decisão – AD J48), Random Forest (Floresta Aleatória - RF) e Rede Neural Artificial Multilayer Perceptron (Perceptron Multicamada - MLP). Todos os classificadores do primeiro experimento apresentaram índices de concordância Kappa superiores a 0,70, com destaque para o desempenho da Rede Neural Artificial, com índice Kappa de 0,87. O algoritmo RF apresentou desempenho inferior aos resultados verificados na literatura, o que pode ser atribuído a limitações no tamanho e distribuição espacial da amostragem realizada. No segundo experimento (artigo 2), um fluxo mais abrangente de trabalho foi proposto para a classificação de imagens SAR polarimétricas obtidas também pelo satélite ALOS-2/PALSAR-2, visando ao mapeamento de uso e cobertura de terras. A área de estudo, com 3.660 km², localiza-se no centro-leste do estado de Goiás e no norte e nordeste do DF. A abordagem metodológica combinou atributos polarimétricos, segmentação multiresolução, atributos de segmentos e procedimentos interativos e iterativos de aprendizado de máquina. Também foi utilizado, para fins de comparação, um classificador pixel-a-pixel polarimétrico baseado em medidas de distâncias obtidas da distribuição Wishart (Polarimétrico Wishart – PW). Foram gerados 125 atributos utilizando imagens multipolarimétricas e relacionados com componentes de decomposição de alvos (teoremas de van Zyl, Freeman-Durden, Yamaguchi e Cloude-Pottier), parâmetros polarimétricos incoerentes (índices de biomassa e razões de polarização) e imagens polarizadas em amplitude (HH, HV, VH e VV). Esses atributos foram processados no software WEKA 3.8 com o emprego dos algoritmos de classificação Naive Bayes (NB), AD J48, RF, MLP e Support Vector Machine (Máquina de Suporte Vetorial - SVM). Os classificadores RF, MLP e SVM apresentaram os melhores desempenhos (índices Kappa entre 0,66 e 0,68), tendo sido considerados estatisticamente iguais em ambos os cenários propostos (legendas com nove e cinco classes). Os classificadores NB e AD J48 também apresentaram resultados estatisticamente iguais em ambos os cenários. O AD J48 foi mais adequado para identificação de áreas urbanas e cobertura vegetal natural. O classificador PW apresentou o menor desempenho entre todos os classificadores, porém, com potencial para boa identificação de cobertura vegetal arbórea com os dados SAR na banda L. Os fluxos de trabalho propostos em ambos os experimentos foram ágeis e replicáveis, inclusive com potencial para imagens orbitais provenientes de sensores de radar que operam em comprimentos de onda diferentes daquele do satélite ALOS-2/PALSAR-2. | - |
Descrição: dc.description | The Brazilian tropical savanna (Cerrado) occupies an area of approximately 2 million km² (23% of the Brazilian territory) mainly in the Brazilian Central Plateau. The Cerrado vegetation includes forestlands, shrublands and fields that have undergone severe changes with the introduction of extensive and mechanized agricultural production of grains for exportation. Remote sensing technologies have been used to monitor the Cerrado´s vegetation cover using mainly optical satellite images (e.g., the TerraClass and MapBiomas projects). Despite the methodological and technological advances, there are lots of effort to be done using synthetic aperture radar (SAR) satellites to map land use and land cover and to discriminate Cerrados´s phytophysiognomies. In this thesis, two experiments were carried out with ALOS-2/PALSAR-2 SAR images, in two different study areas over the Brazilian Cerrado. The first experiment (Paper # 1) was carried out in a study area (356 km²) located in the northern portion of Brasília, Federal District. The methodological approach proposed in this first experiment combined multiresolution segmentation, object attributes and machine learning procedures. A set of 397 attributes was generated based on the amplitude, HH- and HV-polarized images. These attributes were processed in the WEKA 3.8 software using the J48 (decision tree - DT J48), Random Forest (RF) and Multilayer Perceptron Artificial Neural Network (MLP) classifiers. Classification results attained Kappa indices higher than 0.70, especially the MLP algorithm, with a Kappa index of 0.87. The RF algorithm presented lower performance in comparison with the results presented in the literature, probably due to the reduced number and poor spatial distribution of the training samples. In the second experiment (Paper # 2), a more comprehensive methodology was proposed for the classification of ALOS-2/PALSAR-2 polarimetric SAR images, aiming at the land use and land cover mapping. The study area (3,660 km²) encompassed the mid-east of the Goiás State and the north and northeast of the Federal District. The methodological approach of this second experiment combined polarimetric attributes, multiresolution segmentation, segment attributes and machine learning procedures. A polarimetric pixel-to-pixel classifier (Polarimetric Wishart classifier - PW) was also employed for comparison purposes. The PW classifier is based on distance measures calculated using the Wishart distribution. A set of 125 attributes were generated using multipolarimetric images, including the target decomposition components (van Zyl, Freeman-Durden, Yamaguchi, and Cloude-Pottier procedures), incoherent polarimetric parameters (biomass indices and polarization ratios) and polarized amplitude images (HH, HV, VH, and VV polarizations). These attributes were processed in the WEKA 3.8 software using the Naive Bayes (NB), AD J48, RF, MLP, and Support Vector Machine (SVM) classification algorithms. The RF, MLP, and SVM classifiers presented the best performances and they were considered statistically equal in both proposed scenarios (nine and five thematic classes). Classifiers NB and AD J48 also presented statistically equal results in both scenarios, with AD J48 being more adequate to identify urban areas and natural vegetation coverages. The PW classifier presented the lowest performance among all classifiers. Despite its low performance, the PW classifier presented high potential for classifying forestlands by means of L-band images. The two workflows proposed in this thesis are agile and have potential to be replicated for other satellite images operating at wavelengths other than that from the ALOS-2/PALSAR-2 satellite. | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | - |
Palavras-chave: dc.subject | Sensoriamento remoto | - |
Palavras-chave: dc.subject | Sensores de radar | - |
Palavras-chave: dc.subject | Mapeamento do solo | - |
Palavras-chave: dc.subject | Solo - uso | - |
Palavras-chave: dc.subject | Cerrados - solos | - |
Palavras-chave: dc.subject | Classificação de imagens | - |
Título: dc.title | Avaliação de imagens polarimétricas do sensor ALOS-2/PALSAR-2 e de técnicas de mineração de dados na classificação de uso e cobertura de terras do Cerrado | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB |
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: