Dados de sensoriamento remoto de múltiplas fontes eleva a exatidão de classificação de florestas naturais e plantadas

Resumo

É um desafio mapear a distribuição espacial de florestas naturais e plantadas com base em imagens de satélite, devido à alta correlação entre elas. Esta investigação visa aumentar a precisão nas classificações de florestas naturais e plantações de eucalipto, combinando dados de sensoriamento remoto de várias fontes. Definimos quatro classes de vegetação: floresta natural (NF), floresta de eucalipto plantada (PF), agricultura (A) e pastagem (P), e amostramos 410.251 pixels de 100 polígonos de cada classe. Os experimentos de classificação foram realizados usando um algoritmo florestal aleatório com imagens de Landsat-8, Sentinel-1 e SRTM. Foram consideradas quatro características de textura (energia, contraste, correlação e entropia) e NDVI. Utilizamos o escore F1, a precisão geral e as métricas de desacordo total, para avaliar o desempenho da classificação e a distância de Jeffries – Matusita (JM) para medir a separabilidade espectral. A precisão geral apenas para as bandas Landsat-8 foi de 88,29%. Uma combinação de bandas Landsat-8 e Sentinel-1 resultou em um aumento de precisão geral de 3% e essa combinação de bandas também melhorou o escore F1 de NF, PF, P e A em 2,22%, 2,9%, 3,71% e 8,01% , respectivamente. O desacordo total diminuiu de 11,71% para 8,71%. O aumento da separabilidade estatística corrobora essa melhora e é observado principalmente entre NF-PF (11,98%) e A-P (45,12%). Concluímos que a combinação de dados de sensoriamento remoto óptico e por radar aumentou a precisão da classificação de florestas naturais e plantadas e pode servir de base para o mapeamento semi-automático em larga escala dos recursos florestais.