Análise Comparativa Entre o Uso de Bandas Espectrais e o Uso da Análise de Componentes Principais (ACP) na Classificação de Uso e Cobertura da Terra

Conteúdo do artigo principal

Leticia Figueiredo Sartorio
https://orcid.org/0000-0001-6936-9939
Macleidi Júnior Varnier
https://orcid.org/0000-0002-2255-7294
Leonardo Da Silva Felippe
https://orcid.org/0000-0001-9917-0103
Daniel Capella Zanotta
Marcos Wellausen Dias de Freitas
https://orcid.org/0000-0001-9879-2584
Atílio Efrain Bica Grondona

Resumo

Informações referentes ao uso e cobertura da terra são essenciais para a realização de um planejamento ambiental eficaz. O uso de imagens de sensoriamento remoto facilita a elaboração desses mapeamentos, pela grande disponibilidade de imagens e avanços computacionais no processamento dos dados. Portanto, o objetivo deste trabalho é comparar e avaliar a potencialidade da técnica de Análise de Componentes Principais para o aprimoramento da acurácia da classificação do uso e cobertura da terra da bacia hidrográfica Lajeado São José. Para isso, a técnica de Análise de Componentes Principais foi aplicada na imagem Sentinel-2 no Google Earth Engine. E após, na mesma plataforma, foi realizada a classificação de imagens utilizando as bandas espectrais originais e as componentes principais geradas, a partir de dois classificadores distintos: CART e Random Forest. A fim de comparar se há algum incremento na qualidade da classificação ao usar as componentes principais em relação às bandas espectrais. A avaliação de acurácia foi produzida por meio da análise de pontos de controle distribuídos de forma estratificada. Os resultados indicaram que a melhor classificação de uso e cobertura da terra foi produzida com as componentes principais combinada ao classificador Random Forest, pois apresentou 87,7% de acurácia global, e menor discordância de quantidade (5,2%) e alocação (7,1%) na avaliação da acurácia. Portanto, pode-se concluir a partir da análise de acurácia que o uso de componentes principais pode gerar melhores resultados na classificação de uso e cobertura da terra quando comparados ao uso das bandas espectrais.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Detalhes do artigo

Como Citar
SARTORIO, L. F.; VARNIER, M. J.; FELIPPE, L. D. S.; ZANOTTA, D. C.; FREITAS, M. W. D. de; GRONDONA, A. E. B. Análise Comparativa Entre o Uso de Bandas Espectrais e o Uso da Análise de Componentes Principais (ACP) na Classificação de Uso e Cobertura da Terra. Revista Brasileira de Cartografia, [S. l.], v. 75, 2023. DOI: 10.14393/rbcv75n0a-68010. Disponível em: https://seer.ufu.br/index.php/revistabrasileiracartografia/article/view/68010. Acesso em: 16 jun. 2024.
Seção
Sensoriamento Remoto

Referências

ARSLAN, N.; MAJIDI NEZHAD, M.; HEYDARI, A.; ASTIASO GARCIA, D.; SYLAIOS, G. A Principal Component Analysis Methodology of Oil Spill Detection and Monitoring Using Satellite Remote Sensing Sensors. Remote Sensing, 2023. vol. 15, n. 5, pp. 1460.

BELGIU, M.; DRĂGUT, L. Random Forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, Abril de 2016, vol. 114, pp. 24–31.

BREIMAN, L. Random Forests, Machine Learning, Outubro de 2001, vol. 45, pp. 5–32.

BREIMAN, L.;, FRIEDMAN, J.H.; OLSHEN, R.A.; STONE, C.J. Classification and regression trees. Nova Iorque: Wadsworth International Group. 1984.

BROWN, C.F.; BRUMBY, S.P.; GUZDER-WILLIAMS, B. et al. Dynamic World, Near real-time global 10 m land use land cover mapping. Sci Data, Julho de 2022, vol. 9, 251. pp. 1-17.

CROSTA, Alvaro Penteado. Processamento digital de imagens de sensoriamento remoto. UNICAMP/Instituto de Geociências, 1999.

DHARANI, M.; SREENIVASULU, G. Land use and land cover change detection by using principal component analysis and morphological operations in remote sensing applications. International Journal of Computers and Applications, Fevereiro de 2019. v. 43, n. 5, pp. 462-471.

DUTRA, D.; ELMIRO, M.; GARCIA, R. Comparative analysis of methods applied in vegetation cover delimitation using Landsat 8 images. Sociedade & Natureza, 2022. vol. 32, pp. 732-744.

EUROPEAN SPACE AGENCY (ESA). Sentinel-2 User Handbook. 2015. p.64. Disponível em: <https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2_User_Handbook.pdf/8869acdf-fd84-43ec-ae8c-3e80a436a16c?t=1438278087000>. Acesso em: 31 de mar. 2023.

FERREIRA, M. E.; FERREIRA, L. G.; SANO, E. E.; SHIMABUKURO, Y. E. Spectral linear mixture modelling approaches for land cover mapping of tropical savanna areas in Brazil. International Journal of Remote Sensing, Janeiro de 2007. vol. 28, pp. 413-429.

FOODY, G. M. 2002. Status of Land Cover Classification Accuracy Assessment. Remote Sensing of Environment. Abril de 2002, vol. 80, pp. 185–201.

FOODY, Giles M. Harshness in image classification accuracy assessment. International Journal Of Remote Sensing. Maio de 2008. vol. 29, n. 11, pp. 3137-3158.

GAIDA, W.; BREUNIG, F. M.; GALVÃO, L. S.; PONZONI, F. J. Correção atmosférica em sensoriamento remoto: uma revisão. Revista Brasileira de Geografia Física. 2020. v.13, n. 01, pp. 229-248.

GOOGLE EARTH ENGINE (GEE). Eigen Analysis. 2022. Disponível em: < https://developers.google.com/earth-engine/guides/arrays_eigen_analysis>. Acesso em: 18 de jul. 2022.

GUPTA, R. P.; TIWARI, R. K.; SAINI, V.; SRIVASTAVA, N. A simplified approach for interpreting principal component images. Advances in Remote Sensing. 2013. vol. 2 n. 2, pp. 111-119.

GROTH, D.; HARTMANN, S.; KLIE, S.; SELBIG, J. Principal Components Analysis. In: REISFELD, B.; MAYENO, A. (eds) Computational Toxicology. Methods in Molecular Biology, Totowa, NJ: Humana Press, vol. 930, 2013. 527 – 547.

KOBAYASHI, N.; TANI, H.; WANG, X.; SONOBE, R. Crop classification using spectral indices derived from Sentinel-2A imagery. Journal of Information and Telecommunication, 2020. Vol. 4, pp. 67-90.

LEG - UFPR. Árvores de regressão. 2022. Disponível em: http://leg.ufpr.br/~lucambio/CE050/20211S/AR.html. Acesso em: 15 out. 2022.

MARTINEZ-IZQUIERDO, M.; MOLINA-SÁNCHEZ, I.; MORILLO-BALSERA, M. Efficient dimensionality reduction using principal component analysis for image change detection. IEEE Latin America Transactions. 2019, v. 17, n. 04, p. 540-547.

MAPBIOMAS. MapBiomas General “Handbook” Algorithm Theoretical Basis Document (ATBD) - Collection 6, Versão 1.0, pp. 1-49, 2022.

MATHER, P.; TSO, B. Classification methods for remotely sensed data. 2º edição. Boca Raton: CRC Press, 2009.

MENESES, Paulo Roberto; ALMEIDA, T. de. Introdução ao processamento de imagens de sensoriamento remoto. Brasília: Universidade de Brasília, pp. 266, 2012.

NEETU; RAY, S. S. EXPLORING MACHINE LEARNING CLASSIFICATION ALGORITHMS FOR CROP CLASSIFICATION USING SENTINEL 2 DATA. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2019. pp. 573–578.

OLOFSSON, P.; FOODY, G. M.; HEROLD, Martin; STEHMAN, Stephen V.; WOODCOCK, Curtis E.; WULDER, Michael A. Good practices for estimating area and assessing accuracy of land change. Remote Sensing Of Environment, Maio de 2014. v. 148, p. 42-57.

OTSUSCHI, C. Alterações na vegetação florestal nativa nas bacias hidrográficas dos lajeados São José e Passo dos Índios – Oeste de Santa Catarina: Efeitos hidrológicos e na perda de solos entre 1989 e 2015. Tese (Pós Graduação em Geografia) – Universidade Federal de Santa Maria, Santa Maria, 2017.

PANDOLFO, C. et al. Atlas Climatológico do Estado de Santa Catarina. Florianópolis: Epagri, 2002.

PONTIUS, R. G.; MILLONES, M. Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal Of Remote Sensing, Agosto de 2011. vol. 32, n. 15, p. 4407-4429.

PRATICÒ, S., SOLANO, F., DI FAZIO, S., & MODICA, G. Machine learning classification of mediterranean forest habitats in google earth engine based on seasonal sentinel-2 time-series and input image composition optimisation. Remote Sensing, 2021. vol. 13, n. 4, pp. 586.

ROVANI, F.; DAMBROS, G.; CASSOL, R. Aplicação da análise por componentes principais para o mapeamento do uso e ocupação da terra no município de Barão de Cotegipe–RS. Simpósio Brasileiro de Sensoriamento Remoto,2013. vol. 16, pp. 8091-8097.

SANTOS, D. F. M.; COSTA, A. M.; OLIVEIRA, F. S.; VIANA, J. H. M. Monitoramento do uso e cobertura do solo em Sete Lagoas e Prudente de Morais - MG entre 1990-2015. Revista Raega - O Espaço Geográfico em Análise. Fevereiro de 2018. Curitiba, v. 43, p. 57-74.

SANTOS, Rozely Ferreira dos. Planejamento ambiental. São Paulo: Oficina de Textos, p. 71-135, 2004.

SOUZA, C.; SHIMBO, J. Z.; ROSA, M. R.; PARENTE, L. L.; ALENCAR, A. A.; RUDORFF, B. F. T.; ...; AZEVEDO, T. Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth Engine. Remote Sensing, 2020. vol. 12, n. 17, pp. 27.

SUJUD, L.; JAAFAR, H.; HASSAN, M. A. H.; ZURAYK, R. Cannabis detection from optical and RADAR data fusion: A comparative analysis of the SMILE machine learning algorithms in Google Earth Engine. Remote Sensing Applications: Society and Environment, 2021. vol. 24.

STEHMAN, Stephen V.; CZAPLEWSKI, Raymond L. Design and Analysis for Thematic Map Accuracy Assessment. Remote Sensing Of Environment, Junho de 1998. vol. 64, n. 3, p. 331-344.

STEHMAN, Stephen V. Estimating area from an accuracy assessment error matrix. Remote Sensing Of Environment, Maio de 2013. vol. 132, p. 202-211.

ZANOTTA, D.; FERREIRA, M.; ZORTEA, M. Processamento de Imagens de Satélite. 1° edição. São Paulo: Oficina de Textos, 2019.