Palavras-chave
Sentinel 1
Coerência interferométrica
Ambiente urbano
Objetos urbanos
Como Citar
Resumo
Os desafios sociais e ambientais estão diretamente relacionados à
concentração populacional existente nos ambientes urbanos, que
contribuem em mais de 75% do Produto Interno Bruto (PIB) mundial.
Assim, é essencial a detecção da dinâmica do uso e cobertura da terra
visando à elaboração e efetivação de políticas públicas. Os sistemas
SAR, especialmente as técnicas de interferometria, vêm apresentando
ótimos resultados frente a esse desafio, uma vez que não possuem
influência direta da atmosfera. Limitados estudos foram realizados
utilizando-se a coerência interferométrica proveniente do satélite
Sentinel-1 em ambiente urbano. Nesse sentido o objetivo desse estudo
foi classificar o uso e cobertura da terra de parte do Distrito Federal
tendo por base diferentes dimensionalidades considerando as medidas
de intensidade e de coerência interferométrica relativas ao ano de 2018.
Os resultados mensurados a partir das métricas Kappa e F1 indicam
que a inserção de uma série temporal de coerências interferométricas
melhora o desempenho da classificação, de 0,50 a 0,75 (Kappa) e de 0,54
a 0,79 (F1), fato que ficou evidente na melhora de desempenho das
classes temáticas relacionadas à cobertura vegetal. Ademais, também
constata-se que a identificação dos objetos urbanos é melhor
representada pela utilização apenas das intensidades (VV e VH) no
processo classificatório
Referências
AUBLANC, J.; MOREAU, T.; THIBAUT, P.; BOY, F.; RÉMY, F.; PICOT, N. Evaluation of SAR altimetry over the Antarctic ice sheet from CryoSat-2 acquisitions. Advances in Space Research, v. 62, n. 6, p. 1307-1323, 2018. https://doi.org/10.1016/j.asr.2018.06.043
BELGIU, M.; DRAGUT, L. Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, v. 114, p. 24-31, 2016.
https://doi.org/10.1016/j.isprsjprs.2016.01.011
BITENCOURT, M. D. Classificação espectro-temporal da cultura de grãos em imagens Sentinel (SAR) utilizando Machine Learning em Luís Eduardo Magalhães, Brasil. (Dissertação de Mestrado), Curso de Pós-graduação em Geografia, Universidade de Brasília, 2020, 39f. https://repositorio.unb.br/
BRASIL. Governo de Distrito Federal – GDF. Zoneamento Ecológico-Econômico do Distrito Federal (ZEE/DF). Brasília, 2018. http://www.zee.df.gov.br/
BRASIL. Instituto Brasileiro de Geografia e Estatística – IBGE. Resolução n01/2015 que trata da transformação entre os referenciais geodésicos no Brasil. Rio de Janeiro, 2015.
ftp://geoftp.ibge.gov.br/metodos_e_outros_documentos_de_referencia/normas/rpr_01_2015_sirgas2000.pdf
BREIMAN, L. Random Forests. Machine Learning, v. 45, n. 1, p. 5-32, 2001.
https://doi.org/10.1023/A:1010933404324
CAO, R.; TU, W.; YANG, C.; LI, Q.; LIU, J.; ZHU, J.; ZHANG, Q.; LI, Q.; QIU, G. Deep learning-based remote and social sensing data fusion for urban region function recognition. ISPRS Journal of Photogrammetry and Remote Sensing, v. 163, p. 82-97, 2020.
https://doi.org/10.1016/j.isprsjprs.2020.02.014
CHATURVEDI, S. K.; BANERJEE, S.; LELE, S. An assessment of oil spill detection using Sentinel 1 SAR-C images. Journal of Ocean Engineering and Science, in press, 2019.
https://doi.org/10.1016/j.joes.2019.09.004
CIAMPALINI, A.; SOLARI, L.; GIANNECCHINI, R.; GALANTI, Y.; MORETTI, S. Evaluation of subsidence induced by long-lasting building load using InSAR technique and geotechnical data: The case study of a Freight Terminal (Tuscany, Italy). International Journal of Applied Earth Observation and Geoinformation, v. 82, 2019. https://doi.org/10.1016/j.jag.2019.101925
COSTA, D. H. Uso de séries temporais Sentinel 1 na identificação de culturas agrícolas utilizando modelos de Machine Learning. (Dissertação de Mestrado), Curso de Pós-graduação em Geografia, Universidade de Brasília, 2020, 51f. https://repositorio.unb.br/
DE ZAN, F.; GUARNIERI, A. M. TOPSAR: Terrain Observation by Progressive Scans. IEEE Transactions on Geoscience and Remote Sensing, v. 44, n. 9, p. 2352-2360, 2006.
https://doi.org/10.1109/TGRS.2006.873853
DINIZ, J. M. F. S; GAMA, F. F. Utilização da coerência interferométrica SAR para mapeamento do uso e cobertura da terra na região da Amazônia. In: Simpósio Brasileiro de Sensoriamento Remoto, 2019, Santos/SP. Anais... São José dos Campos: INPE, 2019. Disponível em: https://proceedings.science/sbsr-2019/papers/utilizacao-da-coerencia-interferometrica-sar-para-mapeamento-do-uso-e-cobertura-da-terra-na-regiao-da-amazonia
FERREIRA, G. H. S. Identificação de áreas inundáveis na porção sul de Roraima com auxílio de imagens de radar. (Dissertação de Mestrado), Curso de Pós-graduação em Geografia, Universidade de Brasília, 2018, 75f. https://repositorio.unb.br/handle/10482/33928
GRIFFITHS, P.; HOSTERT, P.; GRUEBNER, O.; LINDEN, V. Mapping megacity growth with multi-sensor data. Remote Sensing of Environment, v. 114, n. 2, p. 426-439, 2010.
https://doi.org/10.1016/j.rse.2009.09.012
HU, L.; DAI, K.; XING, C.; LI, Z.; TOMÁS, R.; CLARK, B.; SHI, X.; CHEN, M.; ZHANG, R.; QIU, Q.; LU, Y. Land subsidence in Beijing and its relationship with geological faults revealed by Sentinel 1 InSAR observations. International Journal of Applied Earth Observation and Geoinformation, v. 82, 2019. https://doi.org/10.1016/j.jag.2019.05.019
KHALIL, R. Z.; HAQUE, S. Insar coherence-based land cover classification of Okara, Pakistan. The Egyptian Journal of Remote Sensing and Space Sciences. v. 21, p. S23-S28, 2018.
https://doi.org/10.1016/j.ejrs.2017.08.005
LAWRENCE, R. L.; MORAN, C. J. The AmericaView Classification Methods Accuracy Project: A Rigorous Approach for Model Selection. Remote Sensing of Environment, v. 170, p. 115-120, 2015. https://doi.org/10.1016/j.rse.2015.09.008
LI, M.; ZHANG, L.; DING, C.; LI, W.; LUO, H.; LIAO, M.; XU, Q. Retrieval of historical surface displacements of the Baige landslide from time-series SAR observations for retrospective analysis of the collapse event. Remote Sensing of Environment, v. 240, 2020.
https://doi.org/10.1016/j.rse.2020.111695
MARQUES, J. B.; CARVALHO JÚNIOR, O. A.; CAMPAGNOLI, F.; MESQUITA JÚNIOR, H. N.; GOMES, R. A. T.; GUIMARÃES, R. F. Classificação da cobertura da terra na região da ilha do Bananal usando imagens multitemporais PALSAR-2/ALOS-2. Revista Franco-Brasileira de Geografia (Confins), v. 39, 2019. https://doi.org/10.4000/confins.17506
MAXWELL, A. E.; WARNER, T. A.; FANG, F. Implementation of machine-learning classification in remote sensing: an applied review. International Journal of Remote Sensing, v. 39, n. 9, p. 2784-2817, 2018. https://doi.org/10.1080/01431161.2018.1433343
MIGUEL, B. H.; SANO, E. E. Classificação do uso e cobertura da terra do Distrito Federal, Brasil a partir de dado de coerência interferométrica. Revista Brasileira de Geografia Física, v. 12, n. 2, p. 427-442, 2019. https://doi.org/10.26848/rbgf.v12.2.p427-442
MOHAMMADIMANESH, F.; SALEHI, B.; MAHDIANPARI, M.; BRISCO, B.; MOTAGH, M. Multi-temporal, multi-frequency, and multipolarization coherence and SAR backscatter analysis of wetlands. ISPRS Journal of Photogrammetry and Remote Sensing, v. 142, p. 78-93, 2018.
https://doi.org/10.1016/j.isprsjprs.2018.05.009
OLESK, A.; PRAKS, J.; ANTROPOV, O.; ZALITE, K.; ARRUMAE, T.; VOORMANSIK, K. Interferometric SAR Coherence Models for Characterization of Hemiboreal Forests Using TanDEM-X Data. Remote Sensing, v. 8, n. 9, 2016. https://doi.org/10.3390/rs8090700
OLIVEIRA, P. D. S. Uso de aprendizagem de máquina e redes neurais convolucionais profundas para a classificação de áreas queimadas em imagens de alta resolução espacial. (Dissertação de Mestrado), Curso de Pós-graduação em Geografia, Universidade de Brasília, 2019, 34p. https://repositorio.unb.br
OZIGIS, M. S.; KADUK, J. D.; JARVIS, C. H.; BISPO, P. C.; BALZTER, H. Detection of oil pollution impacts on vegetation using multifrequency SAR, multispectral images with fuzzy forest and random forest methods. Environmental Pollution, v. 256, 2020.
https://doi.org/10.1016/j.envpol.2019.113360
PICHIERRI, M.; HAJNSEK, I.; ZWIEBACK, S.; RABUS, B. On the potential of Polarimetric SAR Interferometry to characterize the biomass, moisture and structure of agricultural crops at L-, C- and X-Bands. Remote Sensing of Environment, v. 204, p. 596-616, 2018.
https://doi.org/10.1016/j.rse.2017.09.039
PRINZIE, A; VAN DEN POEL, D. Random Forests for multiclass classification: Random MultiNomial Logit. Expert systems with Applications: An International Journal, v. 34, n. 3, p. 1721-1732, 2008. https://doi.org/10.1016/j.eswa.2007.01.029
RAJAH, P.; ODINDI, J.; MUTANGA, O. Feature level image fusion of optical imagery and Synthetic Aperture Radar (SAR) for invasive alien plant species detection and mapping. Remote Sensing Applications: Society and Environment, v. 10, p. 198-208, 2018.
https://doi.org/10.1016/j.rsase.2018.04.007
SALGADO, C. B. Emprego de séries temporais na Amazônia: análise de imagens MODIS e RADAR para mapeamento de uso e ocupação do solo no Estado do Acre. (Tese de Doutorado), Curso de Pós-graduação em Geografia, Universidade de Brasília, 2019, 113f.
https://repositorio.unb.br/handle/10482/35999
SALGADO, C. B.; CARVALHO JÚNIOR, O. A.; GOMES, R. A. T.; GUIMARÃES, R. F. Análise da interferência de nuvens na classificação de séries temporais MODIS-NDVI na região da Amazônia, município de Capixaba, Acre. Sociedade & Natureza, v. 31, p. 1-20, 2019.
https://doi.org/10.14393/SN-v31-2019-47062
SEKERTEKIN, A.; MARANGOZ, A. M.; ADBIKAN, S. ALOS-2 and Sentinel-1 SAR data sensitivity analysis to surface soil moisture over bare and vegetated agricultural fields. Computers and Electronics in Agriculture, v. 171, 2020. https://doi.org/10.1016/j.compag.2020.105303
SICA, F.; PULELLA, A.; NANNINI, M.; PINHEIRO, M.; RIZZOLI, P. Repeat-pass SAR interferometry for land cover classification: A methodology using Sentinel-1 Short-Time-Series. Remote Sensing of Environment, v. 232, 2019. https://doi.org/10.1016/j.rse.2019.111277
WEGMULLER, U.; SANTORO, M.; WERNER, C.; CARTUS, O. On the estimation and interpretation of Sentinel 1 TOPS InSAR coherence. In: Proc. of FRINGE 2015 Workshop, Frascati, Italia, 23-27 março, ESA, 2015. http://proceedings.esa.int/files/89.pdf
WERNER, A.; STORIE, C. D.; STORIE, J. Evaluating SAR-Optical Image Fusions for Urban LULC Classification in Vancouver Canada. Canadian Journal of Remote Sensing, v. 40, n. 4, p. 278-290, 2014. https://doi.org/10.1080/07038992.2014.976700
WHITCOMB, J.; MOGHADDAM, M.; MCDONALD, K.; KELLNDORFER, J.; PODEST, E. Mapping vegetated wetlands of Alaska using L-band radar satellite imagery. Canadian Journal of Remote Sensing, v. 35, n. 1, p. 54-72, 2009.
https://doi.org/10.5589/m08-080
ZHANG, H.; LI, J.; WANG, T.; LIN, H.; ZHENG, Z.; LI, Y.; LU, Y. A manifold learning approach to urban land cover classification with optical and radar data. Landscape and Urban Planning, v. 172, p. 11-24, 2018. https://doi.org/10.1016/j.landurbplan.2017.12.009
ZHU, Z.; ZHOU, Y.; SETO, K. C.; STOKES, E. C.; DENG, C.; PICKETT, S. T. A.; TAUBENBOCK, H. Understanding an urbanizing planet: Strategic directions for remote sensing. Remote Sensing of Environment, v. 228, p. 164-182, 2019. https://doi.org/10.1016/j.rse.2019.04.020
Direitos Autorais para artigos publicados nesta revista são do autor, com direitos de primeira publicação para a revista. Em virtude de aparecerem em revista de acesso público, os artigos são licenciados sob Creative Commons Attribution (BY), que permite o uso irrestrito, distribuição e reprodução em qualquer meio, desde que o trabalho original seja devidamente citado.