Dissertação (mestrado)—Universidade de Brasília, Instituto de Geociências, Programa de Pós-Graduação em Geociências Aplicadas, 2017. / Submitted by Raquel Almeida (raquel.df13@gmail.com) on 2017-05-12T19:49:30Z
No. of bitstreams: 1
2017_KhalilAliGanem.pdf: 7800118 bytes, checksum: 7922fe6795a865561d79dc0353d14fe4 (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2017-05-16T17:02:32Z (GMT) No. of bitstreams: 1
2017_KhalilAliGanem.pdf: 7800118 bytes, checksum: 7922fe6795a865561d79dc0353d14fe4 (MD5) / Made available in DSpace on 2017-05-16T17:02:32Z (GMT). No. of bitstreams: 1
2017_KhalilAliGanem.pdf: 7800118 bytes, checksum: 7922fe6795a865561d79dc0353d14fe4 (MD5)
Previous issue date: 2017-05-16 / O projeto intitulado Mapeamento Anual da Cobertura e Uso do Solo no Brasil -MapBiomas - é um projeto atual voltado para a classificação da cobertura do solo a nível nacional. As diversas classes abordadas no âmbito do projeto estão sendo identificadas e mapeadas com base em imagens das séries Landsat. Após a seleção de duas cartas, a SC-24-V-C e a SD-23-X-D, com base em critérios específicos, foi feito um comparativo entre o dado com correção atmosférica obtido por meio dos algoritmos FLAASH e QUAC, e o produto em reflectância no topo da atmosfera (LC8_L1T_TOA), sem correção atmosférica. Este último é o dado atualmente utilizado pelo MapBiomas para o Landsat-8 em classificações resultantes de uma árvore de decisão definida empiricamente pela equipe do projeto. Tal investigação se torna necessária pois o MapBiomas necessita obter um panorama acerca de qual dado apresenta o melhor ajuste às classificações, demonstrando-se mais realista ao contexto da Caatinga, o qual se trata do bioma proporcionalmente menos estudado dentre as regiões naturais brasileiras. As classificações foram geradas pelo Code Editor do Google Earth Engine, uma plataforma capaz de processar imagens de satélite na nuvem de forma distribuída e rápida, permitindo que ferramentas de alto desempenho interpretem e analisem uma gama de informações, as quais são visualizadas em mapas. A partir de análises visuais e da aplicação de testes estatísticos de exatidão global e por classe identificou-se o dado que melhor se ajustou ao contexto da Caatinga, nas cartas selecionadas, mostrando-se mais adequado para proceder com o mapeamento da cobertura do solo no bioma. A carta SC-24-V-C apresentou valores do coeficiente Tau para as classificações oriundas do dado sem correção atmosférica e com dados corrigidos pelo FLAASH e QUAC, de, respectivamente, 54,13%, 39,13% e 58,10%. Já a carta SD-23-X-D apresentou resultados para o mesmo índice de, respectivamente, 55,45%, 68,90% e 64,90%. Isso mostrou que o dado com correção atmosférica, de modo geral, mostrou melhor ajuste ao contexto da Caatinga em comparação com o dado em reflectância no topo da atmosfera. Além disso, dentre os dados utilizados, o FLAASH apresentou maior inconsistência, mostrando-se ora o melhor, ora o pior para cada carta, sendo ainda bem complexo para executar em comparação ao QUAC, que por sua vez é mais rápido no tempo de processamento e apresentou melhor desempenho. O dado sem correção atmosférica não demonstrou diferenças significativas em comparação com os dados corrigidos. E, apesar de ter sido mais baixo, mostrou resultados praticamente idênticos em ambas as análises, o que faz com que o dado não deva ser dispensado, devendo apenas ser feitos ajustes nos parâmetros da árvore de decisão para que seu uso seja mais eficiente. Apesar da variabilidade dos resultados estatísticos em função dos tipos de dados utilizados, constatou-se que a plataforma Google Earth Engine se demonstrou prática, rápida e satisfatória para proceder com a classificação da cobertura do solo na Caatinga. / The project entitled Mapping Annual Coverage and Land Use in Brazil - MapBiomas - is a current project focused on the classification of soil cover at a national level. The various classes addressed in the scope of the project are being identified and mapped based on Landsat images. After the selection of the SC-24-VC and SD-23-XD letters based on specific criteria, a comparison was made between the atmospheric correction data obtained using the FLAASH and QUAC algorithms, and the product of reflectance on the top of atmosphere (LC8_L1T_TOA), without atmospheric correction. The latter data is currently used by MapBiomas for Landsat-8 in the soil cover classifications based on a decision tree empirically defined by the project team. This is a necessary research because the MapBiomas project needs to obtain a panorama about which data represents the best adjustment to the classifications, proving to be more realistic to the context of the Caatinga, which is the biome proportionally less studied among the Brazilian natural regions. The classifications were generated by the Code Editor of Google Earth Engine, a platform capable of processing satellite images in the cloud in a distributed and fast way, allowing high performance tools to interpret and analyze a range of information, which is visualized in the form of maps. Based on the visual analysis and the application of statistical tests of global accuracy and accuracy by class, the data that best fit the context of the Caatinga was identified as the more appropriate to proceed with the mapping of the soil cover in the biome. The letter SC-24-V-C presented Tau values for the classifications from the TOA data and with data corrected by FLAASH and QUAC, of 54.13%, 39.13% and 58.10%, respectively. SD-23-X-D presented results for the same index of, respectively, 55.45%, 68.90% and 64.90%. This showed that the atmospheric correction data, in general, presented a better fit to the context of the Caatinga compared to the top-of-atmosphere reflectance data. In addition, among the data used, FLAASH presented a greater inconsistency, showing to be sometimes the best and in other times the worst for each image. And it is still quite complex to be used if compared to QUAC, which is faster in processing time and had a better performance. The data without atmospheric correction did not show significant differences in comparison with the corrected data. And, even though it had lower values, it showed almost identical results in both analysis, which means that the data should not be dispensed, being necessary only adjustments in the decision tree parameters to achieve more efficient results. In the end, despite the variability of the data, it was found that Google Earth Engine is a highly effective tool to proceed with the classification of the ground cover.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unb.br:10482/23501 |
Date | 06 March 2017 |
Creators | Ganem, Khalil Ali |
Contributors | Baptista, Gustavo Macedo de Mello |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UnB, instname:Universidade de Brasília, instacron:UNB |
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., info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds