Detecção de mudanças da cobertura da terra na região da Floresta Nacional de Tapajós utilizando dados de múltiplos sensores

• Main Author: Daniela Souza dos Anjos
• Other Authors: Luciano Vieira Dutra
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais (INPE) 2016
• Online Access: http://urlib.net/sid.inpe.br/mtc-m21b/2016/01.28.18.56

Florestas tropicais são áreas de grande relevância para o ambiente global e estudos capazes de detectar e tipificar as mudanças ocorridas nestas regiões têm se mostrado de grande importância. O sensoriamento remoto tem sido a maior fonte de dados para processos de detecção de mudanças, porém, a constante cobertura de nuvens que afeta regiões de floresta torna difícil a obtenção de dados ópticos de qualidade em datas específicas. O uso de dados de diferentes sensores em processos de detecção de mudanças se mostra como uma alternativa ao problema, mas apresenta, entretanto, diversas dificuldades, principalmente quando envolve a integração de dados de Radares de Abertura Sintética (SAR - do inglês Synthetic Aperture Radar) e dados ópticos. Neste contexto, o presente trabalho se propõe a avaliar a acurácia da detecção de mudanças na região da Floresta Nacional do Tapajós, na Amazônia Brasileira, entre os anos de 2009 e 2013, ao se empregar dados multissensores (SAR e óptico). Para tanto, dados Radarsat-2 e EO-1 ALI foram utilizados. Dentre os diversos métodos de detecção de mudanças existentes os métodos de comparação pós-classificação e classificação direta, baseados em classificações pixel a pixel, foram selecionados para o estudo por se adequarem aos diferentes tipos de dados utilizados. Diferentes conjuntos de atributos foram classificados repetidas vezes, por meio dos classificadores supervisionados Máquina de Vetor de Suporte (SVM do inglês Support Vector Machine) e Máxima Verossimilhança (Maxver), na busca do melhor conjunto de dados para cada método de detecção de mudança. De acordo com trabalhos de campo realizados na região 9 classes de cobertura da terra, para cada ano, foram adotadas no estudo, o que resultou em 81 potenciais classes de mudança e não mudança. No entanto, para o intervalo de estudo, apenas 14 dentre essas 81 classes foram encontradas em campo. Devido a essa diferença um método de validação das amostras obtidas em campo foi proposto. Após essa validação as classes não encontradas em campo, mas detectadas pela comparação pós-classificação foram agrupadas, de acordo com conhecimento a priori, em possíveis e não encontradas e impossíveis ou improváveis. Este agrupamento tornou os resultados dos diferentes métodos de detecção de mudança adotados comparáveis. No entanto, as classes criadas transformaram as matrizes de confusão associadas aos mapas de mudança obtidos por comparação pós-classificação em matrizes não quadradas, para as quais os índices de validação precisaram ser repensados. A repetição das classificações de cada conjunto de dados, a partir de diferentes amostras de treinamento, fez com que informações de incerteza também pudessem ser associadas aos mapas de mudança. Os resultados obtidos através da detecção de mudança por classificação direta se destacaram e comprovaram a potencialidade dos dados multissensor, SAR e óptico, na obtenção de mapas de mudança acurados para regiões de floresta. === Tropical forests are areas of great relevance to the global environment. Studies to detect and classify the changes in forest regions have proved to be of great importance in protecting these areas. Remote sensing has been a major source of data for change detection processes. However, the constant cloud cover that affects these regions turns difficult to obtain quality optical data on specific dates. The use of different data types in change detection process is shown as an alternative to solve the problem. However, many difficulties are encountered in this process, particularly when it involves SAR and optical data integration. In this context, this study aims to evaluate the capabilities of multisensor data integration (SAR and optical) for a change detection study in forest areas. Radarsat-2 data and EO-1 ALI were used. The study comprises a region belonging to the Tapajós National Forest in the Brazilian Amazon, between the years 2009 and 2013. The change detection methods by post classification comparison and direct classification, pixel to pixel based, were selected for the study. These methods are appropriate for different types of data used. Different sets of attributes were classified in order to select the best set of data for each change detection method. The supervised classifiers Support Vector Machine and Maximum Likelihood were used in the study. Polarimetric decompositions of Cloude e Pottier and Freeman e Durden were introduced in an attempt to improve the accuracy of SAR classifications. A method to validate the 14 change/no change classes found in the field for the time interval is proposed. This is necessary because the 9 land cover classes for each year result in 81 potential change/no change classes. After the validation of the 14 change/no change classes, used in the study, the classes detected by the post classification comparison method but not found in the field could be merged. This merge makes the change detection results by post classification comparison and direct classification methods comparable. However, the confusion matrices obtained after the clustering become non square matrices. For these classifications the validation indices needed to be rethought. Due to repetition of the classifications, for each data set using different training samples, uncertainty information is also associated with final maps. The results obtained by direct classification change detection stand out and prove the capacity of using multi-sensor data, SAR and optical, for detecting changes in forest area.