| Summary: | O Cerrado brasileiro é considerado um dos mais importantes ecossistemas do mundo tanto pela riqueza de fauna quanto por sua ampla diversidade de espécies herbáceas, arbustivas e arbóreas que ocorrem em um gradiente de vegetação bem definido. Tendo em vista a importância do monitoramento desse hotspot de biodiversidade, o sensoriamento remoto hiperespectral pode fornecer informações sobre as características biofísicas e bioquímicas de sua cobertura vegetal. O objetivo deste trabalho foi identificar o melhor conjunto de atributos hiperespectrais do sensor Hyperion/Earth Observing One (EO-1), testando o desempenho de diferentes técnicas de classificação supervisionadas com esses atributos para discriminação de fitofisionomias do Cerrado. Na etapa de classificação foram consideradas duas imagens referentes à estação chuvosa (13/01/2015) e seca (24/06/2015). A área de estudo foi o Parque Nacional de Brasília (PNB). Os atributos testados foram: (a) a reflectância de 146 bandas do sensor Hyperion; (b) a primeira derivada da reflectância; (c) 22 índices de vegetação (IVs) de bandas estreitas; (d) a profundidade, área, largura e assimetria das bandas de absorção de clorofila em 680 nm; água foliar em 980 e 1200 nm; lignina e celulose em 1700, 2100 e 2300 nm; e (e) todos os atributos em conjunto. Os classificadores testados foram Árvore de Decisão J48 (AD), Random Forest (RF), Spectral Angle Mapper (SAM) e Support Vector Machine (SVM). Os resultados mostraram que a maior quantidade de atributos selecionados no período chuvoso compensou as confusões espectrais associadas à estrutura da vegetação durante esse período. Bandas mais profundas de absorção de água foram observadas no período chuvoso para as formações arbóreas que apresentaram também maiores taxas de variação espectral associadas à borda vermelha (primeira derivada). As classificações do período chuvoso apresentaram desempenho levemente superior às classificações do período seco, especialmente para tipologias que incluíam espécies invasoras, embora a maioria das diferenças em exatidão de classificação não tenham sido estatisticamente diferentes. As maiores exatidões totais foram atribuídas às classificações com todos os atributos em conjunto, enquanto que as menores exatidões foram relacionadas aos atributos parâmetros de bandas de absorção e derivada de 1$^{ª}$ ordem. Pelos mapas de entropia de Shannon e de moda, observou-se que as maiores incertezas entre os classificadores ocorreram para os atributos derivada de 1$^{ª}$ ordem e parâmetros de bandas de absorção, estando associadas com as fitofisionomias campestres. Pelo processo de simulação estocástica foram confirmados os resultados obtidos pelos mapas de classificação. Considerando um intervalo de credibilidade de 99\%, pode-se concluir que os melhores resultados de classificação nos períodos chuvoso e seco foram observados para RF e SVM. Usando estes classificadores, as maiores percentagens de acerto de classificação foram observadas com todos os atributos em conjunto para as formações campestres e com IVs, reflectância e todos os atributos para as formações arbóreas. A utilização de simulação estocástica foi importante para a complementação e confirmação dos resultados estatísticos associados aos processos de classificação de imagens Hyperion. === The Brazilian savanna, locally known as Cerrado, is one of the most important ecosystems of the world because of the high biodiversity of trees, shrubs and grasses associated with a well-defined vegetation gradient. In order to monitor this important world's hotspot, hyperspectral remote sensing can provide information on biophysical and biochemistry vegetation properties. The objective of this study was to identify the best set of hyperspectral attributes to be used as input to different classification techniques for discriminating the Cerrado physiognomies. In the classification phase, two images were considered in rainy season (01/13/2015) and dry (06/24/2015).The study area is the Parque Nacional de Brasília (PNB). The attributes tested were, as follows: (a) the reflectance of 146 Hyperion bands; (b) the first-order derivative of reflectance; (c) 22 narrowband vegetation indices (VIs); (d) the depth, area, width and asymmetry of the 680-nm chlorophyll absorption band; the 980-nm and 1200-nm leaf water features; the 1700-nm, 2100-nm and 2300-nm lignin/cellulose absorption bands; and (e) all sets of attributes. The classifiers used in the data analysis were Decision Tree J48 (DT), Random Forest (RF), Spectral Angle Mapper (SAM) and Support Vector Machine (SVM). The results showed that the greater spectral confusion in the rainy season than in the dry season was compensated by the selection of a greater number of hyperspectral attributes in the classification procedure. Deeper leaf water absorption bands were observed in the rainy season for the tree-wooded savannas, which showed also greater rates of reflectance changes in the red-edge interval (first-order derivative). Classification accuracy in the rainy season was slightly higher than in the dry season, especially for classes with invasive species, but most of the differences were not statistically significant. The highest classification accuracy was obtained with the use of all hyperspectral attributes, while the lowest values were noted for the absorption band parameters and first-order derivative of reflectance. These results were confirmed by the Shannon entropy and mode maps, which showed that the greatest uncertainties in the classification were associated with the grassland/shrub savanna physiognomies. From the stochastic simulation at 99\% confidence level, it was concluded that the best classification results in both seasons were observed for RF and SVM. Using these classifiers, the largest percentages of correct classification were obtained with all attributes for the grassland/shrub savannas and with reflectance, VIs and all attributes for the tree-wooded physiognomies. Overall, the stochastic simulation was important for complementing and confirming the statistical results associated with the classification of the Hyperion images.
|
|---|
