| Summary: | ARAÚJO, E. M. Detecção de diferentes alvos no entorno de reservatórios no semiárido através do uso de sensoriamento remoto. 2017. 161 f. Tese (Doutorado em Engenharia Agrícola)- Universidade Federal do Ceará, Fortaleza, 2016. === Submitted by Weslayne Nunes de Sales (weslaynesales@ufc.br) on 2017-06-21T11:25:55Z
No. of bitstreams: 1
2017_tese_emaraujo.pdf: 9310147 bytes, checksum: d2e4fbc1a2d900355b4d2243ab7adb84 (MD5) === Approved for entry into archive by Weslayne Nunes de Sales (weslaynesales@ufc.br) on 2017-06-21T11:27:46Z (GMT) No. of bitstreams: 1
2017_tese_emaraujo.pdf: 9310147 bytes, checksum: d2e4fbc1a2d900355b4d2243ab7adb84 (MD5) === Made available in DSpace on 2017-06-21T11:27:46Z (GMT). No. of bitstreams: 1
2017_tese_emaraujo.pdf: 9310147 bytes, checksum: d2e4fbc1a2d900355b4d2243ab7adb84 (MD5)
Previous issue date: 2017 === The main goal of this work is to evaluate the potential of discrimination for soil use and
occupation in the surroundings of reservoirs located in the semi-arid region, using spectral
information obtained by remote sensor considering multispectral and hyperspectral satellites
images. The satellite images selected for the survey are Landsat 8 and Hyperion images. The
research evaluated and compared the performance of different techniques for image
classification applied to multispectral (Landsat 8) and hyperspectral (Hyperion) sensors aiming
the detection and delineation of the land uses around the reservoirs Paus Brancos, Nova Vida
and Marengo, located in the 25 de Maio settlement, Madalena – CE, belongin the hydrographic
basin of the Banabuiú reservoir. The classes identified based on surveys conducted in 2014 and
2015 campaigns around the reservoirs were: water (water bodies), macrophytes, exposed soil,
native vegetation, agriculture, sparse vegetation and fload plaind crop, in addition to cloud and
shadow targets. Different techniques for image processing are tested and compared, such as
NDVI (Vegetation Index by Normative Difference), non-supervised classifier (ISODATA) and
supervised classifiers (Maximum Likelihood, K-Nearest Neighbours - KNN, Minimal Distance
and Random Forest). For processing hyperspectral images, we use SVM (Support Vector
Machine) classifier, which provides to analyze all the 155 radiometrically calibrated bands of
the Hyperion sensor, assigning them weights in the classification process. According to the
results provided by SVM classifier, RGB compositions of the 10 best ranked bands are
evaluated aiming the identification of the best successful combination for delineating classes in
the surroundings of the three studied reservoirs (bands R – 51, G – 161, B – 19). The analysis
of NDVI multispectral images behaved inaccurate for delineating classes, mainly considering
targets with similar spectral response, such as some kinds of vegetation. Meanwhile, the
unsupervised classification proved to be deficient, not being able to discriminate water bodies
from cloud shadow, even after applying contrast enhancing techniques within the Matlab
computing program environment. The spectral and temporal analysis of soil use reflectance
allowed to identify the spectral behavior of the nine classes considered in this study and also
the spectral bands with the highest potential for discriminating the referred classes. Indeed, even
within these optimal bands, some targets present similar spectral behaviors, difficulting their
discrimination. On the other hand, the supervised classification applied to Landsat 8 and
Hyperion images achieved to be succeed in the delineation of either distinct (water, soil and
vegetation) and similar (macrophytes, fload plaind crop, native vegetation, agriculture and
sparse vegetation) targets. It should be emphasized that the performance results of the classifiers
applied to the Hyperion images are generally superior to those obtained respectively by the
same classifiers over the Landsat 8 images. This can be explained by the higher spectral
resolution of the first sensor, which increases the potential for delineating targets with similar
spectral response. Concerning the supervised classifiers, in the stage of performance test, it was
observed that KNN method is more accurate than the others for Landsat 8 images, with a
maximum Kappa coefficient equal to 0.68. Meanwhile, for Hyperion images, the Maximum
Likelihood method achieves the highest performance result, with a maximum Kappa coefficient
equal to 0,78. Additionally, a sensitivity analysis of the supervised classification applied to
Landsat 8 and Hyperion images is performed regarding the number of samples per class
randomly collected for training. It is clearly observed that the randomness concerning training
stage allows finding subsets of samples which increase the performance results. For the
evaluation of the supervised maximum likelihood classification method, Landsat 8
(24/08/2015) and Hyperion (285/08/2015) images are considered for the computing tests. The
training data were collected through a research technical visit in November, 2015, around São
Nicolau reservoir, also located in the 25 de Maio settlement, while the data for performance
evaluation (validation) were extracted from the image generated through the overflight
performed by an Unmanned Aerial Vehicle (UAV), in the same period in the Paus Brancos
reservoir. The obtained results demonstrate the robustness for that classifier when applied to
Hyperion image, with a Kappa of 0.83. Concerning Landsat 8 image, the computed Kappa is
0.49, which can be explained by the corresponding lower spectral resolution. Two other
applications of the Maximum Likelihood classifier for Landsat 8 and Hyperion images were
performed. In the first one, the accuracy of each classifier for detecting reservoirs contours was
tested. In some of these reservoirs, that task is made difficult by the presence of macrophytes
in the hydraulic basin. For this analysis, the intersection area between the scenes of the Landsat
8 and Hyperion sensors, which cover the area of 25 de Maio Settlement, was used, totalizing
48 reservoirs. The results showed that the classifier generally underestimates the reservoir areas,
reaching 73% and 51% of the reference value in the Landsat 8 and Hyperion images,
respectively. Finally, an application of the supervised Maximum Likelihood classifier was
performed using Hyperion images for the detection of land uses in the surroundings of
reservoirs of other regions of the State of Ceará. In the analysis of the available data, it is
possible to identify a reservoir located in the municipality of Lavras da Mangabeira, displayed
in the Hyperion image (26/09/2010), with low cloud cover, near the image of Google Earth
(08/07/2009), also used for validation purposes. The results of the application indicate accurate
performance for the classifier associated with the RGB composition selected for the Hyperion
image (bands R - 51, G - 161, B - 19) concerning the detection of the uses around this reservoir,
the resultant Kappa coefficient is 0.90. On the other hand, the availability of Hyperion sensor
data in applications for the State of Ceará is very restricted, which makes difficult to develop
continuous researches using hyperspectral images. === O objetivo deste trabalho é avaliar o potencial de discriminação dos uso e ocupação do solo no entorno de reservatórios localizados na região semiárida, mediante informações espectrais obtidas por sensor remoto com imagens de satélites multiespectrais e hiperespectrais. As imagens de satélites selecionadas para a realização da pesquisa foram imagens Landsat 8 e Hyperion. A pesquisa analisou o desempenho de diferentes técnicas de classificação de imagens aplicadas a sensores multiespectrais (Landsat 8) e hiperespectrais (Hyperion) para detecção e diferenciação das classes do solo no entorno dos reservatórios Paus Brancos, Nova Vida e Marengo, situados no Assentamento 25 de Maio, localizados no município de Madalena – CE, pertencentes a bacia hidrográfica do reservatório Banabuiú. As classes identificadas com base em levantamentos em campanhas realizadas em 2014 e 2015 no entorno dos reservatórios são: água (corpos hídricos), macrófitas, solo exposto, vegetação nativa, agricultura, vegetação rala e vazante, além dos alvos nuvem e sombra de nuvem. Testaram-se na pesquisa diferentes técnicas de processamento de imagens, tais como NDVI (Índice de Vegetação por Diferença Normatizada), classificador não supervisionado (ISODATA) e supervisionados (Máxima Verossimilhança, K-Nearest Neighbours - KNN, Mínima Distância e Random Forest). Para processamento de imagens hiperespectrais utilizou-se, adicionalmente, o classificador SVM (Support Vector Machine), por permitir o processamento de todas as 155 bandas radiometricamente calibradas do sensor Hyperion, atribuindo-lhes pesos no processo de classificação. Testaram-se, então, composições RGB das 10 melhores bandas de acordo com o ranking resultante do classificador SVM, para identificação daquela com melhor desempenho na diferenciação das classes no entorno dos três reservatórios estudados (bandas R – 51, G – 161, B – 19). A análise de imagens multiespectrais do NDVI apresentou limitações na diferenciação de classes, sobretudo em alvos com resposta espectral similar como tipos de vegetação. Já a classificação não-supervisionada mostrou-se deficiente por não conseguir separar corpos hídricos de sombra de nuvem, mesmo após a aplicação de técnicas de realces implementados dentro do ambiente Matlab. A análise espectral e temporal da reflectância de classes permitiu identificar o comportamento espectral das nove classes analisadas neste estudo, indicando as faixas espectrais com maior potencial de diferenciação, embora se perceba que, mesmo nestas faixas, alguns alvos apresentam comportamento espectral similar, não sendo facilmente separados. A classificação supervisionada, por sua vez, destacou-se por conseguir separar tanto alvos distintos (água, solo e vegetação) como alvos semelhantes (macrófitas, vazante, vegetação nativa, agricultura e vegetação rala) quando aplicadas as imagens dos sensores Landsat 8 e Hyperion. Cabe destacar, entretanto, que o desempenho dos classificadores aplicados à imagem do sensor Hyperion foi, em geral, superior aos obtidos em imagem Landsat 8, o que pode ser explicado pela alta resolução espectral do primeiro, que facilita a diferenciação de alvos com reposta espectral similar. Na etapa de teste de desempenho dos classificadores supervisionados, observou-se que o método KNN foi superior aos demais no processamento de imagem Landsat 8, com coeficiente Kappa de 0,68. Já no caso do Hyperion, o método de Máxima Verossimilhança teve melhor desempenho com Kappa de 0,78. Adicionalmente, realizou-se uma análise de sensibilidade da classificação supervisionada aplicada a imagens Landsat 8 e Hyperion quanto ao número de amostras por classe usadas no treinamento, indicando que, em geral, o caráter aleatório de escolha das amostras potencializa o desempenho dos classificadores. Para validação do método de classificação supervisionada de Máxima Verossimilhança, utilizaram-se imagens Landsat 8 (24/08/2015) e Hyperion (28/08/2015). Os dados de treinamento do classificador foram coletados na campanha de novembro de 2015, no entorno do reservatório São Nicolau, também localizado no Assentamento 25 de Maio, enquanto que os dados de verificação do desempenho do método foram extraídos da imagem gerada no sobrevoo realizado, no mesmo período, no reservatório Paus Branco, usando um VANT (veículo aéreo não tripulado). Os resultados mostraram um excelente desempenho do classificador quando aplicado à imagem do sensor Hyperion, com Kappa de 0,83. Já a aplicação para a imagem do sensor Landsat 8 resultou em um Kappa de 0,49, o que pode ser explicado por sua baixa resolução espectral. Realizaram-se, ainda, duas aplicações do classificador supervisionado de Máxima Verossimilhança em imagens Landsat 8 e Hyperion para testar a eficiência do método. Na primeira, verificou-se a habilidade do classificador na detecção de contornos de reservatórios, em alguns dificultada pela presença de macrófitas na bacia hidráulica. Para isso, utilizou-se a área de interseção entre as cenas dos sensores Landsat 8 e Hyperion, que cobrem a área do Assentamento 25 de Maio, identificando 48 reservatórios. Os resultados mostraram que, em geral, o classificador subestima as áreas dos reservatórios, atingindo 73% e 51% do valor referência nas imagens Landsat 8 e Hyperion, respectivamente. Por fim, realizou-se uma aplicação do classificador supervisionado de Máxima Verossimilhança em imagens Hyperion para detecção de classes no entorno de reservatórios de outras regiões do Estado do Ceará. Na análise dos dados disponíveis, identificou-se um reservatório no município de Lavras da Mangabeira-CE, presente na imagem Hyperion (26/09/2010), com baixa cobertura de nuvens, em período próximo à imagem do google Earth (08/07/2009), usada para validação dos resultados. Os resultados da aplicação indicaram um bom desempenho do classificador associado à composição RGB da imagem Hyperion escolhida (bandas R – 51, G – 161, B – 19) na detecção das classes no entorno deste reservatório, produzindo um coeficiente Kappa de 0,90. Por outro lado, a disponibilidade de dados do sensor Hyperion em aplicações para o Estado do Ceará é bem restrita, o que dificulta o desenvolvimento de pesquisas continuadas usando imagens hiperespectrais.
|
|---|
