Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos
Ano de defesa: | 2018 |
---|---|
Autor(a) principal: | |
Orientador(a): | , |
Banca de defesa: | , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Instituto Nacional de Pesquisas Espaciais (INPE)
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação do INPE em Sensoriamento Remoto
|
Departamento: |
Não Informado pela instituição
|
País: |
BR
|
Resumo em Inglês: | Caatinga is a natural semi-arid vegetation type, which occupies great part of northeastern region of Brazil. This ecosystem contains a variety of phytophysiognomies of difficult mapping with their occurrence influenced by local rainfall and soil attributes. This work verified the potential use of multi-temporal data from the MSI/Sentinel-2, obtained in four dates between 2015 and 2016 (rainy to dry seasons), along with LiDAR observations, for mapping seven Caatinga´s phytophysiognomies in a study area located in the state of Pernambuco. Using a vegetation reference map and Random Forest (RF) classification, eventual gains in classification accuracy have been evaluated from multi-temporal over mono-temporal MSI data (rainy and dry seasons); from adding vegetation indices into the analyses; and from inserting LiDAR metrics into the classification. The relationships between the mapped vegetation by RF and 20 physico-chemical attributes of 75 soil profiles were studied by using principal component analysis (PCA) and ordinary kriging. The results showed that: (a) there were no differences in classification accuracy between the dry and rainy seasons; (b) multi-temporal data improved classification accuracy compared to mono-temporal observations; (c) a smaller number of vegetation indices had similar classification performance than a greater number of reflectance of bands; and (d) LiDAR metrics improved classification accuracy of arboreous and sub-shrub classes (11,1% and 10,7% respectively). Statistically significant differences were observed in organic carbon content, cation exchange capacity, water retention at field capacity, horizon thickness, soil porosity and rock fragments (% pebble, gravel, fine-earth fraction) between these two types of phytophysiognomies (arboreous and sub-shrub classes). |
Link de acesso: | http://urlib.net/sid.inpe.br/mtc-m21c/2018/04.26.18.25 |
Resumo: | A Caatinga, vegetação natural adaptada às condições do semiárido brasileiro, possui fitofisionomias variadas de difícil mapeamento, cuja distribuição é influenciada pelas características pluviométricas e pedológicas locais. No presente estudo, testou-se o potencial de dados multi-temporais do sensor MSI/Sentinel-2, obtidos em quatro datas de 2015 a 2016 (período chuvoso e seco), juntamente com observações LiDAR, para o mapeamento de sete fitofisionomias da Caatinga. A área de estudo está localizada no Estado de Pernambuco. Usando um mapa de referência da vegetação e o classificador Random Forest (RF), avaliou-se, em primeiro lugar, a capacidade do MSI/Sentinel-2 em mapear fitofisionomias de Caatinga e os eventuais ganhos na classificação decorrentes do uso de dados multi-temporais sobre dados monotemporais (período chuvoso ou seco); do uso de índices de vegetação sobre dados de reflectância; e da incorporação de métricas derivadas de dados LiDAR. Estudou-se também a existência de possíveis relações espaciais entre a vegetação mapeada por RF e 20 atributos físico-químicos determinados de 75 perfis de solos, que foram submetidos à Análise por Componentes Principais (ACP) e procedimentos de krigeagem. Os resultados mostraram que: não há diferenças entre as classificações dos períodos seco e chuvoso; classificações com dados multi-temporais são superiores às que utilizam apenas dados monotemporais; os índices de vegetação, por resultarem em classificações semelhantes aos dados de reflectância, podem substituir estes últimos com menor volume de dados; dados LiDAR melhoram a classificação das classes arbórea aberta (Aa) em 11,1%, das arbórea rala (Ar) em 18,5% e das subarbustivas (S) em 10,7%. Foram encontradas diferenças estatisticamente significativas entre os atributos do solo carbono orgânico, capacidade de troca catiônica, capacidade de campo, profundidade do solo, porosidade e % de terra fina, cascalho e calhau entre fitofisionomias arbóreas e subarbustivas. |
id |
INPE_ae4488bb8a12909725be7536489b3d56 |
---|---|
oai_identifier_str |
oai:urlib.net:sid.inpe.br/mtc-m21c/2018/04.26.18.25.39-0 |
network_acronym_str |
INPE |
network_name_str |
Biblioteca Digital de Teses e Dissertações do INPE |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solosUse of MSI/Sentinel-2 and airborne LiDAR data for mapping caatinga phytophysiognomies and studying their relationships with physico-chemical attributes of soils2018-05-29Lênio Soares GalvãoIeda Del' Arco SanchesAntônio Roberto FormaggioIedo Bezerra SáHilton Luís Ferraz da SilveiraInstituto Nacional de Pesquisas Espaciais (INPE)Programa de Pós-Graduação do INPE em Sensoriamento RemotoINPEBRcaatingafitofisionomiasrandom forestsentinel-2análise por componentes principaislidarsolosphytophysiognomiesprincipal component analysisA Caatinga, vegetação natural adaptada às condições do semiárido brasileiro, possui fitofisionomias variadas de difícil mapeamento, cuja distribuição é influenciada pelas características pluviométricas e pedológicas locais. No presente estudo, testou-se o potencial de dados multi-temporais do sensor MSI/Sentinel-2, obtidos em quatro datas de 2015 a 2016 (período chuvoso e seco), juntamente com observações LiDAR, para o mapeamento de sete fitofisionomias da Caatinga. A área de estudo está localizada no Estado de Pernambuco. Usando um mapa de referência da vegetação e o classificador Random Forest (RF), avaliou-se, em primeiro lugar, a capacidade do MSI/Sentinel-2 em mapear fitofisionomias de Caatinga e os eventuais ganhos na classificação decorrentes do uso de dados multi-temporais sobre dados monotemporais (período chuvoso ou seco); do uso de índices de vegetação sobre dados de reflectância; e da incorporação de métricas derivadas de dados LiDAR. Estudou-se também a existência de possíveis relações espaciais entre a vegetação mapeada por RF e 20 atributos físico-químicos determinados de 75 perfis de solos, que foram submetidos à Análise por Componentes Principais (ACP) e procedimentos de krigeagem. Os resultados mostraram que: não há diferenças entre as classificações dos períodos seco e chuvoso; classificações com dados multi-temporais são superiores às que utilizam apenas dados monotemporais; os índices de vegetação, por resultarem em classificações semelhantes aos dados de reflectância, podem substituir estes últimos com menor volume de dados; dados LiDAR melhoram a classificação das classes arbórea aberta (Aa) em 11,1%, das arbórea rala (Ar) em 18,5% e das subarbustivas (S) em 10,7%. Foram encontradas diferenças estatisticamente significativas entre os atributos do solo carbono orgânico, capacidade de troca catiônica, capacidade de campo, profundidade do solo, porosidade e % de terra fina, cascalho e calhau entre fitofisionomias arbóreas e subarbustivas.Caatinga is a natural semi-arid vegetation type, which occupies great part of northeastern region of Brazil. This ecosystem contains a variety of phytophysiognomies of difficult mapping with their occurrence influenced by local rainfall and soil attributes. This work verified the potential use of multi-temporal data from the MSI/Sentinel-2, obtained in four dates between 2015 and 2016 (rainy to dry seasons), along with LiDAR observations, for mapping seven Caatinga´s phytophysiognomies in a study area located in the state of Pernambuco. Using a vegetation reference map and Random Forest (RF) classification, eventual gains in classification accuracy have been evaluated from multi-temporal over mono-temporal MSI data (rainy and dry seasons); from adding vegetation indices into the analyses; and from inserting LiDAR metrics into the classification. The relationships between the mapped vegetation by RF and 20 physico-chemical attributes of 75 soil profiles were studied by using principal component analysis (PCA) and ordinary kriging. The results showed that: (a) there were no differences in classification accuracy between the dry and rainy seasons; (b) multi-temporal data improved classification accuracy compared to mono-temporal observations; (c) a smaller number of vegetation indices had similar classification performance than a greater number of reflectance of bands; and (d) LiDAR metrics improved classification accuracy of arboreous and sub-shrub classes (11,1% and 10,7% respectively). Statistically significant differences were observed in organic carbon content, cation exchange capacity, water retention at field capacity, horizon thickness, soil porosity and rock fragments (% pebble, gravel, fine-earth fraction) between these two types of phytophysiognomies (arboreous and sub-shrub classes).http://urlib.net/sid.inpe.br/mtc-m21c/2018/04.26.18.25info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações do INPEinstname:Instituto Nacional de Pesquisas Espaciais (INPE)instacron:INPE2021-07-31T06:55:45Zoai:urlib.net:sid.inpe.br/mtc-m21c/2018/04.26.18.25.39-0Biblioteca Digital de Teses e Dissertaçõeshttp://bibdigital.sid.inpe.br/PUBhttp://bibdigital.sid.inpe.br/col/iconet.com.br/banon/2003/11.21.21.08/doc/oai.cgiopendoar:32772021-07-31 06:55:45.482Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)false |
dc.title.pt.fl_str_mv |
Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos |
dc.title.alternative.en.fl_str_mv |
Use of MSI/Sentinel-2 and airborne LiDAR data for mapping caatinga phytophysiognomies and studying their relationships with physico-chemical attributes of soils |
title |
Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos |
spellingShingle |
Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos Hilton Luís Ferraz da Silveira |
title_short |
Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos |
title_full |
Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos |
title_fullStr |
Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos |
title_full_unstemmed |
Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos |
title_sort |
Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos |
author |
Hilton Luís Ferraz da Silveira |
author_facet |
Hilton Luís Ferraz da Silveira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Lênio Soares Galvão |
dc.contributor.advisor2.fl_str_mv |
Ieda Del' Arco Sanches |
dc.contributor.referee1.fl_str_mv |
Antônio Roberto Formaggio |
dc.contributor.referee2.fl_str_mv |
Iedo Bezerra Sá |
dc.contributor.author.fl_str_mv |
Hilton Luís Ferraz da Silveira |
contributor_str_mv |
Lênio Soares Galvão Ieda Del' Arco Sanches Antônio Roberto Formaggio Iedo Bezerra Sá |
dc.description.abstract.por.fl_txt_mv |
A Caatinga, vegetação natural adaptada às condições do semiárido brasileiro, possui fitofisionomias variadas de difícil mapeamento, cuja distribuição é influenciada pelas características pluviométricas e pedológicas locais. No presente estudo, testou-se o potencial de dados multi-temporais do sensor MSI/Sentinel-2, obtidos em quatro datas de 2015 a 2016 (período chuvoso e seco), juntamente com observações LiDAR, para o mapeamento de sete fitofisionomias da Caatinga. A área de estudo está localizada no Estado de Pernambuco. Usando um mapa de referência da vegetação e o classificador Random Forest (RF), avaliou-se, em primeiro lugar, a capacidade do MSI/Sentinel-2 em mapear fitofisionomias de Caatinga e os eventuais ganhos na classificação decorrentes do uso de dados multi-temporais sobre dados monotemporais (período chuvoso ou seco); do uso de índices de vegetação sobre dados de reflectância; e da incorporação de métricas derivadas de dados LiDAR. Estudou-se também a existência de possíveis relações espaciais entre a vegetação mapeada por RF e 20 atributos físico-químicos determinados de 75 perfis de solos, que foram submetidos à Análise por Componentes Principais (ACP) e procedimentos de krigeagem. Os resultados mostraram que: não há diferenças entre as classificações dos períodos seco e chuvoso; classificações com dados multi-temporais são superiores às que utilizam apenas dados monotemporais; os índices de vegetação, por resultarem em classificações semelhantes aos dados de reflectância, podem substituir estes últimos com menor volume de dados; dados LiDAR melhoram a classificação das classes arbórea aberta (Aa) em 11,1%, das arbórea rala (Ar) em 18,5% e das subarbustivas (S) em 10,7%. Foram encontradas diferenças estatisticamente significativas entre os atributos do solo carbono orgânico, capacidade de troca catiônica, capacidade de campo, profundidade do solo, porosidade e % de terra fina, cascalho e calhau entre fitofisionomias arbóreas e subarbustivas. |
dc.description.abstract.eng.fl_txt_mv |
Caatinga is a natural semi-arid vegetation type, which occupies great part of northeastern region of Brazil. This ecosystem contains a variety of phytophysiognomies of difficult mapping with their occurrence influenced by local rainfall and soil attributes. This work verified the potential use of multi-temporal data from the MSI/Sentinel-2, obtained in four dates between 2015 and 2016 (rainy to dry seasons), along with LiDAR observations, for mapping seven Caatinga´s phytophysiognomies in a study area located in the state of Pernambuco. Using a vegetation reference map and Random Forest (RF) classification, eventual gains in classification accuracy have been evaluated from multi-temporal over mono-temporal MSI data (rainy and dry seasons); from adding vegetation indices into the analyses; and from inserting LiDAR metrics into the classification. The relationships between the mapped vegetation by RF and 20 physico-chemical attributes of 75 soil profiles were studied by using principal component analysis (PCA) and ordinary kriging. The results showed that: (a) there were no differences in classification accuracy between the dry and rainy seasons; (b) multi-temporal data improved classification accuracy compared to mono-temporal observations; (c) a smaller number of vegetation indices had similar classification performance than a greater number of reflectance of bands; and (d) LiDAR metrics improved classification accuracy of arboreous and sub-shrub classes (11,1% and 10,7% respectively). Statistically significant differences were observed in organic carbon content, cation exchange capacity, water retention at field capacity, horizon thickness, soil porosity and rock fragments (% pebble, gravel, fine-earth fraction) between these two types of phytophysiognomies (arboreous and sub-shrub classes). |
description |
A Caatinga, vegetação natural adaptada às condições do semiárido brasileiro, possui fitofisionomias variadas de difícil mapeamento, cuja distribuição é influenciada pelas características pluviométricas e pedológicas locais. No presente estudo, testou-se o potencial de dados multi-temporais do sensor MSI/Sentinel-2, obtidos em quatro datas de 2015 a 2016 (período chuvoso e seco), juntamente com observações LiDAR, para o mapeamento de sete fitofisionomias da Caatinga. A área de estudo está localizada no Estado de Pernambuco. Usando um mapa de referência da vegetação e o classificador Random Forest (RF), avaliou-se, em primeiro lugar, a capacidade do MSI/Sentinel-2 em mapear fitofisionomias de Caatinga e os eventuais ganhos na classificação decorrentes do uso de dados multi-temporais sobre dados monotemporais (período chuvoso ou seco); do uso de índices de vegetação sobre dados de reflectância; e da incorporação de métricas derivadas de dados LiDAR. Estudou-se também a existência de possíveis relações espaciais entre a vegetação mapeada por RF e 20 atributos físico-químicos determinados de 75 perfis de solos, que foram submetidos à Análise por Componentes Principais (ACP) e procedimentos de krigeagem. Os resultados mostraram que: não há diferenças entre as classificações dos períodos seco e chuvoso; classificações com dados multi-temporais são superiores às que utilizam apenas dados monotemporais; os índices de vegetação, por resultarem em classificações semelhantes aos dados de reflectância, podem substituir estes últimos com menor volume de dados; dados LiDAR melhoram a classificação das classes arbórea aberta (Aa) em 11,1%, das arbórea rala (Ar) em 18,5% e das subarbustivas (S) em 10,7%. Foram encontradas diferenças estatisticamente significativas entre os atributos do solo carbono orgânico, capacidade de troca catiônica, capacidade de campo, profundidade do solo, porosidade e % de terra fina, cascalho e calhau entre fitofisionomias arbóreas e subarbustivas. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-05-29 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
status_str |
publishedVersion |
format |
masterThesis |
dc.identifier.uri.fl_str_mv |
http://urlib.net/sid.inpe.br/mtc-m21c/2018/04.26.18.25 |
url |
http://urlib.net/sid.inpe.br/mtc-m21c/2018/04.26.18.25 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Instituto Nacional de Pesquisas Espaciais (INPE) |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação do INPE em Sensoriamento Remoto |
dc.publisher.initials.fl_str_mv |
INPE |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Instituto Nacional de Pesquisas Espaciais (INPE) |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do INPE instname:Instituto Nacional de Pesquisas Espaciais (INPE) instacron:INPE |
reponame_str |
Biblioteca Digital de Teses e Dissertações do INPE |
collection |
Biblioteca Digital de Teses e Dissertações do INPE |
instname_str |
Instituto Nacional de Pesquisas Espaciais (INPE) |
instacron_str |
INPE |
institution |
INPE |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE) |
repository.mail.fl_str_mv |
|
publisher_program_txtF_mv |
Programa de Pós-Graduação do INPE em Sensoriamento Remoto |
contributor_advisor1_txtF_mv |
Lênio Soares Galvão |
_version_ |
1706805041770266624 |