Brazilian Cerrado native vegetation mapping with Google Earth Engine
DOI:
https://doi.org/10.53660/CONJ-2077-2S20Palavras-chave:
Cerrado, índices de vegetação, Landsat 8 OLI, mapeamento de vegetação, machine learningResumo
O Cerrado é o Segundo maior bioma da América do Sul, com maior extensão localizado no Brasil.Este bioma é considerado um hotspot mundial em biodiversidade devido sua rica e importante biodiversidade contrastando com a alta ameaça de destruição. O monitoramento usando abordagens de sensoriamento remoto são cruciais para sua manutenção e preservação. Neste context, este estudo comparou e avaliou diferente cenários com bandas multiespectrais Landsat 8 OLI e Índices de Vegetação (EVI, NDVI e SAVI) para o mapeamento do Cerrado no estado de Mato Grosso do Sul, Brasil. Uma quantidade de 512 polígonos amostrais foram distribuídos em 2 classes: vegetação nativa e vegetação não nativa. A plataforma Google Earth Engine foi aplicada aos processos de treinamento e classificação utilizando o método Random Forest. Os resultados mostraram que o uso das bandas Landsat 8 OLI obteve melhores resultados do que os índices de vegetação, com acurácia geral e índice kappa de 97,08% e 0,94, respectivamente. O mapeamento verificou a existência de 26,80% de vegetação nativa original do Cerrado no estado de Mato Grosso do Sul em 2019.
Downloads
Referências
BEUCHLE, R.; GRECCHI, R. C.; SHIMABUKURO, Y. E.; SELIGER, R.; EVA, H. D.; SANO, E.; ACHARD, F. Land cover changes in the Brazilian Cerrado and Caatinga biomes from 1990 to 2010 based on a systematic remote sensing sampling approach. Applied Geography, v. 58, 2015, pp. 116–127.
BOURSCHEIDT, V. Análise de tendência da temperatura de superfície a partir de imagens Landsat 5: contribuições da plataforma Google Earth Engine. Anais do XVIII Simpósio Brasileiro de Sensoriamento Remoto SBSR. Santos, 2017. pp.7401-7407.
BREIMAN, L. Random Forests. Machine Learning, vol. 45, 2001. pp. 5-32.
CASTRO, J. D. B.; FEITOZA, R. Q, ROSA, L. C. L., DIAZ, P. M. A.; SANCHES I. D. A., A Comparative Analysis of Deep Learning Techniques for Sub-Tropical Crop Types Recognition from Multitemporal Optical/SAR Image Sequences. 30th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). Niteroi, 2017, pp. 382-389.
COHEN, J. A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, v. 20, 1960, n. 1, pp. 37–46.
COUTINHO, Leopoldo Magno. O conceito de bioma. Acta Bot. Bras. 2006, vol.20, n.1, pp.13-23.
CRESSON, R. A Framework for Remote Sensing Images Processing Using Deep Learning Techniques. IEEE Geoscience and Remote Sensing Letters. vol. 16, no. 1, 2019. pp. 25-29.
DUONG, P.; TRUNG, T; NASAHARA, K.; TADONO, T. JAXA High-Resolution Land Use/Land Cover Map for Central Vietnam in 2007 and 2017. Remote Sensing., v. 10, 2018, n. 9, pp. 1406.
DURIGAN, G.; SIQUEIRA, M.F de; FRANCO, G.A.D.C. Threats to the Cerrado remnants of the state of São Paulo, Brazil. Scientia Agricola, v. 64, 2007, n. 4, pp. 355–363.
FELLET, J. Como as raízes do Cerrado levam água a torneiras de todas as regiões do Brasil. BBC Brasil. 2017. Site <https://www.bbc.com/portuguese/brasil-39391161>, acessado em janeiro de 2019.
FERREIRA, F.G.; MACHADO, E. L. M.; SILVA NETO, C. DE M. E ; SILVA JÚNIOR, M. C.; MEDEIROS, M. M.; GONZAGA, A. P. D.; SOLÓRZANO, A.; VENTUROLI, F.; FAGG. J. M. F. Diversity and indicator species in the cerrado biome, Brazil. Australian Journal of Crop Science AJCS, v. 11, 2017, n. 08, pp. 1042-1050.
GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO, S.; THAU, D.; MOORE, R. Google Earth Engine: Planetary-scale geospatial analysis for everyone, Remote Sensing of Environment, v. 202, 2017, pp. 18–27.
GUERRA, J. B.; SCHULTZ, B.; SANCHES, I. D. Mapeamento automático da expansão da agricultura anual no Matopiba entre 2002 e 2015 utilizando a plataforma Google Earth Engine. Anais do XVIII Simpósio Brasileiro de Sensoriamento Remoto SBSR. Santos, 2017. pp.6850-6857.
HUETE, A.R . A Soil Adjusted Vegetation Index (SAVI). Remote Sensing of Environment, vol. 25,1988, no. 3, pp. 295-309.
IBGEa, Instituto Brasileiro de Geografia e Estatística, Brasil em síntese: território. 2022, Available from < https://brasilemsintese.ibge.gov.br/ territorio.html>. Accessed in 2022.
IBGEb, Instituto Brasileiro de Geografia e Estatística, Mato Grosso do Sul. 2022. Available from <https://cidades.ibge.gov.br/brasil/ms/pesquisa/24/76693>. Accessed in 2022.
IMASUL, Instituto do Meio Ambiente de Mato Grosso do Sul. Unidades de Conservação Municipais. 2022. Available from: <https://www.imasul.ms.gov.br/ gestao-de-unidades-de-conservacao/ >. Accessed in 2022.
IRONS, J. R., DWYER, J. L., BARSI, J. A. The next Landsat satellite: The Landsat Data Continuity Mission. Remote Sensing of Environment, v. 122, p. 11–21. 201
KUMAR, L.; MUTANGA, O. Google Earth Engine Applications Since Inception: Usage, Trends, and Potential, Remote Sensing, vol, 10, 2018. pp. 1509.
LANDIS, J. R.; KOCH, G. G. The Measurement of Observer Agreement for Categorical Data. Biometrics, vol. 33, 1977. pp. 159-174.
LOBO, F. de L.; SOUZA-FILHO, P. W. M.; NOVO, E. M. L. de M.; CARLOS, F. M.; BARBOSA, C. C. F. B. Mapping Mining Areas in the Brazilian Amazon Using MSI/Sentinel-2 Imagery (2017). Remote Sensing, vol.10, 2018, p. 1178.
MARRIS, E. The forgotten ecosystem. Nature, vol. 437, 2005, n 7061. pp. 944–945.
MING, D.; ZHOU, T.; WANG, M.; TAN, T. Land cover classification using random forest with genetic algorithm-based parameter optimization. Journal of Applied Remote Sensing.vol. 10, n.3, 2016.
MMA, Ministério do Meio Ambiente. O Bioma Cerrado. 2019. Available from < http://www.mma.gov.br/biomas/cerrado >. Acessed in 2022.
NYLAND, K.E.; GUNN, G. E.; SHIKLOMANOV, N. I.; ENGSTROM, R.N.; STRELETSKIY, A. Land Cover Change in the Lower Yenisei River Using Dense Stacking of Landsat Imagery in Google Earth Engine. Remote Sens., vol. 10, 2018, n. 8. p. 1226.
PARENTE, L.; FERREIRA, L. Assessing the Spatial and Occupation Dynamics of the Brazilian Pasturelands Based on the Automated Classification of MODIS Images from 2000 to 2016. Remote Sensing, vol. 10, 2018, n.4. p. 606.
PEREIRA, A.C.; GAMA, G V.F. Anthropization on the Cerrado biome in the Brazilian Uruçuí-Una Ecological Station estimated from orbital images. Brazilian Journal of Biology. vol. 70, 2010, n. 4. pp. 969-976.
PEREIRA, G. H. de A. et al. Uso da plataforma Google Earth Engine para análise multitemporal de imagens SAR para detecção de variações de áreas inundadas no Pantanal. Anais 7º Simpósio de Geotecnologias no Pantanal, Embrapa Informática Agropecuária/INPE, Jardim, 2018. p. 274-282.
Projeto MapBiomas – Coleção 7.0 da Série Anual de Mapas de Cobertura e Uso de Solo do Brasil, acessado em 2022 através do link: https://mapbiomas.org/
QGIS Development Team. QGIS Geographic Information System. Open Source Geospatial Foundation Project., 2019.
RATTER, J. The Brazilian Cerrado Vegetation and Threats to its Biodiversity. Annals of Botany. vol. 80, 1997, n. 3, pp. 223–230.
ROY, D. P.; WULDER, M. A.; LOVELAND, M. C.; WOODCOCK, C. E.; LLEN, R. G.; ANDERSON, M. C.; HELDER, D.; IRONS, J. R.; JOHNSON,
D. M.; KENNEDY, R.; SCAMBOS, T. A.; SCHAAF, C. B.; SCHOTT, J. R.; SHENG, Y.; VERMOTE, E. F.; BELWARD, A. S.; BINDSCHADLER, R.; COHEN, W. B.; GAO, F.; HIPPLE, J. D.; HOSTERT, P.; HUNTINGTON, J.; JUSTICE, C. O.; KILIC, A.; KOVALSKYY, V.; LEE, Z. P.; LYMBURNER, L.; MASEK, J. G.; MCCORKEL, J.; SHUAI, Y.; TREZZA, R.; VOGELMANN, J.; WYNNE, R. H.; ZHU, Z. Landsat-8: Science and Product Vision for Terrestrial Global Change Research. Remote Sensing of Environment, v. 145, p.154-172. 2014.
SCHOLZ, F. G. Hydraulic redistribution of soil water by Neotropical savanna trees. Tree Physiol. vol.22, 2002. pp.603-612.
SPERA, S. A.; GALFORD, G. L.; COE, M. T., MACEDO, M. N.; MUSTARD, J. F. Land-use change affects water recycling in Brazil’s last agricultural frontier. Global Change Biology. vol.22, 2016, 3405–3413.
STOREY, J.; CHOATE, M.; LEE, K. Landsat 8 Operational Land Imager On-Orbit Geometric Calibration and Performance. Remote Sensing, v. 6, p. 11127-11152. 2014.
STORY, M.; CONGALTON, R. G. Accuracy assessment: A user's perspective. Photogrammetric Engineering and Remote Sensing. vol.52, 1986, p.397−399.
STRASSBURG, B. B. N.; BROOKS, T.; FELTRAN-BARBIERI, R.; IRIBARREM, A.; CROUZEILLES, R.; LOYOLA, R.; LATAWIEC, A.E.; OLIVEIRA FILHO, F.J.B.; SCARAMUZZA, C. A. DE M.; SCARANO, F. R.; SOARES-FILHO, B.; BALMFORD, A. Moment of truth for the Cerrado hotspot. Nature Ecology & Evolution. vol. 1, 2017. pp. 0099.
TSAI, Y.H.; STOW, D.; CHEN, H.L.; LEWISON, R.; AN, L.; SHI, L. Mapping Vegetation and Land Use Types in Fanjingshan National Nature Reserve Using Google Earth Engine. Remote Sensing, vol. 10, 2018, pp. 927.
USGS, United State Geological Survey. Section 2 – Observatory Overview. 2018. Site <https://landsat.usgs.gov/landsat-8-l8-data-users-handbook-section-2>. acessado em dezembro 2018.
VERMOTE, E., JUSTICE, C.; CLAVERIE, M.; FRANCH, B. Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product. Remote Sensing of Environment, 2016, 185, 46-56.
WARD, D. E.; SUSOTT, R. A; KAUFFMAN, J. B ; BABBITT, R. E.; CUMMINGS, D. L.; DIAS, B.; HOEBEN, N.; KAUFMAN, Y. J.; RASMUSSEN, R. A.; SETZER, A. W. Smoke and fire characteristics for cerrado and deforestation burns in Brazil: BASE-B Experiment. Journal of Geophysical Research. vol. 97, 1992. pp. 14601.
ZALLES, V.; HANSEN, M. C.; POTAPOV, P. V.; STEHMAN, S. V.; TYUKAVINA, A.; PICKENS, A.; SONG, X.; ADUSEI, B.; OKPA, C; AGUILAR R., JOHN, N.;, CHAVEZ, S. Near doubling of Brazil’s intensive row crop area since 2000. Proceedings of the National Academy of Sciences. 2018.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Conjecturas
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
