Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/29013
metadata.teses.dc.title: The geostatistical context employed in remote sensing applications: image classification, change detection and forest inventory
metadata.teses.dc.title.alternative: O contexto geoestatístico empregado nas aplicações de sensoriamento remoto: classificação de imagens, detecção de mudanças e inventário florestal
metadata.teses.dc.creator: Silveira, Eduarda Martiniano de Oliveira
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/5103972623779339
metadata.teses.dc.contributor.advisor1: Mello, José Márcio de
metadata.teses.dc.contributor.advisor-co1: Acerbi Júnior, Fausto Weimar
metadata.teses.dc.contributor.referee1: Brito, Alan de
metadata.teses.dc.contributor.referee2: Godinho, Sérgio Henrique
metadata.teses.dc.contributor.referee3: Terra, Marcela Castro Nunes Santos
metadata.teses.dc.contributor.referee4: Carvalho, Luis Marcelo Tavares de
metadata.teses.dc.subject: Sensoriamento remoto
Semivariograma
Contexto geoestatistico
Geostatistical context
Semivariogram
Remote sensing
metadata.teses.dc.date.issued: 10-Apr-2018
metadata.teses.dc.description.sponsorship: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)
metadata.teses.dc.identifier.citation: SILVEIRA, E. M. de O. The geostatistical context employed in remote sensing applications: image classification, change detection and forest inventory. 2018. 270 p. Tese (Doutorado em Engenharia Florestal)-Universidade Federal de Lavras, Lavras, 2018.
metadata.teses.dc.description.resumo: O contexto espacial foi empregado nas aplicações de sensoriamento remoto: classificação de imagens, detecção de mudanças e inventário florestal. Primeiramente, os parâmetros do semivariograma derivados de imagens de satélite com diferentes resoluções espaciais foram avaliados para caracterizar a heterogeneidade espacial da cobertura de solo. No estudo referente a classificação de imagens, o objetivo foi avaliar o potencial de atributos geoestatisticos em uma classificação orientada a objetos para melhorar o resultado da classificação de imagens. No estudo de detecção de mudanças foi avaliado a performance dos índices do semivariograma derivados de imagens NDVI Landsat, utilizando análise orientada a objetos, para detectar com acurácia mudanças na cobertura do solo, desconsiderando as mudanças associadas aos efeitos fenológicos da vegetação. No artigo aplicado ao inventário florestal, foi investigado o potencial de dados extraídos de imagens Landsat, MODIS e variáveis espaço-temporais para mapear a distribuição espacial da biomassa aérea no Estado de Minas Gerais, utilizando o algoritmo Random forest e krigagem regressiva através da amostragem estratificado. Os resultados demonstraram que: (1) a resolução espacial das imagens influencia os parâmetros alcance e patamar do semivariograma, que podem ser utilizados como simples indicadores da heterogeneidade da cobertura do solo; (2) os semivariogramas foram eficientes para caracterizar a heterogeneidade da cobertura do solo, aumentando significativamente a acurácia da classificação de imagens combinando atributos geoestatisticos com dados espectrais; (3) os atributos geoestatisticos apresentam potencial para distinguir classes homogêneas e heterogêneas, não são afetados pela sazonalidade da vegetação, e podem produzir séries temporais que minimizam os efeitos da fenologia da vegetação, e (4) a estratificação em fitofisionomias não permite apenas a estimativa da biomassa aérea da vegetação com alta precisão, mas também permite que o algoritmo Random forest selecione o menor número de variáveis que resulte em um modelo com menor erro. O contexto espacial apresentado nesta tese é novo e aplicado para a classificação de imagens que contenha fitofisionomias espectralmente semelhantes; para a detecção de mudanças em áreas onde a vegetação apresenta alta sazonalidade, e o mapa detalhado de biomassa aérea da vegetação e o entendimento que como as características das variáveis estão associadas com a modelagem de cada fitofisionomia, permite pesquisadores melhorarem as estimativas grosseiras de emissão de gases de efeito estufa, auxiliando a seleção das variáveis mais apropriadas para modelar a biomassa em áreas de transição entre o Cerrado e Florestas.
metadata.teses.dc.description.abstract: We used the spatial context, specifically the geostatistical techniques to improve remote sensing applications: image classification, change detection and forest inventory. We first evaluate the potential of semivariogram parameters, derived from satellite images with different spatial resolutions to characterize landscape spatial heterogeneity. In the image classification study, the goal was to assess the potential of geostatistical features at the object level to improve the image classification of contrasted landscape vegetation cover. In the change detection approaches we explored and evaluated the performance of semivariogram indices in an object-based approach to detecting land-cover changes using the NDVI derived from Landsat images using the support vector machines and random forest algorithms. We assessed the potential of geostatistical features to accurately detect land-cover changes, disregarding those associated with phenological differences. In the forest inventory manuscript, we investigated the potential of data extracted from Landsat TM, MODIS products and spatialenvironmental variables to map the spatial distribution of aboveground biomass in Minas Gerais State, using random forest regression algorithm and regression kriging technique using a stratified design. The applications results indicate that: (1) image spatial resolution does in fact influence the sill and range parameters, that can be used as a simple indicator of landscape heterogeneity; (2) semivariogram curves were efficient for characterizing spatial heterogeneity, significantly improving the image classification accuracy when combining geostatistical features with spectral data; (3) geostatistical features have the potential to discriminate between homogeneous and heterogeneous classes within objects, are not affected by vegetation seasonality, and can produce times series that accurately differentiate forest changes from seasonal changes, resulting in fewer classification errors and (4) the stratification of data into vegetation types not only improved the accuracy of aboveground biomass estimative, but also allowed random forest regression to select the lowest number of variables that offer the best predictive model performance to AGB mapping. The spatial context approach we presented in this thesis is a novel and useful remote sensing method for the image classification of spectrally similar land-cover types, detection of forest change events in areas where forests exhibit strong seasonality, and therefining aboveground biomass map and the understanding of how the variables properties are associated with the biomass enable researches to improve the roughly estimates of greenhouse gas emission and also helps the selection of appropriate variables that best model the aboveground biomass in savanna-forest transition areas.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/29013
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: eng
Appears in Collections:DCF - Engenharia Florestal - Doutorado (Teses)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.