Dissertação
Monitoramento da cobertura vegetal em bacias hidrográficas inseridas no bioma mata atlântica com base em integração de imagens ópticas e de radar
Vegetation cover monitoring in watersheds inserted in Atlantic Rain Forest biome based on integration of optical and radar imagery
Registro en:
SANTOS, Erli Pinto dos. Monitoramento da cobertura vegetal em bacias hidrográficas inseridas no bioma mata atlântica com base em integração de imagens ópticas e de radar. 2020. 93 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Federal de Viçosa, Viçosa. 2020.
Autor
Santos, Erli Pinto dos
Institución
Resumen
Um entrave na aplicação de métodos e técnicas de sensoriamento remoto orbital com sensores ópticos para monitoramento espacialmente contínuo de diversas atividades é a influência das condições atmosféricas na qualidade das imagens e na frequência de observação da superfície. Esse é um problema recorrente em regiões tropicais como o território do Brasil, principalmente no período chuvoso, de modo que a observação da vegetação para atividades como agricultura, manejo florestal e meio ambiente é afetada. Dada a natureza das micro-ondas, nas técnicas de sensoriamento remoto por radar, como os radares de abertura sintética, as partículas atmosféricas não influenciam nesse tipo de imageamento, permitindo monitoramento contínuo e frequente da superfície em observação. Desse modo, o objetivo deste estudo foi propor uma metodologia capaz de possibilitar o monitoramento da cobertura vegetal em bacias hidrográficas com base em integração de imagens ópticas e de radar que permita o monitoramento frequente e sem lacunas oriundas de nuvens, usando como área de estudo a bacia hidrográfica do rio Doce. A área de estudo foi escolhida por apresentar duas propriedades que interferem no imageamento do sensor de banda-C empregado: as variações do relevo e a vegetação densa do bioma predominante na bacia do rio Doce, a Mata Atlântica. Para monitorar quantitativamente a presença da vegetação foi proposto um índice de dupla polarização (DPSVIm) com dados Sentinel-1, e sua avaliação levou em conta a sazonalidade dos regimes de chuva e do relevo ao longo da bacia. O índice proposto foi confrontado com índices de vegetação (NDVI e EVI) calculados com imagens do sensor OLI/Landsat 8 ao longo de uma série mensal de quatro anos hidrológicos, tendo apresentado melhores ajustes no semestre seco de cada ano, evidenciando a sensibilidade dos dados de radar à umidade da superfície. Com base na relação complementar entre o DPSVIm e os índices ópticos foi proposto o monitoramento contínuo e frequente da vegetação através da predição dos índices ópticos por sistemas de aprendizado de máquina. Nesse sentido, o Random Forest foi o algoritmo que melhor acertou na predição do NDVI e EVI em diferentes escalas, generalizando bem para pontos amostrais não conhecidos. A proposta de integração de imagens de radar com imagens ópticas para monitorar vegetaçãomostrou-se promissora mesmo com as influências do relevo e umidade nas imagens SAR- C, carecendo, em trabalhos futuros, do estudo dos efeitos da umidade da superfície no índice DPSVIm para melhorar a sensibilidade deste em quantificar a vegetação no período chuvoso bem como o teste com dados de outras missões de radar, avaliando ainda os resultados com medidas alométricas da vegetação. Palavras-chave: Radar de abertura sintética. Índice de vegetação por radar. Aprendizado de máquina. Cobertura de nuvens. Mata Atlântica. An obstacle in the application of orbital remote sensing methods and techniques with optical sensors for spatially continuous monitoring of various activities is the influence of atmospheric conditions on image quality and surface observation frequency. This is a recurrent problem in tropical regions such as Brazil, especially in the rainy season, so that the observation of vegetation for activities such as agriculture, forest management and the environment is affected. In function of the nature of microwaves, in radar remote sensing techniques, such as synthetic aperture radars, atmospheric particles do not influence this type of imaging, allowing continuous and frequent monitoring of the surface under observation. Thus, the objective of this study was to propose a methodology capable of enabling the monitoring of vegetation cover in watersheds based on integration of optical and radar images that allows frequent monitoring and without cloud gaps, using as a study area the Doce river watershed. The study area was chosen because it presented two properties that interfere in the imaging of the C-band sensor used: the topography’s behavior and the dense vegetation of the predominant biome in the Doce watershed, the Atlantic Forest. To quantitatively monitor the presence of vegetation, a modified dual polarization SAR vegetation index (DPSVIm) was proposed with Sentinel-1 data, and its evaluation took into account the seasonality of rainfall regimes and the topography along the watershed. The proposed index was compared with vegetation indices (NDVI and EVI) calculated with images captured by the OLI/Landsat 8 sensor over a monthly series of four hydrological years, having presented better adjustments in the dry semester of each year, evidencing the sensitivity of radar data to surface moisture. Based on the complementary relationship between the DPSVIm and the optical indices, continuous and frequent monitoring of vegetation was proposed through the prediction of optical indices by machine learning systems. In this sense, Random Forest was the algorithm that generated the most accurate predictions of NDVI and EVI in different scales, generalizing well to unknown sampling points. The proposal for the integration of radar images with optical images to monitor vegetation was promising even with the influences of topography and surface moisture on SAR-C images, lacking, in future studies, the studyof the effects of surface moisture on the DPSVIm index to improve its sensitivity in quantifying vegetation in the rainy season as well as testing with data from other radar missions, also evaluating the results with allometric measurements of the vegetation. Keywords: Synthetic aperture radar. Radar vegetation index. Machine learning. Cloud cover. Atlantic Rain Forest. Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPQ) Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Fundação de Amparo á Pesquisa do Estado de Minas Gerais (FAPEMIG)