Mais

Fluxo de trabalho de processamento de dados Landsat para classificação de cobertura de terra


Baixei os dados do Landsat-8 para fazer um raster de uso do solo. Até agora fiz uma imagem composta e recortei pela minha área de estudo. Como você pode ver, há uma ligeira cobertura de nuvens. Fui em frente e baixei o L-LDOPE Toolbelt e o mesmo bloco durante as épocas anteriores na estação de cultivo para possivelmente interpolar a área coberta por nuvens.

Não tenho certeza do que fazer a seguir. Devo prosseguir e executar a classificação de imagens e, em seguida, voltar e contabilizar as nuvens ou devo lidar com as nuvens primeiro? Qual é o fluxo de trabalho padrão para processar essas imagens? Alguém sabe de uma boa leitura de fundo sobre isso? Eu sou muito novo no trabalho com dados Landsat-8. Estou usando o ArcGIS 10.1.


Normalmente, você começa com a remoção de nuvens (e sombras de nuvens) e, em seguida, executa a classificação. Um dos melhores artigos que conheço sobre detecção de nuvem no Landsat é Zhu e Woodcock (2012)


Fluxo de trabalho de processamento de dados Landsat para classificação de cobertura de terra - Sistemas de Informação Geográfica

Todos os artigos publicados pela MDPI são disponibilizados imediatamente em todo o mundo sob uma licença de acesso aberto. Nenhuma permissão especial é necessária para reutilizar todo ou parte do artigo publicado pela MDPI, incluindo figuras e tabelas. Para artigos publicados sob uma licença Creative Common CC BY de acesso aberto, qualquer parte do artigo pode ser reutilizada sem permissão, desde que o artigo original seja claramente citado.

Os artigos de destaque representam a pesquisa mais avançada com potencial significativo de alto impacto no campo. Artigos de destaque são submetidos a convite individual ou recomendação dos editores científicos e passam por revisão por pares antes da publicação.

O Artigo pode ser um artigo de pesquisa original, um estudo de pesquisa substancial que frequentemente envolve várias técnicas ou abordagens, ou um artigo de revisão abrangente com atualizações concisas e precisas sobre os últimos avanços no campo que revisa sistematicamente os avanços mais interessantes na área científica literatura. Este tipo de papel fornece uma perspectiva sobre as futuras direções de pesquisa ou possíveis aplicações.

Os artigos do Editor’s Choice são baseados nas recomendações dos editores científicos de periódicos MDPI de todo o mundo. Os editores selecionam um pequeno número de artigos publicados recentemente na revista que eles acreditam ser particularmente interessantes para os autores ou importantes neste campo. O objetivo é fornecer um instantâneo de alguns dos trabalhos mais interessantes publicados nas várias áreas de pesquisa da revista.


Conteúdo Relacionado

1 ° de março de 2019 - Destaques do problema especial de sensoriamento remoto Landsat ARD

Sensoriamento remoto, um jornal de acesso aberto, publicou recentemente uma edição especial intitulada Ciência de dados prontos para análise Landsat (ARD).


17. Classificação de imagens

De volta ao Capítulo 3, consideramos a classificação de dados temáticos para mapas coropléticos. Lembrar? Abordamos a classificação de dados como um tipo de técnica de generalização e afirmamos que "a generalização ajuda a dar sentido a dados complexos". O mesmo é verdadeiro no contexto de dados de imagem de sensoriamento remoto.

Uma tendência chave na classificação de imagens é o surgimento de alternativas baseadas em objetos para as técnicas tradicionais baseadas em pixels. Um palestrante da Penn State observou: "Durante grande parte das últimas quatro décadas, as abordagens para a classificação automatizada de imagens se concentraram quase exclusivamente nas propriedades espectrais dos pixels" (O'Neil-Dunne, 2011). As abordagens baseadas em pixels faziam sentido inicialmente, O'Neil-Dunne aponta, uma vez que "as capacidades de processamento eram limitadas e os pixels nas primeiras imagens de satélite eram relativamente grandes e continham uma quantidade considerável de informações espectrais". Nos últimos anos, no entanto, as abordagens baseadas em pixel começaram a ser superadas pela análise de imagem baseada em objeto (OBIA) para imagens multiespectrais de alta resolução, especialmente quando combinadas com dados lidar. OBIA está além do escopo deste capítulo, mas você pode estudá-la em profundidade no curso de acesso aberto da Penn State GEOG 883: Análise de imagens de sensoriamento remoto e aplicações.

Técnicas de classificação baseadas em pixels são comumente usadas no mapeamento de uso e cobertura da terra a partir de imagens. Eles são explicados abaixo e no seguinte estudo de caso.

O termo cobertura da terra refere-se aos tipos de vegetação que cobrem a superfície da Terra ou aos tipos de materiais que formam a superfície onde a vegetação está ausente. Uso da terra, ao contrário, refere-se aos papéis funcionais que a terra desempenha nas atividades econômicas humanas (Campbell, 1983).

Tanto o uso quanto a cobertura da terra são especificados em termos de categorias generalizadas. Por exemplo, um sistema de classificação anterior adotado por uma Comissão Mundial de Uso da Terra em 1949 consistia em nove categorias primárias, incluindo assentamentos e terras não agrícolas associadas, horticultura, árvores e outras culturas perenes, terras agrícolas, pastagens permanentes melhoradas, pastagens não melhoradas, florestas , pântanos e pântanos e terras improdutivas. Antes da era do processamento digital de imagens, uma equipe especialmente treinada desenhava mapas de uso da terra interpretando visualmente a forma, tamanho, padrão, tom, textura e sombras projetadas por recursos mostrados em fotografias aéreas. Como você pode imaginar, esse foi um processo caro e demorado. Não é surpreendente, então, que a Comissão nomeada em 1949 falhou em sua tentativa de produzir um mapa detalhado do uso do solo global.

Parte do apelo do processamento digital de imagens é o potencial para automatizar o uso da terra e o mapeamento da cobertura da terra. Para concretizar esse potencial, os analistas de imagem desenvolveram uma família de técnicas de classificação de imagens que classificam automaticamente pixels com valores de refletância multiespectral semelhantes em clusters que, idealmente, correspondem às categorias funcionais de uso e cobertura da terra. Dois tipos gerais de técnicas de classificação de imagens baseadas em pixels foram desenvolvidos: técnicas supervisionadas e não supervisionadas.

Classificação supervisionada

Os analistas de imagem humana desempenham papéis cruciais em procedimentos de classificação de imagens supervisionados e não supervisionados. Na classificação supervisionada, o papel do analista é especificar antecipadamente a refletância multiespectral ou (no caso da banda infravermelha térmica) os valores de emitância típicos de cada uso do solo ou classe de cobertura do solo.

Por exemplo, para realizar uma classificação supervisionada dos dados do Landsat Thematic Mapper (TM) mostrados acima em duas categorias de cobertura do solo, Vegetação e Outros, você primeiro delinearia vários campos de treinamento que são representativos de cada classe de cobertura do solo. A ilustração abaixo mostra dois campos de treinamento para cada classe; no entanto, para obter a classificação mais confiável possível, você definiria até 100 ou mais campos de treinamento por classe.

Os campos de treinamento que você definiu consistem em grupos de pixels com valores de refletância ou emitância semelhantes. Se você fez um bom trabalho na supervisão do estágio de treinamento da classificação, cada cluster representaria a faixa de características espectrais exibidas por sua classe de cobertura do solo correspondente. Uma vez que os clusters são definidos, você aplicaria um algoritmo de classificação para classificar os pixels restantes na cena na classe com as características espectrais mais semelhantes. Um dos algoritmos mais comumente usados ​​calcula a probabilidade estatística de que cada pixel pertence a cada classe. Os pixels são então atribuídos à classe associada com a maior probabilidade. Algoritmos deste tipo são conhecidos como classificadores de máxima verossimilhança. O resultado é uma imagem como a mostrada abaixo, na qual cada pixel foi atribuído a uma das duas classes de cobertura da terra.


Análise de mudanças no uso / cobertura do solo usando dados de sensoriamento remoto e GIS em uma área urbana, Tirupati, Índia

As mudanças no uso / cobertura do solo (LU / LC) foram determinadas em uma área urbana, Tirupati, de 1976 a 2003, usando Sistemas de Informação Geográfica (SIGs) e tecnologia de sensoriamento remoto. Esses estudos foram empregados usando o mapa topográfico da Pesquisa da Índia 57 O / 6 e os dados de sensoriamento remoto do LISS III e PAN do IRS ID de 2003. A área de estudo foi classificada em oito categorias com base no estudo de campo, condições geográficas, e dados de sensoriamento remoto. A comparação de LU / LC em 1976 e 2003 derivada da interpretação da folha topográfica e de imagens de satélite indica que há um aumento significativo na área construída, floresta aberta, plantação e outras terras. É também notado que uma quantidade substancial de terras agrícolas, área de propagação de água e área de floresta densa desapareceram durante o período de estudo, o que pode ser devido à rápida urbanização da área de estudo. Nenhuma atividade de mineração foi encontrada na área de estudo em 1976, mas uma pequena adição de terras de mineração foi encontrada em 2003.

1. Introdução

Em um ambiente urbano, as mudanças ambientais naturais e induzidas pelo homem são motivo de preocupação hoje, devido à deterioração do meio ambiente e da saúde humana [1]. O estudo das mudanças no uso / cobertura da terra (LU / LC) é muito importante para se ter um planejamento e utilização adequados dos recursos naturais e sua gestão [2]. Métodos tradicionais de coleta de dados demográficos, censos e análises de amostras ambientais não são adequados para estudos ambientais multicomplexos [3], uma vez que muitos problemas frequentemente apresentados em questões ambientais e grande complexidade de manuseio do conjunto de dados multidisciplinares, exigimos novas tecnologias como sensoriamento remoto por satélite e Sistemas de Informação Geográfica (SIGs). Essas tecnologias fornecem dados para estudar e monitorar a dinâmica dos recursos naturais para a gestão ambiental [4].

O sensoriamento remoto se tornou uma ferramenta importante aplicável ao desenvolvimento e compreensão dos processos físicos globais que afetam a Terra [5]. O desenvolvimento recente no uso de dados de satélite visa tirar vantagem de quantidades crescentes de dados geográficos disponíveis em conjunto com o GIS para auxiliar na interpretação [6]. GIS é um sistema integrado de hardware e software de computador capaz de capturar, armazenar, recuperar, manipular, analisar e exibir informações geograficamente referenciadas (espaciais) com a finalidade de auxiliar na gestão orientada para o desenvolvimento e nos processos de tomada de decisão [7]. O sensoriamento remoto e o SIG cobriram uma ampla gama de aplicações nas áreas de agricultura [8], meio ambiente [9] e avaliação integrada de eco-ambiente [10]. Vários pesquisadores se concentraram em estudos LU / LC por causa de seus efeitos adversos na ecologia da área e da vegetação [11-14].

A área de estudo atual testemunhou um rápido desenvolvimento durante as últimas décadas em termos de urbanização, industrialização e também aumento populacional substancialmente. O objetivo principal deste trabalho é detectar e quantificar LU / LC em uma área urbana, Tirupati (Figura 1), de 1976 a 2003 usando imagens de satélite e mapa topográfico.


2. Descrição da área de estudo

A área de estudo, região de Tirupati (Figura 1), está localizada próxima à cidade metropolitana de Chennai, a uma distância de cerca de 145 km no sul da Índia peninsular. Tirupati é um local sagrado de peregrinação mundialmente famoso para os devotos do Senhor Sri Venkateswara e está situado no distrito de Chittoor, no estado de Andhra Pradesh (AP), a uma altitude de 182,9 m (13,05 ° N de latitude e 79,05 ° E de longitude), que representa uma área urbana cercada por principais atividades industriais e agrícolas junto com floresta densa. A área da cidade deve sua existência ao sagrado templo mundialmente famoso do Senhor Sri Venkateswara, situado nas sete colinas (Tirumala) adjacentes. A população total da região de Tirupati é de cerca de 3.9.000, de acordo com o censo de 2001 da Índia. As atividades industriais também têm impacto nos níveis gerais de poluição. As principais indústrias estão localizadas principalmente na área industrial de Tirupati, situada no leste próximo a Renigunta.

A área de estudo cobre muitos cursos d'água, principalmente a bacia do rio Swarnamukhi. Todos os riachos, incluindo o rio Swarnamukhi, são efêmeros e nascem das cordilheiras de Tirupati. A precipitação anual durante o período de estudo é de 899,8 mm com número total de 43 eventos, sendo a maior precipitação em julho (340,6 mm) e a menor em abril (5,6 mm). Os riachos, enquanto fluem das terras altas para as terras baixas, formam vales íngremes dissecados, muitas vezes cobertos por pedregulhos, mostrando estrias. O escoamento superficial na maioria dos riachos é restrito a algumas horas após a chuva, enquanto nos rios Swarnamukhi e Rallakalva, os fluxos duram de alguns dias a algumas semanas após a chuva. Na maior parte do ano, eles ficam secos.

3. Dados e metodologia

No presente estudo, usamos principalmente dois tipos de dados. Estes são mapas topográficos e dados de sensoriamento remoto. Os dados de sensoriamento remoto de dados georreferenciados e mesclados de LISS III e PAN de IRS ID de 2003 no modo digital são obtidos da Agência Nacional de Sensoriamento Remoto (NRSA), Governo da Índia, Hyderabad, e usados. As resoluções espaciais do LISS III e PAN são 23,5 e 5,8 metros, e as resoluções espectrais são 4 e 1 metros, respectivamente.

O mapa topográfico 57 O / 6 (escala 1: 50.000) foi obtido do Survey of India, Hyderabad, que foi pesquisado e preparado em 1976 e é convertido para o modo digital usando digitalização. O mapa topográfico é georreferenciado com longitude e latitudes usando o software ArcGIS e ferramentas de analistas espaciais e demarcado o limite da área de estudo.

Uma extração de assinatura supervisionada com o algoritmo de máxima verossimilhança foi empregada para classificar os dados digitais do IRS 1D georreferenciado e fundido LISS III e PAN para mapeamento de uso / cobertura do solo para o ano de 2003. Antes do pré-processamento e classificação de imagens de satélite começar, uma extensa levantamento de campo foi realizado em toda a área de estudo usando equipamento Global Positioning System (GPS). Este levantamento foi realizado a fim de obter dados precisos de pontos de localização para cada classe de uso e cobertura da terra incluída no esquema de classificação, bem como para a criação de locais de treinamento e para a geração de assinaturas.

Os dados de satélite foram aprimorados antes da classificação usando a equalização de histograma no ERDAS Imagine 8.7 para melhorar a qualidade da imagem e obter uma melhor precisão de classificação. Na classificação supervisionada, as assinaturas espectrais são desenvolvidas a partir de locais especificados na imagem. Esses locais especificados recebem o nome genérico de “locais de treinamento” e são definidos pelo usuário. Geralmente, uma camada vetorial é digitalizada sobre a cena raster. A camada vetorial consiste em vários polígonos que se sobrepõem a diferentes tipos de uso do solo. Os locais de treinamento ajudarão a desenvolver assinaturas espectrais para as áreas delineadas.

Os mapas de uso da terra pertencentes a dois períodos diferentes foram usados ​​para comparação pós-classificação, o que facilitou a estimativa das mudanças na categoria de uso da terra e dinamismo com as mudanças. A comparação pós-classificação é o método quantitativo de detecção de mudança mais comumente usado [15–17] com resultados bastante bons. A comparação pós-classificação é algumas vezes referida como “classificação delta” [18]. Envolve resultados de classificação espectral produzidos independentemente de diferentes conjuntos de dados, seguidos por uma comparação pixel a pixel ou segmento a segmento para detectar mudanças nas classes. A metodologia detalhada adotada é apresentada na Figura 2.


4. Resultados e discussão

O conhecimento sobre o uso / cobertura da terra tornou-se importante para superar o problema dos ciclos biogeoquímicos, perda de ecossistemas produtivos, biodiversidade, deterioração da qualidade ambiental, perda de terras agrícolas, destruição de pântanos e perda de habitat de peixes e animais selvagens. A principal razão por trás das mudanças LU / LC inclui rápido crescimento populacional, migração rural-urbana, reclassificação de áreas rurais em áreas urbanas, falta de valorização dos serviços ecológicos, pobreza, ignorância das limitações biofísicas e uso de tecnologias ecologicamente incompatíveis.

Atual área de estudo Tirupati é uma cidade em rápido desenvolvimento e um centro de peregrinação mundialmente famoso para os devotos do Senhor Sri Venkateswara. Durante as últimas décadas, a área de estudo testemunhou um aumento substancial da população (Tabela 1), o crescimento econômico e a industrialização e as atividades de transporte (Tabela 1) têm impacto negativo na saúde ambiental da região.

Devido ao envolvimento de vários conjuntos de dados, usamos as tecnologias mais recentes, como sensoriamento remoto e GIS para quantificar LU / LC. Com base na interpretação de imagens de sensoriamento remoto, pesquisas de campo e condições existentes da área de estudo, classificamos a área de estudo em oito categorias, ou seja, agricultura, área construída, floresta densa, mineração, floresta aberta, outras terras, área de plantio e distribuição de água (Figuras 3 e 4). A área de estudo cobre 125 km 2 e as mudanças LU / LC foram estimadas de 1976 a 2003.


1. Introdução

O desmatamento na Amazônia brasileira desde a década de 1970 converteu uma vasta área de floresta primária em um mosaico de grandes manchas de terras agrícolas, pastagens e diferentes estágios de vegetação sucessional (Moran et al. 1994a, Skole et al. 1994, Lucas et al. 2000, Roberts et al. 2002, Lu et al. 2008). As taxas de desmatamento tropical sem precedentes têm sido consideradas como um fator importante nas mudanças climáticas e degradação ambiental em escalas regionais e globais (Skole et al. 1994). Para compreender melhor as consequências do desmatamento e das transformações da paisagem na região, é necessário mapear e monitorar as mudanças no uso / cobertura da terra em tempo hábil. As tecnologias de sensoriamento remoto são ferramentas úteis no fornecimento desses conjuntos de dados. Muitas pesquisas foram realizadas para classificar a cobertura do solo, especialmente as classes de vegetação (Mausel et al. 1993, Moran et al. 1994a, b, Brond & # x000edzio et al. 1996, Foody et al. 1996, Rignot et al. 1997, Yanasse et al. 1997, Lucas et al. 2002, Vieira et al. 2003, Lu 2005a, Lu et al. 2004a, 2007, 2008). Diferentes métodos de classificação, como classificadores tradicionais baseados em pixels (por exemplo, distância euclidiana e probabilidade máxima) (Foody et al. 1996, Yanasse et al. 1997, Vieira et al. 2003), uma combinação de informação espectral e espacial (Mausel et al. 1993, Moran et al. 1994a, b, Lu et al. 2004a), e uso de informações de subpixel (Roberts et al. 1998, Lu et al. 2003) foram examinados. Castro et al. (2003) resume muitas abordagens usando dados de sensoriamento remoto transportados pelo espaço para quantificar a classificação da floresta sucessional com base na biomassa ou estimativa de idade. Lu (2005a) e Lu et al. (2003, 2008) resumiram os principais métodos de mapeamento de tipos de vegetação, especialmente estágios de vegetação sucessional com dados de sensoriamento remoto nas regiões tropicais úmidas da Amazônia brasileira.

Pesquisas anteriores indicaram que uma grande fonte de confusão geralmente ocorre na identificação de diferentes estágios sucessionais ou na distinção entre a sucessão secundária avançada e a floresta madura (Lu et al. 2003, Lu et al. 2008), uma vez que os dados de sensoriamento remoto capturam principalmente informações do dossel e as estruturas do dossel entre a sucessão secundária avançada e a floresta madura podem ser muito semelhantes, embora possam ter diferentes idades, composição de espécies e densidade de biomassa. A transição suave entre os diferentes estágios sucessionais também causa problemas para a classificação da vegetação. Portanto, pesquisas anteriores geralmente fornecem apenas classes de vegetação grosseira, como floresta primária e vegetação sucessional (Adams et al. 1995, Roberts et al. 2002). No entanto, as densidades de biomassa de diferentes estágios sucessionais variam consideravelmente, variando de menos de 2 kg m & # x022122 na vegetação sucessional inicial a mais de 20 kg m & # x022122 na vegetação sucessional avançada (Lu 2005b). As densidades de biomassa das florestas primárias também variam consideravelmente, variando de aproximadamente 12 kg m & # x022122 a mais de 50 kg m & # x022122 em diferentes ambientes biofísicos. Obviamente, uma única classe de floresta primária ou vegetação sucessional não é adequada para muitas aplicações, como estimativas de carbono ou avaliações de degradação da terra.

A classificação de imagens de sensoriamento remoto é um processo complexo que envolve muitas etapas, como definição de um sistema de classificação de cobertura do solo, coleta de fontes de dados (por exemplo, dados de referência, dados de sensores diferentes), extração de variáveis ​​de sensoriamento remoto, seleção de algoritmo de classificação e precisão avaliação (Jensen 2004, Lu e Weng 2007). Grande progresso na classificação de imagens foi alcançado, incluindo (1) o desenvolvimento de algoritmos de classificação avançados (por exemplo, rede neural, árvore de decisão, máquina de vetor de suporte, algoritmos baseados em objetos e algoritmos baseados em subpixel) (Tso e Mather 2001, Franklin e Wulder 2002, Lu e Weng 2007, Rogan et al. 2008, Blaschke 2010), (2) o uso de dados de múltiplas fontes em um processo de classificação, como integração de diferentes resoluções espaciais ou imagens de sensores (Solberg et al. 1996, Pohl e Van Genderen 1998, Ali et al. 2009, Ehlers et al. 2010, Zhang 2010) e a integração de sensoriamento remoto e dados auxiliares (Harris e Ventura 1995, Williams 2001, Li 2010), e (3) o desenvolvimento de técnicas para modificar imagens classificadas pelo uso de conhecimento especializado (Stefanov et al. 2001, Hodgson et al, 2003, Zhang et al. 2010).

Na prática, as imagens Landsat TM ainda são a fonte de dados mais comum para classificação da cobertura do solo, mesmo em regiões tropicais úmidas, devido às suas resoluções espectrais e espaciais adequadas e disponibilidade de dados de longo prazo desde os anos 1970. Embora muitas pesquisas relacionadas à classificação da cobertura da terra tenham sido realizadas, uma análise abrangente da seleção de variáveis ​​e algoritmos de classificação não foi totalmente investigada. Portanto, esta pesquisa tem como objetivo explorar como combinações de diferentes variáveis ​​podem melhorar o desempenho de classificação da cobertura do solo, e qual algoritmo de classificação tem melhor desempenho de classificação na região tropical úmida do Brasil. Esta pesquisa investigou os papéis dos índices de vegetação e imagens texturais na melhoria do desempenho da classificação da vegetação com base na comparação da avaliação da precisão das imagens classificadas, e comparou algoritmos paramétricos e não paramétricos para entender qual algoritmo de classificação é adequado para a classificação da vegetação no tropical úmido região da Amazônia brasileira, onde existe uma estrutura complexa de povoamentos florestais em vegetação sucessional e floresta primária. Por meio desta pesquisa, podemos entender melhor o procedimento de classificação, incluindo a seleção de variáveis ​​de sensoriamento remoto adequadas e a seleção de algoritmos de classificação para a classificação da vegetação na Amazônia brasileira.


Fluxo de trabalho de processamento de dados Landsat para classificação de cobertura de terra - Sistemas de Informação Geográfica

Você solicitou uma tradução automática de um conteúdo selecionado de nossos bancos de dados. Esta funcionalidade é fornecida exclusivamente para sua conveniência e não tem a intenção de substituir a tradução humana. Nem a SPIE nem os proprietários e editores do conteúdo fazem, e se isentam explicitamente, de quaisquer representações ou garantias expressas ou implícitas de qualquer tipo, incluindo, sem limitação, representações e garantias quanto à funcionalidade do recurso de tradução ou a precisão ou integridade de as traduções.

As traduções não são retidas em nosso sistema. O uso deste recurso e as traduções estão sujeitos a todas as restrições de uso contidas nos Termos e Condições de Uso do site da SPIE.

Aplicação de dados Landsat para mapear e monitorar a cobertura de terras agrícolas

B. Erdenee, 1 Gegen Tana, 1 Ryutaro Tateishi 1

ASSINAR A BIBLIOTECA DIGITAL

50 downloads por assinatura de 1 ano

25 downloads por assinatura de 1 ano

Inclui PDF, HTML e Vídeo, quando disponível

A agricultura é um dos principais setores econômicos da Mongólia e a economia do país é muito dependente do desenvolvimento da produção agrícola. Sendo as condições rurais e mais pobres da Mongólia, 60-90% de sua força de trabalho empregada na agricultura e no setor agrícola tem um papel econômico proeminente. A agricultura da Mongólia teve sucesso no aumento da produção de grãos para alimentos no passado, guiada pelas metas de autossuficiência do país. As imagens de satélite têm sido utilizadas de forma eficaz para classificar os tipos de cobertura do solo e detectar as condições de cobertura do solo. A classificação de imagens de satélite envolve o projeto e o desenvolvimento de classificadores de imagens eficientes. Com os dados de imagens de satélite e os métodos de análise de imagens se multiplicando rapidamente, a seleção da combinação certa de fontes de dados e abordagens de análise de dados tornou-se crítica para a geração de mapas de uso da terra de qualidade. O objetivo deste estudo é monitorar as mudanças na cobertura do solo agrícola no aimag de Tov, visto que há uma importante área de produção agrícola na Mongólia. Desenvolvemos abordagens para mapear e monitorar a cobertura do solo e as mudanças no uso do solo no aimag de Tov usando dados de imagem multiespectrais. Neste estudo, a classificação supervisionada de máxima verossimilhança foi aplicada às imagens Landsat TM e ETM adquiridas em 1989 e 2000, respectivamente, para mapear as mudanças na cobertura da área de cultivo no aimag Tov da Mongólia. Uma classificação supervisionada foi realizada nas seis bandas reflexivas (bandas 1-5 e banda 7) para as duas imagens individualmente com o auxílio de dados de monitoramento agrícola baseados no solo. Os resultados foram então testados usando dados de verificação de solo.

& copy (2010) COPYRIGHT Society of Photo-Optical Instrumentation Engineers (SPIE). O download do resumo é permitido apenas para uso pessoal.


Fluxo de trabalho de processamento de dados Landsat para classificação de cobertura de terra - Sistemas de Informação Geográfica

Abstrato

A Indonésia tem uma área de floresta de mangue muito grande. Cerca de 16% da área de floresta de mangue da Indonésia existe na Ilha de Kalimantan ou conhecida como Ilha de Bornéu. Kalimantan Oriental é uma das quatro províncias na Ilha de Kalimantan que possui uma grande área de floresta de mangue. Este estudo foi realizado para conhecer a existência de floresta de mangue em Kalimantan Oriental e também para inventariar a degradação da floresta de mangue a julgar pela área potencial de mangue. A área potencial de mangue derivada do mapa do sistema de terra e as classes de sistema de terra que têm parâmetros potenciais para a vida do mangue são chamadas de área potencial de mangue. O método deste estudo foi analisar a degradação de manguezais a partir de dados Landsat-TM e Sistemas de Informações Geográficas (SIG). Uso / cobertura do solo derivados de dados Landsat usando a Classificação de Máxima Verossimilhança. Os dosséis indexam a vegetação de manguezais derivados de dados Landsat usando o Índice de Vegetação por Diferença Normalizada (NDVI). O resultado da classificação do uso da terra e o índice de dossel foram sobrepostos ao mapa digital do sistema de terra e aos dados de campo. O modelo matemático para identificar a degradação do mangue é TNS = (N x 30) + (Np x 20) + (L x 15) + (A x 15) + (P x 10) + (C x 10), onde TNS é para pontuação total N é para árvore total por hectare Np é para árvore jovem total por hectare L é para largura do cinturão verde do mangue A é para abrasão P é para pirita e C é para poluição da água. A partir do resultado do processamento de dados, a área potencial do mangue em Kalimantan Oriental tem cerca de 759.583,89 ha. A floresta de mangue que ainda existe em Kalimantan Oriental tem cerca de 389.426,76 ha, com a área de floresta de mangue densa 163.682,82 ha, floresta de mangue médio 171.025,83 ha e floresta de mangue esparsa 54.718,11 ha. A área potencial de manguezal não degradada é de 369.908,19 ha, área degradada 354.814,56 ha e área muito degradada 34.861,14 ha. A julgar pelo fator que causou a degradação indicou que o fator de economia social tornou-se o fator potencial causador a degradação. Especialmente as mudanças no uso da terra entre as áreas de floresta de mangue tornam-se os viveiros de peixes. Hlm.791-79

Para enviar uma atualização ou solicitação de remoção para este artigo, envie uma Solicitação de atualização / correção / remoção.


Mapeamento em escala continental de colônias de pinguins Adélie a partir de imagens Landsat

Distribuição reprodutiva do pinguim Adélie, Pygoscelis adeliae, foi pesquisado com dados Landsat-7 Enhanced Thematic Mapper Plus (ETM +) em uma área cobrindo aproximadamente 330 ° de longitude ao longo da costa da Antártica. Um algoritmo foi projetado para minimizar o ruído radiométrico e recuperar a localização da colônia de pinguins Adélie e a extensão espacial dos dados ETM +. Ao todo, 9143 pixels individuais foram classificados como pertencentes a uma classe de colônia de pinguins Adélie de todo o conjunto de dados de 195 ETM + cenas, onde a dimensão de cada pixel é de 30 m por 30 m, e cada cena é de aproximadamente 180 km por 180 km. O agrupamento de pixels identificou um total de 187 colônias individuais de pinguins Adélie, variando em tamanho de um único pixel (900 m 2) a um máximo de 875 pixels (0,788 km 2). As recuperações de colônias têm um erro de comissão muito baixo, da ordem de 1% ou menos, e o erro de omissão foi estimado em

3 a 4% pela população com base em comparações com observações diretas de pesquisas em todo o leste da Antártica. Assim, as recuperações Landsat localizaram com sucesso as colônias de pinguins Adélie responsáveis ​​por

96 a 97% da população regional usada como verdade fundamental. As coordenadas geográficas e a extensão espacial de cada colônia recuperada dos dados Landsat estão disponíveis publicamente. A análise regional encontrou várias áreas onde as recuperações do Landsat sugerem populações que são significativamente maiores do que as estimativas publicadas. Seis colônias de pinguins Adélie foram encontradas e que se acredita não terem sido relatadas anteriormente na literatura.