Effects of different variables on land use and land cover mapping with Google Earth Engine (GEE): a case study in the São Francisco Verdadeiro River Basin – Paraná, Brazil

Autores

DOI:

https://doi.org/10.5380/raega.v66i1.104484

Resumo

Among the classifiers commonly used within the Google Earth Engine (GEE) environment, Random Forest (RF) stands out for its robustness, ability to handle heterogeneous data, and strong performance in supervised classification applications.  The present study evaluates the influence of auxiliary variables on the accuracy of land use and land cover mapping in the São Francisco Verdadeiro River Basin, located in western Paraná, Brazil. Two distinct classification approaches were tested: the first method relied exclusively on the spectral bands of the MSI sensor onboard the Sentinel-2 satellite (B1, B2, B3, B4, B5, B7, B8, B8A, B9, B11, and B12); the second method incorporated, in addition to the spectral bands, spectral indices (SR, NDVI, NDWI, SAVI, and EVI), Spectral Mixture Analysis, and topographic variables (slope and elevation). The processing used two Sentinel-2 Level-2A scenes (surface reflectance atmospheric correction) acquired on October 17, 2022, and was carried out on the GEE platform using the RF classifier. The results demonstrated the superiority of the second approach, which achieved 90.4% overall accuracy based on an error matrix assessment using field data. In the comparison between methods, the upper section of the watershed exhibited the greatest spatial discrepancies, whereby, while the approach based solely on spectral bands overestimated natural vegetation areas, the inclusion of auxiliary variables in Method 2 enabled better detection of straw/crop residue areas. The variable importance analysis confirmed that spectral indices contributed to improved classification performance in the second method.

Biografia do Autor

Ericson Hideki Hayakawa, Universidade Estadual do Oeste do Paraná - Unioeste Campus de Marechal Cândido Rondon - Colegiado de Geografia

Professor efetivo da Universidade Estadual do Oeste do Paraná (UNIOESTE), Campus de Marechal Cândido Rondon, no curso de Graduação em Licenciatura em Geografia e no programa de pós-graduação (Mestrado/Doutorado) em Geografia. Graduação e mestrado em Geografia pela Universidade Estadual de Maringá e doutorado em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais. 

Altair Bennert, Postgraduate Program in Geography, Universidade Estadual do Oeste do Paraná,

Doutorando em Geografia na Universidade Estadual do Oeste do Paraná-UNIOESTE. Com graduação em História e Geografia pela Universidade Estadual do Oeste do Paraná (UNIOESTE). E, Mestrado em geografia pela Universidade Estadual do Oeste do Paraná (UNIOESTE). Possui pesquisa na área de ambientes fluviais (grandes rios), e trabalhos na área de geotecnologias (sensoriamento remoto) e suas aplicações, utilizando linguagem de programação para mapeamento de séries temporais. Integra o Grupo GEA (Grupo Mutidisciplinar de Estudos Ambientais) e o Grupo GEDATE (Grupo de Estudos Dinâmica Ambiental no Tempo e no Espaço). 

Marcos Adami, National Instituto for Space Research

Pesquisador titular do Instituto Nacional de Pesquisas Espaciais, graduado em Ciências Econômicas pela Faculdade de Filosofia Ciências e Letras de Cornélio Procópio (1997), mestrado e doutorado em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais (2003 e 2010). Possui experiência em sistemas de informação geográfica e sensoriamento remoto com ênfase nos seguintes temas: análise de séries temporais, mudança de uso da terra, amostragem e estatísticas agrícolas.

Márcia Regina Calegari, State University of Western Paraná

Possui graduação em Geografia pela Universidade Estadual de Maringá (1997), mestrado em Geografia pela Universidade Federal de Santa Catarina (2000) e Doutorado em Agronomia (Área de Concentração Solos e Nutrição de Plantas) pela Escola Superior de Agricultura ''Luiz de Queiroz'' - ESALQ/USP (2009). Têm Doutorado (Sanduiche) na Universidade de Santiago de Compostela e no Conselho Superior de Investigação Científica (CSIC)- Barcelona (2007).

Patrícia Antônio de Oliveira Perdoná, State University of Western Paraná

Doutorado em Geografia pela Universidade Estadual do Oeste do Paraná (UNIOESTE), com aplicação de Zonamento Ambiental e alteração da qualidade física do solo. Mestrado em Geografia pela Universidade Estadual do Oeste do Paraná (UNIOESTE), ênfase em mapeamento digital de solos e em topossequência. Graduação no curso de Geografia (Bacharel) pela Universidade Federal da Integração Latino-Americana (UNILA). Realizou estágio na Divisão de Apoio Operacional, área de geoprocessamento, da Usina Hidrelétrica Itaipu Binacional. Atuou como Analista Ambiental no Itaipu Parquetec, com atuação em análises de dados ambientais com uso de geotecnologias e monitoramento da quantidade e qualidade de água em aquíferos fraturados.

Cássio Alexandre Rolan Wandscheer, Itaipu Parquetec

Mestrando do Programa de Pós-Graduação em Engenharia Agrícola pela Universidade Estadual do Oeste do Paraná (UNIOESTE);Engenheiro Agrônomo pelo Centro Universitário Dinâmica das Cataratas - UDC campus de Foz do Iguaçu-PR;Tecnólogo Ambiental, com ênfase em Resíduos Industriais pela Universidade Tecnológica Federal do Paraná - UTFPR Campus Medianeira-PR; Técnico Ambiental pela Universidade Tecnológica Federal do Paraná - UTFPR Campus Medianeira-PR;Especialista em Gestão Ambiental em Municípios pela Universidade Tecnológica Federal do Paraná - UTFPR Campus Medianeira-PR;Cursando a Especialização Solos e Nutrição de Plantas pelo Centro Universitário Dinâmica das Cataratas - UDC campus de Foz do Iguaçu-PR;Experiência como consultor ambiental e agronômico em projetos ambientais rurais;Atuoua como Analista Ambiental no PARQUE TECNOLÓGICO ITAIPU (PTI) desenvolvendo atividades relacionadas a projetos nas área ambiental e agronômica, como agronegócio, agricultura conservacionista e sustentabilidade. Atualmente atua como Engenheiro Agrônomo no Itaipu parquetec, atuando em projetos de assistência técnica e extensão rural junto a agricultores familiares e também com projetos de ATER voltado para linha de agricultura sustentável e agroecológica.

Referências

BECKER, W. R.; LÓ, T. B.; JOHANN, J. A.; MERCANTE, E. Statistical features for land use and land cover classification in Google Earth Engine. Remote Sensing Applications: Society and Environment, 12, 2021. Doi.org/10.1016/j.rsase.2020.100459.

BELGIU, M.; DRAGUT, L. Randon Forest in remote sensing: a review of applications and future directions. ISPRS Journal Photogrammetry and Remote Sensing 114, 2016. Doi.org/10.1016/j.isprsjprs.2016.01.011.

BREIMAN, L. Randon Forest. Machine Learning, 45, 5-32, 2001.

BESSINGER, M.; VOGEL, M. L.; SKOWNO, A.; CONRAD, F. Landsat-8 based coastal ecosystem mapping in South Africa using random forest classification in Google Earth Engine. South African Journal of Botany. 150, 2022.

CHEN, S.; WOODCOCK, C. E.; BULLOCK, E. L.; ARÉVALO, P.; TORCHINAVA, P.; PENG, S.; OLOFSSON, P. Monitoring temperate forest degradation on Google Earth Engine using Landsat time series analysis. Remote Sensing of Environment, 265, 2021. Doi.org: 10.1016/j.rse.2021.112648.

DEMATTÊ, J. A. M.; FONGARO, C. T.; RIZZO, R.; SAFANELLI, J. L. Geospatial Soil Sensing System (GEOS3): A powerfull data mining reduce to retrieve soil spectral reflectance from satellite images. Remote Sensing Environment, 212, p. 161-175, 2018.

DE AZEVEDO, J. C.; CARDOSO, A. S.; LAGE FILHO, N. M.; FATURI, C.; DA SILVA, T. C.; DOMINGUES, F. N.; COSTA, V. E.; RUGGIERI, A. C.; REIS, R. A.; DO RÊGO, A. C. Effects of agricultural expansion on soil carbon and nitrogen stocks in the Amazon Deforastation Arc. Soil Systems 2024, 25. Doi.org/10.3390/soilsystems8010025.

DE VASCONCELOS, S. S.; FEARNSIDE, P. M.; GRAÇA, P. M. L. A.; DIAS, D. V.; CORREIA, F. W. S. Variability of vegetation fires with rain and deforestation in Brazil’s state of Amazonas. Remote Sensing of Enviroment, 136, 2013.

DINIZ, J. M. F. S.; MACIEL, D. A.; GAMA, F. F.; ADAMI, M. Avaliação do Sentinel-2, NDVI e MLME para Mapeamento do Uso e Cobertura da Terra. Anuário Do Instituto de Geociências - UFRJ, 43(2), 2020. https://doi.org/10.11137/2020_2_381_391.

FATCHURRACHMAN, R.; SOH, N. S.; SHAH, R. M.; GIAP, S. G. E.; STIAWAN, B. I.; MINASNY, B. Automated near-real-time mapping and monitoring of rice growth extent and stages in Selangor Malaysia. Remote Sensing Applications: Society and Environment. 31, 2023. Doi.org/10.1016/j.rsase.2023.100993.

FORTIN, J. A.; CARDILLE, J. A.; PEREZ, E. Multi-sensor dectection of forest-cover change across 45 years in Mato Grosso, Brazil. Remote Sensing of Environment, 238, 2020. Doi.org/10.1016/j.rse.2019.111266.

GAO, B. C. NDWI- A Normalized Difference Water Index for Remote Sensing od Vegetation Liquid Water Fron Space. Remote Sens. Environ. 58, 257-266, 1996.

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. 202, p.18-27, 2017. Doi.org/10.1016/j.rse.2017.06.031.

HUETE, A. R. A Soil-Adjusted Index (SAVI). Remote Sensing Environment. 25, 295-309, 1988.

HUETE, A. R.; DIDAN, K.; MIURA, T.; RODRIGUEZ, E. P.; GAO, X.; FERREIRA, L. G. Overview of the radiometric and biophysical performance of the MODIS vegetation índices. Remote Sensing of Environment, vol. 83, p. 195-213, 2002, PII: S0034-4257(02)00096-2.

IUSS Working Group WRB. World Reference Base for Soil Resources. International soil classification system for naming soils and creating legends for soil maps. 4th edition. International Union of Soil Sciences (IUSS), Vienna, Austria, 2022

JUSTICE, C. O.; VERMOTE, E.; TOWNSHEND, J. R.; DEFRIES, R.; ROY, D. P.; HALL, D. K.; SALOMONSON, V. V.; PRIVETTE, J. L.; RIGGS, G.; STRAHLER, A. The Moderate Resolution Imaging Spectroradiometer (MODIS): Land Remote Sensing for Global Change Research. IEEE Transaction on Geoscience and Remote Sensing, vol. 36, 1998.

LI, Q.; QIU, C.; MA, L.; SCHIMITT, M.; ZHU, X. X. Mapping the Land Cover of Africa at 10 m Resolution from Multi-Source Remote Sensing Data with Google Earth Engine. Remote Sensing. 2020, 12, 602. Doi:10.3390/rs12040602.

LIU, C.; LI, W.; ZHU, G.; ZHOU, H.; YAN, H.; XUE, P. Land Use/ Land Cover changes and their driving factors in the Northeeastern Tibetan Plateu Based on Geographical detectors and Google Eathe Engine: A case study in Gannan Prefecture. Remote Sens. 2020, 12(19), 3139. Doi.org/10.3390/rs12193139.

MENDES, W. S.; MEDEIROS NETO, L. G.; DEMATTÊ, J. A. M.; GALLO, B. C.; RIZZO, R.; SAFANELLI, J. L.; FONGARO, C. T. Is it possible to map subsurface soil atributes by satellite espectral transfer models? Geoderma, 343, p.269-279, 2019.

McROBERTS, R. E. Satellite image-based maps: Scientific inference or pretty pictures? Remote Sensing of Environment, 115, 2011. Doi.org/10.1016/j.rse.2010.10.013.

MINGOTI, R.; SILVEIRA, H. L. F. Deforestation and agricultural expansion in Brasil’ Amazon and Cerrado Biomes. CGIAR, 40 (working paper), 2025.

NASA- National Aeronautics and Space Administration. EARTHDATA, Sentinel -2 MSI. disponível em: https://www.earthdata.nasa.gov/data/instruments/sentinel-2-msi, acessado em: 03/06/2024.

NASCIMENTO, C. M.; DEMATTÊ, J. A. M.; MELLO, F. A. O.; ROSAS, J. T. F.; TAYEBI, M.; BELLINASO, H.; GRESCHUK, L. T.; ALBARRACÍN, H. S. R.; OSTOVARI, Y. Soil degradation detected by temporal satellite image in São Paulo state, Brazil. Journal of South American Earth Sciences, 120, p.1-9, 2020. Doi.org/10.1016/j.jsames.2022.104036.

OLOFSSON, P.; FOODY, G. M.; HEROLD, M.; STEHMAN, S. V.; WOODCOCK, C. E.; WULDER, M. A. Good practies for estimating area and assessing accuracy of land change. Remote Sensing of Environment 148, 2014. Doi.org/10.1016/j.rse.2014.02.015.

PADARIAN, J.; MINASNY, B.; MCBRATNEY, A. B. Using Google`s clou-based platform for digital soil mapping. Computers & Geosciences, 83, p.80-88, 2015.

PERDONÁ, P. A. O. Utilização do zoneamento ambiental para identificação de potencialidades e limitações de uso na Bacia do Rio São Francisco Verdadeiro. (TESE) Universidade Estadual do Oeste do Paraná-Unioeste, doutorado em Geografia, Francisco Beltrão, p.120, 2024.

PERDONÁ, A. O.; CALEGARI, M. R.; HAYAKAWA, E. H.; MONTEIRO DA COSTA, A.; WEGNER, N.; BENNERT, A. Potência de Uso Conservacionista Para a Bacia do Rio São Francisco Verdadeiro-PARANÀ. ANAIS do 14 SINAGEO – Simpósio Nacional de Geomorfologia. Corumbá-MS. Disponível em: https://www.sinageo.org.br/2023/trabalhos/10/617-569.pdf. Acessado em: 03/06/2024.

ROUSE, J. W.; HAAS, R. H.; SCHELL J. A.; DEERING, D. W. Monitoring vegetation systems in the great plains with ERTS. In: EARTH RESOURCES TECHNOLOGY SATELLITE-1 SYMPOSIUM, 3., Washington, D.C., 1973. Anais... Washington, D.C.: NASA. Goddart Space Flight Center, 1973a. v.1, p. 309-317.

SANTOS, H. G.; JACOMINE, P. K. T.; ANJOS, L. H. C.; OLIVEIRA, V. A.; LUMBRERAS, J. F.; COELHO, M. R.; ALMEIDA, J. A.; ARAUJO FILHO, J. C.; OLIVEIRA, J. B.; CUNHA, T. J. F. Sistema Brasileiro de Classificação de Solos. 5. ed. rev. e ampl. Brasília, DF: Embrapa, 2018, p. 356.

SAFANELLI, J. L. Leveraging the application of Earth observation fata for mapping and monitoring cropland soils. (TESE) USP/ Escola Superior de Agricultura "Luiz de Queiroz", Piracicaba, p. 105, 2020.

SENAY, G. B.; FRIEDRICHS, M.; MORTON, C.; PARRISH, G. E. L.; SCHAUER, M.; KHAND, K.; KAGONE, S.; BOIKO, O.; HUNTINGTON, J. Mapping actual evapotranspiration using Landsat for the conterminous United States: Google Earth Engine implementation and assessment of the SSEBop model. Remote Sensing of Environment, 275, 2022.

SILVA, B. A; CALEGARI, M. R. Atualização do mapa de solos na bacia do Paraná 3: Estudo de caso das sub-bacias hidrográficas dos rios São Francisco Verdadeiro e São Francisco Falso. Perspectiva Geográfica, v.14, nº 20, p.48-58, 2019.

SILVA, M. V.; PANDORFI, H.; OLIVEIRA-JUNIOR, J. F.; SILVA, J. L. B.; ALMEIDA, G. L. P.; MONTENEGRO, A. A. A.; MESQUITA, M.; FERREIRA, M. B.; SANTANA, T. C.; MARINHO, G. T. B.; COSTA, A. R.; GIONGO, P. R. Remote sensing techniques via Google Earth Engine for land degradation assessment in the Brazilian semiarid region, Brazil. Journal of South Amarican Earth Sciences, 120, p.1-9, 2022. Doi.org/10.1016/j.jsames.2022.104061.

SILVEIRO, N. E. Q.; DEMATTÊ, J. A.; AMORIM, M. T. A.; DOS SANTOS, N. V.; RIZZO, R.; SAFANELLI, J. L.; POPPIEL, R. R.; MENDES, W. S.; BONFATTI, B. R. Soil variability and quantification based on Sentinel -2 and Landsat-8 bare soil images: A comparison. Remote Sensing of Environmnet, 252, p.1-19, 2021. Doi.org/10.1016/j.rse.2020.112117.

SHIMABUKURO, Y. E.; SMITH, J. A. The Least-Squares Mixing Models to Generate Fraction Images Derived from Remote Sensing Multispectral Data. IEEE Trans. Geosci. Remote Sens. 1991, 29, 16–20. Doi:10.1109/36.103288.

SOUZA JUNIOR, C. M.; SHIMBO, J. Z.; ROSA, M. R.; PARENTE, L. L.; ALENCAR, A. A.; RUDORFF, B. F. T.; HASENACK, H.; MATSUMOTO, M.; FERREIRA, L. G.; SOUZA-FILHO, P. W. M.; OLIVIERA, S. W. de.; ROCHA, W. F.; FONSECA, A. V.; MARQUES, C. B.; DINIZ, C. G.; COSTA, D.; MONTEIRO, D.; ROSA, E. R.; VÉLEZ-MARTIM, E.; WEBER, E. J.; LENTI, F. E. B.; PATERNOST, F. F.; PAREYN, F. G. C.; SIQUEIRA, J. V.; VIEIRA, J. L.; FERREIRA NETO, L. C.; SARAIVA, M. M.; SALES, M. H.; SALGADO, M. P. G.; VASCONCELOS, R.; GALANO, S.; MESQUITA, V. V.; AZEVEDO, T. Reconstructing three decades of land use and land cover changes in Brazilian Biomes with Landsat archive and Earth Engine. Remote Sensing, 12(17), 2020. Doi.org/10.3390/rs12172735.

SUN, S.; ZHANG, Y.; SONG, Z.; CHEN, B.; ZHANG, Y.; YUAN, W.; CHEN, C.; CHEN, W.; RAN, X.; WANG, Y. Mapping coastal wetlands of the Bohai Rim at a spatial resolution of 10 m using multiple opne-access satellite data and terrain índices. Remote Sens. 2020, 12(24), 4114. Doi.org/10.3390/rs12244114.

TABERNER, M. C.; MARTINEZ, A. M.; GARCIA-HARO, F. J.; CAMPS-VALLS, G.; ROBINSON, N.; KATTGE, J.; RUNNING, S. W. Global Estimation of Biophysical Variables from Google Earth Engine Platforn. Remote Sensing, 2018. Doi:10.3390/rs10081167.

VELASTEGUI-MONTOYA, A.; BURBANO, N. M.; MERO, P. C.; TORRES, H. R.; SADECK, L.; ADAMI, M. Google Earth Engine: A Global Analysis and Future Trends. Remote Sens. 2023, 15(14), 3675. Doi.org/10.3390/rs15143675.

WANG, S.; GUA, K.; ZHANG, C.; LEE, D.; MARGENOT, A. J.; GE, Y.; PENG, J.; ZHOU, W.; ZHOU, Q.; HUANG, Y. Using soil library hyperspectral reflectance and machine learning to predict soil organic carbon: Assessing potential of airborne and spaceborne optical soil sensing. Remote Sensing of Environment: 271. 2022. Doi: 10.1016/j.rse.2022.112914.

WANG, Y.; ZIV, G.; ADAMI, A.; MITCHARD, E.; BATTERMAN, S. A.; BUERMANN, W.; MARIMON B. S.; MARIMON JUNIIOR, B. H.; REI, S. M.; RODRIGUES, D.; GALBRAITH, D. Mapping tropical disturbed forest using multi-decadal 30 m optical satellite imagery. Remote Sensing of Environment, 221, 2019. Doi.org/10.1016/j.rse.2018.11.028.

WHYTE, A.; FERENTINOS, K. P.; PETROPOULOS, G. P. A new synergistic approach for monitoring wetlands using Sentinels -1 and 2 data with object-based machine learning algorithms. Environmental Modelling & Software, 104: 2018. 40-54. Doi: 10.1016/j.envsoft.2018.01.023.

WU, Y.; DUGUAY, C. R.; XU, L. Assessment of machine learing classifiers for global lake ice cover mapping from MODIS TOA reflectance data. Remote Sensing of Environment, 253, 2011.

ZHANG, Z.; WEI, M.; PU, D.; HE, G.; WANG, G.; LONG, T. Assessment of Annual Composite Images Obtained by Google Earth Engine for Urban Areas Mapping Using Raondom Forest. Remote Sensing. 2021, 13, 748. Doi.org/10.3390/rs13040748.

ZHOU, B.; OKIN, G. S.; ZHANG, J. Leveraging Google Eatth Engine (GEE) and machine learning algorithms to incorporate in situ measurement from different times for rangelands monitoring. Remote Sensing of Environment, 236. 2020. Doi:10.1016/j.rse.2019.111521.

YANG, Y.; YANG, D.; WANG, X.; ZHAO, Z.; NAWAZ, Z. Testing Accuracy of Land Cover Classification Algorithms in the Qilian Mountains Based on GEE Cloud Platform. Remote Sensing, 2021, 13, 5064. Doi.org/10.3390/rs13245064.

Downloads

Publicado

2026-08-30

Como Citar

Hayakawa, E. H., Bennert, A., Adami, M., Calegari, M. R., Perdoná, P. A. de O., & Wandscheer, C. A. R. (2026). Effects of different variables on land use and land cover mapping with Google Earth Engine (GEE): a case study in the São Francisco Verdadeiro River Basin – Paraná, Brazil. Ra’e Ga: O Espaço Geográfico Em Análise, 66(1), 3–25. https://doi.org/10.5380/raega.v66i1.104484

Edição

v. 66 n. 1 (2026): RA’E GA – O ESPAÇO GEOGRÁFICO EM ANÁLISE - Volume 66 (2026)

Seção

Artigos

Licença

Declaro que o ARTIGO submetido é INÉDITO, ORIGINAL e de MINHA RESPONSABILIDADE. Declaro que o artigo não foi submetido ou está em avaliação em outra revista/periódico.

Estou ciente dos itens presentes na LEI Nº 9.610/98 (DIREITOS AUTORAIS) e me responsabilizo por quaisquer problemas relacionados a PLÁGIO.

Estou ciente de que o artigo submetido poderá ser removido da Revista, caso se observe A QUALQUER TEMPO que ele se encontra publicado integralmente ou em parte em outro PERIÓDICO científico. 

Declaro, COMO PRIMEIRO AUTOR, que os demais autores do trabalho estão cientes desta submissão e de que NÃO receberão qualquer tipo de remuneração pela divulgação do trabalho. 

Como primeiro autor, autorizo, de antemão, a RA’E GA - O Espaço Geográfico em Análise(ISSN 2177-2738), a publicar o artigo, caso aceito.