Efeitos de diferentes variáveis no mapeamento de uso e cobertura do solo com Google Earth Engine (GEE): Estudo de caso na bacia do rio São Francisco Verdadeiro- Paraná, Brasil
DOI:
https://doi.org/10.5380/raega.v66i1.96287Palavras-chave:
Randon Forest, Acurácia, índice de vegetaçãoResumo
Entre os classificadores amplamente utilizados no ambiente do Google Earth Engine (GEE), destaca-se o Random Forest (RF), em função de sua robustez, capacidade de lidar com dados de diferentes naturezas e desempenho em aplicações de classificação supervisionada. O estudo avalia a influência de variáveis auxiliares na precisão do mapeamento de uso e cobertura do solo na Bacia Hidrográfica do Rio São Francisco Verdadeiro, localizada no oeste do Paraná. Testaram-se duas abordagens distintas de classificação: o primeiro método utilizou exclusivamente as bandas espectrais do sensor MSI a bordo do satélite Sentinel-2 (B1, B2, B3, B4, B5, B7, B8, B8A, B9, B11 e B12); o segundo método incorporou, além das bandas espectrais, índices espectrais (SR, NDVI, NDWI, SAVI e EVI), modelagem de mistura espectral (Spectral Mixture Analysis) e variáveis topográficas (declividade e elevação). O processamento utilizou duas cenas Sentinel-2 com nível de processamento 2A (correção atmosférica de refletância de superfície) adquiridas em 17 de outubro de 2022, processadas na plataforma GEE mediante classificador RF. Os resultados demonstraram superioridade da segunda abordagem, que alcançou 90,4% de exatidão global conforme avaliação por matriz de erro baseada em dados de campo. Na comparação entre métodos, o trecho superior da bacia apresentou as maiores discrepâncias espaciais: enquanto a abordagem baseada apenas em bandas espectrais superestimou as áreas de vegetação natural, a inclusão de variáveis auxiliares no método 2 possibilitou maior detecção de áreas de palhada/resíduo cultural. A análise de importância de variáveis confirmou que os índices espectrais contribuíram para a melhoria da classificação no segundo método.
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
Como Citar
Edição
Seção
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.
