Resumo: A classificação remota dos diferentes estádios sucessionais da vegetação ainda constitui um desafio devido à similaridade espectral destas classes. Este artigo tem o objetivo de avaliar o desempenho de imagens Landsat-8 e RapidEye para a classificação do estádio sucessional da vegetação em um fragmento de Floresta Ombrófila Mista, localizado no Parque Nacional de São Joaquim- SC. Para isto, três grupos de variáveis gerados a partir de cada imagem foram avaliados, sendo: (1) composto somente pelas bandas espectrais puras; (2) composto pelas métricas texturais GLCM geradas a partir das bandas espectrais; e (3) composto pelas variáveis dos dois grupos anteriores, além de dois índices de vegetação no caso da imagem Landsat-8, e três índices para a RapidEye. Cada grupo foi testado com os classificadores florestas randômicas (Random Forest- RF), máquinas de vetor de suporte (Support Vector Machine - SVM) e máxima verossimilhança (Maxver). Todos os experimentos alcançaram resultados satisfatórios, com índice Kappa variando de 0,66 a 0,88 e acurácia de usuário e produtor superiores a 50%. O melhor resultado alcançado foi com a imagem Landsat-8, grupo 3, associado ao algoritmo RF. A medida de importância das variáveis obtida com o algoritmo RF mostrou que as métricas texturais média, contraste e dissimilaridade destacaram-se na classificação para ambas as imagens

Abstract: The remote classification of the different vegetation successional stages still represents a challenging task in face of the similar spectral response of such classes. This paper is committed to evaluate the performance of Landsat-8 and RapidEye images in the classification of successional stages within a patch of Mixed Ombrophilous Forest located in São Joaquim National Park, Santa Catarina State, south of Brazil. Three variables dataset extracted from each image were analyzed, namely; (1) one solely consisting of the spectral bands themselves; (2) a second one comprising GLCM-based texture measures derived from the spectral bands; and (3) a third one containing these two datasets and additionally two vegetation indices obtained from the Landsat 8 image and three vegetation indices from the RapidEye image. Each dataset was subject to three classifiers: random forest (RF), support vector machine (SVM), and maximum likelihood estimation (MLE or maxver). All conducted experiments achieved satisfactory results, with Kappa coefficients ranging from 0.66 to 0.88, and both user´s and producer´s accuracies lying over 50%. The best result was attained with the Landsat 8 image using the third dataset and the RF classifier. The analysis of the variables relevance with this classifier showed that the texture measures mean, contrast and dissimilarity were decisive for the successful classification of both images

Ambientes urbanos representam uma das áreas mais desafiadoras do sensoriamento remoto devido à grande diversidade encontrada nos materiais presentes na sua superfície. O uso de imagens com alta resolução espacial e alta resolução espectral surge como uma alternativa para aplicações urbanas, pois a combinação destas duas características permite uma melhor detecção e discriminação de alvos. O presente trabalho tem um duplo objetivo: i) avaliar dois conjuntos de dados na classificação fina de alvos urbanos para dois níveis de legenda (com 11 e 38 classes de cobertura do solo): um deles composto exclusivamente por uma imagem orbital multiespectral (WV-2) e o outro conjunto composto exclusivamente por uma imagem aerotransportada hiperespectral (SpecTIR), ii) bem como testar o desempenho de dois métodos diferentes de classificação de imagens, Árvore de Decisão C4.5 e Floresta Randômica (Random Forest), para ambos os níveis de legenda. Oito experimentos de classificação foram realizados para atender a tais objetivos de investigar a eficácia dos sensores e dos métodos em dois níveis de detalhamento. Foram obtidas classificações de elevada acurácia. Demonstrou-se para todos os níveis de detalhamento e métodos que as classificações obtidas com dados do sensor SpecTIR apresentaram resultados significantemente superiores aos das classificações com dados do sensor WV-2.

Urban environments represent one of the most challenging areas for remote sensing analyses due to the great diversity of land cover materials found in their surface. The fusion of high spatial and high spectral resolution images arise as an alternative for urban applications, for the combination of these two characteristics allows better detection and discrimination of urban targets. The present work has a twofold objective: i) evaluate two datasets for the fine classification of urban targets at two levels of legend (with 11 and 38 land cover classes): one of them exclusively consisting of an orbital multispectral image (WV-2) and another one exclusively comprising an airborne hyperspectral image (SpecTIR), ii) as well as assess the performance of two different image classification methods, C4.5 Decision Tree and Random Forest, for both levels of legend. Eight classification experiments were executed to meet such objectives of investigating the efficacy of sensors and classification methods for the concerned two levels of detailing. The obtained classifications attained high accuracy. For all adopted levels of legend and methods, it was demonstrated that the classifications using SpecTIR data presented results significantly superior to those obtained with the WV-2 data

Considerando as pressões do setor de infraestrutura portuária sobre as configurações na forma de uso e planejamento do espaço na região portuária da Baixada Santista, tais como o aporte por áreas de retroporto, o armazenamento e o transporte de cargas, este estudo buscou desenvolver modelos dinâmicos da paisagem e investigar a relação entre as alterações no uso e cobertura da terra e a infraestrutura de transportes na região portuária da Baixada Santista-SP. A partir de produtos de sensoriamento remoto e da metodologia de modelagem dinâmica espacial baseada em autômatos celulares, foram gerados o mapa simulado e o cenário de prognóstico, considerando os projetos de expansão portuária para o ano de 2024. O crescimento das áreas construídas por influência dos projetos de expansão segue o sistema viário existente e a proximidade ao canal estuarino. Isso demonstra a tendência de localização de novas instalações em função das atividades portuárias, ligadas à circulação de mercadorias, e da infraestrutura implantada para o transporte de navegação e terrestre.

Considering the pressures of the port infrastructure sector over the land use and physical planning in the region of Baixada Santista, such as the demand for backport areas as well as for loads storage and transport, this study aims to develop a dynamic model of landscape changes in this region and investigate the relationship between land cover change and the transport infrastructure in such port area. With the aid of remote sensing products and cellular automata-based modeling, a simulated landscape map and a map of future landscape changes scenario were generated, considering port expansion projects for the year 2024. The growth in built-up areas derived from expansion projects takes place along the existing road system and in the vicinities of the estuarine channel. This confirms the trend of new facilities allocation as a function of port activities related to the circulation of goods and the infrastructure associated with the sea and land transport

O presente trabalho tem como objetivo investigar os descritores espectrais, extraídos das bandas do Landsat 8, e topográficos, provenientes de dados do TOPODATA, que auxiliam na discriminação das classes de cobertura da terra através de uma árvore de decisão gerada por mineração de dados. Foram extraídas medidas estatísticas de amostras referentes a 12 classes, coletadas no município do Rio de Janeiro, de um banco de dados composto por 18 planos de informação. Os resultados apontaram que entre os descritores estatísticos, prevaleceram a média e mediana. Como descritor espectral, merece destaque a banda 1 (ultra-azul), selecionada para discriminar, além das classes de água, as classes de vegetação e não-vegetação. O minerador utilizou o Índice de Vegetação por Razão Simples (RS) em todas as árvores a despeito do Índice de Vegetação por Diferença Normalizada (IVDN). A declividade também foi inserida nas três árvores para separar o afloramento rochoso da vegetação de baixo porte. Em relação aos níveis digitais, não foi utilizado nenhum descritor de radiância nas quatro árvores. Considerando o grande volume de dados produzidos e armazenados atualmente, pode-se afirmar que a mineração é um importante recurso para a extração de informações de volumosos bancos de dados em curto espaço de tempo.

This paper is committed to investigate the spectral attributes extracted from Landsat 8 image bands and topographic attributes derived from TOPODATA, meant to discriminate land cover classes by means of decision trees, a technique in the scope of data mining. Statistical measures of samples corresponding to 12 land cover classes collected in Rio de Janeiro city were calculated from a database composed of 18 layers, from which four decision trees were generated. The results showed that the mean and median were the most relevant statistical attributes. As to spectral attributes, Band 1 is worth of mention, which has been selected to classify water classes, besides discriminating vegetation and non-vegetation classes. Regarding vegetation indices, the data mining algorithm exclusively relied on the Simple Ratio Index in all trees to the detriment of the NDVI. Slope has been employed in three decision trees to separate rock outcrop from low-height vegetation. On the other hand, radiance has not been used in any of the four decision trees. Considering the ever-increasing volume of remotely sensed data currently available, it ought to be acknowledged that data mining represents a crucial solution to efficiently extract information from large databases in a short time.

Imagens NDVI (Índice de Vegetação por Diferença Normalizada) do sensor Modis foram utilizadas para mapear as classes de uso e cobertura da terra nas Serras do Sudeste e Campanha Meridional do Rio Grande do Sul. A metodologia compreendeu a elaboração de um banco de dados espaciais e a aplicação de técnicas de processamento digital (contraste linear, classificação digital e operações aritméticas) sobre imagens dos satélites Landsat e Terra de diversas datas. Os resultados indicaram que a cobertura florestal passou de 8,6% para 11,6% e 14,3% da área total da microrregião Serras do Sudeste, entre os anos 2000, 2004 e 2008. Na Campanha Meridional, a expansão da cobertura florestal passou de 11,1% para 11,2% e 11,5% da área total no mesmo período. Conclui-se que imagens MOD13Q1, de baixa resolução espacial (250 m), podem ser usadas em grandes áreas para mapear florestas e os demais temas adequadamente.

The NDVI (Vegetation Index Normalized Difference) Modis sensor was used to map the classes of land use and land cover of Serras do Sudeste and Campanha Meridional of Rio Grande do Sul. The methodology included the development of a spatial database and the application of digital signal processing techniques (linear contrast, digital classification and arithmetic operations) on Landsat satellite images and Terra of various dates. The results show that forest cover increased from 8.6% to 11.6% and 14.3% of the total area of Serras do Sudeste, between the years 2000, 2004 and 2008. In the Campanha Meridional, the expansion of forest cover increased from 11.1% to 11.2% and 11.5% of the total area in the same period. It is concluded that images MOD13Q1, low spatial resolution (250m), may be used to make maps of forest and other land use properly, in extensive areas.

A avaliação das mudanças na paisagem é fundamental para a eficiência na gestão territorial. O objetivo deste trabalho é parametrizar e calibrar um modelo de mudança de cobertura e uso, além de validar as simulações associadas à expansão canavieira em Arealva-SP, no período compreendido entre 2005 e 2010. Os mapas inicial e final foram corregistrados e, após a rasterização, foi realizada uma tabulação cruzada, gerando-se um mapa de mudanças e a respectiva matriz de transição. O modelo adotado foi o Dinamica EGO, e seu desempenho foi avaliado por meio de um método baseado no conceito de incerteza de localização (fuzziness of location), no qual a representação de uma célula é influenciada por ela mesma, e, em menor magnitude, pela sua vizinhança. Há predominância de pastagens e baixo índice de área de vegetação nativa. As mudanças mais relevantes estão relacionadas à expansão canavieira e à retração de pastagens. O valor da similaridade fuzzy entre o mapa simulado e o mapa-referência, para a janela de tamanho 11x11 e função de decaimento constante, foi de 0.52. Foi possível aprimorar o conhecimento dos fatores direcionadores das mudanças de cobertura e uso, propiciando a revelação das forçantes dessas mudanças.

The assessment of changes in the landscape is the efficiency key in land management. The goal of this work is to parameterize and calibrate a model of land cover and land use change, and validate the predictive scenarios associated with sugarcane expansion in Arealva-SP, from 2005 to 2010. The initial and final maps were co-registered and, after rasterization, we conducted a cross-tabulation, generating a map of changes and the respective transition matrix. The model adopted was Dinamica EGO and its performance was evaluated by means of a method based on the concept of fuzziness of location, in which the representation of a cell is influenced by itself, and to a lesser extent, by its neighborhood. There is a predominance of pastures and a reduced presence of native vegetation. The most relevant changes are related to sugarcane expansion and reduction of pastures. The value of the fuzzy similarity index extracted for the comparison between the simulated map and the reference-map for a window size of 11x11 pixels and using a constant decay function was 0.52. This simulation experiment enabled us to acquire a deeper knowledge on the drivers of land cover and land use change.

Mapas de cobertura da terra constituem uma importante fonte de dados para a elaboração de diagnóstico, ordenamento e gestão do território, sendo fundamentais em projetos de zoneamentos, estudos de impactos ambientais, mapeamentos de áreas de riscos, entre outras aplicações. Em geral, são elaborados com base na interpretação de imagens aerotransportadas ou orbitais e/ou na análise de documentos cartográficos, conjugadas a trabalhos de campo. As técnicas tradicionais de classificação de imagens baseiam-se na análise pixel a pixel ou por regiões, enfocando as diferenças espectrais para extração de informações. A abordagem de análise de imagens baseada em objeto (OBIA), embora se utilize de regiões, representa um avanço em relação às classificações tradicionais por regiões, pois pressupõe necessariamente a existência de um modelo de conhecimento (rede semântica) atrelado ao processo de interpretação da cena, que explicita o conhecimento do intérprete, aproximando-se dos processos cognitivos humanos de interpretação. Este artigo tem como objetivo analisar a classificação de cobertura da terra feita a partir de imagens orbitais por meio de OBIA. Foram utilizados atributos estatísticos e texturais extraídos de imagens ALOS/AVNIR fusionadas com imagens ALOS/PRISM e de dados de relevo do banco de dados geomorfométricos TOPODATA. A área de estudo foi o município de Nova Friburgo, situado na região serrana do Rio de Janeiro. Para a validação da classificação, foi utilizado o índice Kappa, que confronta amostras classificadas com a verdade de campo. O valor do Kappa obtido neste trabalho alcançou 0,85, sendo superior aos encontrados em trabalhos similares que utilizam técnicas tradicionais de classificação.

Land cover maps are an important data source for land planning and management, and hence, are crucial in zoning projects, environmental impact assessment, risky areas mapping, among other applications. They are usually derived from the interpretation of airborne or orbital images and/or the analysis of cartographic products, associated with field work. The traditional methods of remote sensing images classification consist either in pixel-per-pixel or region-based analyses, focusing on spectral differences for information extraction. The object-based image analysis (OBIA), although also based on the use of regions, represents an advance in relation to the traditional region-based classification approaches, for it relies on a knowledge model (semantic network) appended to the scene interpretation process, which renders the interpreter´s knowledge explicit, in a way to resemble the human cognitive processes. This paper aims to analyze land cover mapping resulting from the interpretation of remote sensing images using OBIA. Statistical and textural attributes extracted from ALOS/AVNIR images pan-sharpened with ALOS/PRISM image as well as relief data from the TOPODATA geomorphometric database were used as input data. The study area is Nova Friburgo County, with an area of 933 km², located in the mountainous region of Rio de Janeiro State. The land cover map was validated by the Kappa index, which relates classified samples with field data. The Kappa value obtained in this paper was 0.85, which showed to be greater than the ones found in similar works that used traditional classification techniques.

Este artigo tem como objetivo avaliar o desempenho de duas redes semânticas geradas por mineração de dados para a classificação de cobertura da terra por meio de análise de imagens baseada em objetos geográficos (GEographic Object-Based Image Analysis - GEOBIA). Para isto, uma rede utilizou-se de descritores estatísticos e texturais, e a outra, apenas de descritores estatísticos. A base de dados foi constituída de imagens ALOS/AVNIR fusionadas com imagens ALOS/PRISM e dados de relevo provenientes do banco de dados TOPODATA. A área de estudo corresponde ao município de Nova Friburgo, com 933 km², localizado na região serrana do estado do Rio de Janeiro. O índice Kappa alcançado pela classificação baseada em árvore de decisão composta por descritores estatísticos e texturais foi de 0,81, enquanto que este valor para a classificação derivada apenas de descritores estatísticos foi de 0,84. Considerando os índices alcançados, conclui-se que ambos os resultados apresentam excelente qualidade quanto à acurácia da classificação. O teste de hipótese entre os dois índices mostra, com nível de significância de 5%, que não há diferenças entre as duas classificações quanto à acurácia.

This paper aim at evaluating the performance of two semantic networks generated by data mining for classifying land cover using GEographic Object-Based Image Analysis (GEOBIA). The first one used statistical and texture attributes, and the second network employed only statistical attributes. The attributes were extracted from ALOS/AVNIR images pan-sharpened with ALOS/PRISM. Relief information provided by the TOPODATA geomorphometric database was also used as input data. The studied area is Nova Friburgo County, with an extension of 933 km², located in the mountainous region of Rio de Janeiro State. The Kappa index obtained by the classification based on statistical and texture attributes was 0.81, while the result for the classification derived only from statistical attributes achieved 0.84. These values corroborate the excellent accuracy of both results. The statistical hypothesis test between the two indices at 95% confidence interval demonstrated that there is no difference between the two classification accuracies.

O objetivo deste trabalho foi identificar áreas prioritárias para a recuperação florestal e analisar variáveis a elas relacionadas através da rede neural artificial (RNA) de Mapas Auto-Organizáveis (SOM), em duas escalas. Primeiramente, procurou-se identificar uma sub-bacia hidrográfica prioritária para a recuperação florestal na Unidade de Gerenciamento de Recursos Hídricos Paulista (UGRHI) do rio Paraíba do Sul por SOM. Para isto, foram utilizadas variáveis de conectividade ambiental e cobertura florestal. Definiu-se uma sub-bacia hidrográfica situada na represa do Jaguari, município de Igaratá, para estudo em uma escala de maior detalhe. Nas Áreas de Proteção Permanentes (APPs) englobadas nesta sub-bacia hidrográfica, foi realizada uma nova análise por SOM. Neste caso, foram consideradas variáveis de distância a fragmentos florestais, a áreas urbanas, a estradas pavimentadas e a construções rurais, assim como o Índice de Vegetação por Diferença Normalizada e o Potencial Natural de Erodibilidade Laminar. Em ambas as escalas, as áreas prioritárias para a recuperação florestal foram determinadas através de histogramas do somatório dos valores dos Mapas Auto-Organizáveis de cada variável por agrupamentos delimitados. Por fim, foi gerado um mapa de contribuição de amostras para neurônios vencedores, o que permitiu uma nova abordagem para a análise dos agrupamentos gerados.

The aim of this work was to identifying priority areas for forest restoration and analyze variables related to such areas at two distinct spatial scales using Self-Organizing Maps neural network (SOM). Initially, a SOM analysis was conducted to detect a watershed suitable for forest restoration within the Management Unit for Hydrological Resources of the Paraiba do Sul river, located in São Paulo State, southeast of Brazil. The variables employed in this analysis were environmental connectivity and forest cover. The Jaguari watershed, located in the municipality of Igaratá, was selected as study area in the second stage of analysis. In the permanent preservation areas along riversides within this watershed, a new SOM analysis was performed to detect suitable areas for forest restoration. At this more refined scale, the regarded variables were distance to forest fragments, urban areas, paved roads, and rural constructions, as well as the NDVI (the Normalized Difference Vegetation Index) and the natural soil erosion potential. At both scales, the priority areas for forest restoration were assessed based on cluster histograms of SOM. Finally, a contributive map of samples for the best matching units was elaborated, and that enabled an insightful approach for the analysis of the generated clusters.