Please use this identifier to cite or link to this item: http://hdl.handle.net/123456789/5507
Title: Análise e classificação de imagens de radar para o município de Açailândia-MA
Other Titles: Analysis and classification of radar images for the municipality of Açailândia-MA
Authors: VERAS, Antonio Emanuel Souta
Keywords: algoritmos de classificação;
uso do solo;
mapeamentos por SAR.
classification algorithms;
land use;
SAR mapping.
Issue Date: 28-Jul-2022
Publisher: Universidade Federal do Maranhão
Abstract: RESUMO O uso de geotecnologias para aprimoramento da agricultura vem sendo bastante estudado, neste sentido se faz importante mais aplicações de técnicas sobre sensoriamento remoto. Um dos procedimentos que vem sendo adotado para classificação e cobertura da terra, pode ser obtido por meio de sensores SAR, que servem tanto para identificação como para monitorar a cobertura da terra visando detectar as alterações ocorridas na superfície terrestre, como fazer reconhecimento do solo, vegetação natural e antrópica. Método exposto através do retroespalhamento e o efeito double-bounce dos alvos com a vantagem de adquirir imagens, independe da presença de nuvens ou fumaça, porém vai depender da faixa de frequência. As imagens de radar servem para obtenção de informações adicionais e características exclusivas da interação com os alvos da superfície terrestre, usam modo de imageamento por micro-ondas na qual os dados de radar na banca C apresentam frequências entorno de 5,5 GHz. Dessa forma, o presente trabalho tem como objetivo proporcionar uma aplicação do banco de dados, classificar o uso adequado do solo e suas aplicações, tanto para fins agrícolas como para um melhor manejo ambiental da área de estudo. Para tal foram utilizadas quatro etapas: (1) construção e manipulação do banco de dados geográficos; (2) pré- processamento dos dados das imagens SAR; (3) classificação das imagens e recorte para a área de estudo; (4) resultados e análise estatística do processamento. Para validação dos dados usou-se a correlação cruzada obtida pelo próprio SNAP, (acurácia, precisão, correlação e erro), gerados em cada algoritmo de classificação. Obteve-se resultados para classificação supervisionada, onde os melhores algoritmos classificadores foram Random Forest e KDTree KNN. Dessa forma, foi constatado que as condições climáticas e a condição fenológica da vegetação no período chuvoso geram grande dispersão dos pixels resultando em uma maior confusão entre as classes, quando relacionada às variáveis de avaliações.
Description: ABSTRACT The use of geotechnologies to improve agriculture has been extensively studied, in this sense, more applications of techniques on remote sensing are important. One of the procedures that has been adopted for classification and land cover, can be obtained through SAR sensors, which serve both for identification and monitoring of land cover in order to detect changes that have occurred on the land surface, such as reconnaissance of the soil, natural and anthropic vegetation. Method exposed through backscatter and the double-bounce effect of targets with the advantage of acquiring images, regardless of the presence of clouds or smoke, but will depend on the frequency range. The radar images serve to obtain additional information and unique characteristics of the interaction with the Earth surface targets, they use microwave imaging mode in which the radar data in the C bank have frequencies around 5.5 GHz. Thus, the present work aims to provide an application of the database, classify the proper use of the soil and its applications, both for agricultural purposes and for a better environmental management of the study area. For this, four steps were used: (1) construction and manipulation of the geographic database; (2) pre-processing of SAR image data; (3) classification of images and clipping to the study area; (4) results and statistical analysis of processing. For data validation, the cross-correlation obtained by the SNAP itself (accuracy, precision, correlation and error) generated in each classification algorithm was used. Results were obtained for supervised classification, where the best classification algorithms were Random Forest and KDTree KNN. Thus, it was found that the climatic conditions and the phenological condition of the vegetation in the rainy season generate a large dispersion of pixels, resulting in greater confusion between the classes, when related to the evaluation variables.
URI: http://hdl.handle.net/123456789/5507
Appears in Collections:TCC de Graduação em Engenharia Agrícola do Campus de Chapadinha

Files in This Item:
File Description SizeFormat 
ANTONIO EMANUEL SOUTA VERAS.pdfTrabalho de Conclusão de Curso3,42 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.