Classificação baseada em objeto de tipologias de cobertura vegetal em área úmida integrando imagens ópticas e SAR

Abstract

Delinear com precisão os limites das Áreas Úmidas (AUs) e os padrões de cobertura vegetal é um passo essencial para a rápida avaliação e gestão destes ecossistemas. A Análise de Imagens Baseada em Objeto (Object-Based Image Analysis - OBIA) a partir de aprendizado de máquina e da integração de dados ópticos e de radar apresentam vantagens em relação a outras técnicas no mapeamento da cobertura vegetal nos ecossistemas de AUs. Este estudo tem como objetivo classificar tipologias de cobertura vegetal em áreas úmidas, integrando imagens ópticas e SAR dos satélites Sentinel-1 e 2A e o algoritmo Random Forest à classificação OBIA, utilizando como estudo de caso o Banhado Grande, localizado no Rio Grande do Sul. Como resultados, as polarizações VH e VV do Sentinel-1 obtiveram a maior relevância na classificação (18,6%). Entre as bandas ópticas as maiores relevâncias ocorreram para as bandas Borda Vermelha e Infravermelho Médio. A partir dos atributos ópticos, a classificação obteve acurácia de 86,2%. Quando inseridos os atributos SAR mais importantes, a acurácia aumentou para 91,3%. A classe Macrófitas Emergentes (ME), correspondente à espécie Scirpus giganteus, alcançou a melhor acurácia (91%), com área estimada em 1.507 ha. Concluímos que a integração de imagens aliada ao método de classificação possibilitou identificar e delimitar a extensão das tipologias vegetais e a área total do ecossistema. Os resultados acurados demostram que esta abordagem metodológica pode ser expandida para outras áreas úmidas palustres subtropicais.

Accurately mapping the boundaries of wetlands and patterns of vegetation cover is an essential step for rapid assessment and management of wetlands. The Object-Based Image Analysis (OBIA) as from machine learning and fusion of optical and radar data has advantages over other techniques for mapping vegetation cover in wetlands ecosystems. This study aims to classify vegetation cover typologies in wetlands, integrating optical and SAR images from the Sentinel-1 and 2A satellites and the Random Forest algorithm in OBIA classification, using Banhado Grande, located in the Rio Grande do Sul as a case study. As a result, the VH and VV polarizations of Sentinel-1 obtained the highest relevance in the classification (18.6%). Among the optical bands, the greatest relevance occurred for the Red Edge and Medium Infrared bands. From the optical attributes, the classification obtained an accuracy of 86.2%. When the most important SAR attributes were inserted, the accuracy increased to 91.3%. The Emergent Macrophyte (ME) class, corresponding to the species Scirpus giganteus, achieved the best accuracy of the classifier (91%), with an estimated area of 1,507 ha. We conclude that the integration of images combined with the classification method made it possible to delimit the extent of vegetation typologies and the total area of the ecosystem. Accurate results show that this methodological approach can be expanded to other subtropical palustrine wetlands.