Análise de alterações em áreas rurais por meio da codificação binária de séries temporais de imagens LANDSAT

Abstract

Resumo: As imagens LANDSAT possuem resolução espacial e temporal compatíveis que permitem a detecção de alterações no uso da terra no curso de vários anos. Nessa tese foi desenvolvido um método que permite fazer a análise de uma série anual de imagens, bem como a comparação interanual para a detecção de alterações nas áreas de cultivo. Foi feita a limiarização das imagens do Índice de vegetação por Diferença Normalizada (NDVI) pelo método de Otsu para análise das alterações da fenologia nos alvos agrícolas. O resultado desta etapa é uma série de imagens binárias para cada ano estudado no período de 2013 a 2015 para os meses de maio a dezembro. As imagens binárias foram combinadas, formando uma nova imagem de oito bits para cada ano. A classificação das imagens multitemporais de cada ano foi feita com o emprego de dois métodos. No primeiro através da classificação não supervisionada (Clusters) que gerou três imagens, uma para cada ano. Essas imagens foram então comparadas por um método desenvolvido nesse trabalho chamado Análise de Detecção de Mudanças Interanuais (ADMI). No segundo método foi feita combinação das três imagens multitemporais, uma em cada canal RGB, resultando uma imagem colorida que foi classificada de forma supervisionada pelos métodos da Mínima Distância Euclidiana e pela Máxima Verossimilhança. Os resultados mostraram que a codificação binária do índice NDVI permite descrever os ciclos de cultivo ao longo do ano e detectar alterações interanuais. O método desenvolvido nesse trabalho denominado Análise de Detecção de Mudanças Interanuais (ADMI), permitiu analisar a variação do uso da terra nas áreas estudadas para os três anos através da codificação das imagens multitemporais classificadas.

Abstract: LANDSAT images have high spatial and time resolution which allows performing land use change detection along many years. In this thesis a method has been developed which allows analyzing a series of annual images, as well as comparing inter-annual ones for change detection in croplands. The Normalized Difference of Vegetation Index (NDVI) was computed for each image and they were thresholded by the Otsu Method for the analysis of the phenology of the agricultural land target. The results of that stage are a series of binary images for each year including the months between May through December for 2013 to 2015. The binary images were combined, building a new 8 bits image for each year. The classification of the multi-temporal images of each year was made using two methods. This first one was the unsupervised classification (based on the use of clustering algorithms) which generated three images, one for each year. They were then compared through a method developed in this work called Inter-annual Detection Change Analysis (ADMI - Análise de Detecção de Mudanças Interanuais). In the second method the three multi-temporal images were combined as single channels of a RGB image, resulting in a color image which was classified with the supervised methods of the minimum Euclidean distance and the maximum likelihood. The results have shown that the binary coding of NDVI index allows describing the growing stages of vegetation along the year and detecting inter-annual changes. The method developed in the present work called Inter-annual Detection Change Analysis (ADMI - Análise de Detecção de Mudanças Interanuais) allowed analyzing the land use variations in the areas in the three years period.