A referente pesquisa ressalta a importância da água, enfatizando o conhecimento da quantidade do volume em armazenamento, como uma propositura indispensável, principalmente em regiões onde há irregularidades na quantidade de chuvas e na distribuição ao longo do tempo. O sensoriamento remoto vem ganhando muito espaço no manejo de bacias, pois ajuda a identificar e a monitorar possíveis mudanças nos recursos naturais. O açude público de Sumé se encontra localizado na bacia hidrográfica do Alto Rio Paraíba, região do Cariri paraibano, tendo capacidade máxima de armazenamento de 44,8 milhões de m3 com a área relativa do espelho d’água de 8,5 milhões de m2, para a execução dessa pesquisa foram utilizadas imagens orbitais dos satélites Landsat 8/OLI, Landsat 5/TM e ETM e Landsat 7/TM e ETM+. O sistema usado para o processamento digital foi o SPRING versão 5.5.1. Para o processamento digital de imagens foram usadas as seguintes metodologias: Contraste; Componentes Principais (bandas 5, 4 e 3 - Landsat 5 e 7; e 6, 5 e 4 - Landsat 8); IVDN; Realce por Decorrelação (DECO); Composição Multiespectral Ajustada (CMA).; e, falsa composição de cor. O RGB-CONTRASTE foi o que apresentou uma maior correlação (0,9998), acompanhado da CMA-DECO (0,9979). O sensoriamento remoto mostrou-se eficaz para o estudo dos recursos hídricos, sendo um método viável economicamente com rápidos resultados.
Human activities modify the natural characteristics of numerous watersheds worldwide. Google Earth Engine provides tools for the analysis of land use and natural resources. In this work, we classify current land use and cover in the Sucuru watershed, Paraíba, Brazil. We compared the accuracy of five supervised classification algorithms of Google Earth Engine. Classifiers based on Decision Trees, such as the Classification and Regression Trees (CART) and Random Forest (RF), showed the best accuracy and visual inspection values. The Google Earth Engine is a powerful tool for analysis of large-scale environmental data, monitoring land use changes, and providing information for sustainable management.
Através das ações antrópicas inadequadas ao longo dos anos na Bacia Hidrográfica do rio Sucuru, onde vem passando por mudanças no ecossistema. Mapas de uso e cobertura da terra são importantes ferramentas para fornecer informações precisas para monitoramento dinâmico, planejamento e gerenciamento de bacias hidrográficas. Com o advento das plataformas de computação em nuvem e classificadores de aprendizado de máquina, novas oportunidades estão surgindo para a classificação de uso e cobertura da terra mais preciso e mm larga escala. Objetivou-se obter uma classificação do uso e cobertura da terra na Bacia Hidrográfica do rio Sucuru, para o ano de 2022, através do classificador Random Forest, utilizando as bandas RGB e RGB combinada com índices espectrais (NDVI, NDWI, NDBI e SAVI), utilizando como parâmetros de precisão a Matriz de Confusão, Coeficiente Kappa, Acurácia Geral, Acurácia do Produtor e Acurácia do Usuário. A utilização da plataforma do Google Earth Engine para a elaboração e análise dos mapas de uso e cobertura da terra proporcionou resultados satisfatórios com rapidez e precisão. Observou-se que o melhor desempenho para o classificador Random Forest foi a combinação RGB-ÍNDICES, obtendo um bom desempenho na distinção das classes, como na classificação de uso e cobertura da terra, alcançando uma menor confusão espectral e uma acurácia acima de 89,98%, a adição de índices espectrais gerou níveis de precisão significativamente satisfatório.
Através das ações antrópicas inadequadas ao longo dos anos na Bacia Hidrográfica do rio Sucuru, onde vem passando por mudanças no ecossistema. Mapas de uso e cobertura da terra são importantes ferramentas para fornecer informações precisas para monitoramento dinâmico, planejamento e gerenciamento de bacias hidrográficas. Com o advento das plataformas de computação em nuvem e classificadores de aprendizado de máquina, novas oportunidades estão surgindo para a classificação de uso e cobertura da terra mais preciso e mm larga escala. Objetivou-se obter uma classificação do uso e cobertura da terra na Bacia Hidrográfica do rio Sucuru, para o ano de 2022, através do classificador Random Forest, utilizando as bandas RGB e RGB combinada com índices espectrais (NDVI, NDWI, NDBI e SAVI), utilizando como parâmetros de precisão a Matriz de Confusão, Coeficiente Kappa, Acurácia Geral, Acurácia do Produtor e Acurácia do Usuário. A utilização da plataforma do Google Earth Engine para a elaboração e análise dos mapas de uso e cobertura da terra proporcionou resultados satisfatórios com rapidez e precisão. Observou-se que o melhor desempenho para o classificador Random Forest foi a combinação RGB-ÍNDICES, obtendo um bom desempenho na distinção das classes, como na classificação de uso e cobertura da terra, alcançando uma menor confusão espectral e uma acurácia acima de 89,98%, a adição de índices espectrais gerou níveis de precisão significativamente satisfatório.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.