Land Use and Land Cover Mapping in the Brazilian Amazon Using Polarimetric Airborne P-Band SAR Data

Freitas, Corina da Costa; Soler, Luciana; Sant’Anna, Sidnei J. S.; Dutra, Luciano Vieira; Santos, João Roberto dos; Mura, José Cláudio; Correia, Antonio Henrique

doi:10.1109/tgrs.2008.2000630

Cited by 52 publications

(24 citation statements)

References 44 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O crescente interesse da comunidade técnico-científica em aprimorar ferramentas de tratamento desses dados SAR tem demonstrado suas aplicabilidades em: mapeamento do uso e cobertura da terra Freitas et al 2008); diferenciação entre estádios de sucessão florestal (Rignot et al 1997;Neeff et al 2005a); discriminação entre áreas de floresta primária, áreas desmatadas e de corte seletivo (Van der Sanden e Hoekman 1999; Saatchi et al 1997); caracterização de respostas polarimétricas de florestas primárias e secundárias (Santos et al 2009); estimativa de parâmetros biofísicos da tipologia florestal e sua biomassa (Kasischke et al 1997; Hoekman e Quiñones 2000; Santos et al 2002;Narvaes 2010).…”

Section: Introductionunclassified

Análise do potencial de imagem TerraSAR-X para mapeamento temático no sudoeste da Amazônia brasileira

et al. 2012

Self Cite

View full text Add to dashboard Cite

ResumoO presente trabalho tem como objetivo analisar o potencial de imagens SAR polarimétricas do sensor TerraSAR-X, no modo StripMap, para mapear o uso e cobertura da terra na região sudoeste da Amazônia brasileira. No procedimento metodológico imagens de amplitude nas polarizações A HH e A VV , A derivada da matriz de covariância, bem como da entropia A Entropia derivada da decomposição de alvos por auto-valores fizeram parte, de forma individual ou combinada, do conjunto de dados investigados. Na classificação das imagens foram empregados dois classificadores: um baseado nas funções estatísticas de máxima verossimilhança (MAXVER); e outro, o método contextual (Context). Os resultados temáticos dessas classificações foram avaliados através da matriz de confusão e pelo índice Kappa. De forma sintetizada pode-se afirmar que as componentes A e A Entropia , têm significativa contribuição no procedimento classificatório, sobretudo pelo método Context, cujo desempenho alcançou com 78% de exatidão global e índice Kappa de 0,70.PalavRas-chave: mapeamento florestal, radar, classificação polarimétrica, Amazônia. Analysis of the potential use from TerraSAR-X images for thematic mapping in SW Brazilian Amazon region abstRactThe objective of this work was to analyze the potential use of SAR polarimetric images from the TerraSAR-X sensor system, at StripMap mode, to map land use and land cover in SW Brazilian Amazon. Amplitude images at polarizations A HH , A VV , A , derived from the co-variance matrix, as well as the entropy A Entropia , derived from the decomposition of targets by eigenvalues, are parts of the datasets investigated individually or in combined form. Two classifiers were used: the first is based on statistical functions of maximum likelihood (MAXVER), and the second is the contextual method (Context). The thematic results from these classifications were evaluated by a confusion matrix and by the Kappa index. Summarizing we can state that the components A and A Entropia , gave a significant contribution to the image classification procedure, considering specially the Context method, whose performance reached 78% of Global Accuracy and a Kappa index of 0.70.

show abstract

Section: Introductionunclassified

Análise do potencial de imagem TerraSAR-X para mapeamento temático no sudoeste da Amazônia brasileira

et al. 2012

Self Cite

View full text Add to dashboard Cite

show abstract

“…a utilização do algoritmo iCM para o processamento de dados saR R99 tem obtido bons resultados que podem ser consultados em trabalhos já realizados, podendo-se citar mais recentemente estudos visando o mapeamento do uso e cobertura da terra em áreas da floresta amazônica (Freitas et al 2008), como também análises objetivando a discriminação de incrementos de desflorestamento na amazônia (Guerra et al 2010).…”

Section: Tipos Fisionômicos Da Vegetação De Várzeaunclassified

Discriminação de fitofisionomias de floresta de várzea a partir do algoritmo Iterated Conditional Modes aplicado aos dados SAR/R99 (QUAD-POL/Banda L)

Nunes

Filho²,

Ferreira

2011

Acta Amaz.

View full text Add to dashboard Cite

Resumo utilizando-se dados do sensor aerotransportado saR R99, adquiridos na banda l (1,28 Ghz) em amplitude e com quatro polarizações (hh, VV, hV e Vh), avaliou-se a distinção de fitofisionomias de floresta de várzea existentes nas Reservas de Desenvolvimento sustentável amanã e Mamirauá e áreas adjacentes, com a aplicação do algoritmo iterated Conditional Modes (iCM) de classificação polarimétrica pontual/contextual. os resultados mostraram que o uso das distribuições multivariadas em amplitude, conjuntamente com uma banda de textura, produziu classificações de qualidade superior àquelas obtidas com dados polarimétricos uni/bivariados. esta abordagem permitiu a obtenção de um índice Kappa de 0,8963, discriminando as três classes vegetacionais de interesse, comprovando assim o potencial dos dados do saR R99 e do algoritmo iCM no mapeamento de florestas de várzea da amazônia. PalavRas-Chave: Radar de abertura sintética, sensoriamento Remoto, Mapeamento de Florestas Tropicais. Discrimination among flooded forest phytophysiognomies from Iterated Conditional Modes algorithm applied to SAR Data R99 (QUAD POL/L-Band) abstRaCtThis study seeks to evaluate the capability of data generated by the synthetic aperture radar saR R99 sensor to map phytophysiognomies found in the amanã and Mamirauá sustainable Development Reserves (RDsa and RDsM). By means of l-band (1.28 Ghz), full polarimetric (hh, VV, Vh, hV), amplitude data acquired with the saR R99 sensor, distinctions among flooded forest phytophysiognomies in the RDsa and RDsM and around were achieved. The iterated Conditional Modes (iCM) algorithm was employed to perform the local/contextual polarimetric classification of the data. Results showed that the use of multivariate distributions in amplitude with a band of texture produced classifications of superior quality in relation to those obtained with the uni/bivariate polarimetric data. This approach allowed to obtain a Kappa index of 0,8963 and the distinction of three vegetation classes of interest, demonstrating the potential of saR R99 and the iCM algorithm to map flooded vegetation of the amazon.

show abstract

“…These created confusions in separation and mapping of landuse/landcover classes It stemmed from limited information obtained by single-frequency systems (Li & Yeh, 2004;Ulaby, Kouyate, Brisco, & Williams, 1986). To overcome this difficulty, researchers started utilizing polarimetric SAR (PolSAR) data to study landuse/landcover information (Du & Lee, 1996;Freitas et al, 2008;Pierce, Ulaby, Sarabandi, & Dobson, 1994). The results showed that PolSAR measurements achieved much better classification results than single polarization SAR (Biro, Pradhan, Sulieman, & Buchroithner, 2013;Qi, Yeh, Li, & Zhang, 2015;.…”

Section: Introductionmentioning

confidence: 99%

Comparison Between Spectral, Spatial and Polarimetric Classification of Urban and Periurban Landcover Using Temporal Sentinel – 1 Images

Roychowdhury¹

2016

Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci.

View full text Add to dashboard Cite

ABSTRACT:Landcover is the easiest detectable indicator of human interventions on land. Urban and peri-urban areas present a complex combination of landcover, which makes classification challenging. This paper assesses the different methods of classifying landcover using dual polarimetric Sentinel-1 data collected during monsoon (July) and winter (December) months of 2015. Four broad landcover classes such as built up areas, water bodies and wetlands, vegetation and open spaces of Kolkata and its surrounding regions were identified. Polarimetric analyses were conducted on Single Look Complex (SLC) data of the region while ground range detected (GRD) data were used for spectral and spatial classification. Unsupervised classification by means of K-Means clustering used backscatter values and was able to identify homogenous landcovers over the study area. The results produced an overall accuracy of less than 50% for both the seasons. Higher classification accuracy (around 70%) was achieved by adding texture variables as inputs along with the backscatter values. However, the accuracy of classification increased significantly with polarimetric analyses. The overall accuracy was around 80% in Wishart H-A-Alpha unsupervised classification. The method was useful in identifying urban areas due to their double-bounce scattering and vegetated areas, which have more random scattering. Normalized Difference Built-up index (NDBI) and Normalized Difference Vegetation Index (NDVI) obtained from Landsat 8 data over the study area were used to verify vegetation and urban classes. The study compares the accuracies of different methods of classifying landcover using medium resolution SAR data in a complex urban area and suggests that polarimetric analyses present the most accurate results for urban and suburban areas.

show abstract

Land Use and Land Cover Mapping in the Brazilian Amazon Using Polarimetric Airborne P-Band SAR Data

Cited by 52 publications

References 44 publications

Análise do potencial de imagem TerraSAR-X para mapeamento temático no sudoeste da Amazônia brasileira

Análise do potencial de imagem TerraSAR-X para mapeamento temático no sudoeste da Amazônia brasileira

Discriminação de fitofisionomias de floresta de várzea a partir do algoritmo Iterated Conditional Modes aplicado aos dados SAR/R99 (QUAD-POL/Banda L)

Comparison Between Spectral, Spatial and Polarimetric Classification of Urban and Periurban Landcover Using Temporal Sentinel – 1 Images

Contact Info

Product

Resources

About