DETECÇÃO DE ÁREAS DE FLORESTAS INVARIANTES EM SÉRIES TEMPORAIS UTILIZANDO RANDOM FOREST

Resumo

O surgimento de algoritmos de detecção de mudanças na vegetação na última década é impressionante. Mas os resultados gerados ainda possuem ruído que precisa ser tratado com a utilização de resultados de outros mapeamentos de cobertura vegetal. Além disso, a necessidade de gerar classes de uso do solo invariantes é importante para o melhor entendimento de processos que ocorrem em áreas florestais. Pensando nisso, este trabalho busca criar uma nova forma de mapear essas áreas invariáveis que possam ser utilizadas para mascarar ruídos e também como subsídio para outros estudos de conservação e restauração. A metodologia proposta aqui usa a plataforma Google Earth Engine e um algoritmo de aprendizado de máquina: o Random Forest, para classificar áreas de floresta invariáveis usando todo o acervo de imagens da série temporal Landsat, de uma só vez. Os resultados mostraram que a nova abordagem teve melhor desempenho do que o uso de técnicas mais tradicionais como a agregação de mapeamentos de uso e cobertura anuais, com uma acurácia global de 91,7%. O trabalho busca ainda contribuir com a comunidade de sensoriamento remoto ao apresentar, após exaustivos testes, as melhores opções de variáveis a serem utilizadas neste tipo de classificação.

Palavras-chave: Séries Temporais, Detecção de Mudanças, Florestas, Google Earth Engine, Random Forest.

DETECTION OF INVARIANT VEGETATION AREAS IN TIME SERIES USING RANDOM FOREST ALGORITHM

Abstract: The emergence of vegetation change detection algorithms in the last decade is impressive. But the results still have a lot of noise that needs to be cleaned. And the data cleaning process still uses other landcover mapping results. Besides that, the necessity to generate invariant land use classes is important to know particularly to forest areas. Thinking about that, this paper seeks to create a new form of mapping these invariant areas that can be used to mask noise and as an input on other conservation and restoration studies. The methodology proposed here uses the Google Earth Engine platform and a Random Forest algorithm to classify invariant forest areas using all the image’s collection in the time series at once. The results showed that the new approach performed better than the use of more traditional techniques such as the aggregation of annual land-use and land-cover mappings, with an overall accuracy of 91.7%. Also, this paper seeks to contribute to the remote sensing community showing after exhaustive testing, good options of variables to use on this type of work.

Keywords: Time Series, Change Detection, Forests, Google Earth Engine, Random Forest.

DETECCIÓN DE ÁREAS DE VEGETACIÓN INVARIANTES EN SÉRIES TEMPORALES UTILIZANDO ALGORITMO RANDOM FOREST

Resumen: La aparición de algoritmos de detección de cambios en la vegetación en la última década es impresionante. Pero los resultados todavía tienen muchos ruidos que deben ser eliminados. Además, el proceso de limpieza de datos se basa en otros mapas de cobertura de la tierra. Además de eso, es importante conocer la necesidad de generar clases de uso de la tierra invariables, particularmente en las áreas forestales. Pensando en eso, este artículo busca crear una nueva forma de mapear estas áreas invariantes que se pueden utilizar para enmascarar el ruido y como un aporte para otros estudios de conservación y restauración. La metodología propuesta aquí utiliza la plataforma Google Earth Engine y un algoritmo de aprendizaje de máquina: o Random Forest para clasificar áreas invariantes de bosque, utilizando a la vez todas las imágenes de la serie temporal Landsat. Los resultados encontraron que el nuevo enfoque tuvo mejor desempeño que el uso de técnicas tradicionales, con una precisión global del 91,7%. Este trabajo busca además contribuir con la comunidad de la teledetección, mostrando mediante de exhaustivas pruebas, mejores opciones de variables para utilizar en este tipo de clasificación.

Palabras clave: Series de Tiempo, Detección de Cambios, Bosques, Google Earth Engine, Random Forest.