RESUMO
The Amazon várzeas are an important component of the Amazon biome, but anthropic and climatic impacts have been leading to forest loss and interruption of essential ecosystem functions and services. The objectives of this study were to evaluate the capability of the Landsat-based Detection of Trends in Disturbance and Recovery (LandTrendr) algorithm to characterize changes in várzea forest cover in the Lower Amazon, and to analyze the potential of spectral and temporal attributes to classify forest loss as either natural or anthropogenic. We used a time series of 37 Landsat TM and ETM+ images acquired between 1984 and 2009. We used the LandTrendr algorithm to detect forest cover change and the attributes of "start year", "magnitude", and "duration" of the changes, as well as "NDVI at the end of series". Detection was restricted to areas identified as having forest cover at the start and/or end of the time series. We used the Support Vector Machine (SVM) algorithm to classify the extracted attributes, differentiating between anthropogenic and natural forest loss. Detection reliability was consistently high for change events along the Amazon River channel, but variable for changes within the floodplain. Spectral-temporal trajectories faithfully represented the nature of changes in floodplain forest cover, corroborating field observations. We estimated anthropogenic forest losses to be larger (1.071 ha) than natural losses (884 ha), with a global classification accuracy of 94%. We conclude that the LandTrendr algorithm is a reliable tool for studies of forest dynamics throughout the floodplain.
As várzeas amazônicas são um importante componente do bioma Amazônico, mas impactos antrópicos e climáticos têm levado à perda florestal e à interrupção de processos e serviços ecossistêmicos. O presente estudo teve como objetivos avaliar a aplicabilidade do algoritmo Landsat-based Detection of Trends in Disturbance and Recovery (LandTrendr) na detecção de mudanças na cobertura florestal de várzea no Baixo Amazonas, e analisar o potencial de atributos espectrais e temporais na classificação das perdas florestais em antrópicas ou naturais. Utilizamos uma série temporal de 37 imagens Landsat TM e ETM+, adquiridas entre 1984 e 2009. Aplicamos o algoritmo LandTrendr para detectar mudanças na cobertura florestal e extrair os atributos de "duração", "magnitude" e "ano de início" das mudanças, além de "NDVI ao final da série". A detecção se restringiu a áreas identificadas como cobertura florestal no início e/ou final da série. Os atributos derivados da série temporal foram classificados pelo algoritmo Support Vector Machine (SVM), diferenciando as perdas florestais antrópicas e naturais. A confiabilidade da detecção dos eventos de mudança foi consistentemente alta ao longo do rio Amazonas, e mais variável no interior da várzea. As trajetórias espectrais-temporais representaram fielmente os eventos de mudança na cobertura florestal, com base em averiguações em campo. A perda da cobertura florestal por causas antrópicas foi maior (1.071 ha) do que por causas naturais (884 ha), com exatidão global de classificação de 94%. Concluímos que o algoritmo LandTrendr é uma ferramenta confiável para aplicação em estudos de dinâmica da cobertura florestal de várzea.
Assuntos
Ecossistema Amazônico , Floresta Úmida , Usos do Solo , Algoritmos , Fatores de TempoRESUMO
Given the limitations of different types of remote sensing images, automated land-cover classifications of the Amazon várzea may yield poor accuracy indexes. One way to improve accuracy is through the combination of images from different sensors, by either image fusion or multi-sensor classifications. Therefore, the objective of this study was to determine which classification method is more efficient in improving land cover classification accuracies for the Amazon várzea and similar wetland environments - (a) synthetically fused optical and SAR images or (b) multi-sensor classification of paired SAR and optical images. Land cover classifications based on images from a single sensor (Landsat TM or Radarsat-2) are compared with multi-sensor and image fusion classifications. Object-based image analyses (OBIA) and the J.48 data-mining algorithm were used for automated classification, and classification accuracies were assessed using the kappa index of agreement and the recently proposed allocation and quantity disagreement measures. Overall, optical-based classifications had better accuracy than SAR-based classifications. Once both datasets were combined using the multi-sensor approach, there was a 2% decrease in allocation disagreement, as the method was able to overcome part of the limitations present in both images. Accuracy decreased when image fusion methods were used, however. We therefore concluded that the multi-sensor classification method is more appropriate for classifying land cover in the Amazon várzea.
Dadas as limitações de diferentes tipos de imagens de sensores remotos, classificações automáticas do uso e cobertura do solo na várzea Amazônica podem resultar em índices de acurácia insatisfatórios. Uma das maneiras de melhorar esses índices é através da combinação de dados de distintos sensores, por fusão de imagens ou através de classificações multi-sensores. Desta forma, o presente estudo teve o objetivo de determinar qual método de classificação é mais eficiente em melhorar os índices de acurácia das classificações do uso e cobertura do solo para a várzea Amazônica e áreas úmidas similares - (a) a fusão sintética de imagens SAR e ópticas ou (b) a classificação multi-sensor de imagens ópticas e SAR pareadas. Classificações da cobertura do solo com base em imagens de um único sensor (Landsat TM ou Radarsat-2) foram comparadas com as classificações multi-sensor e classificações baseadas em fusão de imagens. A análise de imagens baseada em objetos (OBIA) e o algoritmo de mineração de dados J.48 foram utilizados para realizar a classificação automática, cuja precisão foi avaliada com o índice kappa e com as medidas de discordância de alocação e de quantidade, recentemente propostas na literatura. Em geral, as classificações baseadas em imagens ópticas apresentaram melhor precisão do que as classificações baseadas em dados SAR. Uma vez que ambos os conjuntos de dados foram combinados em uma abordagem multi-sensores, houve uma redução de 2% no erro de alocação da classificação, uma vez que o método foi capaz de superar parte das limitações presentes em ambas as imagens. Contudo, a precisão diminuiu quando foram usados métodos de fusão de imagens. Concluiu-se que o método de classificação multi-sensor é mais apropriado para classificações de uso do solo na várzea amazônica.