A Scalable Clustering-Based Method for Vegetation Mapping in Large Areas Using Satellite Image Time Series
por Baggio Luiz de Castro e Silva1, Karine Reis Ferreira1, Gilberto Ribeiro de Queiroz1, Juliana Santos da Mota1, Erison C. S. Monteiro1, Mayara Teodoro1, Isabel Cristina de Oliveira Silva1, Murilo Brasil da Silva1, Rodrigo Delgado Inácio1, Rafael Andrade Aluvei1, Agata Fabielle Gomes, Claudio Almeida1 and Marcos Adami1.
1Instituto Nacional de Pesquisas Espaciais (INPE)
DOI: https://doi.org/10.3390/rs18132162
MDPI | Publicado em 3 Julho de 2022
Resumo
O Cerrado brasileiro, um hotspot global de biodiversidade, está sob crescente pressão devido à expansão agrícola e à conversão da vegetação nativa, ressaltando a necessidade de monitoramento eficiente para subsidiar ações de conservação e políticas ambientais. Em paisagens heterogêneas, o mapeamento do uso e cobertura da terra (LULC, Land Use and Land Cover) por meio de métodos de classificação supervisionada enfrenta um importante gargalo: a necessidade de conjuntos extensos e de alta qualidade de amostras de treinamento. Para enfrentar esse desafio, propomos uma metodologia semiautomatizada baseada em agrupamento para o mapeamento da vegetação secundária em áreas previamente desmatadas, reduzindo a necessidade de amostras de treinamento e possibilitando um mapeamento escalável por meio do agrupamento de séries temporais de imagens de satélite. Na primeira etapa, um processo não supervisionado integra Mapas Auto-Organizáveis (Self-Organizing Maps – SOM) acelerados por unidade de processamento gráfico (GPU) e agrupamento hierárquico com Dynamic Time Warping (DTW) para produzir agrupamentos espectro-temporais. Na segunda etapa, especialistas rotulam e refinam esses agrupamentos por meio de interpretação visual, transferindo o conhecimento especializado de pixels individuais para padrões espectro-temporais agrupados. Aplicada a 692.000 km² de áreas previamente desmatadas no bioma Cerrado, a metodologia mapeou 81.209 km² de vegetação secundária (11,74%). A estimativa de área baseada em delineamento amostral foi de 98.683 ± 10.071 km², com exatidão global de 96,45 ± 1,52%, exatidão do usuário de 96,27 ± 2,40%, exatidão do produtor de 79,22 ± 7,94% e escore F1 de 86,90%. A rotulagem inicial dos agrupamentos correspondeu a 86,3% da área final de vegetação secundária e limitou a tarefa de interpretação a aproximadamente 3.000 decisões no nível dos agrupamentos. Implementado no ciclo TerraClass Cerrado 2024, o fluxo de trabalho reduziu a etapa de mapeamento da vegetação secundária de aproximadamente dois anos para seis meses, mantendo a exatidão temática necessária para o monitoramento operacional em larga escala.
Keywords: Mapas Auto-Organizáveis (Self-Organizing Maps); vegetação secundária; bioma Cerrado brasileiro; áreas desmatadas; classificação não supervisionada; séries temporais de imagens Sentinel-2.
Compartilhar e Citar
Silva, B.L.d.C.e.; Ferreira, K.R.; Queiroz, G.R.d.; da Mota, J.S.; Monteiro, E.C.S.; Teodoro, M.; de Oliveira Silva, I.C.; Silva, M.B.d.; Inácio, R.D.; Aluvei, R.A.; et al. A Scalable Clustering-Based Method for Vegetation Mapping in Large Areas Using Satellite Image Time Series. Remote Sens. 2026, 18, 2162. https://doi.org/10.3390/rs18132162.