Publicação
Monitoring forest loss in Central Portugal with Sentinel-2 data [abstract]
| Resumo: | Avanços na disponibilização de dados de satélites, capacidade de processamento e armazenamento tem contribuído para uma monitorização contínua e ágil da ocupação do solo. O algoritmo Continuous Change Detection and Classifiation(CCDC) decompõe séries temporais de imagens em sazonalidade, tendência e quebras, facilitando a identificação de alterações. Este estudo explorou o uso do CCDC com dados Sentinel-2. Com dados de referência de 290 sítios no Centro de Portugal, o estudo focou na deteção de alterações na floresta de eucalípto e pinheiro-bravo. As datas das alterações foram determinadas por intepretação visual de ortofotos e imagens Sentinel-2. Foram avaliados fatores como máscaras de nuvens, parametrização do algoritmo e índices de vegetação, assim como potencial para deteções em tempo quasereal. Configurações optimas obtiveram um F1-score de 82.07%, com erros de omissão e omissão de 15.04% e 20.63%. Resultados demostraram como o CCDC e dados Sentinel-2 podem ser usados para monitorizar perda de vegetação com bom detalhe espacial e de forma expedita. --- Advances in satellite data availability, computing power and storage have enabled continuous and timely land cover monitoring. The Continuous Change Detection and Classification (CCDC) algorithm decomposes satellite image time series into seasonality, trend, and break, aiding change identification. This study explored using CCDC with Sentinel-2 data. Using a reference dataset of 290 sites in Central Portugal, the study focused on detecting changes in eucalyptus and maritime pine forests. Change dates were determined by visual interpretation of orthophotos and Sentinel-2 images. Factors affecting CCDC performance, including cloud masking, algorithm parameters and vegetation índices were assessed. Potential for near real-time detection was also evaluated. Optimal settings achieved an F1-score of 82.07%, with omission and commission errors of 15.04% and 20.63%. Results demonstrated how CCDC and Sentinel-2 can be used to monitor vegetation loss with good spatial detail in a timely manner. |
|---|---|
| Autores principais: | Moraes, Daniel |
| Outros Autores: | Barbosa, Bruno; Costa, Hugo; Moreira, Francisco D.; Benevides, Pedro; Caetano, Mário; Campagnolo, Manuel Lameiras |
| Assunto: | SDG 13 - Climate Action SDG 15 - Life on Land |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | documento de conferência |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade Nova de Lisboa |
| Idioma: | inglês |
| Origem: | Repositório Institucional da UNL |
| Resumo: | Avanços na disponibilização de dados de satélites, capacidade de processamento e armazenamento tem contribuído para uma monitorização contínua e ágil da ocupação do solo. O algoritmo Continuous Change Detection and Classifiation(CCDC) decompõe séries temporais de imagens em sazonalidade, tendência e quebras, facilitando a identificação de alterações. Este estudo explorou o uso do CCDC com dados Sentinel-2. Com dados de referência de 290 sítios no Centro de Portugal, o estudo focou na deteção de alterações na floresta de eucalípto e pinheiro-bravo. As datas das alterações foram determinadas por intepretação visual de ortofotos e imagens Sentinel-2. Foram avaliados fatores como máscaras de nuvens, parametrização do algoritmo e índices de vegetação, assim como potencial para deteções em tempo quasereal. Configurações optimas obtiveram um F1-score de 82.07%, com erros de omissão e omissão de 15.04% e 20.63%. Resultados demostraram como o CCDC e dados Sentinel-2 podem ser usados para monitorizar perda de vegetação com bom detalhe espacial e de forma expedita. --- Advances in satellite data availability, computing power and storage have enabled continuous and timely land cover monitoring. The Continuous Change Detection and Classification (CCDC) algorithm decomposes satellite image time series into seasonality, trend, and break, aiding change identification. This study explored using CCDC with Sentinel-2 data. Using a reference dataset of 290 sites in Central Portugal, the study focused on detecting changes in eucalyptus and maritime pine forests. Change dates were determined by visual interpretation of orthophotos and Sentinel-2 images. Factors affecting CCDC performance, including cloud masking, algorithm parameters and vegetation índices were assessed. Potential for near real-time detection was also evaluated. Optimal settings achieved an F1-score of 82.07%, with omission and commission errors of 15.04% and 20.63%. Results demonstrated how CCDC and Sentinel-2 can be used to monitor vegetation loss with good spatial detail in a timely manner. |
|---|
Atividades financiadas
Carregando projetos financiados...