Search

Mangroves are ecosystems present in a large part of the Brazilian coastal zone that are home to a wide diversity of organisms, providing direct and indirect resources, as well as nursery and foraging habitats. Using images in 5-year intervals (2010, 2015, and 2020), the present study carried out a decadal mapping of the remaining mangroves of the Doce River delta along the tidal flats of the Mariricu River, in the coastal region of the city of São Mateus-ES. In this context, object-oriented classification methodology (GEOBIA) was used, which allowed the generation of high-resolution data. This methodology achieved excellent results, as evidenced by the global accuracy numbers and Kappa index, which gave an average of 96.78% and 93.5% respectively; and by low values of disagreement, with an average of 3.22%. The change detection analysis showed alterations in the landscape over time, with 9% of the mangrove areas becoming extinct, 12% of the areas expanding, and 79% of the areas remaining preserved. Therefore, our mapping data are consistent with the data published by the State Institute for the Environment and Water Resources of the State of Espírito Santo (IEMA), as well as with scientific works that recorded areas of reduction and expansion for mangroves, but mostly with large preserved areas. With that, our results demonstrate the highly effective application of geotechnologies for coastal environmental analyses with low cost and high speed.

Ziel dieser Arbeit ist es, das Potenzial eines einzelnen hoch aufgelösten polarimetrischen Radar-Bildes für die Klassifikation von urbanen Gebieten zu testen. Zu diesem Zweck zielen wir auf eine feine Unterscheidung von urbanen Landbedeckungsarten mit mehreren Objektklassen, die unter anderem auch verschiedenen Arten von Dächern entsprechen, und wir testen verschiedene überwachte Klassifikationsalgorithmen. Insbesondere verwenden wir die Maximum-Likelihood Klassifikation mit mehreren polarimetrischen und texturellen Indices. Zunächst schlagen wir eine Analyse der polarimetrischen Radar-Daten mit synthetischer Apertur (SAR) entsprechend des Standes der Forschung vor, um das statistische Verhalten dieser Indices zu untersuchen. Dabei berücksichtigen wir folgende statistischen Modelle: Gauss, log-normal, Beta 1, Weibull, Gamma, K, und Fisher. Wir schätzen die Parameter dieser Modelle mit Hilfe von zwei Methoden, nämlich Maximum Likelihood Schätzung (MLE) und Methode der log-Momente (MoLM). Die Wahrscheinlichkeitsdichte der Fisher Verteilung kann alle Deskriptoren ausreichend gut modellieren. Anschließend schlagen wir vor, diese Information in einer angepassten überwachten Klassifizierung auf Basis der Maximum Likelihood und der Fisher-Verteilung zu nutzen. Wir vergleichen die Klassifikationsergebnisse mit jenen aus einer Maximum-Likelihood Klassifikation auf Basis der Wishartbzw. der Gauss-Verteilung sowie mit jenen aus SVM (Support Vector Machine). Unsere Experimente basieren auf einer Szene im Vorstadtbereich, die mit Hilfe des ugzeuggestützten RAMSES SAR Sensors von ONERA aufgenommen wurde. Unsere Ergebnisse zeigen das Potenzial solcher Daten für die Unterscheidung von urbanen Landbedeckungsarten auf. Die Gesamtgenauigkeit der Klassifikation liegt bei 84 %. Allerdings zeigen unsere Ergebnisse auch Probleme, z. B. die häu ge Verwechslung von Dächern und Bäumen. Am Ende dieses Beitrages werden mögliche Lösungen für diese Probleme diskutiert.