Classificação de Florestas Aleatórias de Coberturas de Terras de Pântano a partir de Dados de Múltiplos Sensores na Região Árida de Xinjiang, China

A classificação de pântanos a partir de dados de sensoriamento remoto é geralmente difícil devido à dinâmica sazonal extensa da vegetação e à flutuação hidrológica. Este estudo apresenta uma abordagem de classificação de florestas aleatórias para a recuperação da cobertura de pântano nas regiões áridas, fundindo os dados do Pléiade-1B com dados do Landsat-8 de várias datas. A segmentação dos dados de imagem multispectral do Pléiade-1B foi realizada com base em uma abordagem orientada a objetos, e as características geométricas e espectrais foram extraídas para os objetos de imagem segmentados. Os dados da série do índice de vegetação por diferença normalizada (NDVI) também foram calculados a partir dos dados do Landsat-8 de várias datas, refletindo as mudanças fenológicas da vegetação em seu ciclo de crescimento. O conjunto de características extraído dos dados dos dois sensores foi otimizado e empregado para criar o modelo de floresta aleatória para a classificação das coberturas de pântano no rio Ertix, no norte de Xinjiang, China. A comparação com outros métodos de classificação, como máquinas de vetores de suporte e classificador de rede neural artificial, indica que o classificador de floresta aleatória pode alcançar uma classificação precisa com uma precisão geral de 93% e um coeficiente Kappa de 0,92. A precisão da classificação das terras agrícolas e corpos d'água que têm limites distintos com as coberturas de terra circundantes foi melhorada em 5% a 10% ao fazer uso da propriedade das formas geométricas. Para remover a dificuldade na classificação causada pelas características espectrais similares das coberturas de vegetação, a diferença fenológica e as informações texturais da matriz de coocorrência em escala de cinza foram incorporadas na classificação, e as principais coberturas de vegetação de pântano na área do estudo foram derivadas dos dados dos dois sensores. A inclusão de informações fenológicas na classificação permite a redução dos erros de classificação, e a precisão geral foi aprimorada em aproximadamente 10%. Os resultados mostram que a classificação proposta por florestas aleatórias, ao fundir dados de múltiplos sensores, pode recuperar informações de coberturas de pântano melhores do que os outros classificadores, o que é significativo para o monitoramento e gerenciamento dos recursos ecológicos de pântano em áreas áridas.