Mapeamento automático de viveiros aquícolas por índices espectrais e limiar de Otsu: estudo de caso no Baixo Jaguaribe, Ceará
Resumo
O monitoramento preciso de corpos d’água é fundamental para a gestão de recursos hídricos e o desenvolvimento sustentável da aquicultura, especialmente em regiões semiáridas. Este estudo avaliou o desempenho de diferentes índices espectrais de água (NDWI, MNDWI, NWI, AWEIsh, AWEInsh e SWI) aplicados a imagens Landsat 8 OLI para a identificação automática de viveiros voltados à carcinicultura no município de Aracati, Ceará. A classificação binária dos índices espectrais, calculados a partir das bandas processadas no QGIS, foi realizada por meio do método de Otsu, aplicado de maneira independente às duas áreas de interesse: a cena completa e o recorte restrito aos viveiros aquícolas. O desempenho foi analisado tanto para uma cena maior, que inclui diferentes usos do solo, quanto para um recorte restrito à área dos viveiros. Os resultados evidenciaram que a utilização de áreas homogêneas favorece a segmentação espectral entre água e áreas secas, otimizando a aplicação de limiares automáticos. Entre os índices testados, o NWI apresentou o melhor desempenho na separação dos alvos, seguido por MNDWI e NDWI, enquanto índices subtrativos como AWEIsh, AWEInsh e SWI apresentaram limitações devido à sensibilidade a sombras e superfícies úmidas não aquáticas. A análise dos histogramas e estatísticas descritivas confirmou que ambientes mais homogêneos e índices com distribuição bimodal clara maximizam a eficácia do método de Otsu. O estudo destaca ainda a importância de abordagens adaptativas em áreas espectralmente complexas e recomenda o uso de séries temporais, imagens de maior resolução e técnicas de inteligência artificial em futuras pesquisas para aprimorar a acurácia do mapeamento aquícola e de recursos hídricos.
Palavras-chave
Texto completo:
PDF (Português)Referências
Bergsma, E. W., Klotz, A. N., Artigues, S., Graffin, M., Prenowitz, A., Delvit, J. M., & Almar, R. (2024). Shoreliner: A Sub-Pixel Coastal Waterline Extraction Pipeline for Multi-Spectral Satellite Optical Imagery. Remote Sensing, 16(15), 2795.
Bishop-Taylor, R., Sagar, S., Lymburner, L., Alam, I., & Sixsmith, J. (2019). Sub-pixel waterline extraction: Characterising accuracy and sensitivity to indices and spectra. Remote Sensing, 11(24), 2984.
Bungenstock, F., Irion, G., Machalett, B., de Souza Pinheiro, L., Wolters, S., & de Morais, J. O. (2023). Change of sediment transport direction within the Rio Jaguaribe estuary, NE Brazil, by means of clay mineralogical analyses. Estuarine, Coastal and Shelf Science, 287, 108323.
Cavalcante, M. S., Marins, R. V., da Silva Dias, F. J., & de Rezende, C. E. (2021). Assessment of carbon fluxes to coastal area during persistent drought conditions. Regional Studies in Marine Science, 47, 101934.
Chang, L., Cheng, L., Huang, C., Qin, S., Fu, C., & Li, S. (2022). Extracting urban water bodies from Landsat imagery based on mNDWI and HSV transformation. Remote Sensing, 14(22), 5785.
Cotovicz Jr, L. C., Marins, R. V., & da Silva, A. R. F. (2022). Eutrophication amplifies the diel variability of carbonate chemistry in an equatorial, semi-arid, and negative estuary. Frontiers in Marine Science, 9, 767632.
Dias, F. D. S., Marins, R. V., & Maia, L. P. (2009). Hydrology of a well-mixed estuary at the semi-arid Northeastern Brazilian coast. Acta Limnologica Brasiliensia, 21(4), 377-385.
Diniz, C., Cortinhas, L., Pinheiro, M. L., Sadeck, L., Fernandes Filho, A., Baumann, L. R., ... & Souza-Filho, P. W. M. (2021). A large-scale deep-learning approach for multi-temporal aqua and salt-culture mapping. Remote Sensing, 13(8), 1415.
Edwards, P., Zhang, W., Belton, B., & Little, D. C. (2019). Misunderstandings, myths and mantras in aquaculture: Its contribution to world food supplies has been systematically over reported. Marine Policy, 106, 103547.
FAO. (2024). The State of World Fisheries and Aquaculture 2024 – Blue Transformation in action. Rome.
Feng, D. (2009). A new method for fast information extraction of water bodies using remotely sensed data. Remote Sensing Technology and Application, 24(2), 167-171.
Feyisa, G. L., Meilby, H., Fensholt, R., & Proud, S. R. (2014). Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote sensing of environment, 140, 23-35.
Gameiro, S., Nascimento, V., Facco, D., Sfredo, G., & Ometto, J. (2022). Multitemporal Spatial Analysis of Land Use and Land Cover Changes in the Lower Jaguaribe Hydrographic Sub-Basin, Ceará, Northeast Brazil. Land, 11(1), 103.
Giri, S., Samanta, S., Mondal, P. P., Basu, O., Khorat, S., Chanda, A., & Hazra, S. (2022). A geospatial assessment of growth pattern of aquaculture in the Indian Sundarbans Biosphere Reserve. Environment, Development and Sustainability, 24(3), 4203-4225.
Gumma, M. K., Amede, T., Getnet, M., Pinjarla, B., Panjala, P., Legesse, G., Whitbread, A. M. (2022). Assessing potential locations for flood-based farming using satellite imagery: a case study of Afar region, Ethiopia. Renewable Agriculture and Food Systems, 37(S1), S28-S42.
Herndon, K., Muench, R., Cherrington, E., & Griffin, R. (2020). An assessment of surface water detection methods for water resource management in the Nigerien Sahel. Sensors, 20(2), 431.
Islam, M. A., Thenkabail, P. S., Kulawardhana, R. W., Alankara, R., Gunasinghe, S., Edussriya, C., & Gunawardana, A. (2008). Semi‐automated methods for mapping wetlands using Landsat ETM+ and SRTM data. International Journal of Remote Sensing, 29(24), 7077-7106.
Jiang, W., Ni, Y., Pang, Z., Li, X., Ju, H., He, G., Qin, X. (2021). An effective water body extraction method with new water index for sentinel-2 imagery. Water, 13(12), 1647.
Kolli, M. K., Opp, C., Karthe, D., & Pradhan, B. (2022). Automatic extraction of large-scale aquaculture encroachment areas using Canny Edge Otsu algorithm in Google Earth Engine–the case study of Kolleru Lake, South India. Geocarto International, 37(26), 11173-11189.
Kurekin, A. A., Miller, P. I., Avillanosa, A. L., & Sumeldan, J. D. (2022). Monitoring of coastal aquaculture sites in the Philippines through automated time series analysis of Sentinel-1 SAR images. Remote Sensing, 14(12), 2862.
Lacaux, J. P., Tourre, Y. M., Vignolles, C., Ndione, J. A., & Lafaye, M. (2007). Classification of ponds from high-spatial resolution remote sensing: Application to Rift Valley Fever epidemics in Senegal. Remote sensing of environment, 106(1), 66-74.
Lacerda, L. D., Ward, R. D., Godoy, M. D. P., de Andrade Meireles, A. J., Borges, R., & Ferreira, A. C. (2021). 20-years cumulative impact from shrimp farming on mangroves of Northeast Brazil. Frontiers in Forests and Global Change, 4, 653096.
Li, B., Liu, K., Wang, M., Wang, Y., He, Q., Zhuang, L., & Zhu, W. (2023). High-spatiotemporal-resolution dynamic water monitoring using LightGBM model and Sentinel-2 MSI data. International Journal of Applied Earth Observation and Geoinformation, 118, 103278.
Liu, S., Wu, Y., Zhang, G., Lin, N., & Liu, Z. (2023). Comparing water indices for landsat data for automated surface water body extraction under complex ground background: a case study in Jilin Province. Remote Sensing, 15(6), 1678.
McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425-1432.
Peng, Y., Sengupta, D., Duan, Y., Chen, C., & Tian, B. (2022). Accurate mapping of Chinese coastal aquaculture ponds using biophysical parameters based on Sentinel-2 time series images. Marine Pollution Bulletin, 181, 113901.
Prasad, K. A., Ottinger, M., Wei, C., & Leinenkugel, P. (2019). Assessment of coastal aquaculture for India from Sentinel-1 SAR time series. Remote sensing, 11(3), 357.
Rad, A. M., Kreitler, J., & Sadegh, M. (2021). Augmented Normalized Difference Water Index for improved surface water monitoring. Environmental Modelling & Software, 140, 105030.
Shiklomanov, A. N., Bradley, B. A., Dahlin, K. M., M Fox, A., Gough, C. M., Hoffman, F. M., ... & Smith, W. K. (2019). Enhancing global change experiments through integration of remote‐sensing techniques. Frontiers in Ecology and the Environment, 17(4), 215-224.
Wang, M., Mao, D., Xiao, X., Song, K., Jia, M., Ren, C., & Wang, Z. (2023). Interannual changes of coastal aquaculture ponds in China at 10-m spatial resolution during 2016–2021. Remote Sensing of Environment, 284, 113347.
Wang, Q., Zhang, Z., Hao, Z., Liu, B., & Xiong, J. (2021). Optical classification of coastal water body in China using hyperspectral imagery CHRIS/PROBA. In IOP Conference Series: Earth and Environmental Science (Vol. 668, No. 1, p. 012017). IOP Publishing.
Wang, X., Xiao, X., Zou, Z., Hou, L., Qin, Y., Dong, J., ... & Li, B. (2020). Mapping coastal wetlands of China using time series Landsat images in 2018 and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 163, 312-326.
Ximenes, L. F., & de Fatima Vidal, M. (2023). PISCICULTURA. Caderno Setorial ETENE, 272(8).
Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025-3033.
Xu, X., Xu, S., Jin, L., & Song, E. (2011). Characteristic analysis of Otsu threshold and its applications. Pattern recognition letters, 32(7), 956-961.
Apontamentos
- Não há apontamentos.
Revista Brasileira de Sensoriamento Remoto | ISSN: 2675-5491
Revista sob Licença Creative Commons
