Geoprocessamento aplicado na análise dos efeitos da urbanização no campo térmico em Fortaleza, Ceará

O rápido e desordenado crescimento urbano gerou um meio geográfico artificial e de baixa salubridade ambiental, caracterizado pela expansão de áreas periféricas e centrais. As transformações no uso e ocupação do solo geram mudanças no balanço de energia e na atmosfera, resultando no aquecimento das cidades. Portanto, o objetivo desse artigo é analisar a Temperatura de Superfície Terrestre (TST) e relacionar com cobertura vegetal por meio do Índice de Vegetação por Diferença Normalizada (NDVI) no município de Fortaleza, Ceará. Inicialmente foram obitidas as imagens orbitais, sensores OLI, (Operational Land Imager) e TIRS10 (Thermal Infrared Sensor) do Landsat-8 em United States Geological Survey (USGS) – órbita 217 e ponto 62. As imagens escolhidas para esse estudo é de 02/08/2013 e 26/08/2016. Verificou-se a relação direta do vigor da biomassa (NDVI) e da urbanização com valores de temperatura de superfície e as ilhas de calor urbano. Os ambientes que apresentaram menores valores de NDVI, com exceção os corpos aquáticos, apresentaram maiores valores de temperatura, expondo a importância da vegetação no microclima.

Download Full-text

Sensoriamento Remoto aplicado à análise do fenômeno de Ilhas de Calor Urbano na cidade de Vitória, Espírito Santo

Research Society and Development ◽

10.33448/rsd-v9i6.3655 ◽

2020 ◽

Vol 9 (6) ◽

pp. e187963655

Author(s):

Eliezio Nascimento Barboza ◽

Francisco das Chagas Bezerra Neto ◽

Clarice Ribeiro Alves Caiana

Keyword(s):

United States ◽

Thermal Infrared ◽

Geological Survey ◽

United States Geological Survey ◽

Landsat 8 ◽

Infrared Sensor ◽

Espírito Santo ◽

Espirito Santo

O crescente desenvolvimento das cidades sem o devido planejamento ambiental e urbano resultou no aumento da temperatura nas grandes cidades. Um dos principais fenômenos causados por esse aquecimento são as chamadas ilhas de calor urbano, que interferem no clima local e no conforto térmico. Além de outros fatores, a má distribuição de áreas verdes na cidade contribui para o aumento desse fenômeno. Portanto, o objetivo desse artigo é analisar a Temperatura de Superfície Terrestre (TST) e relacionar com cobertura vegetal por meio do Índice de Vegetação por Diferença Normalizada (NDVI) na cidade de Vitória, ES. Inicialmente foram obitidas as imagens orbitais, sensores OLI, (Operational Land Imager) e TIRS10 (Thermal Infrared Sensor) do Landsat 8 em United States Geological Survey (USGS) – órbita 215 e ponto 74. As imagens escolhidas para esse estudo é de 16/05/2013. Verificou-se a relação direta do vigor da biomassa (NDVI) e da urbanização com valores de temperatura de superfície e as ilhas de calor urbano na cidade de Vitória. Os ambientes que apresentaram menores valores de NDVI, com exceção o oceano, apresentaram maiores valores de temperatura, expondo a importância da vegetação para o clima urbano.

Download Full-text

NDVI e SAVI como ferramentas de monitoramento das modificações no uso e ocupação do solo no sudoeste paraense

Research Society and Development ◽

10.33448/rsd-v11i1.22583 ◽

2022 ◽

Vol 11 (1) ◽

pp. e47611122583

Author(s):

Hellem Cristina Teixeira Rodrigues ◽

Rayssa Soares da Silva ◽

Francimary da Silva Carneiro ◽

Charles Benedito Gemaque Souza ◽

Tamires Borges de Oliveira ◽

...

Keyword(s):

United States ◽

De Novo ◽

Geological Survey ◽

United States Geological Survey ◽

Landsat 8 ◽

Landsat 8 Oli ◽

Landsat 5 Tm

Sensoriamento Remoto é um uma tecnologia que permite aquisição de informações sobre áreas ou objetos sem manter contato físico. Esse trabalho objetivou utilizar imagens de satélites passivos, por meio dos índices de cobertura vegetal, como o Índice de Vegetação por Diferença Normalizada (NVDI) e Índice de Vegetação Ajustado para o Solo (SAVI), nos anos de 2008 e 2018, para identificar as modificações sofridas em 10 anos da comunidade Comunidade Linha Gaúcha localizada no município de Novo progresso no estado do Pará. Para este trabalho, foram utilizados dados provenientes do IBAMA, como a localização espacial da Comunidade e imagens da plataforma United States Geological Survey (USGS), para os anos de 2008(Landsat 5 – TM) e 2018 (Landsat 8 – OLI). Por meio do método de NDVI e SAVI foi possível analisar a expansão urbana em torno da comunidade num raio de 50 km, assim como observar a intensa modificação no uso e ocupação do solo, estando este fato intimamente ligado à presença da rodovia Transamazônica, importante agente de crescimento na Amazônia.

Download Full-text

PEMANFAATAN ENSEMBLE LEARNING DAN PENGINDERAAN JAUH UNTUK PENGKLASIFIKASIAN JENIS LAHAN PADI

Seminar Nasional Official Statistics ◽

10.34123/semnasoffstat.v2019i1.247 ◽

2020 ◽

Vol 2019 (1) ◽

pp. 188-195

Author(s):

Arif Handoyo Marsuhandi ◽

Agus Mohamad Soleh ◽

Hari Wijayanto ◽

Dede Dirgahayu Domiri

Keyword(s):

United States ◽

Random Forest ◽

International Cooperation ◽

Ensemble Learning ◽

Geological Survey ◽

United States Geological Survey ◽

Landsat 8 ◽

Japan International Cooperation Agency

Pertanian adalah bidang yang sangat penting di Indonesia, sektor ini di tahun 2017 mencatat penyerapan tenaga kerja sebanyak 29.68% dari total seluruh pekerja (BPS, 2018), namun pentingnya sektor pertanian ini berbanding terbalik dengan data pertanian yang tersedia. Tahun 1998 Badan Pusat Statistik (BPS) bersama Japan International Cooperation Agency (JICA) telah mengisyaratkan overestimasi luas panen sekitar 17,07 persen. Ketidakuratan data pertanian ini kemudian diperbaiki pada tahun 2018 melalui kerjasama para stakeholder dengan menyusun suatu metodologi baru dalam menghitung luas lahan yang diberi nama kerangka sampel area. Selain metodologi yang sudah diperbarui, kemajuan teknologi dan teknik analisis di bidang ilmu pengetahuan juga mendukung perbaikan data pertanian. Citra satelit dan teknik klasifikasi menggunakan ensemble learning dapat dimanfaatkan dalam mengklasifikasikan jenis lahan padi. Pada penelitian ini digunakan citra satelit yang berasal dari United States Geological Survey (USGS) yaitu Landsat 8 dan teknik klasifikasi ensemble learning. Citra satelit dimanfaatkan untuk mengekstrak indeks vegetatif dari koordinat koordinat yang diteliti, sedangkan ensemble learning yang digunakan dalam penelitian ini yaitu Random Forest dan Boosting. Hasil pengolahan data menunjukkan Random Forest memiliki akurasi yang lebih tinggi daripada Boosting yaitu dengan nilai 76,52 untuk Random Forest dan 75,60 untuk Boosting. Keunggulan Random Forest terhadap Boosting tidak hanya dari sisi tingkat akurasi saja namun juga dari kestabilan model yang dibentuk.

Download Full-text