Mapping deciduous forests by using time series of filtered MODIS NDVI and neural networks

Oliveira, Thomaz Chaves de Andrade; Carvalho, Luis Marcelo Tavares de; Oliveira, Luciano Teixeira de; Martinhago, Adriana Zanella; Acerbi Júnior, Fausto Weimar; Lima, Mariana Peres de

doi:10.1590/S0104-77602010000200002

Abstracts

Multi-temporal images are now of standard use in remote sensing of vegetation during monitoring and classification. Temporal vegetation signatures (i. e., vegetation indices as functions of time) generated, poses many challenges, primarily due to signal to noise-related issues. This study investigates which methods generate the most appropriate smoothed curves of vegetation signatures on MODIS NDVI time series. The filtering techniques compared were the HANTS algorithm which is based on Fourier analyses and Wavelet temporal algorithm which uses the wavelet analysis to generate the smoothed curves. The study was conducted in four different regions of the Minas Gerais State. The smoothed data were used as input data vectors for vegetation classification by means of artificial neural networks for comparison purpose. A comparison of the results was ultimately discussed in this work showing encouraging results and similarity between the two filtering techniques used.

Remote sensing; signal processing; time series; wavelets analysis; Fourier

Imagens multitemporais são de pronominal uso no Sensoriamento Remoto, para o monitoramento e classificação da vegetação. As decorrentes assinaturas temporais da vegetação possuem muitos desafios na sua utilização em razão da elevada relação sinal/ruído. Este estudo investigou dois métodos para gerar assinaturas temporais suavizadas de vegetação do índice de vegetação de diferença normalizada (NDVI), sendo estas originadas do sensor MODIS. As técnicas de filtragem utilizadas foram o algoritmo baseado em Fourier HANTS e algoritmo Wavelet Temporal que utiliza análise Wavelet. O estudo foi conduzido em 4 diferentes conjuntos de dados, correspondente a áreas separadas geograficamente no estado de Minas Gerais. Para realizar a comparação entre as séries temporais filtradas pelos diferentes algoritmos, as séries filtradas foram utilizadas como entradas de dados para classificação da vegetação em diferentes fitofisionomias. A Classificação foi feita por meio das redes neurais artificiais. O resultado dessa classificação mostrou similaridade entre os métodos de filtragem de séries temporais NDVI comparados neste trabalho.

Sensoriamento remoto; processamento de sinais; análise wavelets; Fourier

Mapping deciduous forests by using time series of filtered MODIS NDVI and neural networks

Mapamento de florestas decícuas através de redes neurais artificiais e séries temporais de NDVI MODIS

Thomaz Chaves de Andrade Oliveira^I; Luis Marcelo Tavares de Carvalho^II; Luciano Teixeira de Oliveira^III; Adriana Zanella Martinhago^IV; Fausto Weimar Acerbi Júnior^V; Mariana Peres de Lima^VI

^IBarchelor in Computer Science, DS candidate in Eletrical Engineering Faculdade de Engenharia Elétrica e de Computação Universidade Estadual de Campinas/UNICAMP Av. James Clerck Maxwell, Cidade Universitária "Zeferino Vaz" 3013083-868 Campinas, SP, Brasil thomazchaves@gmail.com

^IIForest Engineer, Professor DS in Geoscience and Environment Departamento de Ciências Florestais/DCF Universidade Federal de Lavras/UFLA Cx. P. 3037 37200-000 Lavras, MG, Brasil passarinho@dcf.ufla.br

^IIIForest Engineer, DS candidate in Forest Engineering Departamento de Ciências Florestais/DCF Universidade Federal de Lavras/UFLA Cx. P. 3037 37200-000 Lavras, MG, Brasil oliveiralt@yahoo.com.br

^IVBarchelor in Computer Science, DS candidate in Forest Engineering Departamento de Ciências Florestais/DCF Universidade Federal de Lavras/UFLA Cx. P. 3037 37200-000 Lavras, MG dricazm@gmail.com

^VForest Engineer, Professor MS in Environmental Management Departamento de Ciências Florestais/DCF Universidade Federal de Lavras/UFLA Cx. P. 3037 37200-000 Lavras, MG, Brasil fausto@dcf.ufla.br

^VIForest Engineer, Professor MS in Forest Engineering Universidade Federal do Mato Grosso Campus Sinop 78550-000 Sinop, MT, Brasil marianaperes@cpd.ufmt.br

ABSTRACT

Multi-temporal images are now of standard use in remote sensing of vegetation during monitoring and classification. Temporal vegetation signatures (i. e., vegetation indices as functions of time) generated, poses many challenges, primarily due to signal to noise-related issues. This study investigates which methods generate the most appropriate smoothed curves of vegetation signatures on MODIS NDVI time series. The filtering techniques compared were the HANTS algorithm which is based on Fourier analyses and Wavelet temporal algorithm which uses the wavelet analysis to generate the smoothed curves. The study was conducted in four different regions of the Minas Gerais State. The smoothed data were used as input data vectors for vegetation classification by means of artificial neural networks for comparison purpose. A comparison of the results was ultimately discussed in this work showing encouraging results and similarity between the two filtering techniques used.

Key words: Remote sensing, signal processing, time series, wavelets analysis, Fourier.

RESUMO

Imagens multitemporais são de pronominal uso no Sensoriamento Remoto, para o monitoramento e classificação da vegetação. As decorrentes assinaturas temporais da vegetação possuem muitos desafios na sua utilização em razão da elevada relação sinal/ruído. Este estudo investigou dois métodos para gerar assinaturas temporais suavizadas de vegetação do índice de vegetação de diferença normalizada (NDVI), sendo estas originadas do sensor MODIS. As técnicas de filtragem utilizadas foram o algoritmo baseado em Fourier HANTS e algoritmo Wavelet Temporal que utiliza análise Wavelet. O estudo foi conduzido em 4 diferentes conjuntos de dados, correspondente a áreas separadas geograficamente no estado de Minas Gerais. Para realizar a comparação entre as séries temporais filtradas pelos diferentes algoritmos, as séries filtradas foram utilizadas como entradas de dados para classificação da vegetação em diferentes fitofisionomias. A Classificação foi feita por meio das redes neurais artificiais. O resultado dessa classificação mostrou similaridade entre os métodos de filtragem de séries temporais NDVI comparados neste trabalho.

Palavras-chave: Sensoriamento remoto, processamento de sinais, análise wavelets, Fourier.

Full text available only in PDF format.

Texto completo disponível apenas em PDF.

5 BIBLIOGRAPHICAL REFERENCES

Received: March 30, 2009

Accepted: February 26, 2010

BLOOMFIELD, P. Fourier analysis of time series New York: J.Wiley, 1976. 257 p.
BRUCE, L. M.; MATHUR, M.; BYRD JUNIOR, J. D. Denoising and wavelet-based feature extraction of MODIS multitemporal vegetation signatures. GIScience & Remote Sensing, New York, v. 43, p. 170-180, 2006.
CARVALHO, L. M. T. Mapping and monitoring forest remnants: a multi-scale analysis of spatio-temporal data. 2001. 140 p. Thesis (Doctor in Resources Conservation and Production Ecology) - Wageningen University, Wageningen, 2001.
CARVALHO, L. M. T.; CLEVERS, J. G. P. W.; SKIDMORE, A. K.; JONG, S. M. de. Selection of imagery data and classifiers for mapping Brazilian semideciduous Atlantic forests. Internacional Journal of Applied Earth Observation and Geoinformation, Enschede, v. 5, p. 173-186, 2004.
CARVALHO, L. M. T.; SCOLFORO, J. R. Inventário florestal de Minas Gerais: monitoramento da flora nativa 2005-2007. Lavras: UFLA, 2008. 312 p.
COLDITZ, R. R.; GESSNER, U.; CONRAD, C.; ZYL, D. van; MALHERBE, J.; NEWBY, T.; LANDMANN, T.; SCHMIDT, M.; DECH, S. Dynamics of MODIS time series for ecological applications in southern África. In: INTERNATIONAL WORKSHOP ON THE ANALYSIS OF MULTITEMPORAL REMOTE SENSING IMAGES, 14., 2007, Leuven. Proceedings.. Leuven: Multitemp, 2007. p. 18-20.
GALFORD, G. L.; MUSTARD, J. F.; MELILLO, J.; GENDRIN, A.; CERRI, C. C.; CERRI, C. E. P. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil. Remote Sensing of the Environment, New York, v. 112, n. 2, p. 576-587, 2007.
HUETE, A.; DIDAN, K.; MIURA, T.; RODRIGUEZ, E. P.; GAO, X.; FERREIRA, L. G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, New York, v. 83, n. 1, p. 195-213, Nov. 2002.
JENSEN, J. R. Remote sensing of the enviroment: an earth resource perspective, retune hall series in geographic information science. New Jersey: Upper Saddle River, 2000. 544 p.
KAISER, G. A friendly guide to wavelets Boston: Springer-Verlag, 1994. 175 p.
KANELLOPOULOS, G. G.; WILKINSON, F.; ROLI, J. Neurocomputation in remote sensing data analysis New Jersey: Springer, 1997. 284 p.
LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, Washington, v. 33, p. 159-174, 1977.
MOREIRA, M. A. Fundamentos de sensoriamento remoto e metodologias de aplicação 2. ed. rev. e ampl. Viçosa, MG: UFV, 2003. 295 p.
MORETTIN, P. A.; TOLOI, C. M. Análise de séries temporais 2. ed. São Paulo: E.Blucher, 2006. 433 p.
OLIVEIRA, L. T. Fusão de imagens de sensoriamento remoto e mineração de dados geográficos para mapear as fitofisionomias do bioma Cerrado 2004. 131 p. Dissertação (Mestrado em Manejo Ambiental) -Universidade Federal de Lavras, Lavras, 2004.
OLIVEIRA-FILHO, A. T. Classificação das fitofisionomias da América do Sul cisandina tropical e subtropical: proposta de um novo sistema - prático e flexível - ou uma injeção a mais de caos? Revista Rodriguésia, Rio de Janeiro, 2009a. No prelo.
OLIVEIRA-FILHO, A. T. TreeAtlan 1.0: flora arbórea da Mata Atlântica e domínios adjacentes: um banco de dados envolvendo geografia diversidade e conservação. Available at: <http://www.treeatlan.dcf.ufla.br/> . Access in: 10 jan. 2009b.
OLIVEIRA-FILHO, A. T.; CURI, N.; VILELA, E. A.; CARVALHO, D. A. Effects of canopy gaps, topography and soils on the distribution of woody species in a central Brazilian deciduous dry forest. Biotropica, Washington, v. 30, n. 3, p. 362-375, 1998.
ROERINK, G. J.; MENENTI, M.; VERHOEF, W. Reconstructing Cloudfree NDVI composites using Fourier analysis of time series. International Journal of Remote Sensing, Basingstoke, v. 21, n. 9, p. 1911-1917, 2000.
SAKAMOTO, T.; YOKOZAWA, M.; TORITANI, H.; SHIBAYAMA, M.; ISHITSUKA, N.; OHNO, H. A crop phenology detection method using time-series modis data. Remote Sensing of Environment, New York, v. 96, p. 366-374, 2005.
SMITH, S. W. The scientist and engineer's guide to digital signal processing San Diego: California Technical, 1998. 626 p.
SOARES, J. V.; BATISTA, G. T.; SHIMABUKURO, Y. E. Histórico e descrição. In: RUDORFF, B. F. T.; SHIMABUKURO, Y. E.; CEBALLOS, J. C. (Orgs.). O sensor MODIS e suas aplicações no Brasil São José dos Campos: Parêntese, 2007. cap. 1, p. 2-22.
VERHOEF, W. Application of harmonic analysis of NDVI time series (HANTS). In: AZZALI, S.; MENENTI, M. (Eds.). Fourier analysis of temporal NDVI in the Southern African and American continents Wageningen: DLO Winand Staring Centre, 1996. p. 19-24. (Report 108).
WANG, Q.; TENHUNEM, J.; DINH, N. Q.; REICHSTEIN, M.; VESALA, T.; KERONEN, P. Similarities in ground and satellitebased NDVI time series and their relationship to physiological activity of a Scots pine forest in Finland. Remote Sensing of Environment, New York, v. 93, n. 2, p. 225-237, 2004.
WIT, A. de; SU, B. Deriving phenological indicators from spot-vgt data using the Hants algorithm Wageningen: Centre for Geo-Information, 2005. Available at: <http://www.vgt.vito.be/vgtapen/pages/fullpapers/Dewit_full.pdf>. Access in: 8 Feb. 2009.
YU, X.; ZHUANG, D.; CHEN, H.; HOU, X. Forest classification based on MODIS time series and vegetation phenology. International Geoscience and Remote Sensing Symposium, Toulouse, v. 4, p. 2369-2372, 2004.
ZHANG, F.; WU, B.; LIU, C. An advanced tool for real-time crop monitoring in China. International Geoscience and Remote Sensing Symposium, Toulouse, v. 4, p. 2242-2244, July 2003.
ZHANG, X.; FRIEDL, M. A.; SCHAAF, C. B. Monitoring vegetation phenology using modis. Remote Sensing of Environment, New York, v. 84, p. 471-475, 2003.

Publication Dates

Publication in this collection
23 Sept 2014
Date of issue
June 2010

History

Received
30 Mar 2009
Accepted
26 Feb 2010

This work is licensed under a Creative Commons Attribution 4.0 International License.

[1] BLOOMFIELD, P. Fourier analysis of time series New York: J.Wiley, 1976. 257 p.

[2] BRUCE, L. M.; MATHUR, M.; BYRD JUNIOR, J. D. Denoising and wavelet-based feature extraction of MODIS multitemporal vegetation signatures. GIScience & Remote Sensing, New York, v. 43, p. 170-180, 2006.

[3] CARVALHO, L. M. T. Mapping and monitoring forest remnants: a multi-scale analysis of spatio-temporal data. 2001. 140 p. Thesis (Doctor in Resources Conservation and Production Ecology) - Wageningen University, Wageningen, 2001.

[4] CARVALHO, L. M. T.; CLEVERS, J. G. P. W.; SKIDMORE, A. K.; JONG, S. M. de. Selection of imagery data and classifiers for mapping Brazilian semideciduous Atlantic forests. Internacional Journal of Applied Earth Observation and Geoinformation, Enschede, v. 5, p. 173-186, 2004.

[5] CARVALHO, L. M. T.; SCOLFORO, J. R. Inventário florestal de Minas Gerais: monitoramento da flora nativa 2005-2007. Lavras: UFLA, 2008. 312 p.

[6] COLDITZ, R. R.; GESSNER, U.; CONRAD, C.; ZYL, D. van; MALHERBE, J.; NEWBY, T.; LANDMANN, T.; SCHMIDT, M.; DECH, S. Dynamics of MODIS time series for ecological applications in southern África. In: INTERNATIONAL WORKSHOP ON THE ANALYSIS OF MULTITEMPORAL REMOTE SENSING IMAGES, 14., 2007, Leuven. Proceedings.. Leuven: Multitemp, 2007. p. 18-20.

[7] GALFORD, G. L.; MUSTARD, J. F.; MELILLO, J.; GENDRIN, A.; CERRI, C. C.; CERRI, C. E. P. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil. Remote Sensing of the Environment, New York, v. 112, n. 2, p. 576-587, 2007.

[8] HUETE, A.; DIDAN, K.; MIURA, T.; RODRIGUEZ, E. P.; GAO, X.; FERREIRA, L. G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, New York, v. 83, n. 1, p. 195-213, Nov. 2002.

[9] JENSEN, J. R. Remote sensing of the enviroment: an earth resource perspective, retune hall series in geographic information science. New Jersey: Upper Saddle River, 2000. 544 p.

[10] KAISER, G. A friendly guide to wavelets Boston: Springer-Verlag, 1994. 175 p.

[11] KANELLOPOULOS, G. G.; WILKINSON, F.; ROLI, J. Neurocomputation in remote sensing data analysis New Jersey: Springer, 1997. 284 p.

[12] LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, Washington, v. 33, p. 159-174, 1977.

[13] MOREIRA, M. A. Fundamentos de sensoriamento remoto e metodologias de aplicação 2. ed. rev. e ampl. Viçosa, MG: UFV, 2003. 295 p.

[14] MORETTIN, P. A.; TOLOI, C. M. Análise de séries temporais 2. ed. São Paulo: E.Blucher, 2006. 433 p.

[15] OLIVEIRA, L. T. Fusão de imagens de sensoriamento remoto e mineração de dados geográficos para mapear as fitofisionomias do bioma Cerrado 2004. 131 p. Dissertação (Mestrado em Manejo Ambiental) -Universidade Federal de Lavras, Lavras, 2004.

[16] OLIVEIRA-FILHO, A. T. Classificação das fitofisionomias da América do Sul cisandina tropical e subtropical: proposta de um novo sistema - prático e flexível - ou uma injeção a mais de caos? Revista Rodriguésia, Rio de Janeiro, 2009a. No prelo.

[17] OLIVEIRA-FILHO, A. T. TreeAtlan 1.0: flora arbórea da Mata Atlântica e domínios adjacentes: um banco de dados envolvendo geografia diversidade e conservação. Available at: <http://www.treeatlan.dcf.ufla.br/> . Access in: 10 jan. 2009b.

[18] OLIVEIRA-FILHO, A. T.; CURI, N.; VILELA, E. A.; CARVALHO, D. A. Effects of canopy gaps, topography and soils on the distribution of woody species in a central Brazilian deciduous dry forest. Biotropica, Washington, v. 30, n. 3, p. 362-375, 1998.

[19] ROERINK, G. J.; MENENTI, M.; VERHOEF, W. Reconstructing Cloudfree NDVI composites using Fourier analysis of time series. International Journal of Remote Sensing, Basingstoke, v. 21, n. 9, p. 1911-1917, 2000.

[20] SAKAMOTO, T.; YOKOZAWA, M.; TORITANI, H.; SHIBAYAMA, M.; ISHITSUKA, N.; OHNO, H. A crop phenology detection method using time-series modis data. Remote Sensing of Environment, New York, v. 96, p. 366-374, 2005.

[21] SMITH, S. W. The scientist and engineer's guide to digital signal processing San Diego: California Technical, 1998. 626 p.

[22] SOARES, J. V.; BATISTA, G. T.; SHIMABUKURO, Y. E. Histórico e descrição. In: RUDORFF, B. F. T.; SHIMABUKURO, Y. E.; CEBALLOS, J. C. (Orgs.). O sensor MODIS e suas aplicações no Brasil São José dos Campos: Parêntese, 2007. cap. 1, p. 2-22.

[23] VERHOEF, W. Application of harmonic analysis of NDVI time series (HANTS). In: AZZALI, S.; MENENTI, M. (Eds.). Fourier analysis of temporal NDVI in the Southern African and American continents Wageningen: DLO Winand Staring Centre, 1996. p. 19-24. (Report 108).

[24] WANG, Q.; TENHUNEM, J.; DINH, N. Q.; REICHSTEIN, M.; VESALA, T.; KERONEN, P. Similarities in ground and satellitebased NDVI time series and their relationship to physiological activity of a Scots pine forest in Finland. Remote Sensing of Environment, New York, v. 93, n. 2, p. 225-237, 2004.

[25] WIT, A. de; SU, B. Deriving phenological indicators from spot-vgt data using the Hants algorithm Wageningen: Centre for Geo-Information, 2005. Available at: <http://www.vgt.vito.be/vgtapen/pages/fullpapers/Dewit_full.pdf>. Access in: 8 Feb. 2009.

[26] YU, X.; ZHUANG, D.; CHEN, H.; HOU, X. Forest classification based on MODIS time series and vegetation phenology. International Geoscience and Remote Sensing Symposium, Toulouse, v. 4, p. 2369-2372, 2004.

[27] ZHANG, F.; WU, B.; LIU, C. An advanced tool for real-time crop monitoring in China. International Geoscience and Remote Sensing Symposium, Toulouse, v. 4, p. 2242-2244, July 2003.

[28] ZHANG, X.; FRIEDL, M. A.; SCHAAF, C. B. Monitoring vegetation phenology using modis. Remote Sensing of Environment, New York, v. 84, p. 471-475, 2003.