Mapeamento das áreas plantadas de Eucalipto no estado do Rio de Janeiro em 2014.

Autores

¹Ferraz, D.; ²Vicens, R.

¹UNIVERSIDADE FEDERAL FLUMINENSE Email: debora.ferraz93@gmail.com
²UNIVERSIDADE FEDERAL FLUMINENSE Email: rsvicens@gmail.com

Resumo

Um dos principais tipos de cobertura da superfície terrestre é a vegetação e estudar as diversas espécies, seus padrões e comportamentos auxilia na obtenção de informações sobre as características climáticas, edáficas, geológicas e outras. Nesse contexto, pesquisadores tem buscado desenvolver e aprimorar sensores, algoritmos de processamento visual e digital da imagem para melhor extrair informações da vegetação através do sensoriamento remoto (WEIERS et al., 2004; JACKSON e JENSEN, 2005). O reflorestamento com Eucalipto vem crescendo nas últimas décadas no país, mas sua prática já ocorre há mais de duas décadas (BUAINAIM, A.M. & BATALHA, M.O., 2007). Porém, são escassos os estudos que buscam entender como, onde e quando esse processo acontece, faltando, em alguns casos, disponibilidades de dados de área plantada. Para entender melhor o comportamento da vegetação, é necessário levar em consideração que a reflexão da radiação eletromagnética das folhas dependerá da sua composição química e de estrutura interna. Já para o dossel de uma floresta, esta reflexão dependerá da quantidade de folhas e da arquitetura dele, apesar de a forma da curva de reflectância de um dossel ser muito semelhante à de uma folha isolada (BORATTO et al, 2013). Com base nesta diferença da resposta espectral dos diversos tipos de vegetação, reflorestamento, cultivo e outros, a literatura vem avançando no aprimoramento de técnicas que visam cada vez mais a uma melhor separação. Neste sentido, o presente trabalho tem por objetivo contribuir para o mapeamento das plantações de eucalipto, identificando descritores que auxiliem na classificação de reflorestamento feito com a monocultura do eucalipto. Para isso, o estado do Rio de Janeiro foi escolhido como área de estudo por vir se destacando nos últimos anos nas produções dos derivados das florestas de eucalipto e por haver uma certa ausência de dados de área plantada no estado como um todo e principalmente por município. O que justifica a escolha do Sensoriamento Remoto par a obtenção dessas informações. Sendo assim, foram escolhidas imagens LANDSAT 8 OLI de 2014, no total de 6 cenas que cobrisse todo o estado. Elas foram adquiras de forma gratuita no site da U.S.Geological Survey - USGS (http://earthexplorer.usgs.gov/), as cenas já vêm georreferenciadas e com a superfície de reflectância corrigida, por isso não é necessário fazer um pré-processamento para esse tipo de mapeamento. O mapeamento e os testes de descritores foram realizados no software Ecognition 8.8. Primeiramente foram definidos os melhores parâmetros de segmentação para atender à escala, utilizando o segmentador desenvolvido no trabalho de Baatz&Schape (1999), o multiresolution segmentation. Foi considerado a escala como 50, a forma como 0.7 e a compacidade como 0.3. Para definir os descritores da classificação foi feito diversos testes com valores em diferentes parâmetros a partir do feuture view, buscando o que melhor separasse o eucalipto de porte alto e de porte baixo, tanto da floresta quanto do pasto. Para isso foram criadas as seguintes classes: eucalipto baixo, eucalipto alto, pasto e floresta, que depois foram agrupadas e hierarquizadas em: eucalipto e outros. Foram colhidas em torno de 10 amostras para cada classe, e depois modeladas de acordo com os melhores descritores. Na modelagem das classes foram utilizados os parâmetros de max.diff. e o NDVI (Índice de Vegetação da Diferença Normalizada) (BORATTO et al, 2013). Após a definição dos modelos a serem utilizados em cada classe foi realizada a classificação automática. Para a validação da mesma, foram gerados de forma aleatório no software Arcgis 10.1. A verificação dos pontos foi feita de duas maneiras: a primeira, tendo como verdade terrestre os resultados do Projeto “Olho No Verde”, que gerou um mapeamento de alta resolução, com imagens do satélite WordView2 reamostradas para dois (2) metros do ano de 2014, das Regiões Hidrográficas do estado do Rio de Janeiro que contemplam o Rio Paraíba do Sul. Uma das classes utilizadas no projeto foi a de silvicultura. Já a segunda forma, foi a verificação também de pontos aleatórios em campo das áreas não contempladas no projeto anterior. A partir disso, a matriz de confusão é realizada com o total de 270 pontos para a classe de silvicultura e 150 para a de não-silvicultura, na qual foi possível estabelecer a exatidão total (0,835), a exatidão total independência (0,148) e o índice kappa (0,807). O reflorestamento de eucalipto no ano de 2014 ocupou cerca de 30.000ha da área de todo o estado, sendo os municípios com maiores áreas Resende, Nova Friburgo, Vassouras, Duas Barras e Paraíba do Sul. Portanto, o classificador se mostrou bastante satisfatório, mesmo havendo alguns erros na classificação principalmente das áreas de encosta, onde existe uma dificuldade de mapeamento devido à sombra do relevo e a algumas áreas de cultivo. Sendo assim, o sensoriamento remoto se apresenta de forma bastante satisfatória para preencher tal lacuna de dados, principalmente no que se refere ao passado a partir da perspectiva temporal. Referência Bibliográfica: Baatz, M.; Schape, A. (1999) Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation. AGIT-Symposium Salzburg, Karlsruhe. International Journal of Remote Sensing, v.10, n.06, pp. 989-1003. Boratto, I. E Gomide, R. Aplicação dos índices de vegetação NDVI, SAVI e IAF na caracterização da cobertura vegetativa da região Norte de Minas Gerais. Anais XVI Simpósio Brasileiro de 464. Buainaim, A.M. & Batalha, M.O. (Coord.) (2007) Cadeia produtiva de madeira. Ministério da Agricultura, Pecuária e Abastecimento, Secretaria de Política Agrícola, Instituto Interamericano de Cooperação para a Agricultura, p.84. Jackson e Jensen, (2005) An Evolution of Remote Sensing=derived Landscape Ecology Metrics for Resevoir Shoreline Enviromental Monitoring, Photogrammetric Engineering & Remote Sensing, 71 (12): 1387-1397.

Keywords

Eucalipto; GEOBIA; Sensoriamento Remoto

ARTIGO COMPLETO