Cartografia do Invisível: Revelando a Agricultura de Pequena Escala com Imagens Rapideye na Região do Baixo Tocantins, Pa.

Autores

DOI:

https://doi.org/10.11606/rdg.v38i1.151603

Palavras-chave:

Uso e cobertura da terra, paisagem, classificação semiautomática, imagens de alta resolução espacial, RapidEye

Resumo

Dados derivados de sensoriamento remoto aliados ao uso de técnicas de classificação digital de imagens fornecem uma visão sinóptica e informações sobre a dimensão temporal dos fenômenos espaciais, possibilitando gerar informações sobre a dinâmica e os padrões espaciais da paisagem em áreas de grandes extensões territoriais como a Amazônia. Nos mapeamentos extensivos, como os realizados com imagens de satélite pelo INPE para a Amazônia Legal, é comum a definição e descrição de classes de uso e cobertura da terra em função da resolução espacial e radiométrica dos sensores utilizados. Por essa razão, pequenas áreas que não atingem o tamanho mínimo da área de mapeamento e/ou com usos diversificados são, em geral, agregadas em uma única classe. Esse é o exemplo da classe denominada Mosaico de Ocupação presente na legenda do sistema de monitoramento do uso e cobertura da terra da Amazônia-TerraClass. Esta classe procura representar, em parte, a agricultura familiar, no entanto, como o mapeamento é feito pelo sensor TM ou OLI dos satélites da série Landsat, com resolução espacial de 30m e como o TerraClass define uma área mínima de mapeamento de 6,25 hectares (ha), a identificação de pequenas áreas agrícolas é comprometida, pois essas categorias são agregadas em classes mistas e não são mais distinguíveis. Para estudos que procuram dar visibilidade aos padrões espaciais de atividades de produção de pequena escala torna-se necessário realizar o refinamento dessas classes com dados de resolução espacial com melhor definição. Neste contexto, o objetivo desse trabalho é testar três algoritmos semiautomáticos de classificação, baseados em pixel e em regiões: os algoritmos MAXVER, Bhattacharya e K-Vizinho Mais Próximo (KNN), para avaliar a capacidade de refinamento da classe Mosaico de Ocupação do dado produzido pelo TerraClass-2014. A área de estudo compreende parte dos municípios de Cametá, Mocajuba e Baião, localizados na região Nordeste do Pará, onde a produção de mandioca, pimenta-do-reino, cacau e açaí têm grande importância econômica para população local. Para o mapeamento das categorias contidas na classe Mosaico de Ocupação, foram utilizadas imagens do RapidEye, sensor REIS, ortoimagens com 5m de resolução espacial. Foi estimada a exatidão global dos algoritmos testados obtendo-se índices de 26%, 38% e 78%, para os algoritmos MAXVER, Bhattacharya e K-Vizinho Mais Próximo, respectivamente. Além da maior exatidão Global (78%), o algoritmo K-Vizinho Mais Próximo apresentou melhores resultados relativo às classes de vegetação secundária, hidrografia, e pasto sujo, com mais de 90% de acerto. A classe agricultura anual de pequena escala apresentou acerto de 62%, enquanto o índice de acerto dos outros dois algoritmos testados não passou de 8%. A abordagem metodológica desenvolvida demonstrou a viabilidade do uso das imagens de alta resolução espacial e de métodos semiautomáticos para a classificação de classes de uso e cobertura da terra associadas à classe Mosaico de Ocupação do TerraClass. A metodologia pode ser utilizada para complementar às atuais bases de dados existentes para a Amazônia (TerraClass, MapBiomas e IBGE), explicitando as categorias agrícolas de produção em pequena escala, dando visibilidade a esses sistemas de produção, frequentemente negligenciados nos mapeamentos que abrangem grandes extensões territoriais.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

ALMEIDA, C. A. de; COUTINHO, A. C. ; ESQUERDO, J. C. D. M. ; DINIZ, C. G. ; ADAMI, M.; VENTURIERI, A.; DURIEUX, LDESSAY, .; N; GOMES, A. R. “High spatial resolution land use and land cover mapping of the Brazilian Legal Amazon in 2008 using Landsat-5 / TM and MODIS data,” Acta Amaz., vol. 46, no. 3, pp. 291–302, 2016.
ANTUNES, M. A. H.; DEBIASI, P.; SIQUEIRA, J. C. D. S. Avaliação espectral e geométrica das imagens Rapideye e seu potencial para o mapeamento e monitoramento agrícola e ambiental. Revista Brasileira de Cartografia, v.66/1, p.105–113, 2014. Disponível em: <http://www.rbc.lsie.unb.br/index.php/rbc/article/view/789>. Acesso em: 13 mai.2015.
BAATZ, M.; SCHÄPE, A. Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation. In: Angewandte geographische Informations verarbeitung. 2000.
BASTOS, A. P. V., ORIANA ALMEIDA, CASTRO, E. R. de, MARIN, R. A., PIMENTEL, M. D S., RIVERO, S., … BRUZEKE, F. J. (2010). Economia e Sociedade na Região do Tocantins, Pará. NAEA.
BENITEZ, F. L.; ANDERSON, L. O. ; FORMAGGIO, A. R. Evaluation of
geostatistical techniques to estimate the spatial distribution of aboveground
biomass in the Amazon rainforest using high-resolution remote sensing data.
Acta Amazonica, 46(2), 151 –160, 2016.
CÂMARA, G.; SOUZA, R. C. M; FREITAS, U.M.; GARRIDO, J. "SPRING: Integrating remote sensingand GIS by object-oriented data modelling". Computers & Graphics, 20: (3) 395-403, 1996.
CHALERMWAT, P. High performance automatic image registration for remote sensing. 1999. Tese (Doutorado) - George Mason University, Fairfax.
COHEN, J. A. Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, v.20, n.1, p. 37-46, 1960.
CASTEJON, E. TerraPixel: an extensible image processing application prototype built using TerraLib classes and functions. Versão 1.0.4. [S. l.], 18 jan. 2019. Disponível em: http://http://www.dpi.inpe.br/~castejon/wiki/doku.php?id=wiki:terrapixel.
COSTA, F. A. As múltiplas faces da Amazônia. FAPESP, Bélém, 2019.
COUTINHO, A.C; ALMEIDA, C. A.; VENTURIERI, A.; ESQUERDO, J. C.D. M.; SILVA, M. Uso e cobertura da terra nas áreas desflorestada da Amazônia Legal: TerraClass 2008. Brasília, DF: EMBRAPA; Belém: INPE,2013.
DAL'ASTA, A. P. Representações do fenômeno urbano na Amazônia contemporânea: observações no sudoeste Paraense. 2017. 207 p. IBI: <8JMKD3MGP3W34P/3MAQBFE>. (sid.inpe.br/mtc-m21b/2016/08.23.18.20-TDI). Tese (Doutorado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2016. Disponível em: <http://urlib.net/8JMKD3MGP3W34P/3MAQBFE>.
DURO, D.U.; FRANKLIN, S. E.; DUBÉ, M. G. “A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery,” Remote Sens. Environ., vol. 118, pp. 259–272, 2012.
ESCADA, M. I. S. Evolução de padrões de uso e cobertura da terra na
região Centro-Norte de Rondônia. 2003. 264 p. (INPE-10209-TDI/899). Tese (Doutorado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2003. Disponível em: <http://urlib.net/6qtX3pFwXQZ3P8SECKy/yBuGo>. Acesso em: 15 ago. 2016.
FLORENZANO, T.G. Iniciação em sensoriamento remoto. São Paulo: Oficina de Texto, 2011.
GAMANYA, R.; DE MAEYER, P.; DE DAPPER, M. An automated satellite image classification design using object-oriented segmentation algorithms: A move towards standardization. Expert Systems with Applications, v. 32, n. 2, p. 616–624, 2007. ISSN 09574174.
GAVLAK, A. A. Padrões de mudança de cobertura da terra e dinâmica
populacional no Distrito Florestal Sustentável da BR-163: população, espaço e ambiente. 2011. 177 p. (sid.inpe.br/mtc-m19/2011/08.02.16.24-TDI). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2011. Disponível em: <http://urlib.net/8JMKD3MGP7W/3A7C3ML>. Acesso em: 15 ago. 2016.
GILBERTSON, J. K.; KEMP, J.; VAN NIEKERK, A.Effect of pan-sharpening multi-temporal Landsat 8 imagery for crop type differentiation using different classification techniques Computers and Electronics in Agriculture., vol. 134, pp. 151–159, 2017.
GONZALEZ, R.C.; WOODS, R. E. Processamento de Imagens Digitais. Editora Edgard Blücher Ltda, 2000.
HUDSON, W. D.; RAMM, C. W. Correct formulation of the kappa coefficient of agreement. Photogrammetric Engineering & Remote Sensing, Maryland, v.53, n.4, p.421-2, 1987.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA-IBGE. Monitoramento da cobertura e uso da terra do Brasil 2000-2010-2012-2014. Rio de Janeiro, 2017. Disponível em: https://biblioteca.ibge.gov.br/visualizacao/ livros/liv101469.pdf. Acesso em: 22 de março de 2018.
IBGE, Produção Agrícola Municipal 2014. Rio de Janeiro: IBGE, 2015.
IBGE, Produção da Pecuária Municipal 2014; Rio de Janeiro: IBGE, 2015.
JENSEN, J. R. Sensoriamento Remoto do Ambiente: Uma perspectiva em recursos terrestres. São José dos Campos: Parêntese, 2011.
KUX, H. J. H. ; PINHO, C. M. D. . Object-oriented analysis of high-resolution satellite images for intra-urban land cover classification: case study in São José dos Campos, São Paulo state, Brazil. In: I International Conference on Object-based Image Analysis (OBIA2006), 2006, Salzburg, Austria. 1st International Conference on Object-based Image Analysis. Salzburg: Salzburg University, 2006. v. XXXVI.
LIMA, R. R.; TOURINHO, M. M. ; COS TA, J. P . C. da. Várzeas flúvio­marinhas da Amazônia Brasileira: Características e possibilidades agropecuárias. Belém: FCAP. Serviço de documentação e informação, 2001. 3 24p.
MATHER, P. M. Computer Processing of remotely sensed images: An Introduction. 3ª edição, New York, John Wiley & Sons. 1993. 352 p.
MELLO, D. G., COSTA, F. DE A.; JÚNIOR, S. B. Mercado e potencialidades dos produtos oriundos de floresta secundária em áreas de produção familiar. Novos Cadernos NAEA, 12, 137–148,2009.
MENESES, P. R.; ALMEIDA, T. De. Introdução Ao Processamento de Imagens de Sensoriamento Remoto 266, 2012.
MOLLAEI, Y. T.; KARAMSHAHI, A. A. Vegetation mapping through using satellite images of WorldView 2-A case study of Haft Barm, Shiraz. Journal of Wildlife and Biodiversity, v. 3, n. 1, p. 9–21, 2019.
MORARIU, O.; BURESCU, F. Agricultural land cover classification using Rapideye satellite imagery. Journal of Young Scientist, v. VI, 2018.
PLANET BLACKBRIDGE, Applications of the RapidEye Red Edge Band,2016.
PONZONI, F.J; SHIMABUKURO, Y. E; KUPLICH ,T.M. Sensoriamento Remoto da Vegetação. São José dos campos: Oficina de textos, 2012, 2ºed.
PROJETO MAPBIOMAS – Coleção 2.3 da Série Anual de Mapas de Cobertura e Uso de Solo do Brasil. Disponível em: http://mapbiomas.org/map#coverage. Acesso em: 22 de março de 2018.
RICHARDS, J. A; JIA, X. Remote sensing digital image analysis: an introduction. 3th ed. Berlin; New York: Springer-Verlag, 2005. XXIV, 4-25p.
SCHUSTER, C.; FÖRSTER, M.; KLEINSCHMIT, B. Testing the red edge channel for improving land-use classifications based ;on high-resolution multi-spectral satellite data. International Journal of Remote Sensing, p. 5583-5599, 2012.
RAMOELO, A.; SKIDMOREB, A. K; CHOA, M. A; SCHLERFC, M.; MATHIEUA, R.; HEITKÖNIG, I.M.A. Regional estimation of savanna grass nitrogen using the red-edge band of the spaceborne rapideye sensor. International Journal of Applied Earth Observation and Geoinformation, v. 19, n. 1, p. 151–162, 2012.
SHANNON, C. E. Communication in the Presence of Noise. Proceedings of the IEEE, v.86, n. 2. 1998. 4447 a 457 pp.
SILVA, M. P. D. S.; CÂMARA, G.; ESCADA, M. I. S.; SOUZA, R. C. M. Remote sensing image mining: detecting agents of land-use change in tropical forest areas. International Journal of Remote Sensing, v. 29, p.4803–4822, 2008.
SOUZA, A. R. Economia e natureza: Padrões de uso e cobertura da terra associados a atividades agropecuárias e extrativistas de comunidades do sudoeste do Pará. 2017. 224 p. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2016. Disponível em: <http://urlib.net/8JMKD3MGP3W34P/3M8SD78>.
SOUZA, A. R. DE; ESCADA, M. I. S. ;MONTEIRO, A. M. V. Padrão da paisagem associado ao uso e cobertura da terra em comunidades ribeirinhas e de terra firme situadas no sudoeste do Pará. GEOGRAFIA. v.42, n. 2 mai/ago, 2017.
SCHUSTER, C.; FÖRSTER, M.; KLEINSCHMIT, B. Testing the red edge channel for improving land-use classifications based on high-resolution multi-spectral satellite data. International Journal of Remote Sensing, 33, 5583–5599, 2012.
STEHMAN, S. V. Estimating the kappa coefficient and its variance under stratified random sampling. Photogrammetric Engineering e Remote Sensing, 62(4):401–407, 1996.
USTUNER, M. SANLI, F. B. AND DIXON, B. Application of Support Vector Machines for Land use Classification Using High-Resolution RapidEye Images: A Sensitivity Analysis. European Journal of Remote Sensing, 48, p.403-422, 2015.
VALERIANO, D. M.; ESCADA, M. I. S; CÂMARA, G.; AMARAL, S.; MAURANO, L.; RENNÂ, C. D.; ALMEIDA, C. A; MONTEIRO, A. M. V. Monitoramento do desmatamento. In: MARTINE, G. (ed.). População e sustentabilidade na era das mudanças ambientais globais: contribuição para uma agenda brasileira. Belo Horizonte: ABEP, 2012. p. 223-238.
VOGELS, M. F. A.; DE JONG, S. M.; STERK, G.; ADDINK, E. A. Mapping irrigated agriculture in complex landscapes using SPOT6 imagery and object-based image analysis – A case study in the Central Rift Valley, Ethiopia. International Journal of Applied Earth Observation and Geoinformation. vol. 75, no. May 2018, pp. 118–129, 2019.
YAN, G., MAS, J. F.;MAATHUIS, B. H. P.; XIANGMIN, Z.;VAN DIJK, P. M. Comparison of pixel-based and object-oriented image classification approaches-A case study in a coal fire area, Wuda, Inner Mongolia, China. International Journal of Remote Sensing, 27, 4039–4055, 2006.

Downloads

Publicado

2019-12-11

Edição

Seção

Artigos

Como Citar

Cartografia do Invisível: Revelando a Agricultura de Pequena Escala com Imagens Rapideye na Região do Baixo Tocantins, Pa. (2019). Revista Do Departamento De Geografia, 38, 137-153. https://doi.org/10.11606/rdg.v38i1.151603