Mapeamento de Muçunungas no sul da Bahia e norte do Espírito Santo utilizando técnicas de sensoriamento remoto

Abstract

Em áreas de domínio da Formação Barreiras na região sul da Bahia e norte do Espírito Santo ocorre um tipo de ambiente diferenciado em termos de vegetação e características edáficas, denominado regionalmente de Muçununga. São encontradas principalmente sobre Espodossolos, ecologicamente únicas em função das adaptações às condições de pobreza nutricional do solo, com espécies tolerantes a extremos de excessos e falta de água, e ainda representam um dos ecossistemas associados à Mata Atlântica. Esse trabalho teve como objetivos: 1) avaliar o desempenho dos classificadores da Máxima Verossimilhança e Support Vector Machine e a contribuição de diferentes composições de bandas multiespectrais, do índice de vegetação da diferença normalizada (NDVI), e da análise de componentes principais das imagens do sensor TM/Landsat5 para a separação de feições das muçunungas. 2) Avaliar as classificações supervisionadas para a separação de feições de muçununga, tendo como referência a classificação visual. 3) Avaliar o padrão de distribuição, o tamanho, frequência e densidade das muçunungas na região. Foram adquiridas nove cenas do satélite/sensor Sensor TM/Landsat5-TM (Thematic Mapper) da órbita 215, pontos 71, 72 e 73 do dia 29/05/2006; da órbita 216, pontos 71, 72 e 73 do dia 19/07/2007 e da órbita 215, pontos 71, 72 e 73 do dia 27/08/2007 com resolução espacial de 30 metros, que englobam desde o município de Linhares- ES até Prado-BA divididas em três áreas: região litorânea do Espírito Santo, região litorânea da Bahia e região do interior de ambos os estados. Além disso, foram disponibilizados pela empresa Fibria Celulose três mosaicos de imagens do satélite Rapideye com as devidas correções radiométricas e geométricas. As classes de uso do solo foram estabelecidas de acordo com o conhecimento prévio da área. Foram coletadas 75 amostras de treinamento para cada classe estudada e as amostras de validação foram obtidas a partir de base de dados de uso do solo fornecida pela Fibria Celulose. Foi realizada a combinação de dez bandas: seis bandas do Sensor TM/Landsat5 (bandas 1, 2, 3, 4, 5 e 7), uma do índice de vegatação NDVI e as três primeiras componentes principais. Para a classificação supervisionada do algoritmo MaxVer, as bandas foram agrupadas em combinações de uma até 10 bandas perfazendo um total de 1023 combinações, processadas no software ArcGIS10.1. A classificação supervisionada do algoritimo Support Vector Machine foi realizada no software Envi, testando as dez melhores combinações geradas no MaxVer de cada uma das três áreas estudadas. A avaliação da exatidão das classificações foi realizada a partir das matrizes de confusão que foram obtidas pelo cruzamento dos mapas temáticos, resultantes da classificação. A região foi dividida em faixas de 10 km de extensão a partir do litoral em direção ao interior dos estados da Bahia e do Espírito Santo. Nestas faixas, analisaram a percentagem e a área de muçunungas. Também foram analisados quatro recortes da região na direção leste/oeste, com objetivo de analisar a distribuição, a frequência e a densidade das muçunungas na região. A partir dos resultados das classificações, o desempenho do classificador Support Vector Machine (SVM) pode ser considerado satisfatório. Entretanto, classificador MaxVer obteve melhores resultados para as três regiões analisadas. As áreas classificadas como Muçununga confundiram-se com outras classes tais como pastagem, eucalipto, mata, corpo d agua devido às características espectrais desse enclave vegetacional. O mapa temático produzido pela classificação supervisionada da melhor combinação em cada região, utilizando o algoritmo Maxver, atingiu índice Kappa de 0,91 no Espírito Santo; 0,90 na Bahia e 0,81 na região do interior. A combinação de uma e duas bandas obtiveram resultados inferiores enquanto que os melhores resultados foram com combinações de 6 a 8 bandas. O uso do índice de vegetação normalizada (NDVI) promoveu melhora no índice Kappa, mas o incremento é mais notável na classificação obtida a partir da combinação destes com as bandas do visível. A utilização das componentes principais não representou aumento representativo na acurácia das classificações, exceto para aquelas que só apresentavam bandas do visível. A distribuição das muçunungas apresentou um padrão heterogêneo, pois aumenta sua ocorrência à medida que se distanciava do litoral até 40 km. A partir do kilometro 50 até aos 80 houve um decréscimo explicado pela aproximação do Embasamento Cristalino. Foram mapeadas 2254 áreas de muçunungas em toda a região, a partir da imagem satélite Rapideye. Assim, são cerca de 9,08% da região mapeada com presença de muçunungas. Apesar da percentagem baixa de muçunungas, a quantidade delas é representativa na região e a maioria delas são menores que cinco hectares. Assim, fazem-se necessários esforços para se conhecer a distruibuição espacial das muçunungas, no sentido de gerar subsídios para a conservação dos remanescentes.

In areas of the field of Training Barriers in southern Bahia and northern Espírito Santo is a kind of distinctive environment in terms of vegetation and soil characteristics, known regionally Muçununga. They are mainly found on Spodosols, ecologically unique adaptations depending on the conditions of nutritional poverty of the soil, with species tolerant to extremes of excess and lack of water, and still represent an ecosystem associated with the Atlantic Forest. This study aimed to: 1) evaluate the performance of the Maximum Likelihood classifiers and Support Vector Machine and the contribution of different compositions of multispectral bands, the vegetation index (NDVI), and principal component analysis of sensor images TM/Landsat5 for separating features of muçunungas. 2) Assess the supervised classifications for separating features of muçununga, with reference to the visual classification. 3) evaluate the distribution pattern, size, frequency and density of muçunungas in the region. We acquired nine scenes from the satellite / sensor Sensor TM/Landsat5-TM (Thematic Mapper) orbit 215, paragraphs 71, 72 and 73 days 29/05/2006; orbit 216, paragraphs 71, 72 and 73 on 19 / 07/2007 and orbit 215, paragraphs 71, 72 and 73 day 27/08/2007 with spatial resolution of 30 meters, which range from the municipality of Linhares-up Prado ES-BA divided into three areas: the coastal region of Spirit Santo, Bahia coastal region and the interior region of both states. Moreover, were provided by the company Fibria Cellulose three mosaics of RapidEye satellite images with radiometric and geometric corrections. The classes of land use were established according to the prior knowledge of the area. We collected 75 samples for each training class studied and validation samples were obtained from the database of land use provided by Fibria Cellulose. We performed a combination of ten bands, six bands of the sensor TM/Landsat5 (lanes 1, 2, 3, 4, 5 and 7), one index vegatação NDVI and the first three principal components. For supervised classification algorithm MaxVer, the bands were grouped in combinations of one to 10 bands for a total of 1023 combinations processed using ArcGIS10.1. A supervised classification algorithm of Support Vector Machine was held at Envi software, testing the ten best combinations MaxVer generated in each of the three areas studied. The evaluation of the accuracy of the classifications was performed from the confusion matrices that were obtained by crossing thematic maps derived classification. The region was divided into ranges of 10 km long from the coast towards the interior of the states of Bahia and Espírito Santo. In these bands, and analyzed the percentage area muçunungas. Were also analyzed four indentations in the region east / west, aiming to analyze the distribution, frequency and density of muçunungas in the region. From the results of ratings, performance classifier Support Vector Machine (SVM) can be considered satisfactory. However, MaxVer classifier obtained better results for the three regions analyzed. The areas classified as Muçununga merged with other classes such as pasture, eucalypt forest, body of water due to the spectral characteristics of vegetation enclave. The thematic map produced by supervised classification of the best combination in each region, using the algorithm Maxver reached Kappa index of 0.91 in the Holy Spirit, 0.90 and 0.81 in the Bahia region of the interior. The combination of one or two bands inferior results obtained while the best results were combinations with 6-8 bands. The use of normalized difference vegetation index (NDVI) has promoted improvement in Kappa, but the increase is most notable in the classification obtained from the combination of these with the visible bands. The use of principal components representative did not represent an increase in the accuracy of the ratings except for those who had only the visible bands. The distribution of muçunungas presented a heterogeneous pattern, it increases its occurrence as it departed from the coast up to 40 km. From kilometer 50 to 80 there was a decrease explained by the approach of Crystalline Basement. 2254 were mapped areas muçunungas across the region, from the RapidEye satellite image. So are approximately 1.08% of the mapped region with presence of muçunungas. Despite the low percentage of muçunungas, the amount of which is representative of the region and most of them are smaller than five hectares. So do efforts are required to know the space of distruibuição muçunungas in order to generate information for the conservation of the remnants.