Você está na página 1de 127

Fundao Universidade Regional de Blumenau

Centro de Cincias Tecnolgicas


Programa de Ps-Graduao
Mestrado em Engenharia Ambiental

PROCESSAMENTO DIGITAL DE IMAGENS DE ALTA RESOLUO ESPACIAL


COM ENFOQUE NA CLASSIFICAO DOS ESTGIOS SUCESSIONAIS
INICIAIS DA FLORESTA OMBRFILA DENSA EM SANTA CATARINA

GUSTAVO ANTONIO PIAZZA

Blumenau
2014

GUSTAVO ANTONIO PIAZZA

PROCESSAMENTO DIGITAL DE IMAGENS DE ALTA RESOLUO ESPACIAL


COM ENFOQUE NA CLASSIFICAO DOS ESTGIOS SUCESSIONAIS
INICIAIS DA FLORESTA OMBRFILA DENSA EM SANTA CATARINA

Dissertao apresentada ao Programa de PsGraduao em Engenharia Ambiental da


Fundao Universidade Regional de Blumenau,
como requisito obteno do ttulo de mestre
em Engenharia Ambiental.
Orientador: Dr. Alexander Christian Vibrans

Blumenau
2014

Piazza, Gustavo Antonio, 1989Processamento digital de imagens de alta resoluo espacial com
enfoque na classificao dos estgios sucessionais iniciais da Floresta
Ombrfila Densa em Santa Catarina / Gustavo Antonio Piazza.
Blumenau, FURB : 2014.
127 f. : il;
Orientador: Alexander Christian Vibrans.
Dissertao (mestrado) - Fundao Universidade Regional de
Blumenau, Centro de Cincias Tecnolgicas, Programa de PsGraduao em Engenharia Ambiental.
Banca: Veraldo Liesenberg e Jlio Cesar Refosco.
Bibliografia: 110-120
1. Sensoriamento remoto. 2. Aerofotografia de alta resoluo. 3.
Classificao orientada a objetos. 4. Minerao de dados. 5.
Regenerao.

PIAZZA, G. A. Processamento digital de imagens de alta resoluo espacial com


enfoque na classificao dos estgios sucessionais iniciais da Floresta Ombrfila
Densa em Santa Catarina. 2014. 127p. Dissertao (Mestrado em Engenharia
Ambiental). Centro de Cincias Tecnolgicas. Fundao Universidade Regional de
Blumenau, Blumenau, Santa Catarina.

ii

I've got a feeling, a feeling deep inside ... , The Beatles

iii

AGRADECIMENTOS
A Coordenao de Aperfeioamento de Pessoal de Nvel Superior (CAPES),
pela bolsa de estudos e pelo auxlio financeiro nas campanhas de campo.
Ao meu orientador Alexander Christian Vibrans por ter aceitado minha
orientao, por acreditar em meu potencial e por me apoiar na realizao deste
trabalho. Obrigado por me guiar nessa caminhada.
Aos membros da banca, Veraldo e Jlio, por aceitarem o convite e dar sua
contribuio para o aprimoramento deste estudo.
A Secretaria de Desenvolvimento Sustentvel (SDS) de Santa Catarina, pelo
fornecimento das imagens que vieram a ser base deste trabalho.
Aos meus colegas do IFFSC, Paolo, Laio, Dbora, Joo (JP), Manoela,
Murilo, Aron, Suelen, Luana, Camila, Taysa e Diego, por tornarem o ambiente de
trabalho um local tranquilo e divertido.
Ao pessoal do laboratrio de Geoprocessamento e Sensoriamento Remoto,
pela disponibilidade de utilizao de suas instalaes e pelo suporte tcnico.
Um agradecimento em especial aos meus colegas Laio Zimmeram, grande
companheiro de campo; e Paolo Moser, o estatstico.
Ao Prof. Alexandre Siminski pela contribuio e correo no obrigatria de
minha dissertao.
Ao pessoal da Universidade de Lavras, Prof. Luiz, Pedro e pessoal do
LEMAF, pelas orientaes no manejo do software eCognition.
A todo corpo docente do Programa de Ps-Graduao em Engenharia
Ambiental, Adilson, Ivone, Juarez, Joel, pelo conhecimento compartilhado.
Aos colegas de Ps-Graduao, Leandro, Rafael, Marlon, Thiago, Bruna,
Maria Luiza e Neli, pela companhia nesta caminhada.
A minha famlia pela insistncia e pelo apoio dado ao longo de minha vida.
Vocs so exemplo para mim.
A minha amada Mariana por seu amor, colaborao, pacincia,
companheirismo, carinho e por ter me aguentado durante a elaborao deste estudo.
Voc minha fonte de inspirao, me traz tranquilidade e alegria. Obrigado por
existir na minha vida.
A todas as pessoas que de alguma forma contriburam para a realizao deste
trabalho.

iv

RESUMO
A obteno de imagens por sensores pticos remotamente situados foi essencial
para a evoluo dos estudos ambientais. No caso do mapeamento florestal, esta
tecnologia utilizada para avaliar e quantificar a cobertura e sua dinmica,
permitindo tambm identificar usos e atividades antrpicas. No Estado de Santa
Catarina, alguns mapeamentos j foram efetuados para quantificar remanescentes
florestais por meio do sensoriamento remoto empregando imagens de mdia
resoluo espacial. Os resultados destes mapeamentos, no entanto, so muito
discrepantes. Isto pode ter ocorrido devido aos critrios utilizados para definir
classes de floresta e pela dificuldade de se classificar a vegetao nos seus estgios
iniciais de regenerao por meio de imagens de mdia resoluo espacial. Neste
estudo foi abordada a classificao orientada a objetos (OBIA) e a tcnica da
minerao de dados a fim de classificar estgios sucessionais de florestas secundrias
da Floresta Ombrfila Densa (FOD) em trs distintas reas testes do Estado de
Santa Catarina. Parcelas em campo foram mensuradas visando fornecer verdade
terrestre para a pr-classificao e para avaliar a acuracidade. No processamento
utilizaram-se trs imagens de alta resoluo espacial (0,39 x 0,39 m) obtidas pelo
sensor SAAPI, com trs bandas no visvel (0,38 - 0,70 m), trs bandas no
infravermelho prximo (0,76 - 0,78 m), um modelo de terreno e um modelo de
superfcie. A anlise orientada a objetos utilizou o algoritmo de segmentao
multiresoluo para desenhar objetos e calcular os atributos estatsticos, espaciais e
texturais. A tabela com os atributos foi utilizada para a minerao de dados,
selecionando atributos relevantes e classificando a base de dados pelo algoritmo de
rvore de deciso J48. O resultado da rvore J48 foi extrado no formato if-else e
utilizado para classificao. A segmentao utilizada apresentou resultados
satisfatrios em relao resoluo espacial da imagem e as feies terrestres
presentes. Os dados de campo (e.g. DAP, AB, N e Htm), alm de fornecer
reconhecimento de padres das imagens, foram utilizados em testes de correlao
com os atributos calculados nas imagens. Os resultados gerados pela OBIA se
mostraram satisfatrios para classificar estgios sucessionais iniciais da FOD, assim
como outras classes de uso do solo. Os mapas temticos apresentaram resultados de
exatido geral entre 0,89 e 0,91 e para o ndice Kappa 0,87 a 0,90. Todos os ndices
por classe (produtor, usurio e Kappa) foram superiores a 0,79. Os melhores
desempenhos, dos ndices do produtor e do usurio foram para as classes: gua,
banana, pastagem, floresta em estgio inicial, edificaes/urbano, rizicultura e
sombra; e os piores: floresta plantada, floresta em estgio avanado, estgio mdio,
solo exposto e agricultura. As correlaes dos diferentes atributos estatsticos e
dados de campo foram altamente significativas. Por final, compararam-se os
resultados obtidos pela anlise orientada a objetos com metodologias tradicionais
(Mxima Verossimilhana e K-means), corroborando a superioridade da OBIA. Estes
resultados demonstram o potencial do uso da OBIA para melhorar a discriminao
e mapeamento de estgios sucessionais da FOD e outras classes de uso e ocupao
do solo.
Palavras-chave: sensoriamento remoto, aerofotografia de alta resoluo espacial,
anlise orientada a objetos, minerao de dados, florestas secundrias.

ABSTRACT
The use of optical remote sensing images was essential to the evolution of
environmental studies. Forest mapping benefits the remote sensing technology
because it can be used to evaluate and to quantify forest coverage. Hence, their
dynamics over time enabling therefore to identify human uses and activities.
Mapping procedures were performed in the past in the State of Santa Catarina in
order to quantify forest remnants through remote sensing techniques employing
moderate spatial resolution images. However, the obtained results of these mapping
procedures are controversies. These may have occurred due to different criteria used
to define forest classes and the difficulty of classifying early successional forest
stages using moderate spatial resolution images. In this study the object oriented
image classification (OBIA) and the data mining techniques were used to classify
successional stages of secondary forests of the Atlantic Forest (Dense
Ombrophilous Forest - DOF) in three distinct test sites in Santa Catarina, south
Brazil. Fields measurements were conducted in order to provide ground truth to the
pre-classification and in a later stage to evaluate the overall classification accuracy.
Three high spatial resolution images (0.39 x 0.39 m) obtained by the SAAPI sensor
were processed with three visible layers (0,38 - 0,70 m), three near infrared layers
(0,76 - 0,78 m), one digital terrain model (DTM), and one digital surface model
(DSM). OBIA used multiresolution segmentation to delineate the objects and to
calculate statistical, spatial and textural attributes. The attribute table was used in the
data mining processes selecting relevant attributes and classifying the data base by
the J48 decision tree algorithm. The result of the J48 tree was extracted in the if-else
format and imported to classification. The field data (e.g. DBH, G, N, Htm) besides
providing recognition of image patterns were also used to establish correlation
coefficients with the image generated attributes. The results of the OBIA were
satisfactory to classify initial stages of DOF as well as other land use classes. The
thematic maps reached both global and Kappa accuracy ranges of 0.87 to 0.90 and
0.87 to 0.90. All indexes per class (producer, user and Kappa) were superior than
0.79. The best performances related to producer and user accuracy were: water,
banana, pasture, forest in early stages, buildings/urban, rice cultivation and shade.
The worst performance were observed for: planted forest, forest in advanced stage,
intermediate stage, exposed soil and agriculture. High and significant correlation
coefficients were found between statistical attributes and field data. A comparison
between results of OBIA and traditional methodologies (e.g. Maximum Likelihood
and K-means) corroborates the superiority of OBIA. The presented results show
the potential of OBIA to upgrade mapping procedures and discrimination of
sucessional stages and other land use classes in Atlantic Forest environments.
Keywords: remote sensing, high spatial resolution, data mining, object-oriented
classification, data mining, secondary forests.

vi

LISTA DE ILUSTRAES
Figura 1. rea de domnio do Bioma Mata Atlntica no Brasil..............................................................17
Figura 2. Mapa fitogeogrfico da vegetao de Santa Catarina baseado em Klein (1978) .................18
Figura 3. Exemplo de processo de sucesso secundria de acordo com a ocorrncia de espcies ..27
Figura 4. Exemplo da primeira etapa do estgio inicial da Floresta Ombrfila Densa ......................28
Figura 5. Exemplo de rebrota por troncos parcialmente danificados ...................................................29
Figura 6. Exemplo de vegetao secundria em estado inicial com perda de camada superficial do
solo na Floresta Ombrfila Densa................................................................................................................30
Figura 7. Exemplo do aparecimento de espcies tolerantes a sombra na etapa de fechamento do
dossel da Floresta Ombrfila Densa ............................................................................................................31
Figura 8. Exemplo de sub-bosque bem desenvolvido com abundncia de epfitas e xaxins na
Floresta Ombrfila Densa .............................................................................................................................33
Figura 9. Comparativo de duas imagens na regio de Gaspar (A) LANDSAT-5/TM (rbita/ponto:
220/79), adquirida em 2010 na composio 321 (RGB), escala 1:20.000 e aerofotografia de alta
resoluo espacial de um Sistema Aerotransportado de Aquisio e Ps-processamento de Imagens
(SAAPI) adquirido em 2011, na composio 321 (RGB), nas escalas: (B) 1:20.000; (C) 1:6.000; e (D)
1:2.000 ...............................................................................................................................................................39
Figura 10. Classificao pixel-a-pixel com o software ENVI na cidade de Itaja a partir de uma
imagem LANDSAT-5/TM (2000) (rbita/ponto: 220/79). (A) imagem na composio 453 (RGB);
(B) imagem classificada pela tcnica da mxima verossimilhana; (C) subset da imagem na
composio 453 (RGB); e (D) subset da imagem classificada .................................................................43
Figura 11. Imagem de alta resoluo espacial obtida pelo sensor SAAPI (2011) de uma rea agrcola
do municpio de Indaial, segmentada no programa eCognition com os parmetros: 0,5 forma, 0,5
compacidade e 200 escala (default) .................................................................................................................43
Figura 12. Diagrama de execuo do algoritmo multiresolution segmentation ............................................45
Figura 13. Interpretao de imagem a partir de atributos em uma rea agrcola de Indaial por meio
de uma imagem de alta resoluo espacial na composio 321, sensor SAAPI (2011) .......................47
Figura 14. Atributos disponveis no software eCognition ......................................................................48
Figura 15. Tipos de funes de pertinncia utilizadas no software eCognition ...............................53
Figura 16. Localizao das trs reas teste .................................................................................................56
Figura 17. Estrutura de uma imagem do sensor SAAPI com: (A) 9 e (B) 12 cenas, para cobrir a
UAP (amarelo) .................................................................................................................................................58
Figura 18. Estrutura da UA utilizada nos levantamentos em campo, baseada em Vibrans et al.
(2010) .................................................................................................................................................................60
Figura 19. Fluxograma da metodologia utilizada no trabalho.................................................................65
Figura 20. Cenrios de segmentao gerados com escala de segmentao de 100 (A) e 300 (B), sob
os mesmos parmetros de forma e compacidade (forma: 0.1 e compacidade: 0.1) em uma imagem
de alta resoluo espacial adquirida pelo sensor SAAPI (2011) ...............................................................67
Figura 21. Esquema estrutural do resultado de uma rvore de deciso pelo algoritmo J48 ..............71
Figura 22. Linguagem if-else da rvore de deciso da rea teste A ..........................................................71
Figura 23. Regras de deciso convertidas do formato if-else (WEKA) para o formato do
eCognition, para as classes estgio inicial (A) e avanado (B) ..............................................................72
Figura 24. Recorte das imagens de alta resoluo espacial adquirida pelo sensor SAAPI (2011) na
composio 321 (RGB) e com suas respectivas UA..................................................................................77
Figura 25. Anlise de agrupamento com variveis dendromtricas entre as UA (=0,05) ................80
Figura 26. Anlise de agrupamento com dados de composio de espcies entre as UA: medida de
similaridade de Bray-Curtis (A) e Jaccard (B)..............................................................................................80

vii

Figura 27. Resultados obtidos no perodo de teste de segmentao da rea teste A e os respectivos
parmetros de utilizados para a imagem de alta resoluo espacial obtida pelo sensor SAAPI (2011)
na composio 321 (RGB) .............................................................................................................................86
Figura 28. Desenho das rvores de deciso J48 das reas testes A (A), B (B) e C (C) .......................90
Figura 29. Grandes ns das rvores de deciso das reas teste A (A) e C (B) .....................................91
Figura 30. Perfil espectral de amostrass de classes de uso do solo na rea teste A .............................91
Figura 31. Perfil espectral de amostras das classes da vegetao da rea teste A ................................92
Figura 32. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste A pela OBIA, escala 1:38.000, prxima divsa dos municpios
de Acurra e Indaial ..........................................................................................................................................93
Figura 33. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste B pela tcnica da analise orientada a objetos, escala 1:40.000,
no municpio de Gaspar .................................................................................................................................95
Figura 34. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste C pela OBIA, escala 1:40.000, prxima divsa dos municpios
de Luiz Alves e Massaranduba ......................................................................................................................97
Figura 35. (A) Recorte do mapa temtico da rea teste A pela tcnica da mxima verossimilhana e
(B) recorte da imagem de alta resoluo espacial do sensor SAAPI na composio 321 (RGB). A
legenda das classes de uso do solo referente a Figura 32 .................................................................... 100
Figura 36. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); Classificao pela: (B) OBIA; (C) mxima verossimilhana; e (D) classificao por K-means,
da rea teste A em Indaial/Ascurra, escala 1:40.000............................................................................... 102

viii

LISTA DE TABELAS
Tabela 1. Formas de classificao da dinmica da vegetao entre as fases sucessionais das florestas
tropicais .............................................................................................................................................................35
Tabela 2. Descrio de alguns atributos estatsticos e espaciais disponveis no eCognition ..........48
Tabela 3. Descrio de alguns atributos texturais disponveis no software eCognition ....................50
Tabela 4. Representao matemtica da matriz de confuso..................................................................53
Tabela 5. Variveis mensuradas e calculadas a partir dos levantamentos em campo e suas utilidades
em relao etapa de correlao ...................................................................................................................59
Tabela 6. Dados de entrada do sensor SAAPI por rea teste.................................................................64
Tabela 7. Parmetros utilizados na criao dos diferentes cenrios de segmentao .........................66
Tabela 8. Exemplo de classes utilizadas e suas caractersticas de acordo com a imagem de alta
resoluo espacial do sensor SAAPI (2011) na composio 321 (RGB) ...............................................67
Tabela 9. Diferentes perspectivas de uma cena de acordo com o atributo analisado ........................69
Tabela 10. Nmero de amostras (objetos) por classe ..............................................................................70
Tabela 11. Exemplo de preenchimento de descritores e funes de pertinncia por classe utilizado
na OBIA............................................................................................................................................................72
Tabela 12. Nmero de amostras (objetos) de referncia por classe para validao do mapa ............73
Tabela 13. Chave de interpretao de desempenho do ndice Kappa de Landis e Koch (1977). .....74
Tabela 14. Estimativas das variveis dendromtricas do estrato arbreo das UA com intervalo de
confiana ( = 0,05) ........................................................................................................................................76
Tabela 15. Resumo das variveis analisadas pela ANOVA para as subunidades ( = 0,05) .............76
Tabela 16. Resumo das variveis analisadas pela ANOVA entre as UA (=0,05) ..............................78
Tabela 17. Resultados do teste de igualdade por Tukey-Kramer para as variveis N, AB, DAP e H
no estrato arbreo (=0,05) ...........................................................................................................................78
Tabela 18. ndice de Srensen a partir da similaridade de Bray-Curtis no estrato arbreo entre as
UA ......................................................................................................................................................................81
Tabela 19. Riqueza e ndices de diversidade por UA no estrato arbreo .............................................81
Tabela 20. Nmero de espcies por subunidade no estrato arbreo ....................................................81
Tabela 21. Ranking de abundncia de espcies no estrato arbreo por UA ........................................82
Tabela 22. Classificao das UA por variveis dendromtricas em relao resoluo CONAMA
04/1994 .............................................................................................................................................................83
Tabela 23. Estimativas das variveis dendromtricas por UA para indivduos da regenerao com
intervalo de confiana ( = 0,05) ..................................................................................................................83
Tabela 24. Resumo da ANOVA aplicado s subunidades (=0,05) .....................................................83
Tabela 25. Resumo da ANOVA aplicada s UA (=0,05) para a varivel N na regenerao...........84
Tabela 26. Resultados do teste de Tukey-Kramer para a varivel N na regenerao (=0,05).........84
Tabela 27. Atributos selecionados para classificao por rea teste ......................................................87
Tabela 28. Ranking dos 10 melhores atributos de acordo como mtodo de avaliao Gain Ratio e
pelo mtodo de procura Ranker ....................................................................................................................89
Tabela 29. Arquitetura das rvores por rea teste ....................................................................................89
Tabela 30. Nmero de regras de deciso por classe de acordo com a rea teste ................................91
Tabela 31. Matriz de confuso da classificao da rea teste A pela tcnica da OBIA ......................94
Tabela 32. Matriz de confuso da classificao da rea teste B pela tcnica da OBIA ......................96
Tabela 33. Matriz de confuso da classificao da rea teste C pela tcnica da OBIA ......................98
Tabela 34. Matriz de confuso da rea teste A pela tcnica da mxima verossimilhana ..................99
Tabela 35. Matriz de confuso da rea teste A pela tcnica K-means .................................................. 100

ix

Tabela 36. Resultados individuais das matrizes de confuso dos mapas temticos da rea teste A
......................................................................................................................................................................... 101
Tabela 37. Anlise do ndice Kappa para a comparao em pares dos resultados das matrizes de
confuso dos mapas temticos da rea teste A ........................................................................................ 101
Tabela 37. ndices de produtor e usurio, exatido geral e ndice Kappa de acordo com cada classe
de mapeamento e metodologia utilizada, por meio de um sensor SAAPI (2011) ............................. 102
Tabela 39. Comparao do resultado utilizando um sensor SAAPI (2011) com autores da literatura
com resoluo espacial e/ou metodologia semelhante .......................................................................... 103
Tabela 40. Intervalo mdio de tempo utilizado para processar imagens do sensor SAAPI (2011)
......................................................................................................................................................................... 105
Tabela 41. Valores de correlao dos atributos estatsticos, espaciais e texturais em relao aos
dados de campo (=0,05) referentes ao sensor SAAPI (2011) ............................................................. 106

LISTA DE ABREVIATURAS E SIGLAS


ArcGIS

Sistema de Informao Geogrfica desenvolvido pela empresa ESRI


(Enviromental Systems Research Institute).
CAP
Comprimento a altura do peito, varivel dendromtrica medida em
centmetros na circunferncia do tronco de uma rvore a 1,30 m do solo.
DA
Densidade Absoluta, expressa em indivduos/ha.
DAP
Dimetro a altura do peito, calculado pela relao entre o CAP e .
DoA
Dominncia Absoluta, expressa em m/ha.
DoR
Dominncia Relativa, expressa em porcentagem (%).
DR
Densidade Relativa, expressa em porcentagem (%).
eCognition Software de anlise, extrao e classificao de informaes geoespacial de
imagens desenvolvido pela empresa Definiens Developer.
EEM
Espectro eletromagntico.
ENVI
Environment for visualizing images programa de visualizao, explorao,
anlise e classificao de dados na rea de sensoriamento remoto.
FED
Floresta Estacional Decidual.
FIR
Far infrared, intervalo do EEM referente ao infravermelho distante.
FOD
Floresta Ombrfila Densa.
FOM
Floresta Ombrfila Mista.
ha
Hectare, unidade de medida de rea equivalente a 10.000 metros quadrados.
Htm
Altura mdia, expressa em metros (m).
IBGE
Instituto Brasileiro de Geografia e Estatstica.
IFFSC
Inventrio Florstico Florestal de Santa Catarina.
IR
Infrared, intervalo do EEM referente ao Infravermelho.
LANDSAT Conjunto de satlites norte-americanos de pesquisas terrestres.
LIDAR
Light Detection and Ranging, tecnologia ptica de deteco remota que mede
propriedades da luz retroespalhada para obter informaes terrestres.
MDT
Modelo Digital de Terreno.
MDS
Modelo Digital de Superfcie.
N
Varivel que expressa o nmero de indivduos.
ND
Nmero Digital.
NIR
Near infrared, Intervalo do EEM referente ao Infravermelho prximo.
OBIA
Objected oriented image analisys, metodologia de classificao de imagens de
sensores remotamente situados.
REM
Radiao Eletromagntica.
SAAPI
Sistema Aerotransportado de Aquisio e Ps-processamento de Imagens.
SAR
Synthetic Aperture Radar, radar ptico de deteco remota que mede
propriedades da luz refletida para obter informaes de um objeto terrestre.
SC
Estado de Santa Catarina.
SDS
Secretaria Estadual de Desenvolvimento Econmico Sustentvel.
SIG
Sistemas de Informao Geogrfica.
SPOT
Satellite Pour l'Observation de la Terre, satlite francs ptico de imagens em
alta-resoluo espacial.
SWIR
Short wave infrared, intervalo do EEM do infravermelho de ondas curtas.
VIS
Intervalo do EEM referente ao visvel.
UA
Unidade(s) Amostral(is)
UAP
Unidade Amostral da Paisagem.
UV
Intervalo do espectro eletromagntico referente ao Ultravioleta.
VC
Valor de cobertura, expresso em porcentagem (%).

xi

SUMRIO
AGRADECIMENTOS ................................................................................................................................ iii
RESUMO ......................................................................................................................................................... iv
ABSTRACT ...................................................................................................................................................... v
LISTA DE ILUSTRAES ...................................................................................................................... vi
LISTA DE TABELAS ................................................................................................................................viii
LISTA DE ABREVIATURAS E SIGLAS ............................................................................................... x
SUMRIO ....................................................................................................................................................... xi
1
INTRODUO ..................................................................................................................................13
1.1
OBJETIVOS .................................................................................................................................16
1.1.1 Objetivo geral ..........................................................................................................................16
1.1.2 Objetivos especficos ............................................................................................................16
2
REFERENCIAL TERICO ..........................................................................................................17
2.1
BIOMA MATA ATLNTICA ..................................................................................................17
2.2
REGIES FITOECOLGICAS DE SANTA CATARINA .............................................18
2.2.1 Viso aprofundada da Floresta Ombrfila Densa .......................................................19
2.3
DESMATAMENTO DA MATA ATLNTICA EM SANTA CATARINA ...................20
2.4
LEGISLAO BRASILEIRA ..................................................................................................22
2.4.1 Lei 11.428, de 22 de dezembro de 2006 ............................................................................22
2.4.2 Resoluo CONAMA 4, de 4 de maio de 1994 (BRASIL, 1994) ..............................23
2.5
SUCESSO FLORESTAL .........................................................................................................24
2.6
FLORESTAS SECUNDRIAS ................................................................................................26
2.7
PANORAMAS DA SUCESSO ..............................................................................................27
2.7.2 Estgio mdio (Arbreo pioneiro) ...............................................................................30
2.7.3 Estgio avanado (Arbreo complexo) ......................................................................32
2.7.4 Formas de apresentao dos estgios sucessionais ....................................................34
2.8
SENSORIAMENTO REMOTO ..............................................................................................36
2.8.1 Radiao eletromagntica e bandas espectrais ............................................................36
2.8.2 Tipos de Resolues .............................................................................................................38
2.8.3 Sensoriamento remoto aplicado ao estudo da vegetao ..........................................39
2.8.4 Classificao de imagens e elaborao de mapas temticos ...................................40
2.8.5 Mtodos de classificao .....................................................................................................41
2.8.6 Segmentao de imagens ....................................................................................................42
2.8.7 Algoritmo Multiresolution Segmentation ......................................................................44
2.8.8 Atributos intrnsecos aos objetos ......................................................................................46
2.8.9 Classificao orientada a objetos (OBIA) por atributos ............................................47
2.8.9.1 Minerao de dados .............................................................................................................51
2.8.9.2 Funes de pertinncia........................................................................................................52
2.8.10
Acurcia da classificao ................................................................................................53
3
MATERIAL E MTODOS .............................................................................................................56
3.1
REA DE ESTUDO ..................................................................................................................56
3.2
BASE DE DADOS ......................................................................................................................57
3.2.1 Imagens de Aerolevantamento do estado de Santa Catarina ...................................57
3.2.2 Estrutura das imagens .........................................................................................................57
3.2.3 Materiais ...................................................................................................................................58
3.3
LEVANTAMENTO EM CAMPO...........................................................................................58
3.3.1 Processamento dos dados de campo ...............................................................................60

xii

3.3.2 Anlise estatstica dos dados de campo..........................................................................62


3.3.2.1 Anlise de Varincia (ANOVA) ........................................................................................62
3.3.2.2 Comparando diferenas pareadas: teste de Tukey-Kramer...........................................62
3.3.2.3 Similaridade e diversidade ...................................................................................................64
3.4
PROCESSAMENTO DOS DADOS DE SENSORES REMOTOS.................................64
3.4.1 Dados de entrada ...................................................................................................................64
3.4.2 Segmentao ...........................................................................................................................65
3.4.3 Caracterizao das classes ..................................................................................................67
3.4.4 Seleo de atributos por meio da minerao de dados ..............................................69
3.4.5 Classificao do banco de dados pela minerao de dados .....................................70
3.4.6 Classificao dos mapas temticos no eCognition ..................................................72
3.4.7 Classificao dos mapas temticos no ENVI ...........................................................73
3.4.8 Avaliao da classificao ...................................................................................................73
3.4.9 Correlao dos dados de campo com atributos das imagens ..................................74
4
RESULTADOS E DISCUSSES ..................................................................................................76
4.1
INVENTRIOS DE CAMPO ..................................................................................................76
4.1.1 Estrato arbreo .......................................................................................................................76
4.1.1.1 Variveis dendromtricas ....................................................................................................76
4.1.1.2 Similaridade entre UA .........................................................................................................79
4.1.1.3 Similaridade e diversidade de espcies ..............................................................................80
4.1.1.4 Classificao das UA de acordo com a resoluo CONAMA 04/1994 .....................83
4.1.2 Regenerao ............................................................................................................................83
4.1.2.1 Variveis dendromtricas ....................................................................................................83
4.1.3 Discusso sobre os resultados de campo .......................................................................85
4.2
PROCESSAMENTO DAS IMAGENS...................................................................................85
4.2.1 Segmentao ...........................................................................................................................85
4.2.2 Minerao de dados ..............................................................................................................87
4.2.2.1 Seleo de atributos .............................................................................................................87
4.2.2.2 Arquitetura da rvore de deciso .......................................................................................89
4.2.3 Mapas temticos pela OBIA ..............................................................................................93
4.2.4 Mapas temticos da rea teste A por metodologias pixel-a-pixel ..........................99
4.2.4.1 Supervisionada - Mxima Verossimilhana .....................................................................99
4.2.4.2 No Supervisionada - K-means ......................................................................................... 100
4.2.5 Teste z de comparao das matrizes de confuso.................................................... 101
4.2.6 Comparao de resultados atingidos para com a literatura .................................. 103
4.2.7 Tempo de processamento por etapa............................................................................. 104
4.2.8 Correlao entre atributos e parmetros estruturais da vegetao...................... 105
5
CONSIDERAES FINAIS ....................................................................................................... 108
6
REFERNCIAS ............................................................................................................................... 110
APNDICE ............................................................................................................................................ 121

13

INTRODUO
Ecossistemas florestais apresentam elevada riqueza biolgica e diversidade gentica

(HOLDRIDGE, 1947, 1967; DINERSTEIN et al., 1995). Eles so responsveis por


fornecer habitat para 70% das espcies de animais e plantas conhecidas (MATTHEWS et
al., 2000), contribuir com a produo de biomassa terrestre (GROOMBRIDGE;
JENKINS, 2002) e fornecer benefcios vitais para a economia, sociedade e meio ambiente
(VIBRANS et al., 2013). Sua estrutura e composio so resultantes da interao, ao
longo do tempo, de fatores biticos, abiticos e antrpicos. O fator antrpico, entretanto,
h muito tempo vem prevalecendo sobre os naturais, fazendo com que a cobertura
florestal em vrias partes do globo no seja mais contnua, constituindo-se de uma espcie
de mosaico vegetal, composto por relictos de florestas em diferentes estgios de sucesso
e de degradao florestal. As principais presses antrpicas sobre as florestas naturais se
do a partir do avano da fronteira agrcola, da industrializao e da urbanizao (DEAN,
1997).
Dos diferentes biomas florestais, as florestas tropicais compem a parcela mais
ameaada devido proximidade de regies de alta taxa de crescimento demogrfico e
expanso econmica. De acordo com Viana e Tabanez (1996), a Mata Atlntica um dos
ecossistemas tropicais mais ameaados no mundo. Restando entre 11 e 16% da rea de
domnio deste bioma no Brasil (RIBEIRO et al., 2009) e 28% no estado de Santa Catarina
(VIBRANS et al., 2013). Maior parte de seus remanescentes est representada por
fragmentos de formaes florestais secundrias (SIMINSKI et al., 2004; SCHUCH, 2011,
SIMINSKI et al., 2013), poucos ncleos ainda so classificados como florestas maduras,
ditas primrias, sendo que para alguns autores estas florestas j no existem nas regies
temperadas, boreais, subtropicais e tropicais. Os remanescentes florestais maduros ou
bem conservados que remanescem em Santa Catarina, conforme reportado por Reis et al.
(1995) e Liebsch et al. (2008), podem estar concentrados em reas de maior altitude,
declividade e/ou de difcil acesso. Em consequncia do desmatamento passado e atual de
florestas tropicais primrias, um interesse crescente sobre a importncia das florestas
secundrias vem ocorrendo (BORMANN; LIKENS, 1979; SPURR; BARNES, 1980;
OLIVER, 1981; WHITNEY; FOSTER, 1988; DUBOIS, 1990; ABRAMS; NOWACKI,

14

1992; SCHELHAS; GREENBERG, 1996; LUGO, 1997; RISWAN; KARTAWINATA,


1998; SMITH et al., 1999, EMRICH et al., 2000; CHOKKALINGAM; JONG, 2001).
Ao iniciar uma pesquisa sobre florestas secundrias se faz necessrio conhecer
como estas se constituem, ou seja, como acontece sua regenerao. Uma forma de
compreender estes processos de regenerao envolve a anlise das mudanas florsticas e
estruturais da vegetao nas diversas escalas de tempo (MANTOVANI, 1998), geralmente
por meio de estudos simultneos das fases de sucesso. Nestes casos, o acompanhamento
em campo consiste da forma mais eficaz de anlise da dinmica florestal, pois contempla
etapas de crescimento, mortalidade, rebrota e recrutamento de plantas de diferentes
formas de vida no tempo (FOSTER; TILMAN, 2000; SHEIL, 2001). Porm, no campo a
desvantagem aparece na quantidade de tempo demandada para a mensurao de tais
informaes, que podem ser de mdio a longo prazo, dependendo da rea analisada.
O sensoriamento remoto ptico tornou-se, nas ltimas dcadas, com os avanos
tecnolgicos e o aperfeioamento da resoluo espacial das imagens adquiridas uma fonte
de dados de grande valia para a anlise e a classificao da cobertura florestal, assim como
o monitoramento de mudanas (JENSEN, 2005). Com as imagens destes sensores
remotamente situados possvel extrair informaes acuradas de objetos terrestres e gerar
mapas de uso e cobertura do solo, que para Clark et al. (2010), so vitais para monitorar,
entender e prever os efeitos da complexa interao homem-natureza em escala local,
regional e global. Tcnicas de processamento digital de dados de sensoriamento remoto e
a classificao destas imagens foram inicialmente utilizadas para mapear reas desmatadas
(TUCKER; TOWNSHEND, 2000), enquanto que a identificao da regenerao, como
florestas secundrias, no foi alvo principal das anlises (VIBRANS et al., 2013). Isto
aconteceu, pois mtodos tradicionais de processamento de imagens podiam ser afetados
por alguns fatores, como por exemplo, o tamanho das reas analisadas e a resoluo
espacial, espectral, temporal ou radiomtrica das imagens, que no eram adequadas para
esta finalidade. Recentemente, entretanto, mltiplas fontes j se encontram disponveis
para extrair informaes detalhadas dos objetos terrestres (GISLASON et al., 2006),
como modelos digitais de elevao e seus subprodutos (BRADTER et al., 2011), dados de
levantamentos florsticos, sries temporais (HTTICH et al., 2011) e, recentemente,
sistemas SAR (Synthetic Aperture Radar) e de LIDAR (Light Detection and Ranging)
(CASTILHO et al., 2012). De acordo com Wulder et al. (2004), Johansen e Pihnn (2006),

15

Wang et al. (2007) e Johansen et al. (2007), j possvel estimar parmetros estruturais da
vegetaao a partir de imagens de alta resoluo espacial e amostragens em campo.
Mesmo com o melhoramento das ferramentas de anlise digital, entretanto,
observa-se que em Santa Catarina estudos sobre a utilizao de dados de sensoriamento
remoto para a classificao de florestas secundrias ainda se mostram incipientes e
restritos a ferramentas tradicionais empregando imagens de mdia resoluo espacial
(VIBRANS et al., 2013). No de se espantar que mapeamentos da cobertura florestal e
uso e ocupao do solo realizados em Santa Catarina entre os anos de 2005 e 2010
apresentaram resultados discrepantes em relao rea florestada, com valores entre 22%
e 41% (VIBRANS et al., 2013). Estas discrepncias so, possivelmente, causadas, entre
outros fatores, pela dificuldade de classificar corretamente a vegetao nos estgios iniciais
de sucesso devido s deficincias na caracterizao espectral (como imagens de mdia
resoluo espacial) e da metodologia de classificao, e, por outro lado, pela falta de
critrios comuns para definio da classe "floresta". Esta indefinio pode ocorrer sob
ambas s perspectivas sensricas bem como florsticas. Em ordem, podem ser citadas a,
rea mnima do fragmento, alm da altura e rea basal da vegetao. Segundo Vibrans
(2003), a cobertura florestal de Santa Catarina no homognea nem contnua (mescla de
florestas e remanescentes alterados) e a separabilidade espectral das comunidades vegetais
nem sempre notvel, principalmente por meio de imagens de mdia resoluo espacial.
Alm disso, reas de remanescentes, geralmente, ocorrem em pequenas manchas,
entremeadas por reas agrcolas ou pastagens, tornando a classificao destes mosaicos de
vegetao e outros usos um verdadeiro desafio (CASTILHO et al., 2012).
A partir dessas consideraes iniciais, surgem questionamentos que servem de base
para a elaborao dessa dissertao:
1) A classificao de reas florestadas por meio de imagens de alta resoluo
espacial pode melhorar a qualidade do mapa temtico gerado?
2) As tcnicas avanadas de classificao digital de imagens poderiam ser aplicadas
para diferentes estgios de regenerao?
3) Como iria se comportar a classificao digital das imagens de alta resoluo
espacial para outras classes de uso e cobertura do solo?
4) Quais seriam as dificuldades no processamento digital destas imagens?

16

A fim de tentar responder tais perguntas foi formulada uma hiptese a partir de
trs premissas bsicas.
(1) Mtodos de processamento digital de imagens, como a classificao pixel-a-pixel
e a orientada a objetos, e a utilizao de material adicional, como modelos de superfcie e
terreno, auxiliam no reconhecimento dos alvos terrestres contidos nas imagens.
(2) A partir de imagens de alta resoluo espacial haveria um aumento da
capacidade de discriminao das informaes acerca dos alvos terrestres, ampliando
sobremaneira a possibilidade de estudos, assim como a complexidade do processamento.
(3) Estgios de sucesso do bioma Mata Atlntica so caracterizados por um
conjunto de variveis dendromtricas e estruturais, podendo ser mensuradas em campo.
Formulou-se a hiptese: A partir de imagens de alta resoluo espacial e tcnicas
avanadas de processamento digital de imagens, ancoradas em dados dendromtricos da
vegetao obtidos em campo, haveria uma melhora, em relao s metodologias
tradicionais, na acurcia da classificao dos estgios iniciais de vegetao secundria.
Decorrente destas consideraes objetivo deste trabalho caracterizar os estgios
iniciais da vegetao e sua resposta espectral e textural em imagens de alta resoluo
espacial, a fim de construir uma metodologia que permita sua classificao.
1.1

OBJETIVOS

1.1.1

Objetivo geral
Classificar os estgios sucessionais da Floresta Ombrfila Densa em trs distintas

reas teste no Estado de Santa Catarina a partir de imagens multiespectrais


aerotransportadas de alta resoluo espacial.
1.1.2 Objetivos especficos
Mensurar variveis dendromtricas em seis unidades amostrais da vegetao;
Classificar trs imagens de alta resoluo espacial por meio da classificao
orientada a objeto (OBIA) e tcnicas de minerao de dados;
Verificar o resultado do mapa temtico com base em dados de campo;
Comparar o resultado obtido com metodologias tradicionais de classificao;

Quantificar a eventual relao entre variveis dendromtricas e atributos.

17

REFERENCIAL TERICO

2.1

BIOMA MATA ATLNTICA


O Brasil formado por dois grandes blocos de florestas tropicais midas,

Amaznica e Atlntica, dividas por um extenso diagonal de formaes abertas


(VANZOLINI, 1963) ou corredor xrico (BUCHER, 1982), composto pelo cerrado,
chacos e caatinga. A Mata Atlntica a segunda maior floresta pluvial tropical do
continente americano. No sentido da definio legal (Lei 11.428/2006), tambm pode ser
denominada Floresta Atlntica sensu lato (OLIVEIRA-FILHO; FONTES, 2000), Domnio
Atlntico (AB'SBER, 2003) e Floresta Atlntica (EISENLOHR et al., 2011). Faz parte
da rea de domnio que, segundo Lei 11.428/2006, se estende por quase toda a faixa
litornea (Encosta Atlntica) do Brasil (Figura 1). Possui faixas de heterogeneidade
climtica e geomorfolgica, que promovem diferentes conjuntos florsticos (PIOTTO,
2011), como por exemplo, a Floresta Ombrfila Densa.
Figura 1. rea de domnio do Bioma Mata Atlntica no Brasil

Fonte: Ministrio do Meio Ambiente (MMA) e Fundao SOS Mata Atlntica (2008)

18

Para Leite e Klein (1990), a Floresta Atlntica possui caractersticas tropicais


mesmo sendo situada em zona extratropical. Segundo Mittermeier et al. (1999) e Myers et
al. (2000), a Floresta Atlntica considerada um hotspot 1 em termos de biodiversidade e
percentual remanescente de sua rea original.
2.2

REGIES FITOECOLGICAS DE SANTA CATARINA


As tipologias florestais catarinenses integrantes da rea de domnio do Bioma Mata

Atlntica recebem trs denominaes gerais: Floresta Ombrfila Densa (FOD); Floresta
Ombrfila Mista (FOM) e Floresta Estacional Decidual (FED) (IBGE, 2012) (Figura 2).
Figura 2. Mapa fitogeogrfico da vegetao de Santa Catarina baseado em Klein (1978)

A FOD ocorre preferencialmente nas regies costeiras at altitudes de 1.200 m ou,


de acordo com Siminski (2004), at a Serra Geral, Serra do Mar e Serra do Espigo. O
clima de ocorrncia da regio quente (mdia anual de 25C) e com chuvas intensas
(intervalos de precipitao anual de 1.500 a 2.000 mm) (SIMINSKI et al., 2011). Segundo

conceito utilizado por Norman Myers (Inglaterra) em 1988 para se referir a reas importantes para biodiversidade.

19

Klein (1980) seu dossel dominado por espcies arbreas das famlias Lauraceae e
Myrtaceae, e possui abundncia de epfitas e palmeiras.
A FOM ocorre no planalto e no Oeste Catarinense, em altitudes que variam de
500 a 1400 m, caracterizada originalmente pela presena da Araucaria angustiflia (KLEIN,
1978); e a FED ocorre predominantemente no Oeste Catarinense e se estende ao longo
do curso e das encostas do rio Uruguai, em altitude que variam de 200 at 800 m
(KLEIN, 1972).
2.2.1 Viso aprofundada da Floresta Ombrfila Densa
O termo Floresta Ombrfila Densa foi criado por Mueller-Dombois e Ellenberg
(1974), substituindo o antigo termo Floresta Pluvial ou floresta das chuvas (IBGE,
1992). Caracteriza-se pela formao de um dossel uniforme quanto a sua colorao, forma
das copas e altura, representando uma fitofisionomia muito caracterstica e com poucas
variaes sazonais durante todo o ano (REIS, 1995). A maior parte dessa fisionomia, no
Estado de Santa Catarina, impressa pela presena de grandes rvores, geralmente da
famlia Lauraceae, que dificilmente se sobressaem no dossel (KLEIN, 1980). Apesar da
ausncia de espcies tipicamente tropicais esta formao apresenta alto grau de
endemismos que esto relacionados complexidade dos ecossistemas nela inseridos
(SIMINSKI, 2004). Segundo Leite e Klein (1990), as caractersticas climticas que regem
esta tipologia so a ausncia de perodo seco, alta umidade relativa do ar e temperaturas
mdias acima de 15C. De acordo com Vibrans (2003), a FOD apresenta elevada riqueza,
presena de vrios estratos, altos valores de biomassa, alto grau de endemismo e espcies
raras, e abundncia de cips, lianas e epfitas.
Klein (1979, 1980) e Sevegnani (2003) descreveram detalhadamente a flora e a
vegetao da Floresta Ombrfila Densa. Estes autores a dividem em quatro formaes:
terras baixas (nas plancies aluviais at uma altitude de 30 m), onde espcies importantes
do seu estrato arbreo superior so Callophyllum brasiliense (olandi), Clusia criuva (manguede-formiga), Ficus organensis (figueira-da-folha-mida), Coussapoa microcarpa (figueira-matapau), Myrsine umbellata (caporoco) e Tapirira guianensis (cupiuva); a submontana (em
altitudes entre 30 e 400 metros), que tem como espcies caractersticas tpicas Sloanea
guianensis (laranjeira-do-mato), Alchornea triplinervia (tanheiro), Ocotea catharinensis (canela
preta), Aspidosperma parvifolium (peroba), Virola bicuhyba (bicuba), Myrcia pubipetala

20

(guaramirim), Hieronyma alchorneoides (licurana) e Talauma ovata (baguau); a montana


(entre 400 e 800 metros), cunhada pela presena de Duguetia lanceolata (pindabuna),
Ormosia arborea (pau-de-santo-incio), Cryptocarya moschata (canela fogo), Protium kleinii
(almcega), Copaifera trapezifolium (pau leo) e Pterocarpus violaceus (sangueiro); e
altomontana (localizada acima de 800 m de altitude), com a presena marcante de
Podocarpus sellowii (pinheiro bravo),

Weinmannia pauliniifolia (gramimunha), Lamanonia

speciosa (guaper), Tibouchina kleinii (quaresmeira), Prunus sellowii (pessegueiro bravo) e


Roupala brasilienss (carvalho brasileiro). Segundo Vibrans (2003), as formaes de terras
baixas, submontana e montana formam florestas altas e com grandes estoques de
madeiras, j a altomontana composta por uma vegetao arbrea e arbustiva mais baixa
e menos densa devido s condies ambientais adversas de grandes altitudes.
As formaes secundrias dessa fisionomia, de acordo com Vibrans (2003),
mostram importantes diferenciaes em relao sua composio de espcies: nas terras
baixas e submontanas dominam Myrsine coriacea (capororoca), Cecropia glazioui (embaba),
Miconia cinnamomifolia (jacatiro) e as quaresmeiras (Tibouchina sp.), enquanto que, na faixa
acima de 400 m, Solanum mauritianum (fumo-bravo), Mimosa scabrella (bracatinga),
Piptocarpha angustifolia (vassouro branco) e Clethra scabra (carne-de-vaca) tomam o lugar
dessas espcies.
2.3

DESMATAMENTO DA MATA ATLNTICA EM SANTA CATARINA


O processo de desmatamento e degradao da Mata Atlntica, a exemplo dos

demais ecossistemas florestais do domnio brasileiro, ocorreu a partir do incio da


colonizao europeia, entretanto no apenas pelos europeus, com a ocupao das reas
litorneas com a extrao de madeiras nobres (SIMINSKI, 2004). Em Santa Catarina este
processo no foi diferente. A degradao foi tpica a partir do processo de colonizao
aps a segunda metade do sculo XIX (VIBRANS, 2003). Os ecossistemas florestais
catarinenses foram em grande parte suprimidos com o intuito de obter espaos cultivveis
para a agricultura (SEYFERTH, 1974), e nos locais onde essas atividades foram
abandonadas surgiram florestas secundrias, formando uma paisagem de mosaicos de
vegetao em vrios estgios sucessionais (QUEIROZ, 1994) de diferentes idades e, em
menor escala, remanescentes primrios que muitas vezes encontram-se alterados. O fator

21

preponderante para a explorao madeireira no estado foi a grande quantidade e


variedade de espcies de madeiras nobres ou de considervel valor comercial.
No estado, as exploraes de madeira podem ser divididas em ciclos de
exploraes relacionados quantidade e a variedade de espcies das regies fitoecolgicas.
Por exemplo, a FOM foi a rea de maior significncia para a indstria madeireira do Sul
do pas, pelo menos por 150 anos de explorao (REIS et al., 2007), no qual o pinheiro
brasileiro (Araucaria angustifolia) e a canela imbuia (Ocotea porosa) foram as espcies mais
exploradas. A partir da dcada de 60 notou-se que as florestas naturais haviam reduzido,
assim como a disponibilidade de matria-prima madeireira (REITZ et al., 1978). Em
resposta a esta situao, houve, na dcada de 70, o incio da introduo das florestas de
Pinus spp., que substituram as florestas naturais, aumentando a fragmentao e a
degradao de reas de preservao permanente (REIS et al., 2007).
A FOD foi alvo de intensa explorao madeireira desde a colonizao at a
dcada de 80. Um dos motivos foi a alta biodiversidade e complexidade desta
fitofisionomia, assim como o grande volume e a variedade de madeiras de valor, como as
perobas (Aspidosperma sp.), canela (Ocotea sp.) e cedro (Cedrela fissilis) (VIBRANS, 2003).
Diante do histrico de degradao e da falta de polticas de conservao e extenso
florestal, os remanescentes florestais no Estado, apesar de cobrirem aproximadamente um
quarto do territrio, so constitudos em sua grande parte por florestas secundrias, que
possuem baixa biodiversidade e pouco estoque de biomassa (VIBRANS et al., 2011). A
falta de conectividade entre as reas florestadas, as quais, em sua maioria, so fragmentos
com menos de 50 hectares (VIBRANS et al., 2011), prejudica a sanidade das florestas
devido a perda de diversidade gentica, mudana na estrutura interpopulacional e
aumento da endogamia (YOUNG; BOYLE, 2000). O efeito de borda tambm
ocasionado pela fragmentao gera impactos no que diz respeito s mudanas na
composio de comunidades vegetais e animais (CAGNOLO et al., 2006; BROADBENT
et al., 2008), no incremento da mortalidade de rvores (NASCIMENTO; LAURANCE,
2004), na alterao do microclima (LAURANCE et al., 2004) e na susceptibilidade ao
fogo (COCHRANE; LAURANCE, 2002).
Alm disso, o baixo valor das terras cobertas com florestas nativas e a ineficincia
das restries legais em relao ao uso dos recursos contriburam fortemente para a
substituio das reas florestadas por outros usos do solo (SIMINSKI; FANTINI, 2009).

22

Atualmente, a preocupao est relacionada ocupao desordenada por obras pblicas e


pela especulao imobiliria.
2.4

LEGISLAO BRASILEIRA

2.4.1 Lei 11.428, de 22 de dezembro de 2006


Com objetivo de proteger, preservar e dispor sobre a utilizao da vegetao nativa
e dos remanescentes florestais da Mata Atlntica a Lei 11.428 foi criada, revogando o
Decreto anterior n 750, de 10 de fevereiro de 1993. Ela busca atingir o desenvolvimento
sustentado por meio da preservao da biodiversidade, da sade humana, de valores
paisagsticos, do regime hdrico e da estabilidade social. O documento legal caracteriza as
formaes florestais e os ecossistemas associados inseridos no domnio Mata Atlntica,
com as respectivas delimitaes estabelecidas pelo Mapa de Vegetao do Brasil do IBGE
de 2012, que englobam Floresta Ombrfila Densa (FOD), Floresta Ombrfila Mista
(FOM), Floresta Ombrfila Aberta (FOA), Floresta Estacional Semidecidual (FES),
Floresta Estacional Decidual (FED), manguezais, restingas, campos de altitude, brejos
interioranos e encraves Florestais do Nordeste.
Destas formaes florestais citadas, todas podem se apresentar na forma de
vegetao primria ou secundria em estgios inicial, mdio e avanado. A caracterizao
biolgica e florstica de vegetao primria e secundria do Bioma Mata Atlntica fica de
responsabilidade do Conselho Nacional do Meio Ambiente (CONAMA), sendo as
resolues especficas por estado. De acordo com a lei, so proibidas aes de corte,
explorao e supresso de vegetao primria ou nos estgios avanado e mdio de
sucesso do Bioma. Ou seja, o corte, supresso e explorao da vegetao do Bioma Mata
Atlntica acontecer de maneira diferenciada conforme o tipo e estgio de sucesso da
vegetao.
Em suma, entende-se que a classificao da cobertura vegetal de uma rea/regio
tem implicaes sobre os recursos florestais que sero disponibilizados (ou no) a uma
populao. Essa determinao de classe do recurso precisa ser competente de forma a no
comprometer ou beneficiar usurios, por isso, a classificao de uma regio precisa ser
sem opinio pblica.

23

2.4.2 Resoluo CONAMA 4, de 4 de maio de 1994 (BRASIL, 1994)


Para o efetivo monitoramento da cobertura vegetal faz-se necessrio a sua
classificao segundo critrios mensurveis em campo. A Resoluo CONAMA n
4/1994 o documento legal que define as formas de vegetao primria e secundria da
Mata Atlntica em Santa Catarina, em cumprimento da Lei 11.428, de 22 de dezembro de
2006. Ela descreve os parmetros da vegetao e respectivos estgios de sucesso.
Segundo Brasil (1994), vegetao primria :
aquela de mxima expresso local, com grande diversidade
biolgica, sendo os efeitos das aes antrpicas mnimos, a ponto de
no afetar significativamente suas caractersticas originais de
estrutura e de espcies e;
Vegetao secundria (em regenerao):
aquela resultante dos processos naturais de sucesso, aps
supresso total ou parcial da vegetao primria por aes antrpicas
ou causas naturais, podendo ocorrer rvores remanescentes da
vegetao primria.
Os estgios de sucesso da vegetao secundria definidos nesta resoluo podem
ser inicial, mdio ou avanado.
Estgio

inicial:

nesse

estgio

fisionomia

predominantemente

herbcea/arbustiva de baixo porte, com diversidade biolgica varivel, poucas arbreas,


abundncia de pioneiras, e podendo apresentar espcies caractersticas de outros estgios.
A altura total mdia inferior das rvores de at 4 metros, com cobertura vegetal
variando de fechada a aberta (sem sub-bosque). A distribuio diamtrica de pequena
amplitude, com DAP mdio inferior a 8 centmetros. Epfitas, quando existentes, so
representadas principalmente por lquens, brifitas e pteridfitas com baixa diversidade e
possui uma camada de serrapilheira fina pouco decomposta. Trepadeiras, se presentes,
so geralmente herbceas.
Estgio mdio: nesse estgio a fisionomia arbrea e arbustiva, podendo constituir
estratos diferenciados, com diversidade biolgica significativa. A altura total mdia das
rvores de at 12 metros, com cobertura arbrea de aberta a fechada e ocorrncia
eventual de indivduos emergentes (sub-bosque presente). Distribuio diamtrica de

24

amplitude moderada, com DAP mdio de at 15 centmetros. As epfitas aparecem em


maior nmero de espcies em relao ao estgio inicial. Trepadeiras, quando presentes,
so predominantes lenhosas. Possui uma camada de serrapilheira.
Estgio avanado: nesse estgio a fisionomia arbrea, com diversidade biolgica
elevada, formando um dossel fechado e relativamente uniforme no porte com copas
superiores horizontalmente amplas. A altura total mdia das rvores superior a 20
metros. A distribuio diamtrica de alta amplitude, com DAP mdio superior a 25
centmetros. As epfitas aparecem em grande nmero de espcies e com grande
abundncia, principalmente na FOD. Possui uma camada espessa de serrapilheira, com
sub-bosque normalmente menos expressivo do que no estgio mdio. Trepadeiras so
geralmente lenhosas. Florestas nesse estgio podem apresentar fisionomia semelhante
vegetao primria. Pode haver espcies dominantes.
Para Vieira et al. (2003), esta classificao da Resoluo CONAMA tem sido
comumente utilizada por pesquisadores que trabalham na rea de sensoriamento remoto,
por ser prtica e objetiva.
2.5

SUCESSO FLORESTAL
Antes de iniciar a discusso sobre florestas secundrias necessrio compreender

um conceito diretamente ligado ao processo de formao das florestas, o de sucesso


ecolgica; que caracteriza etapas de desenvolvimento da vegetao e envolve
modificaes na estrutura e composio de espcies ao longo do tempo (ODUM, 1988).
O interesse inicial em sucesso desenvolveu-se com Thoreau, filsofo e naturalista que
viveu grande parte de sua vida em bosques devido insatisfao com o modelo de vida
capitalista da sociedade de 1800. Thoreau fez importantes observaes sobre o
comportamento de sucesso das florestas durante seu perodo de recluso, que so
encontradas no livro escrito por ele em 1845, Walden ou A vida nos bosques. Anos
depois Clements, em 1904 e 1916, escreveu tambm sobre as perturbaes humanas em
larga escala que vinham acontecendo e que tinham afetado consideravelmente a situao
natural das florestas.
Num primeiro momento o processo de sucesso foi relacionado principalmente
influncia humana, pois distrbios humanos foram mais aparentes e, portanto, mais
frequentemente lembrados (OLIVER; LARSON, 1990). Mas, causas naturais do processo

25

de sucesso, como incndios e furaces, tambm foram reconhecidos ao longo do tempo


(SKUTCH, 1929; HOUGH; FORBES, 1943; SPURR, 1956; BROWN, 1960; SPURR;
BARNES, 1980; OLIVER, 1981; WHITMORE; BURNHAM, 1984; PERRY, 1994;
RICHARDS, 1996).
A sucesso florestal de forma geral pode acontecer a partir de duas formas,
primria e secundria. Sucesso primria consiste do processo biolgico inicial, tendo em
vista que o local anteriormente no possua vegetao, dependendo de mudanas
ordenadas e previsveis da abundncia de espcies para ocorrer. Fatores que influenciam a
sucesso primria so: geologia, morfologia, hidrografia, clima, solo e matria orgnica
(CLEMENTS, 1904, 1916). Sucesso secundria, por outro lado, envolve a devastao e o
redesenvolvimento da vegetao a partir de eventos no so previsveis pela natureza
(CHAZDON, 2008), tendo em vista que o local anteriormente j possuia vegetao. A
sucesso secundria caracteriza-se por processos estocsticos (no determinsticos) e
origina um segundo processo de sucesso, por isso secundria. A sucesso secundria
pode ser classificada em natural e antrpica. A natural ocorre a partir de processos
naturais, como a abertura de uma clareira ocasionada pela queda de uma rvore pioneira
que tem influncia direta sobre fatores ambientais, tais como luz, umidade e temperatura
(CHAZDON, 2008). Para Waide e Lugo (1992), Whitmore e Burslem (1984) e Chazdon
(2003), furaces, enchentes, desmoronamentos, tempestades e ciclones tambm so
exemplos de perturbaes naturais. J a sucesso secundria antrpica aquela ocasionada
pela ao do homem. Segundo Brown e Lugo (1990) e Guariguata e Ostertag (2001),
impactos antrpicos so os principais responsveis pela grande quantidade de florestas
secundrias existentes hoje no planeta.
De forma simplificada possvel concluir que sucesso secundria o mecanismo
pelo qual florestas se renovam naturalmente quando perturbadas (GMEZ-POMPA,
1971). Este processo constitui-se num mecanismo dinmico e contnuo das florestas,
responsvel pelas mudanas na composio florstica, fisionomia e estrutura da
comunidade. Clements (1904), em sua definio clssica, no cometeu erros ao instituir a
sucesso como um processo altamente ordenado, determinista em que a comunidade atua
como uma unidade integrada, anloga ao desenvolvimento de um organismo individual,
sendo o desfecho deste mecanismo uma comunidade estvel (homeostase).

26

2.6

FLORESTAS SECUNDRIAS
Floresta primria o termo utilizado para denominar uma "floresta madura",

associada a uma comunidade florestal com altos valores de biomassa, diversidade e


complexidade, com dossel fechado e com baixo grau de atividades antrpicas recentes.
Florestas secundrias, por outro lado, so unidades florestais em regenerao, que
sofreram alguma perturbao natural e/ou humana recente na vegetao original em um
nico momento ou durante um perodo prolongado, e apresentam diferena na estrutura
florestal e/ou na composio das espcies, em relao s florestas maduras prximas
(CHOKKALINGAM; JONG, 2001). Na verdade, floresta primria e floresta secundria
so termos empricos associados escala, intensidade e frequncia das perturbaes em
uma floresta.
De acordo com a FAO (2009), ao longo do tempo os remanescentes florestais
secundrios se tornaram o principal componente florestal natural da paisagem, tendo em
vista a contnua reduo nas reas de florestas primrias. Segundo Zuidema et al. (1996),
Mittermeir et al. (1998), Turner e Corlett (1999), Kammesheidt (2002), Brearley et al.
(2004), estas florestas secundrias so responsveis por importantes processos de
regulao estrutural e funcional da biodiversidade. Outros autores destacam ainda seu
papel sobre aes de desenvolvimento sustentado (REDFORD; RICHTER, 1999;
BROWN; LUGO, 1990; KRAMER; VAN SCHAIK, 1997; BODMER et al., 1997;
PINEDO-VAZQUEZ et al., 2001), atendimento das demandas por madeira e produtos
no madeireiros (FINNEGAN, 1992; BAWA; SEIDLER, 1998; WHITMORE, 1998;
FANTINI, 1999; NEUMAN; HIRSH, 2000, BALDAUF et al., 2007) e promoo de
servios ambientais (HOELSCHER, 1997; BORNER et al., 2007). Em relao aos
servios ambientais, florestas secundrias so responsveis por prestao de servios de
regulao, principalmente no sequestro de carbono (ORTIZ et al., 1998; FEARNSIDE,
2000; VACCARO et al., 2003; RICHARDS; STROKES, 2004) e na produo de
biomassa de primria (VIBRANS et al., 2013) devido ao acelerado desenvolvimento
estrutural.
Ressalta-se que a importncia das formaes florestais secundrias no interfere
sobre a preocupao com as florestas primrias, pois florestas secundrias so detentoras
de menor biodiversidade. Mas, reconhece-se que florestas secundrias exercem uma

27

funo ecolgica, econmica e social fundamental e que at agora pouco tem sido feito
para conserv-las, principalmente no Estado de Santa Catarina.
2.7

PANORAMAS DA SUCESSO
As etapas constituintes do processo de sucesso so chamadas de estgios

sucessionais e se caracterizam pela predominncia de tipos biolgicos que determinam a


fisionomia da vegetao (SIMINSKI, 2004) (Figura 3). De acordo com Klein (1980) o
conjunto de transformaes que uma vegetao secundria sofre ao decorrer do tempo
chamado de srie sucessional e assim que superados os estgios iniciais e intermedirios,
podem eventualmente tornar-se florestas madura novamentes, com caractersticas
possivelmente semelhantes diversidade florstica original.
Figura 3. Exemplo de processo de sucesso secundria de acordo com a ocorrncia de espcies

Fonte: Enciclopdia Britnica (2006).


A sequncia e a durao dos estgios sucessionais varia substancialmente entre as
tipologias florestais do globo (CHAZDON, 2008). Para isso, utilizam-se diferentes
tcnicas de classificao destes estgios. Siminski (2009), por exemplo, cita cinco
diferentes abordagens de classificao de estgios sucessionais da vegetao secundria,
sob ambas as perspectivas sensrias e florsticas: idade da vegetao, caractersticas
fisionmicas, parmetros estruturais, anlises multivariadas e sensoriamento remoto. A
classificao apresentada a seguir utilizou trs abordagens, explicando estgios
sucessionais de acordo com a idade da vegetao, caractersticas fisionmicas e
parmetros estruturais dos remanescentes florestais.

28

2.7.1 Estgio inicial (Pioneiro arbustivo)


Uma rea abandonada ou em pousio, com o passar do tempo, naturalmente inicia
sua regenerao a partir de processos naturais de sucesso alognica. Inicialmente
aparecem as herbceas, como samambaias e gramneas (Figura 4). Porm, dependo das
caractersticas do abandono, esta fase pode ter dominncia por outras espcies, como
arbustos, lianas, trepadeiras e cips (BUDOWSKI, 1965; GMEZ-POMPA;
VAZQUEZ-YANES, 1981; EWELL, 1983; FINNEGAN, 1996).
Figura 4. Exemplo da primeira etapa do estgio inicial da Floresta Ombrfila Densa

Primeira etapa de desenvolvimento do estgio inicial

Esta fase de reconstruo florstica chamada de estgio inicial suporte


(stand initiation stage) por Oliver e Larson (1990). Neste estgio, o estabelecimento de
espcies arbustivas e/ou arbreas acontece geralmente pela rebrota (UHL et al., 1981;
KAMMESHEIDT, 1998; PEREIRA, 2001; SCHMIDT-VOGT, 2001), que nada mais
do que um mecanismo de cicatrizao de florestas. Chazdon (2008) explica que a rebrota
pode ocorrer de trs formas: banco de sementes (autognico), troncos parcialmente
danificados (autognico) ou por disperso de sementes (alognico). A rebrota por banco
de sementes utiliza o mecanismo de encapsulamento das sementes (ou dormncia),
ficando protegidas at que condies favorveis germinao venham tona. Em alguns
casos, a vegetao regenerativa por banco de sementes to eficiente que ignora a fase
suporte. Fato este que tambm acontece no processo por troncos parcialmente
danificados (Figura 5).

29

Figura 5. Exemplo de rebrota por troncos parcialmente danificados

A regenerao por troncos danificados geralmente rpida, conforme reportado


por Yih et al. (1991), Vandermeer et al. (1995) e Boucher et al. (2001) que estudaram o
comportamento de uma floresta tropical aps a passagem do furaco Joan no sudeste da
Nicargua. Em outros casos, a rebrota pode ocorrer tambm por sementes dispersas,
tendo como vetores animais (pssaros e morcegos) e o vento (anemocoria). O vento
garante a introduo de novas espcies em reas onde a vegetao inicial no consegue
manter nveis de interao capazes de atrair animais transportadores de propgulos (REIS,
1995). Estas sementes transportadas, primeiras a chegarem ao local degradado, sofrem
influncia direta da luz e da temperatura (UHL; JORDAN, 1984; VZQUEZ-YANES;
OROZCO-SEGOVIA, 1984), caractersticas responsveis pelo processo de maturao
acelerada.
Na fase suporte, entretanto, existem fatores negativos em relao regenerao,
inferindo no curto e longo prazo estrutural e florstico de uma floresta secundria. Por
exemplo, a insero de espcies invasoras, verificado por Chazdon (2008), altera a
composio florstica e a predao de sementes por animais, identificado por Uhl (1987),
Hammond (1995) e Notman e Gorchov (2001), diminui a disponibilidade destas para a
sucesso. Ainda como fator negativo cita-se a perda da camada superficial do solo (Figura
6), que agrega matria orgnica e sementes, vital para rebrota, implicando sobre o
processo de regenerao por banco de sementes e sementes dispersas.

30

Figura 6. Exemplo de vegetao secundria em estado inicial com perda de camada superficial
do solo na Floresta Ombrfila Densa
Aparecimento dos
primeiros arbustos

Local onde houve perda


da camada superficial
orgnica do solo

Vegetao
secundria em
estdio inicial

Depois do estabelecimento da vegetao suporte (herbceas e gramneas) acontece


a segunda etapa da fase inicial suporte, o aparecimento dos arbustos, principalmente do
gnero Baccharis sp., denominado vassourais (Figura 6). Neste momento o nvel de
interao entre espcies aumenta, assim como a qualidade do solo devido fina camada
de serrapilheira2. A partir deste momento ocorre um acelerado aumento de peso e
dimetro dos indivduos (CHAZDON, 2008) e um desenvolvimento assimtrico da
cobertura vegetal, tambm verificado por Schmidt-Vogt (2001).
2.7.2 Estgio mdio (Arbreo pioneiro)
De acordo com a classificao de Siminski (2004) esta fase conhecida como
Estgio de Arvoretas e caracterizada pela substituio dos vassourais por arvoretas
(espcies lenhosas de pequeno porte com copas esparsas), que sequencialmente
estendem-se para o estgio Arbreo Pioneiro (dominncia de rvores mdias), formando
microclimas midos e sombreados. Para Oliver e Larson (1990), esta etapa conhecida
como "fase de excluso de caules" (stem exclusion phase) devido ao aumento da altura das
rvores colonizadoras, que ocasionam o fechamento do dossel (estrato superior das
rvores) e diminuem a disponibilidade de luz no sub-bosque.
A luz, segundo Bazzaz (1979), o fator determinante para o desenvolvimento de
espcies pioneiras. Porm, com o fechamento do dossel a luz torna-se menos abundante,
2

deposio/acmulo de matria orgnica morta - folhas e galhos - em diferentes estgios de decomposio.

31

limitando o estabelecimento e o crescimento de espcies (DENSLOW, 1987). O dossel


de florestas secundrias tropicais jovens geralmente dominado por espcies arbreas
pioneiras que tendem a organizar suas folhas na forma de coroa plana, a fim de maximizar
a interceptao da luz (BAZZAZ; PICKET, 1980) (Figura 7).
Figura 7. Exemplo do aparecimento de espcies tolerantes a sombra na etapa de fechamento do
dossel da Floresta Ombrfila Densa

Com isso, ocorre a mortalidade de diversas espcies, aumentado espessura da


serapilheira e a quantidade de matria orgnica no solo. De acordo com Piotto (2011), em
alguns casos, sub-bosques e dossis secundrios possui um ambiente mais sombreado do
que florestas maduras devido densidade de indivduos, gerando uma maior variabilidade
espacial de luz (DENSLOW; GUZMAN, 2000). Estas variaes tm efeitos importantes
sobre a germinao e o crescimento das plantas (DENSLOW, 1987). A homogeneidade
relativa das condies de baixa luminosidade no sub-bosque funciona como um filtro
para o recrutamento das espcies de rvores tolerantes sombra. Com o dossel fechado a
dinmica florestal muda, refletindo na mortalidade de arbustos, rvores e lianas
intolerantes sombra (CAPERS et al., 2005) e proporcionando o aparecimento de rvores
tolerantes sombra, como palmeiras e xaxins (CHAZDON, 2008).
Chazdon (2008) aprofundou-se na caracterizao de espcies de plantas neste
segundo estgio, classificando-as em trs grupos distintos: (1) espcies de vida curta
intolerantes sombra, (2) espcies de longa vida intolerantes sombra e (3) espcies de

32

longa vida tolerantes sombra. Segundo ele, espcies de "vida curta" geralmente no
resistem ao dossel e morrem nos primeiros 10 a 15 anos, reportado tambm por
Budowski (1965). J as espcies de vida longa tolerantes a luz vo persistir e integrar o
dossel num perodo posterior. Segundo Finnegan (1992), o grupo de longa vida que
desempenha o papel mais importante da sucesso por ter maior representatividade em
longo prazo.
2.7.3 Estgio avanado (Arbreo complexo)
Este estgio tambm denominado Mata Secundria (KLEIN, 1980) ou Estgio
Arbreo Avanado (SIMINSKI, 2004). Nele, ocorre um ambiente florestal sob muitos
aspectos fisionmicos semelhantes s florestas maduras. De acordo com Oliver e Larson
(1990) esta fase de sucesso denominada fase de reintroduo de sub-bosque
(understory reinitiation stage) e caracterizada pela regenerao do dossel, da composio e
dos estratos da vegetao.
Vale lembrar que entre as fases sucessionais processos ecolgicos so responsveis
pela dinmica da composio de espcies (CHAZDON, 2008), tanto que, durante a fase
inicial, processos estocsticos de disperso e recolonizao de espcies so mais ativos
sobre a estrutura da comunidade. No estgio avanado, entretanto, processos
determinsticos como a seleo natural de espcies tornarem-se importantes para a
organizao da comunidade florestal (WALKER; CHAPPIN, 1987). Segundo Finnegan
(1996), Guariguata e Ostertag (2001), a composio das espcies aparentemente varia,
independentemente da riqueza de espcies, por meio de uma cronossequncia. GmezPompa e Vasquez-Yanes (1984) foram uns dos primeiros a proporem que a sucesso de
blocos florestais tropicais segue um modelo florstico no qual espcies alcanam
abundncia em momentos diferenciados, de tal forma que espcies dominantes podem
aparecer em diversas escalas do tempo. Neste pensamento, possvel dizer que o
processo de sucesso apresenta comportamentos irregulares, sendo considerados por
alguns autores como caticos (MAY 1989, MOSEKILD; MOSEKILD 1991), pois
funcionam por meio de processos dinmicos temporais sensveis a variaes externas,
impossibilitando a definio de cenrios de longo prazo. Finnegan (1984), neste sentido,
reporta que espcies florestais da fase avanada podem no aparecer at que processos de
facilitao ocorram, sendo estes, s vezes, provenientes de atividades antrpicas. Para

33

Finnegan (1996) e Myster (2004), existe pouca informao sobre o padro de colonizao
de rvores na segunda e na terceira fase de sucesso, pois estas fases dependem de
padres florsticos locais, difceis de generalizar, por isso, mais comum encontrar
estudos enfatizando a dinmica da vegetao durante a fase inicial.
Em suma, nota-se que durante o estgio avanado ocorre um aumento da riqueza
de espcies de dossel, uniformidade das classes de vegetao e a estabilizao da taxa de
crescimento de volume e altura da vegetao. Ainda nessa fase ocorre morte de rvores
de vida longa intolerantes sombra que estavam presentes no intuito de restituir
propriedades bsicas (fertilidade do solo, interaes e microclima). Com a queda destas
espcies abrem-se clareiras no dossel aumentando a disponibilidade de recursos
(incidncia solar) e, consequentemente, oportunidades de integrao de novas espcies.
Desta forma, espcies de plantas comeam a se estabelecer em camadas inferiores
do dossel, formando estratos da vegetao. Normalmente, uma comunidade florestal em
estgio mdio passa a possuir ao menos um estrato herbceo-arbustivo bem desenvolvido
(sub-bosque) com presena de lianas, epfitas, xaxins e trepadeiras na camada inferior
(Figura 8). Em outros casos, como o estgio avanado, pode haver vrios estratos.
Figura 8. Exemplo de sub-bosque bem desenvolvido com abundncia de epfitas e xaxins na
Floresta Ombrfila Densa

Xaxim

Epfitas

34

Depois de estruturada e sobre efeito de perturbaes naturais de menor


intensidade, uma floresta secundria torna-se estruturalmente e floristicamente
semelhante a uma floresta madura (BORMANN; LIKENS, 1979; WHITMORE;
BURNHAM, 1984; RISWAN; KARTAWINATA, 1998; CORLETT, 1994; RICHARDS,
1996; SIPS, 1997; CHAZDON, 2008).
2.7.4 Formas de apresentao dos estgios sucessionais
Conforme revisado na literatura, diferentes autores tm proposto diversas formas
de classificao da vegetao em relao a estgios sucessionais levando em conta a idade
da vegetao, caractersticas fisionmicas e parmetros estruturais dos remanescentes
florestais. Neste sentido, uma sntese destas ideias foi estruturada (Tabela 1).
Mesmo com divergncias em relao ao nmero de estgios, todas tm o princpio
bsico de desenvolvimento estrutural e florstico com o passar do tempo, tendo em vista
processos de dinmica da vegetao e evoluo sucessional.
No sentido de classes da vegetao este trabalho utilizou apenas trs classes de
sucesso de vegetao natural, como a classificao da resoluo do CONAMA, o inicial,
o mdio e o avanado. A classe floresta primria foi descartada tendo em vista que uma
diferenciao entre o estgio avanado e o primrio seria muita audcia. Esse critrio foi
utilizado para facilitar a diferenciao das classes de sucesso nas imagens de alta
resoluo espacial nas trs reas teste.

35

Tabela 1. Formas de classificao da dinmica da vegetao entre as fases sucessionais das florestas tropicais

CHAZDON
2008

SIMINSKI
2004

Classificao
Pioneiro:
herbceo
Gn.:
Pteridium,
Baccharis sp.
Pioneiro:
hemicriptfitos
pioneiros.
Gn.:
Pteridium,
imperata.

Capoeirinha:
herbceo/arbustivo

Capoeira:
arbustivo/arbreo

Gn.: Baccharis,
Tibouchinea,
Myrsine, Psychotria e
Cytharexylum.
Segunda Fase:
hemicriptfitos,
camfitos e
nanofanerfitos.
Gn.: Solanum,
Baccharis e Miconia

Gn.: Myrsine, Leandra, Miconia.


Terceira fase:
nanofanerfitos e
camfitas (mdio
porte) at 3,0 m.
Gn.: Vernonia que
substitui Baccharis

Gn.: Miconia, Didymopanax, Alchornea, Copaifera,


Nectandra, Cryptocarya, Guapira, Euterpe.

Gn.: Tibouchina e Miconia


Estgio mdio de regenerao:
Fisionomia arbrea e arbustiva, altura mdia de
12 metros. DAP mdio de at 15 cm e rea Basal
de at 15 m/ha. Apresenta epfitas, serapilheira,
sub-bosque e diversidade biolgica significativa.

Esp.: Pteridium aquilium, Baccharis dracunculifolia, Senecio brasiliensis,


Melinis minutiflora, Cortadelia sellowiana e Solanum erianthum.

Esp.: Myrsine coriacea, Cupanea vernalis, Schinus


therebenthifolius, Casearia silvestres, Inga marginata.

Gn.: Hiernonyma, Vochysa, Cariniana, Virola, Xilopia.


Estgio avanado de regenerao:
Fisionomia arbrea dominante com dossel fechado e dominante. DAP mdio
de at 25 cm. Abundncia de epfitas, serapilheira, sub-bosque e diversidade
biolgica.
Esp.: Miconia cinnamomifolia, Psychotria longipes, Cecropia adenopus, Euterpe
edulis, Hieronyma alchorneoides, Nectandra leucothyrsus, Ocotea catharinensis , Ocotea
puberula, Piptocarpa angustifolia, Mimosa scabrella e Enterolobium contortisiliguum.

Segunda fase:
As pioneiras formam um dossel com sombra, afetando plantas
colonizadoras da primeira fase que, progressivamente, desaparecero.

Pioneiro (0 a 5 anos):
Presena de herbceas

Arbustivo (5 a 10 anos):
Aparecimento dos arbustos.

Esp.: Pteridium Melinis e


Andropogon.

Esp.: Baccharis elaeagnoides/


dracunculifolia e Dodonaea viscosa.

Stand initiation phase - Fase de Iniciao Suporte:


Dominncia de herbceas e arbustos. Surge da germinao do
banco de sementes e sementes dispersas. Predominncia de
rvores pioneiras tolerantes e intolerantes sombra. Rpido
incremento de peso e dimetro de espcies. Altas taxas de
predao de sementes (0 a 10 anos)

Gn.: Euterpe, Sorocea, Ocotea,


Annonna, Cinnamomum,
Nectandra, Slonea Maytenus,
Gomidesia, Actinostemon.

Quinta fase:
mesofanerfitos
Vegetao ultrapassa 15 m.
Estgio eminente lenhoso, sem plantas emergentes.
Bastante uniforme quanto altura dos elementos dominantes.

Quarta Fase:
microfanerfitos,
Vegetao variando entre 3 e 15 m.

Estgio inicial de regenerao:


Fisionomia herbceo-arbustiva de baixo porte, altura mdia de 4m.
DAP mdio de at 8cm e rea Basal de at 8 m/ha. Epfitas:
lquens, brifitas e pteridfitas. Fina camada de serapilheira.
Espcies pioneiras abundantes e ausncia de sub-bosque.

Primeira fase:
Crescimento em alta densidade de herbceas, arbustos
e lianas. Plantas pioneiras de curto ciclo de vida e
rpido crescimento.

Floresta Secundria:
Arbreo com epfitas

Capoeiro:
Arbreo

Terceira fase:
Pioneiras de curto ciclo de vida so substitudas por pioneiras de longo
ciclo de vida. Durante esta mudana de dominncia entre espcies
pioneiras, a colonizao de espcies tolerantes sombra ocorre.

Arvoretas (10 a 15 anos):


rvores de pequeno porte.

Arbreo Pioneiro (15 a 30 anos):


Mesofanerfitos com epfitas

Arbreo Avanado (30 a 50 anos):


Floresta Secundria. Presena de epfitas, xaxins, palmeiras.

Esp.: Myrcine coriaceae, Miconia


cinnamomifolia, Rapanietum
ferrugineae.

Esp.: Miconia cinnamomifolia,


Didymopanax, Euterpe edulis e
Ocotea aciphylla.

Esp.: Tapira guianensis, Guapira opposita, Ocotea pretiosa,


Cinnamomum glaziovii, Nectandra megapotamica, Sloanea guianensis
e Ocotea catharinensis.

Stem exclusion phase - Fase de excluso de caules:


Fechamento do dossel, causando uma diminuio da entrada de luz
e consequentemente mortalidade de lianas e arbustos intolerantes
sombra no bosque e sub-bosque. Recrutamento de sementes e
mudas tolerantes a sombra. Desenvolvimento de dossel e estrato de
rvores de sub-bosque (10 a 25 anos)

Understory initiation stage - Fase incio de sub-bosque:


Formao de clareiras no dossel. Recrutamento e maturidade
reprodutiva tolerante a sombra e subdossel de espcies de
rvores e palmeiras. Aumento da heterogeneidade de luz no
sub-bosque. Morte de rvores pioneiras intolerantes sombra
(acima de 25 anos)

Floresta madura

FINNEGAN
1996

CONAMA
N 4/1994.

IBGE
1992

KLEIN
1979/80

Autor

36

2.8

SENSORIAMENTO REMOTO
A abordagem a seguir utiliza o princpio do sensoriamento remoto para classificar

a vegetao. Para fins explicativos Barrett e Curtis (1992) definem o sensoriamento


remoto como o conjunto de tcnicas de observao de alvos terrestres, seja ele um objeto,
rea ou fenmeno, por meio de um instrumento de captao no qual no h contato
direto com o objeto de estudo. De acordo com Novo (1998) esta cincia utiliza a ao
conjunta de sensores remotos, que registram as interaes da radiao eletromagntica
(REM) e equipamentos de processamento de dados geogrficos, com objetivo de estudar
os elementos da superfcie terrestre. Moreira (2005), explica ainda que com os sensores
utilizados possvel detectar e registrar a REM em determinada faixa do espectro
eletromagntico e transformar essa informao em um produto passvel de interpretao.
De forma simplificada a tcnica de medio das propriedades dos objetos terrestres
usando dados (e.g. fotografias e imagens) adquiridos em diferentes nveis de aquisio, a
exemplo de aeronaves e sensores em nvel orbital (SCHOWENGERDT, 2007).
Estes dados adquiridos remotamente se tornaram uma fonte muito rica de
informao para o estudo ambiental terrestre. Para Antunes (1996), a observao de
objetos a partir de uma viso espacial proporciona uma abordagem mais favorvel das
reas terrestres. Com um nico produto possvel obter informaes para diversas reas,
como cartografia, monitoramento, geografia, hidrologia, agricultura de preciso e
paisagismo.
A obteno de dados por sensores remotos pode ser a partir de sensores ativos e
passivos (JENSEN, 2005). Os ativos so aqueles que emitem e captam a REM
retroespalhada, tal como, o radar de abertura sinttica (SAR; do ingls, Synthetic Aperture
Radar) e mais recentemente o perfilamento laser (LIDAR; do ingls, Light Detection And
Ranging). J sensores passivos, apenas captam a REM refletida e/ou reemitida pelos alvos
terrestres, como por exemplo, fotografias areas e imagens de satlites. A principal fonte
natural de REM utilizada no sensoriamento remoto ptico o Sol.
2.8.1 Radiao eletromagntica e bandas espectrais
A intensidade da REM varia senoidalmente e est diretamente relacionada com o
comprimento de onda e a frequncia (KRONBERG, 1984). O espectro eletromagntico

37

(EEM) ptico, da forma como conhecido, categoriza os tipos de radiao pelo


comprimento de onda, que podem ser expressos em nanmetro (m) e micrmetro (m).
Geralmente, no sensoriamento remoto, so utilizadas faixas do EEM que vo do
ultravioleta (UV) at o infravermelho distante (far infrared - FIR). Entre o UV (abaixo de
400 m) e o infravermelho (IR) encontra-se o intervalo do visvel (VIS) (400 - 700 m),
que tem este nome, pois contempla a gama de cores visualizadas pelo olho humano. O
VIS divido em trs faixas principais: azul (400 - 520 m), verde (520 630 m) e
vermelho (630 690 m). J o intervalo do IR se inicia aps o VIS (acima de 700 m) e
vai at 1 mm. Ele dividido em infravermelho prximo (near infrared - NIR) de 700 m 1500 m, infravermelho de ondas curtas ou mdias (short wave infrared - SWIR) de 1500 3000 m e infravermelho distante (FIR far infrared) de 3000 m - 1 mm. Por sequncia
vem o intervalo das Micro-ondas e do Rdio.
Os sensores aerotransportados so sensveis aos diferentes intervalos do EEM,
sendo que cada sensor, dependendo de sua configurao, pode captar diferentes faixas
espectrais. Essas faixas, no sensoriamento remoto, so chamadas de banda espectral ou
janela espectral. Silva (2012) explica que uma banda espectral uma imagem no formato
matricial (raster3), no qual valores de x e y representam as coordenadas e z a reflectncia
refletida pelo pixel 4 terrestre (z = nmero digital - ND). A reflectncia (ou brilho) de cada
pixel (ND), para 8 bits, um valor na escala de cinza, que vai de 0 (preto) a 255 (branco).
Um sensor ptico pode adquirir uma ou vrias bandas espectrais de uma mesma
rea em diferentes comprimentos de onda. Quanto maior a quantidade de bandas
espectrais, maior a quantidade de informao ao longo do EEM destacando importantes
feies de absoro e espalhamento. Evidentemente, maior a quantidade de dados para
futuros processamentos. Cada alvo terrestre se apresenta espectralmente de maneira bem
caracterstica e distinta em relao radiao que refletida nos diferentes comprimentos
de onda. Essa caracterstica no sensoriamento remoto dita assinatura espectral. Por
exemplo, o intervalo do IR reala a assinatura espectral da vegetao devido estrutura
foliar enquanto que a parte do visvel as propriedades fotossintticas. Cabe ao operador
utilizar seu conhecimento em relao s caractersticas dos diferentes alvos terrestres e as
suas interaes com os diversos comprimentos de onda do EEM para selecionar a
3

imagem raster (ou bitmap, mapa de bits), so imagens que contm descrio espacial de cada pixel.
de picture (imagem, abrev. pix) e element (elemento), referente ao menor elemento de uma imagem.

4 fuso

38

posteriori os intervalos de maior importncia do EEM para a sua aplicao de interesse


(PONZONI et al., 2012).
2.8.2 Tipos de Resolues
Quando se trata de imagens remotamente situadas, uma propriedade de
importncia no reconhecimento de padres a resoluo. A resoluo de uma imagem
pode ser expressa em quatro dimenses: espacial, espectral, radiomtrica e temporal.
A resoluo espacial a menor unidade de resoluo da imagem (i.e. pixel). ela
quem vai definir o nvel de detalhe de uma imagem (WULDER, 1998). Navulur (2006)
categoriza resolues espaciais em (1) baixa resoluo espacial, com pixels maiores ou
iguais a 30 m; (2) mdia, com pixels de 2 - 30 m; (3) alta, com pixels de 0,5 - 2 m e (4) ultra,
com pixels menores que 0,5 m. Apenas para exemplificar o efeito da resoluo espacial em
uma imagem, na figura 8 apresentado um comparativo de resolues de uma imagem
LANDSAT5 (30 x 30 m) e uma aerofotografia alta resoluo espacial (0,39 x 0,39 m).
Imagens de alta resoluo espacial fornecem mais detalhe das feies terrestres (Figura 9).
Resoluo espectral refere-se s variaes dos valores espectrais de um alvo ao
longo das regies de interesse do EEM (BATISTA, 2006). Ou seja, este tipo de resoluo
depende da quantidade, localizao no EEM e largura das bandas espectrais. A resposta
de um determinado alvo varia de acordo com o EEM (PONZONI et al., 2012). Para
Schowengerdt (2007), a localizao das bandas espectrais de um dado sensor limitada
pelas janelas de absoro atmosfricas, centradas em 1,4 m, 1,9 m, 2.2 m e 2.6 m.
A resoluo radiomtrica a quantidade mxima de nveis de cinza do nmero
digital em que a energia refletida ou emitida pode ser representada em um pixel.
expressa por uma forma binria. Por exemplo, em um satlite LANDSAT-5/TM que
utiliza uma forma binria 28 (8 bits) ter 256 nveis de cinza (0-255).
A resoluo temporal consiste no tempo de revisita do sensor ao local. Ela no vai
influenciar no processamento da imagem, mas tm influencia em estudos de sries
temporais e deteco de mudanas. O sensor TM do satlite LANDSAT-5 tem uma
resoluo temporal de 16 dias. Alguns sensores, entretanto, podem reduzir a resoluo

programa de satlites norte-americanos de observao da terra, com incio na dcada de 1960, pela NASA.

39

temporal usando visadas laterais a exemplo dos sensores da srie Satellite Pour l'Observation
de la Terre (SPOT).
Figura 9. Comparativo de duas imagens na regio de Gaspar (A) LANDSAT-5/TM
(rbita/ponto: 220/79), adquirida em 2010 na composio 321 (RGB), escala 1:20.000 e
aerofotografia de alta resoluo espacial de um Sistema Aerotransportado de Aquisio e Psprocessamento de Imagens (SAAPI) adquirido em 2011, na composio 321 (RGB), nas escalas:
(B) 1:20.000; (C) 1:6.000; e (D) 1:2.000
A

2.8.3 Sensoriamento remoto aplicado ao estudo da vegetao


No mbito da anlise da vegetao, o sensoriamento remoto comeou a ser
amplamente utilizado a partir de meados da dcada de 80. Entretanto, atividades da poca
exploravam principalmente aes de identificao da vegetao (SETTE, 2009), ou seja
rea florestada e no-florestada. Apenas com o passar do tempo e com o aparecimento de
novas tecnologias e abordagens, como a matemtica de bandas (MOREIRA, 2000) e
construo de ndices da vegetao (NDVI6 e o EVI7), forneceram novas oportunidades
de anlise da vegetao.

6
7

Normalized Difference Vegetation Index, ndice de diferena normalizada da vegetao (Rouse et al., 1973).
Enhanced Vegetation Index, ndice de destaque da vegetao (Huete et al., 1997).

40

Porm, de todos os avanos tecnolgicos do sensoriamento remoto nenhum foi


mais importante do que o refinamento da resoluo espacial. Porm, mesmo com a
disponibilidade de abordagens e tecnologias, a discriminao de florestas secundrias por
sensoriamento remoto ainda possui limitaes (DONOGHUE, 2002; CASTRO et al.,
2003; MYSTER, 2004; CASTILHO et al., 2012). Essas limitaes ocorrem geralmente
devido semelhana espectral existente entre os diferentes estgios sucessionais
(HELLER; ULLIMAN, 1983; LUCAS et al., 2000; NEEFF et al., 2006); incapacidade de
ndices de vegetao em detectar alteraes de biomassa devido saturao dos ndices
para valores crescentes de biomassa; e baixa separabilidade existente entre florestas
secundrias e outras classes de uso e cobertura do solo (como pastagens, agricultura e
reflorestamento) (CASTRO et al., 2003; CASTILHO et al., 2012). Ou seja, embora muito
progresso tenha sido feito em termos de avanos tecnolgicos de sensoriamento remoto e
ferramentas de anlise, a identificao dos estgios sucessionais de uma floresta tropical
secundria ainda continua a ser um desafio (CASTILHO et al., 2012).
Uma motivao para este estudo que na rea do sensoriamento remoto existem
diferentes formas de se utilizar uma tecnologia disponvel. Por exemplo, incorporar outras
variveis como textura e forma, ao invs daquelas que explicam apenas tons de brilho
para melhorar a acurcia da classificao. Recentemente, o processamento digital de
imagens de alta resoluo espacial por meio da segmentao, minerao de dados e da
classificao baseada em objetos (OBIA) com atributos estatsticos (espectrais) espaciais e
texturais, tem se mostrado uma poderosa ferramenta de discriminao de objetos de
aparncia espectral semelhante.
2.8.4 Classificao de imagens e elaborao de mapas temticos
A elaborao de mapas de uso e cobertura do solo de grandes extenses territoriais
a partir de levantamentos em campo uma operao custosa (SILVA, 2012),
principalmente quando se trata de levantamento da vegetao. Nestes casos, mapas
temticos provenientes de imagens areas ou de satlite tm sido cada vez mais utilizados
(BRADTER et al., 2011), podendo-se citar projetos brasileiros como o Projeto de
Monitoramento da Floresta Amaznica Brasileira por Satlite (PRODES) (INPE, 2008) e
o Atlas dos Remanescentes Florestais da Mata Atlntica (INPE, 2012). Para
Schowengerdt (2007), um mapa temtico apresenta a distribuio espacial das

41

caractersticas identificveis da superfcie terrestre, assim como informaes de rea,


extenso e comprimento. Ou seja, pode-se dizer que a elaborao de um mapa temtico a
partir de imagens de sensoriamento remoto nada mais o processo de extrao de
informaes por meio da interpretao dos contornos e alvos terrestre de imagens com
base nos atributos de interpretao, como cor, textura, padro, associao, etc. (XIE et al.,
2008).
2.8.5 Mtodos de classificao
As primeiras classificaes automticas de imagens reportadas na literatura
consideravam apenas o valor de cada pixel (FRANCISCO; ALMEIDA, 2012), intituladas
pixel-a-pixel, porm, antes pixels eram suficientemente grandes para representar classes,
como blocos florestais ou manchas urbanas. Sensores de alta resoluo espacial,
entretanto, fornecem imagens com uma alta variabilidade espectral em reas relativamente
pequenas, impondo dificuldades em relao extrao de informao, principalmente por
metodologias tradicionais (CADENA, 2011).
De forma geral, para fins explicativos, a extrao de informao de imagens de
sensores remotos tem sido realizada a partir de duas formas: interpretao visual e
automtica. A interpretao visual leva em conta a experincia de um ou mais operadores,
sendo que estes tm por objetivo desenhar/associar um pixel ou objeto a uma
determinada classe. J a classificao automtica se fundamenta em algoritmos que
matematicamente definem padres que caracterizam a classe. A classificao automtica
subdividida em supervisionada e no supervisionada, que utilizam ou no dados de
verdade de campo como referncia (XIE et al., 2008). A classificao supervisionada (tal
como o nome infere) depende de conhecimento prvio (SETTE, 2009), pois o algoritmo
classificador encontra em meio aos dados de referncia caractersticas de associao para
cada classe pr-estabelecida (SILVA, 2012). J na classificao no supervisionada um
grupo de pixels associado a uma classe espectral de acordo com padres, algoritmos ou
mtodos estatsticos. O objetivo dos mtodos no supervisionados agrupar pixels com
mesma

resposta

espectral

em

grupos

semelhantes

estatisticamente

separveis

(NAVULUR, 2006), no havendo determinao de classes e sim do nmero de grupos.


Schowengerdt (2007) subdivide ainda mtodos de classificao em paramtricos e
no paramtricos. Para Silva (2012), os mtodos paramtricos, como a Mxima

42

Verossimilhana, pressupem que os dados partem de uma distribuio estatstica normal


e utilizam este modelo de probabilidade para determinar os limites de deciso na
classificao. Os algoritmos no paramtricos, por outro lado, so aqueles que no
pressupem de nenhuma distribuio estatstica para descrever o comportamento de
dados, podendo citar as Redes Neurais Artificiais (RNA)8, Random Forests9 (BREIMAN,
2001) e por vizinhana prxima (k-nn ou k-nearest neighboor

10)

(SCHOWENGERDT,

2007). O mtodo adotado para este estudo a classificao automtica, supervisionada e


no paramtrica.
2.8.6 Segmentao de imagens
A segmentao de imagens no um processo indito (BLASCHKE, 2010), desde
1980 sua aplicao j era comum na rea da medicina e da engenharia de
telecomunicaes (SCHIEWE, 2002). No sensoriamento remoto, a segmentao passou a
ser amplamente utilizada em face do aparecimento de novas metodologias que abordam
objetos (OBIA, ou object oriented image analysis) e no pixels, ou seja, a classificao passou a
ser feita sobre o resultado da segmentao. Os segmentos so gerados em um software
especfico com base em um algoritmo de diferenciao. Com a segmentao, o nmero de
elementos a serem analisados diminui quando comparado com a metodologia pixel-a-pixel.
Como visto, algoritmos convencionais de classificao por pixels podem gerar erros
em relao heterogeneidade espectral das imagens (at mesmo para imagens de mdia
resoluo espacial) (Figura 10), no sendo aconselhados para imagens de alta resoluo
espacial.
Nota-se na figura 10 (D) que pelo mtodo de classificao por pixels, classes
isoladas podem ocorrer mesmo em um conjunto muito pequeno de pixels, ou at mesmo,
em pixels isolados. Silva (2012) explica que estes pixels geram o chamado efeito sal e
pimenta (salt and pepper), que d uma aparncia salpicada ao mapa.

tcnicas computacionais que utilizam modelos matemticos inspirados na estrutura neural de organismos e que
adquirem conhecimento por meio da experincia (treinamento).
9 mtodo de classificao por rvores de deciso, desenvolvido por Leo Breiman (1928-2005) e Adele Cutler.
10 tcnica no paramtrica de classificao orientada a objetos que leva em conta classes vizinhas.
8

43

Figura 10. Classificao pixel-a-pixel com o software ENVI na cidade de Itaja a partir de uma
imagem LANDSAT-5/TM (2000) (rbita/ponto: 220/79). (A) imagem na composio 453
(RGB); (B) imagem classificada pela tcnica da mxima verossimilhana; (C) subset da imagem na
composio 453 (RGB); e (D) subset da imagem classificada
A

Para evitar este efeito salpicado se utiliza a segmentao ou criao de


segmentos/objetos (agrupamento homogneos e uniformes de pixels) (Figura 11).
Figura 11. Imagem de alta resoluo espacial obtida pelo sensor SAAPI (2011) de uma rea
agrcola do municpio de Indaial, segmentada no programa eCognition com os parmetros: 0,5
forma, 0,5 compacidade e 200 escala (default)

Com esta nova abordagem de interpretao de imagens, o objeto entendido


como a instncia (exemplo) de uma classe e a classe representada por um conjunto de

44

objetos com caractersticas semelhantes. As caractersticas de um objeto so denominadas


atributos e as funes para manipul-los ou retratar seu comportamento so chamadas de
mtodos (FRANCISCO; ALMEIDA, 2012). Na abordagem tradicional o pixel no
possua relao direta com alvos de interesse, no sendo possvel calcular atributos.
Os algoritmos de segmentao so geralmente baseados em duas propriedades
bsicas dos ND: descontinuidade e similaridade. A descontinuidade verifica a ocorrncia
de mudanas bruscas no ND em relao aos pixels vizinhos e a similaridade define o limite
das regies. A operao de limiarizao pode ser descrita matematicamente como uma
tcnica de processamento na qual uma imagem de entrada f(x, y) (original) de Y nveis de
cinza produz uma imagem de sada g(x, y) (limiarizada), cuja quantidade de tons de cinza
menor que Y (CADENA, 2011). Desta forma, pixels so rotulados em 0 e 1 pelo
comparativo g(x, y) = 1 se f(x, y) Y e g(x, y) = 0 se f(x, y) < Y, sendo Y um valor de
nvel de cinza predefinido (GONZALEZ; WOODS, 2000). Ou seja, a segmentao varre
a imagem pixel-a-pixel, associando-os a um determinado objeto.
Gonzlez e Woods (2000), reportam que o algoritmo que melhor representa os
parmetros de descontinuidade e similaridade o algoritmo de crescimento de regies,
disponvel no software eCognition, por meio da ferramenta segmentao
multiresoluo (multiresolution segmentation).
2.8.7 Algoritmo Multiresolution Segmentation
Algoritmos tradicionais de segmentao consideram exclusivamente semelhanas
espectrais, independentemente de suas ocorrncias, ou seja, partem da hiptese de que
elementos vizinhos pertencem mesma classe e esta hiptese confirmada ou rejeitada
(CADENA, 2011). Para Antunes (2003), entretanto, a segmentao de objetos no deve
se restringir s propriedades espectrais (i.e. tons de cinza) e deve considerar outros
parmetros, como textura, tamanho e forma. Estas informaes de textura, tamanho e
forma podem ser extradas de sensores remotos de alta resoluo espacial.
O algoritmo multiresolution segmentation, proposto por Baatz e Schpe (2000),
considera vrias propriedades, sendo hoje um dos principais algoritmos utilizados na
segmentao de imagens de alta resoluo espacial. Ele utiliza a tcnica de fuso de
regies emparelhadas (pairwise), no qual pares ou regies de pixels so fundidos em
unidades maiores por meio de interaes por meio do algoritmo de abordagem de

45

evoluo de rede fractal11 (Fractal Net Evolution Approach FNEA) (DEFINIENS, 2009).
Segundo Baatz e Schpe (2000) a segmentao multiresoluo gera objetos a partir da
fuso de pixels de acordo com trs critrios pr-estabelecidos; escala, forma/cor e
compacidade/suavidade.
A escala o parmetro que determina a heterogeneidade mxima dos objetos
(SILVA, 2012). Segundo Baatz e Schpe (2000), ela que vai determinar o tamanho dos
objetos a serem criados, ou seja, um valor alto vai gerar objetos maiores e um baixo valor
vai gerar objetos menores (vrios objetos).
Alm da escala, o mtodo de segmentao leva em conta atributos de cor e forma,
que so ponderados pelo tamanho dos objetos. A forma/cor o critrio que define a
importncia do valor espectral (ND) e a compacidade/suavidade define a forma de
contornar os objetos, ou seja, a suavidade (prximo a 1) responsvel por gerar fronteiras
suaves, enquanto que a compacidade (prximo a 0) relaciona-se com a geometria dos
objetos (Figura 12).
Figura 12. Diagrama de execuo do algoritmo multiresolution segmentation

Fonte: Silva (2012).

Onde:
COR = 1 Forma;
Forma = Compacidade + Suavidade;
Suavidade = (1 compacidade) * Forma; e
Compacidade = compacidade * Forma.
Francisco e Almeida (2012) explicam que um alto valor de compacidade produz
segmentos menores e compactos, tipicamente relativos a alvos antrpicos, como
construes. Por outro lado, um alto valor de suavidade gera segmentos com bordas
suaves, relativos a alvos naturais (KRESSLER; STEINNOCHER, 2006).

11

estrutura geomtrica que mantm suas caractersticas fsicas mesmo quando repartida em partes menores.

46

A equao 2.1 mostra a relao entre coeficientes de heterogeneidade para o fator


forma e cor dos objetos na composio do critrio de similaridade f, sendo que wcor o
peso fornecido ao parmetro cor, hcor o coeficiente de heterogeneidade do atributo cor e
hforma o coeficiente de heterogeneidade do atributo forma.
f = wcor . hcor + (1 wcor) . hforma

(2.1)

Deste modo, o valor de f comparado com o valor de escala fornecido pelo


usurio e, caso o parmetro escala seja menor que o quadrado da similaridade, os dois
subobjetos so agrupados. A informao de borda utilizada para separar regies e
propriedades espectrais para agrupar reas similares (KURY; VIEIRA, 2002). Neste
processo, a primeira segmentao sempre realizada sobre o valor dos pixels (pixel level).
Porm, quando aplicado sobre um nvel de segmentao j existente (image object level) o
processo ir fundir objetos em superobjetos em nveis superiores, ou ento, subdividi-los
em subobjetos em nveis inferiores, em ambos os casos respeitando fronteiras j
existentes, construindo uma rede hierrquica entre os nveis de segmentao
(FRANCISCO; ALMEIDA, 2012).
2.8.8 Atributos intrnsecos aos objetos
A caracterizao dos objetos segmentados em uma imagem realizada por meio de
atributos (BATISTA, 2006). Para melhorar o entendimento da interferncia destes
atributos no processo de reconhecimento, segue apresentado na figura 13 um exemplo
prtico.
Analisando os objetos 1, 2 e 5, nota-se que estes so caractersticos de vegetao.
Intuitivamente, visto sua composio e experincias de campo, o objeto 1 uma
vegetao secundria avanada, o objeto 2 de vegetao em estgio mdio de regenerao
e o 5 uma floresta plantada. Porm, para uma classificao automtica a discriminao
feita por atributos como textura (homogeneidade, entropia, contraste), caractersticas
estatsticas (brilho, mdia, desvio padro do ND), geometria (forma), entre outros.

47

Figura 13. Interpretao de imagem a partir de atributos em uma rea agrcola de Indaial por
meio de uma imagem de alta resoluo espacial na composio 321, sensor SAAPI (2011)

Por exemplo, a textura pode ser usada para diferenciar os objetos 1 e 2 do objeto
5, assim como a forma, que em geral, para florestas plantadas possuem um formato
geomtrico. Outros atributos tambm podem ser utilizados, como, desvio padro (objeto
3), brilho (objeto 4), densidade (objeto 6) e assimetria (objeto 7).
O objetivo dos softwares de anlise e interpretao de imagens consiste nas mesmas
discusses levantadas acima, entretanto, por meio de algoritmos matemticos.
2.8.9 Classificao orientada a objetos (OBIA) por atributos
Com a imagem segmentada, objetos formados passam a apresentar especificao
espectral e espacial, no qual so fundamentadas as classificaes. O diferencial da OBIA
que os objetos so organizados em base de dados (MARPU, 2009), sendo possvel
calcular, para cada objeto, parmetros estatsticos e coeficientes relacionados (Figura 14).

48

Figura 14. Atributos disponveis no software eCognition

Segundo Navulur (2006), os atributos variam de caso a caso, porm os mais


utilizados so os estatsticos (mdia, brilho e desvio padro, menor valor de um pixel,
razo) e espaciais (rea, comprimento) e morfolgicos (forma) (Tabela 2).
Tabela 2. Descrio de alguns atributos estatsticos e espaciais disponveis no eCognition
Atributos
Descrio
Frmula

Mdia

Valor mdio dos


ND de uma banda
espectral para cada
objeto

Desvio padro

Variao dos ND
de cada objeto de
uma banda
espectral

Mb = mdia espectral do objeto na banda b; n =


nmero de pixels de um objeto; e NDbi = valor do
nmero digital do pixel i na banda b

b = desvio padro espectral do objeto; n = nmero


de pixels de um objeto; NDbi = valor do nmero
digital do pixel i na banda b; e Mb = mdia espectral
do objeto na banda b.
Continua Tabela 2 ...

49

Atributos

Descrio

Brilho

ND do objeto em
relao a todas as
bandas espectrais

Razo

Razo entre a mdia


do objeto de uma
banda pelo
somatrio das
mdias de todos os
objetos na mesma
banda

Mxima diferena

Indica a mxima
diferena do ND
entre todas as
variveis espectrais
de mdia

rea

Medida de
quantidade de pixels
de superfcie

Comprimento

Densidade

Assimetria

... continuao Tabela 2.


Frmula

br = brilho; nb =nmero total de bandas espectrais; e


Mj = mdia espectral do objeto j.

rb = razo do objeto na banda b; Mb = mdia do


objeto na banda b; j = identificao do objeto; e t =
total de objetos na banda b.

md = mxima diferena espectral; mmax = mxima


mdia espectral do objeto j; mmin = mnima mdia
espectral do objeto j; e br = brilho.

A = rea; a = rea verdadeira de um nico pixel; n =


nmero de pixels de um objeto; e i = unidade de
pixel.

Extenso linear no
espao de uma
extremidade a outra l = comprimento; Ap = rea do retngulo inscrito ao
objeto; e = razo comprimento por largura.
em um objeto
Descreve a
compactao dos
objetos. descrito
d = densidade; n = nmero de pixels de um objeto;
pela razo da rea
var(X) = componente na direo de X; e var(Y) =
que cobre um
componente na direo de Y.
objeto pelo seu raio.
Representa a
regularidade
geomtrica de um
Ass = assimetria; l = comprimento; e w = largura.
objeto.
Fonte: Adaptado Batista (2006) e Definiens (2009)

Alm dos atributos clssicos, alguns autores citam tambm a importncia da


textura durante o processo de classificao. A textura, segundo Batista (2006), a
combinao entre a magnitude e a frequncia da variao tonal numa imagem, produzida
pelo efeito conjunto de todos os padres no espao. Para Marpu (2009), a textura dos

50

alvos terrestres, correspondente distribuio espacial da variao do ND, uma das


caractersticas mais importantes para a identificao de objetos em uma imagem.
Haralick12 (1979) descreve a textura pela quantidade de padres de forma e de distribuio
e organizao espacial.
Os algoritmos de textura so geralmente divididos em estruturais e estatsticos. Os
estruturais consideram a textura como uma repetio de padres primitivos bsicos,
definidos por regras especficas (CHICA-OLMO; ABARCA-HERNNDEZ, 2000). J
os estatsticos propem-se a modelar a textura com base na distribuio dos nmeros
digitais (ND) (BATISTA, 2006). Os algoritmos estatsticos de textura so divididos em
primeira e segunda ordem. Medidas de primeira ordem calculam variveis de mdia,
varincia e de ocorrncia em relao vizinhana de um pixel (distribuio dos nveis de
cinza), e as de segunda ordem, alm de descreverem distribuio, apresentam tambm
relao espacial. Um dos algoritmos estatsticos de segunda ordem mais utilizados so as
matrizes de coocorrncia dos nveis de cinza (Grey Level Coocorence Matrix GLCM).
Este mtodo extrai a textura pela relao espacial existente entre ND em diferentes
direes (FRANCISCO; ALMEIDA, 2012). Como as GLCM so dependentes da
frequncia de ocorrncia, devem possuir uma funo de indique relaes angulares () e
relao de distncia entre o par de ND. No que diz respeito aos relacionamentos
angulares so utilizados quatro relacionamentos diferentes (0, 45, 90 e 135) quando se
sabe a priori a orientao de uma feio de interesse ou uma mdia de todas as direes
(all directions) paras as demais situaes. As variveis mais utilizadas neste trabalho so:
homogeneidade, contraste, entropia, dissimilaridade e desvio-padro (Tabela 3).
Tabela 3. Descrio de alguns atributos texturais disponveis no software eCognition
Atributo
Descrio
Frmula

Homogeneidade

Descreve homogeneidade
local dos nveis de cinza de
uma imagem. Resultado:
Maior para as menores
diferenas entre os ND.

ho = homogeneidade; i = linha da matriz; j


= coluna da matriz; Pi,j = valor
normalizado do ND para os pixels i e j; N
= nmero de linhas ou de colunas.
Continua Tabela 3 ...

Robert Martin Haralick (1945), personagem importante na rea de reconhecimento de padres e anlise de
imagens. Desenvolveu um modelo que analisa a textura usando coocorrncia espacial de nveis de cinza.
12

51

Atributo

Descrio

Contraste

Diferena entre os mais altos e


os mais baixos valores de um
conjunto de pixels adjacentes
(frequncia espacial)

Dissimilaridade

Quantifica a diferena interna


entre os elementos.
semelhante ao contraste,
porm apresentada com maior
amplitude.

Entropia

Estima a desordem dos dados.


A entropia est relacionada
energia da GLCM atravs de
correlao linear negativa

Desvio-padro

... continuao Tabela 3.


Frmula

co = contraste; i = linha da matriz; j =


coluna da matriz; Pi,j = valor ND para os
pixels i e j; N = nmero de linhas ou de
colunas.

diss = dissimilaridade; i = linha da matriz;


j = coluna da matriz; Pi,j = valor ND para
os pixels i e j; N = nmero de linhas ou
de colunas.

en = entropia; i = linha da matriz; j =


coluna da matriz; Pi,j = valor ND para os
pixels i e j; N = nmero de linhas ou de
colunas.

Fornece uma medida de


disperso em torno da mdia
em uma determinada direo, a
= desvio padro; 2i,j = varincia dos
certa distncia
ND na posio i,j.
Fonte: Adaptado Batista (2006) e Definiens (2009)

2.8.9.1 Minerao de dados


A ampla disponibilidade de imensas bases de dados (podendo-se citar neste caso o
extenso banco de dados dos objetos segmentados) e necessidade de transformar tais
dados em informao e conhecimento teis para o suporte deciso tem demandado uso
de ferramentas e tcnicas de anlise automtica e inteligente de entendimento das
informaes dos bancos de dados (Knowledge Discovery in Databases KDD), tambm
intituladas minerao de dados. As tcnicas de minerao utilizam mtodos de
identificao de padres no sentido de entender informaes para uma tarefa em
questo. Essas tcnicas utilizam algoritmos de diferentes reas de conhecimento, como
programao computacional, inteligncia artificial e estatstica.
Algoritmos de minerao geralmente possuem diversas funcionalidades, no
entanto, apenas duas delas foram abordadas nesse trabalho, a Seleo de atributos e a
Classificao. A seleo de atributos utilizada quando se necessita encontrar atributos

52

que tm peso maior ou at determinante nas tarefas, separando-os dos atributos


irrelevantes. Pode-se citar o Gain Ratio, Principal Components, Chi Square e CFS Subset. J a
classificao por minerao de dados por meio de algoritmos supervisionados determina
o valor de um atributo por meio dos valores de um subconjunto dos demais atributos da
base de dados. As formas mais comuns de representao de conhecimento dos algoritmos
de classificao so a partir de rvores e regras. Os algoritmos Id3, C45, J48, AD Tree,
Prediction Node, Classifier Tree, geram resultados no formato de rvores de classificao,
enquanto que o Prism, Part e One R geram resultados em regras de classificao.
2.8.9.2 Funes de pertinncia
O modelo de interpretao e classificao de imagens evoluiu para o que se
convencionou chamar rvore de processos, que nada mais do que apresentar a
sequncia de processos/operaes construda para a interpretao da imagem. O software
eCognition utiliza a linguagem de rede de conhecimento (cognition letwork language) que
uma linguagem de programao utilizada para traduzir o processo de reconhecimento
humano por meio de uma srie de regras, combinando algoritmos e caractersticas
especificas (DEFINIENS, 2009). Um processo um mdulo elementar de um conjunto
de regras e fornece uma soluo para um problema especfico. Segundo Francisco e
Almeida (2012), a construo da base de conhecimento uma das tarefas mais
importantes, pois ela seleciona define os atributos que descrevem melhor as classes s
quais os objetos pertencem.
As regras no mtodo de classificao escolhido para este trabalho baseiam-se em
funes de pertinncia, de modo que o valor de aderncia de um objeto deve ser
fornecido para cada classe. Francisco e Almeida (2012) colocam que essa metodologia
pode ser utilizada de forma heurstica pelo usurio, testando iterativa e interativamente os
descritores, funes e seus limiares para a discriminao das classes, ou de forma
automtica, por meio de tcnicas de minerao de dados que extraem informaes de
interesse de uma base de dados por meio de algoritmos de reconhecimento.
Depois de definidos os limiares so inseridos os descritores nas funes de
pertinncia (Figura 15).

53

Figura 15. Tipos de funes de pertinncia utilizadas no software eCognition

Fonte: Definiens (2009).

As funes de pertinncia fornecidas pelo software eCognition so divididas em


rgidas (crisp) ou difusas (fuzzy13), que, respectivamente, indicam o limiar ou o
intervalo (grau de associao) de cada objeto a uma determinada classe. esquerda est
representada a lgica Booleana, na qual a relao de um elemento a um conjunto
definida por uma funo intervalo total (full range, ex. maior do que o nmero, >30). J
direita da figura 14, utilizando lgica difusa, considera-se o intervalo/grau de
pertinncia (representado por uma aproximao de uma funo gaussiana). Segundo Laba
et al. (2002) com a lgica difusa o resultado pode no ser nico, associado a diferentes
graus de pertinncia.
2.8.10 Acurcia da classificao
Para Congalton e Green (1999), a acurcia temtica est relacionada acurcia das
classes do mapa em relao realidade. A forma mais comum de verificar a acurcia de
um mapa temtico a partir da matriz de confuso14 (Tabela 4).
Tabela 4. Representao matemtica da matriz de confuso

Colunas (amostras de referncia) = +i

Linhas (classificado)
= i+

1
2
...
k
Total da coluna
X+i

...

X11
X21
...
Xk1

X12
X22
...
Xk2

...
...
...
...

X1k
X2k
...
Xkk

X+1

X+2

...

X+k

Total da linha
Xi+
X11
X11
...
Xk+

A matriz de confuso representada por uma matriz com igual nmero de colunas
e linhas, dado que as colunas representam os dados de referncia e, as linhas indicam o
13
14

conceito introduzido pelo azerbaijano Lotfali A. Zadeh (1921-), matemtico e cientista da computao.
tcnica de aferio de desempenho de algoritmos supervisionados.

54

classificado (CONGALTON; GREEN, 1999; LILLESAND et al., 2004). Os elementos


da diagonal principal indicam o nvel de acerto entre os dois conjuntos de dados.
Pela matriz de confuso, possvel calcular medidas descritivas, como exatido
geral, exatido do usurio e exatido do produtor. A exatido geral a razo entre a soma
de todos os elementos classificados corretamente pelo total, calculada equao 2.2:
(2.2)
Onde:
eg = exatido geral;
r = nmero de classes;
xii = elementos da diagonal principal;
N = nmero total de amostras.
O resultado desse ndice tende a superestimar o resultado da classificao, uma vez
que considera apenas a proporo de concordncia plena (correta) (CADENA, 2011). Por
isso, ndices como exatido do usurio e do produtor tambm so calculados. A exatido
do usurio expressa pela razo do nmero de elementos classificados corretamente
de uma classe pelo nmero total de amostras classificadas na mesma, equao 2.3.
(2.3)
Onde:
eu = exatido do usurio;
xii = elementos de elementos classificados corretamente;
xi+ = total de elementos classificados para uma classe i.
A exatido do usurio reflete os erros de comisso que indicam a probabilidade de
um elemento classificado em uma determinada classe realmente pertencer mesma
(LILLESAND et al., 2004), ou seja, incluir um objeto na classe que ele no pertence.
A exatido do produtor a razo entre o nmero de elementos classificados
corretamente de uma classe pelo nmero de elementos de referncia amostrados na
mesma classe (LILLESAND et al., 2004), equao 2.4.
(2.4)
Onde:
ep = exatido do produtor;
xii = elementos de elementos classificados corretamente;
xi+ = total de elementos de referncia para uma classe i.

55

A exatido do produtor reflete os erros de omisso da classificao, ou seja, a


probabilidade de um objeto ser excludo (no classificado) da classe a que ele pertence.
Outra medida bastante conhecida, embora questionada por vrios autores (POWERS,
2012), o coeficiente de concordncia Kappa15. Seu diferencial consiste em incorporar
elementos fora da diagonal principal. O Kappa obtido pelas equaes 2.5, 2.6 e 2.7.
(2.5)
(2.6)

(2.7)
Onde:
K = ndice de Kappa;
Po proporo de concordncia observada;
Pc = proporo de concordncia esperada ao acaso;
M = nmero de classes presentes na matriz de erro;
ni,j = nmero de observaes na linha i e coluna j;
ni+ e nj+ = totais marginais da linha da linha i e coluna j;
N = nmero total de unidades amostrais contempladas pela matriz.
Congalton e Green (1999), afirmam ainda que quando mais de um mapeamento
executado pode-se utilizar um teste para determinar se dois valores independentes Kappa
e duas matrizes de confuso so significativamente diferentes, atravs do teste z. Por este
teste possvel comparar estatisticamente duas anlises, dois algoritmos ou at mesmo
duas datas de imagens e ver qual delas que produz a maior preciso. A estatstica para
testar a diferena entre as duas matrizes de erro foi obtida pela equao 2.8:
(2.8)
e

so as estimativas da estatstica de Kappa para a matriz de erro #1 e #2,

respectivamente; vr(

) e vr(

) so correspondentes as estimativas de varincia; Z o

valor padronizado e normalmente distribudo (erro padro normal). Dada hiptese nula
Ho: (K1-K2) = 0, e a alternativa H1: (K1-K2) 0; Ho rejeitada se Z Z/2, no qual /2
o nvel de confiana do teste z de duas caudas e os graus de liberdade so (infinitos).

15

medida estatstica de concordncia (qualitativa), desenvolvida pelo americano Jacob Cohen (1923-1998).

56

MATERIAL E MTODOS

3.1

REA DE ESTUDO
Foi escolhido como objeto de estudo a Floresta Ombrfila Densa (FOD), mais

especificamente na regio do litoral centro norte do Estado (municpios de


Ascurra/Indaial, Massaranduba/Luiz Alves e Gaspar). As trs reas teste foram
escolhidas devido ao uso do solo predominante da regio e pela proximidade da das reas
teste em relao Universidade Regional de Blumenau (FURB). Na rea teste de
Ascurra/Indaial o uso do solo predominantemente agrcola (rizicultura e pastagem), em
Massaranduba/Luiz Alves o uso acentuado por plantaes de banana e em Gaspar
ocorre uma mescla de rizicultura, pastagem e rea urbana.
As reas testes escolhidas esto inseridas nas Unidades Amostrais da Paisagem
(UAP), que so objetos de estudos da paisagem do IFFSC. A malha (grid) dos pontos
centrais entre as UAP de 40 km x 40 km, com a rea de 10.000 ha. As reas teste
tiveram sua nomenclatura associada a sequencia numrica das UAP, ou seja, reas testes
A, B e C correspondem, respectivamente, as UA 634, 638 e 863 do IFFSC (Figura 16).
Figura 16. Localizao das trs reas teste

57

O tamanho de cada rea teste de aproximadamente 32 km.


3.2

BASE DE DADOS

3.2.1 Imagens de Aerolevantamento do estado de Santa Catarina


Um aerolevantamento fotogrfico no Estado de Santa Catarina foi executado com
recursos da Secretaria de Estado do Desenvolvimento Econmico Sustentvel (SDS-SC)
no ano de 2011, contendo 57.000 ortofotografias areas, na escala nominal 1:5.000
(PEC/1984), altura mdia do voo 3.985 m e distancia focal 50 mm. O levantamento foi
realizado com um Sistema Aerotransportado de Aquisio e Ps-processamento de
Imagens Digitais (SAAPI), que possui sensor CCD (Charge Coupled Device, dispositivo de
carga acoplado) com tamanho do pixel de 6 microns e um filtro UV-Sky que filtra a luz
ultravioleta e compensa o efeito de bruma atmosfrica.
Os produtos gerados pelo aerolevantamento so: trs ortofotos coloridas (azul:
0,38 0,52 m/verde: 0,52 0,63 m/ vermelho: 0,63 -0,70 m) e trs ortofotos no
infravermelho prximo (NIR) (IR1: 0,76 m; IR2: 0,77 m; IR3: 0,78 m). Alm disso, o
levantamento contm um modelo digital de terreno (MDT, ou digital terrain model - DTM),
um modelo digital de superfcie (MDS, ou digital surface model DSM). As bandas VIS e
NIR possuem resoluo espacial de 0,39 m x 0,39 m e resoluo radiomtrica de 8 bits. J
o MDE e o MDT possuem uma resoluo espacial de 1m x 1m e resoluo radiomtrica
de 32 bits. Todo pacote de dados recebido pela SDS-SC foi entregue com a etapa de prprocessamento (ajuste radiomtrico, nveis de contraste, tonalidade, homogeneizao das
imagens, balanceamento de cores, ortorretificao e mosaicagem) realizada (ENGEMAP,
2012).
3.2.2 Estrutura das imagens
Para que houvesse a completa sobreposio da UAP e as imagens do
aerolevantamento foram necessrias de 9 (rea teste A e C) a 12 (rea teste B) cenas,
sendo que este nmero dependia da posio da UAP em relao ao plano de voo e do
bloco de imageamento (Figura 17). Nem todas as imagens que cobriam a UAP foram
utilizadas no estudo. Devido alta resoluo espacial das imagens o processamento destas
torna-se demorado, impossibilitando a aplicao da metodologia para todas as cenas. Por

58

isso, dentro do conjunto de imagens que compreendiam a UAP foi escolhida apenas uma
imagem que apresentava a maior rea de florestas secundrias (definida rea teste). Essa
etapa foi intitulada pr-identificao e teve por objetivo identificar e filtrar informaes
das imagens passveis de classificao e escolher aquelas que seriam as reas teste.
Figura 17. Estrutura de uma imagem do sensor SAAPI com: (A) 9 e (B) 12 cenas, para cobrir a
UAP (amarelo)
A

3.2.3 Materiais
Para o desenvolvimento da pesquisa foram necessrios:
- Ortoimagem area de alta resoluo espacial (VIS, IR, MDS e MDT);
- eCognition Developer 8.0: utilizado na interpretao, segmentao,
processamento e classificao das imagens;
- ENVI 4.7: utilizado para classificar imagens pelo mtodo de classificao
tradicional (pixel-a-pixel) supervisionado (mxima verossimilhana) e no supervisionado
(K-means);
- WEKA 3.6: seleo de atributos e minerao de dados;
- ArcGIS 10: manipulao e formatao de mapas temticos.
- Materiais de campo: utilizados nas etapas de coleta de campo, como faco, GPS,
bssola, podo, cruzeta, trenas, fichas de campo e fita mtrica.
3.3

LEVANTAMENTO EM CAMPO
Com o objetivo de verificar a ocorrncia e a resposta das reas em regenerao nas

imagens foram realizados levantamentos florsticos e estruturais em campo de reas


potenciais. Foram instaladas trs UA na rea teste A, uma UA na rea teste B e duas UA

59

na rea teste C. Estes levantamentos buscaram coletar variveis dendromtricas e


compar-las com a legislao brasileira e com a resposta espectral das imagens de alta
resoluo espacial, no sentido de conhecer a verdade de campo e posteriormente
encontrar uma possvel correlao com atributos estatsticos e texturais (Tabela 5).
Tabela 5. Variveis mensuradas e calculadas a partir dos levantamentos em campo e suas
utilidades em relao etapa de correlao

Variveis mensuradas
Circunferncia a altura
do peito (CAP)
Contagem de indivduos,
espcies e fustes
Altura por espcie
Descrio da rea

Variveis calculadas
Dimetro a altura do peito
(DAP)

Utilizadas na correlao
Dimetro a altura do peito
(DAP)

rea Basal (AB)

rea Basal (AB)

Altura mdia (Htm)


Nmero de indivduos (N)
Densidade absoluta (DA)
Densidade relativa (DR)
Dominncia absoluta (DoA)
Dominncia relativa (DoR)
Valor de cobertura (VC)
Intervalo de confiana (IC)

Nmero de indivduos (N)

Antes de iniciar o levantamento, reas potenciais passaram por uma conferncia


prvia no sentido de verificar se as mesmas se apresentavam condizentes na imagem. A
alocao das UA deu-se de forma aleatria dentro do limite de cobertura da imagem. A
UA baseou-se na metodologia utilizada pelo IFFSC que utiliza o mtodo de rea fixa por
meio de conglomerados compostos por quatro subunidades perpendiculares a um ponto
central (VIBRANS et al., 2010). A UA utilizada, entretanto, reduzida em tamanho em
relao metodologia original. A rea total do conglomerado de 1.600 m, com quatro
subunidades de 400 m. As subunidades tm dimenses de 20 m x 20 m e so orientadas
na direo dos pontos cardeais (norte, sul, leste e oeste). Cada subunidade encontra-se a
10 m do centro e divida em quatro quadrantes de 10 m x 10 m (100 m) (Figura 18).
Em cada quadrante foram anotadas informaes, como famlia ou gnero16 (nome
cientfico), nmero sequencial, quadrante, circunferncia a altura do peito (CAP) e altura
mdia, de todas as espcies que atendiam o critrio de CAP 9,42 cm (ou dimetro a
altura do peito (DAP) 3 cm). O CAP de cada indivduo foi medido a 1,30 m da altura

16

As espcies que no foram identificadas foram coletadas para identificao posterior.

60

do solo com uma fita mtrica. Esta primeira seleo determina o estrato 1, ou seja, o
estrato da vegetao superior.
Nos quadrantes das subunidades foram tambm alocadas subparcelas de 5 m x 5
m (25 m) nas extremidades do polgono imaginrio, sendo um total de 4 subparcelas por
subunidade (Figura 18). Nas 16 subparcelas foi identificado nome cientfico, altura mdia
e feita a contagem de todas as espcies de plantas que no se enquadraram no critrio do
estrato 1. O estrato 2 representa as espcies da regenerao que viro a integrar o dossel
do prximo estgio sucessional.
Figura 18. Estrutura da UA utilizada nos levantamentos em campo, baseada em Vibrans et al.
(2010)

Durante as coletas, houve espcies que no puderam ser identificadas em campo.


Nestes casos, houve a coleta de material botnico assim com sua identificao (NI no
identificado e nmero sequencial) para posterior identificao mediante comparaes
coleo do herbrio Dr. Roberto Miguel Klein (FURB) e herbrio do Laboratrio de
Dendrologia da FURB.
3.3.1 Processamento dos dados de campo
Os dados coletados (CAP, n de fustes e altura de cada indivduo) foram
digitalizados em planilhas no aplicativo Excel. Com isso, foi calculada para cada UA a

61

mdia aritmtica das variveis DAP, rea Basal (AB), nmero de indivduos (N) e altura
mdia total (Htm) em relao a cada espcie do conjunto de indivduos. Tambm foram
calculados, para cada espcie da UA, os parmetros fitossociolgicos de estrutura
horizontal: Densidade Absoluta (N/ha), Densidade relativa (%), Dominncia absoluta
(m/ha), Dominncia relativa (%) e Valor de Cobertura (%) (MUELLER-DOMBOIS;
ELLENBERG, 1974).
O CAP (cm) foi transformado em DAP (cm) com a equao 3.1.
(3.1)
Onde:
CAP = Circunferncia altura do peito;
3,14159
A rea Basal (AB m) foi calculada pela equao 3.2.
(3.2)
Onde:
DAP = Dimetro altura do peito;
3,14159
A Densidade Absoluta (DA - indivduos/ha) foi calculada pela equao 3.3.
(3.3)
Onde:
N = nmero de indivduos da espcie;
1 ha = 10.000 m;
UA = rea total da unidade amostral (m), neste caso 1.600.
A Densidade Relativa (DR - %) foi calculada pela equao 3.4.
(3.4)
Onde:
DAespcie = Densidade Absoluta da espcie;
DAtotal = Soma da Densidade Absoluta de todas as espcies da UA.
A Dominncia Absoluta (DoA - m/ha) foi calculada pela equao 3.5.
(3.5)
Onde:
AB = rea Basal da espcie;

62

DA = Dominncia Absoluta da espcie;


N = Nmero de indivduos da espcie.
A Dominncia Relativa (DoR - %) foi calculada pela equao 3.6.
(3.6)
Onde:
DoAespcie = Dominncia Absoluta da espcie;
DoAtotal = Soma da Dominncia Absoluta de todas as espcies da UA.
O Valor de cobertura (VC - %) foi calculado pela equao 3.7.
(3.7)
Onde:
DR = Densidade Relativa da espcie;
DoR = Dominncia Absoluta da espcie.
3.3.2 Anlise estatstica dos dados de campo
3.3.2.1 Anlise de Varincia (ANOVA)
A anlise de varincia (Analysis of Variance17, ANOVA), foi aplicada para comparar
se as mdias dos grupos so estatisticamente iguais. As comparaes neste estudo foram
feitas ao nvel de significncia de 5% ( = 0,05) para todas as variveis. Basicamente, a
ANOVA divide a variabilidade total em variabilidade Entre Amostras e variabilidade
Dentro das Amostras, e compara as duas (MOSER, 2013). Neste caso, a variabilidade
Entre as Amostras foi responsvel por encontrar diferenas entre as UA e a variabilidade
Dentro das Amostras para encontrar diferenas entre as subunidades. A ANOVA foi
executada no software PAST verso 2.14 (HAMMER et al., 2001).
3.3.2.2 Comparando diferenas pareadas: teste de Tukey-Kramer
Quando encontrada evidncia de diferena entre a mdia dos grupos (ANOVA)
necessrio fazer uma anlise posterior, pois a ANOVA no fornece informaes de
quais grupos que diferem significativamente entre si, apenas a existncia de diferena.
Para identificar quais so os grupos diferentes se aplica um procedimento a posteriori (ou
17

desenvolvida por Ronald Aylmer Fisher (1890-1962).

63

post hoc), uma vez que as hipteses de interesse so formuladas depois que os dados foram
inspecionados (MOSER, 2013). Dois exemplos destes testes so o teste de Tukey18 e o
teste de Scheff19. Para Moser (2013) o teste de Scheff menos eficaz do que o teste de
Tukey, porm, como o nmero de indivduos dos grupos diferente o teste de Tukey
tambm no pde ser utilizado. Desta forma, utilizou-se uma modificao, chamado
Teste de Tukey-Kramer20, que permite a comparao de grupos com tamanhos distintos.
Este teste compara simultaneamente em pares todos os grupos (LEVINE, 1998).
Como os grupos sero comparados par a par, tm-se k(k-1)/2 de pares de mdias,
sendo que k o nmero de grupos. O intervalo crtico (Tukey Significant Difference - TSD)
para o teste obtido pela equao 3.8.
(3.8)
Onde
N = nmero total de observaes;
Q(k,N-k) = valor crtico (tabelado) do intervalo da cauda superior da distribuio
intervalar padronizada de Student21, ao nvel de significncia , com k graus de
liberdade no numerador e N-k no denominador;
SQMdentro = soma dos quadrados mdios dentro dos grupos (ANOVA);
ni e nj = tamanhos das amostras para o grupo i e j, respectivamente.
Calcula-se a diferena absoluta |

j|,

onde Xi e Xj so as mdias dos grupos

serem comparados. O par em anlise tem mdia significativamente diferente se a


diferena absoluta da mdia das amostras |

j|,

exceder o intervalo crtico TSD. Se

os tamanhos das amostras forem diferentes, o intervalo crtico diferente para cada par
de mdias comparado (MOSER, 2013). Este teste foi utilizado para comparar, de forma
pareada, as UA em relao s variveis dendromtricas N, AB, DAP, Htm, quando a
ANOVA apresentou evidncias de diferena. As anlises post-hoc foram geradas por meio
do software PAST verso 2.14 (HAMMER et al., 2001). Todas as anlises estatsticas
utilizaram uma significncia de =0,05.

desenvolvido pelo americano John Wilder Tukey (1915 - 2000).


desenvolvido pelo americano Henry Scheff (1907 1977).
adaptado pela americana Edna Ernestine Kramer (1902 1984).
21
pseudnimo do ingls William Sealy Gosset (1876 1937).
18

19
20

64

3.3.2.3 Similaridade e diversidade


Para verificar a similaridade entre as UA foram utilizados dados de composio de
espcies e a tcnica multivariada da anlise de agrupamentos (Cluster Analysis). A anlise de
agrupamentos utilizou o algoritmo de ligao por grupos pareados (Paired Group). Para
realizar o agrupamento foi utilizado o software PAST verso 2.14 (HAMMER et al.,
2001). As medidas de similaridade utilizadas foram Bray-Curtis22 que utiliza valores de
abundncia de espcies e Jaccard23 que utiliza dados de presena ausncia (0 ou 1). Foram
calculados tambm pelo software PAST os ndices de similaridade (Srensen) e diversidade
(Simpson 1D- e Shannon H-).
3.4

PROCESSAMENTO DOS DADOS DE SENSORES REMOTOS

3.4.1 Dados de entrada


A importao dos dados de entrada foi diferenciada por rea teste (Tabela 6).
Tabela 6. Dados de entrada do sensor SAAPI por rea teste

Ref.

Layer
R

RGB

G
B
IR1

IR

IR2
IR3

MDS
MDT

A
RGB_SG-22-Z-B-IV3-SE-F(1).tif
RGB_SG-22-Z-B-IV3-SE-F(2).tif
RGB_SG-22-Z-B-IV3-SE-F(3).tif
IR_SG-22-Z-B-IV-3SE-F(1).tif
IR_SG-22-Z-B-IV-3SE-F(2).tif
IR_SG-22-Z-B-IV-3SE-F(3).tif
MDS_SG-22-Z-B-IV3-SE-F.tif
MDT_SG-22-Z-B-IV3-SE-F.tif

rea teste
B
RGB_SG-22-Z-B-V-3SO-D(1).tif
RGB_SG-22-Z-B-V-3SO-D(2).tif
RGB_SG-22-Z-B-V-3SO-D(3).tif
IR_SG-22-Z-B-V-3SO-D(1).tif
IR_SG-22-Z-B-V-3SO-D(2).tif
IR_SG-22-Z-B-V-3SO-D(3).tif
MDS_SG-22-Z-B-V3-SO-D.tif
MDS_SG-22-Z-B-V3-SO-D.tif

C
RGB_SG-22-Z-B-V1-SO-B(1).tif
RGB_SG-22-Z-B-V1-SO-B(2).tif
RGB_SG-22-Z-B-V1-SO-B(2).tif
IR_SG-22-Z-B-V-1SO-B(1).tif
IR_SG-22-Z-B-V-1SO-B(1).tif
IR_SG-22-Z-B-V-1SO-B(1).tif
-

Para auxiliar o entendimento da metodologia e da sequncia dos processos


executados foi elaborado um fluxograma metodolgico (Figura 19).
22
23

ndice de dissimilaridade, homenagem aos americanos John Thomas Curtis (1913 1961) e J. Roger Bray.
estatstica de similaridade e diversidade, em homenagem ao suo Paul Jaccard (1968 - 1944).

65

Figura 19. Fluxograma da metodologia utilizada no trabalho

3.4.2 Segmentao
Para a criao dos objetos da imagem foi utilizada a plataforma do software
eCognition Developer 8.0. O algoritmo utilizado foi o Multiresolution Segmentation que
trabalha com valores de pixel, geometria e textura. Para cada rea teste foi criado um
projeto separado, com os mesmos critrios de segmentao.

66

No item forma (shape) foram trabalhados valores de 0 a 1, sendo que um valor


prximo a 0 (zero) fornece prioridade informao espectral (cor) e um valor prximo a
1 (um) fornece prioridade homogeneidade espacial (forma do objeto). No item seguinte,
compacidade (compactness), trabalhou-se com os contornos, sendo que quanto mais
elevado (1) mais compacto (geomtrico) o objeto e quando mais baixo (0) mais suave o
contorno. Em configuraes da segmentao (segmentation settings) no foram fornecidos
pesos as bandas da imagem (image layer weights).
A alterao dos valores de cada parmetro, assim como a sinergia entre eles, gera
diferentes cenrios de segmentao. Neste estudo, buscou-se obter uma segmentao
adequada para os estgios sucessionais da vegetao, ou seja, no tendo muita
importncia para o tamanho dos objetos, mas priorizando os contornos bruscos (devido
fragmentao). Por isso testaram-se valores baixos de compacidade e de forma (com valor
mximo de 0,5 para ambos), fornecendo assim prioridade suavidade dos contornos e a
cor dos objetos. Para a escala diversos valores foram testados (Tabela 5).
Tabela 7. Parmetros utilizados na criao dos diferentes cenrios de segmentao

Forma Compacidade
0,1
0,1
0,1
0,3
0,1
0,5
0,3
0,1
0,3
0,3
0,3
0,5
0,5
0,1
0,5
0,3
0,5
0,5

Escala
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300

A verificao da qualidade da segmentao para as diferentes combinaes dos


parmetros de entrada foi feita por meio da anlise visual (Figura 20).

67

Figura 20. Cenrios de segmentao gerados com escala de segmentao de 100 (A) e 300 (B),
sob os mesmos parmetros de forma e compacidade (forma: 0.1 e compacidade: 0.1) em uma
imagem de alta resoluo espacial adquirida pelo sensor SAAPI (2011)
A

Durante a anlise visual foram comparadas as formas e o tamanho dos objetos


formados, bem como sua representatividade em relao s feies terrestres. Com a
segmentao definida possvel extrair as informaes intrnsecas aos objetos a partir da
ferramenta exportar resultados (export results), tanto no formato vetorial (.shp) e texto
(.txt). Os primeiros testes de segmentao foram realizados na rea teste A. Porm, por
final, com um nmero menor de conjunto de parmetros de segmentao utilizou-se
todas as reas testes, para verificar seu comportamento em relao a todas.
3.4.3 Caracterizao das classes
Antes de iniciar a classificao propriamente dita foi necessrio definir as classes
do mapa temtico: floresta em estgio inicial/mdio/avanado, plantaes florestais
(reflorestamento com Pinus spp. e Eucalyptus spp.), pastagens, culturas agrcolas (como
rizicultura e bananeiras), solo exposto, rea urbana, massas de gua e sombra (Tabela 8).
Tabela 8. Exemplo de classes utilizadas e suas caractersticas de acordo com a imagem de alta
resoluo espacial do sensor SAAPI (2011) na composio 321 (RGB)
Fotografia
Classe
Composio 321 (RGB)
Descrio

in loco

Floresta
Estgio
Inicial

Fisionomia
herbceo-arbustiva,
com cobertura aberta.

Continua Tabela 8 ...

68

Classe

Composio 321 (RGB)

Descrio

Floresta
Estgio
Mdio

Fisionomia
arbustiva e arbrea,
cobertura densa e
parcialmente fechada.

Floresta
Estgio
Avanado

Fisionomia arbrea,
cobertura fechada
com dossel uniforme.
Algumas rvores
emergentes.

Floresta
Plantada

rvores homogneas
e uniformes.

Pastagem

Vegetao rala.

Rizicultura

Forma definida.

Plantao
de banana

Vegetao densa e
baixa.

Solo
exposto

Solo sem cobertura.

Massa
de
gua

Corpos dgua

... continuao Tabela 8.


Fotografia in loco

69

A caracterizao foi feita com base na interpretao visual e visitas a campo


realizado pelo candidato com auxlio de receptor manual (GPS) e anotaes em caderneta.
3.4.4 Seleo de atributos por meio da minerao de dados
Como visto, devido natureza de cada objeto, possvel defini-lo e quantific-lo
por meio de atributos. Na Tabela 9 consta um recorte da rea teste A em relao a trs
atributos analisados.
Tabela 9. Diferentes perspectivas de uma cena de acordo com o atributo analisado
Imagem composio 321 (RGB)
Desvio Padro dos ND na Banda 1
(imagem no visvel)
(Standart deviation layer 1)

Brilho

(Brightness)

Razo dos ND na Banda 3


(Ratio layer 3)

Antes de iniciar a seleo de atributos, uma pr-classificao de amostras (ou


objetos) foi efetuada, visando fornecer a assinatura espectral, espacial e textural de cada
classe, ou seja, os intervalos de reconhecimento de cada classe. A pr-classificao utilizou
a ferramenta classificao manual (manual editing) do eCognition. O nmero de amostras
por classe (Tabela 10) dependeu do nmero de ocorrncia daquela classe na imagem.
Aproximadamente 80 atributos estatsticos, espaciais e de textura foram
exportados em cada imagem pela ferramenta exportar estatstica dos objetos (export
objects statistics). Com a tabela de atributo gerada fez-se a converso do formato exportado
pelo eCognition (.csv ou .txt) para o formato .arff (arquivos de reconhecimento do
software WEKA).

70

Tabela 10. Nmero de amostras (objetos) por classe


Classe
rea teste A % rea teste B % rea teste C %
Floresta estgio inicial
410
3,3
133
1,7
226
2,0
Floresta estgio mdio
356
2,9
293
3,8
177
1,6
Floresta estgio avanado
434
3,5
471
6,0
617
5,6
Floresta plantada
214
1,7
121
1,5
619
5,6
Pastagem
531
4,3
558
7,2
314
2,8
Rizicultura
160
1,3
472
6,1
26
0,2
Agricultura/Banana
45
0,6
666
6,0
Ocupao Urbana
115
0,9
594
7,7
213
1,9
Sombra
38
0,3
105
1,3
131
1,2
Solo exposto
140
1,1
131
1,7
192
1,7
Massa de gua
41
0,3
77
0,9
41
0,4
Total de amostras
2.439
19,9
3.000
38,8
3222
29,0
Total de objetos na imagem
12.246
100
7.727
100
11.093
100

A seleo dos atributos foi a partir da tcnica da minerao de dados com o


programa WEKA 3.6, desenvolvido pela Universidade de Waikato, na Nova Zelndia.
O WEKA um programa de cdigo aberto que tem uma coleo de algoritmos de
aprendizagem, constitudo por ferramentas de pr-processamento, classificao,
regresso, agrupamento e regras de associao, que pode ser aplicado diretamente no
banco de dados (HALL et al., 2009). O banco de dados neste trabalho foi o conjunto de
atributos estatsticos, espaciais e texturais, calculados na segmentao e exportados pelo
eCognition. Dentro da plataforma do WEKA utilizou-se a aba referente seleo de
atributos (select atributtes), onde foram selecionados mtodos de avaliao e de procura, que
vo informar a representatividade de diferenciao dos atributos. No presente trabalho
foram utilizados os mtodos de avaliao Gain Ratio e Chi Square e os mtodos de procura
Ranker. Por final, os atributos so apresentados em ordem de discriminao das classes.
3.4.5 Classificao do banco de dados pela minerao de dados
Na aba de classificao do WEKA, foi utilizado o algoritmo supervisionado de
rvore de deciso J48. Segundo Goldschmidt e Passos (2005), uma rvore de deciso
uma estrutura explicativa em formato de rvore, sendo que cada n interno da rvore
representa uma deciso sobre um atributo que determina como os dados so repartidos
pelos seus ns filhos. As rvores so expressas por um fluxograma, onde o n interno

71

denota um teste com o atributo, o ramo representa o resultado do teste, e o n externo


(folha) exibe a classe (Figura 21).
Figura 21. Esquema estrutural do resultado de uma rvore de deciso pelo algoritmo J48

Para a validao dos resultados, foi utilizado o teste de conjunto suporte (supplied
test set) no WEKA. Os resultados da classificao so apresentados no formato de
rvore de deciso (Figura 21), linguagem if-else (Figura 22) e matriz de confuso.
Figura 22. Linguagem if-else da rvore de deciso da rea teste A

Com as rvores no formato if-else (Figura 22) so extrados os limiares de


diferenciao e formuladas as regras de deciso por classe que puderam alimentar os

72

critrios de cada classe na plataforma do eCognition (edit class class description), por meio
de funes de pertinncia de lgica booleana.
3.4.6 Classificao dos mapas temticos no eCognition
O procedimento de classificao utilizado foi o mtodo de classificao avanada
por funo de pertinncia, no qual critrios so inseridos para assinalar objetos s classes
de referncia de acordo com valores inerentes aquele objeto. Para este modelo no software
eCognition so necessrias duas etapas: conhecimento das caractersticas por classe e
aplicao da funo de pertinncia. O propsito da primeira etapa foi realizado com a
minerao de dados, que identificou os atributos relevantes, assim como seus limiares
para cada classe. O segundo propsito tem que levar em conta quatro fatores: qual o
operador lgico e o atributo a ser utilizado, o tipo de funo de pertinncia (Booleanas ou
Fuzzy) e o limiar ou intervalo de diferenciao (Tabela 11).
Tabela 11. Exemplo de preenchimento de descritores e funes de pertinncia por classe
utilizado na OBIA
Classe

Operador
lgico

Atributo

Funo

Floresta

or (max)
and (min)

Mdia ou desvio padro ou brilho ou


razo, entre outros

Booleana ou
fuzzy

Limiares ou
intervalo
> x; < x; x;
x; ou
x>y>z

Foram estabelecidas mais de uma funo de pertinncia por classe, por meio dos
operadores lgicos (insert new expression - logical terms) (Figura 23).
Figura 23. Regras de deciso convertidas do formato if-else (WEKA) para o formato do
eCognition, para as classes estgio inicial (A) e avanado (B)
A

73

Quando se utiliza esta metodologia de classificao complexidade do


processamento aumenta, assim como seu tempo de execuo.
3.4.7 Classificao dos mapas temticos no ENVI
Foram gerados tambm mapas temticos a partir de metodologias tradicionais de
classificao de imagens de sensoriamento remoto, visando comparar a acurcia das
metodologias. Utilizaram-se as tcnicas de classificao supervisionada da mxima
verossimilhana e a no supervisionada K-means obtidas com o software ENVI. No caso
da mxima verossimilhana, a classificao foi atravs da seleo de amostras
(aglomerados) de pixels por meio da ferramenta ROI (Regions of Interest, ou Regies de
Interesse). A classificao utilizou um nico critrio de probabilidade (Probability Threshold)
para todas as classes (0,85). Para a K-means, a classificao se deu por meio da seleo do
nmero de dez classes e apenas uma interao. A matriz de confuso utilizou amostras
aleatrias das ROI por meio da ferramenta Generate Random Sample do ENVI.
3.4.8 Avaliao da classificao
Foram utilizadas tcnicas de acuracidade fornecidas pelos softwares eCognition e
ENVI. Com o eCognition, depois de gerado o mapa temtico, foram coletadas
amostras/objetos (samples) de cada classe (Tabela 12).
Tabela 12. Nmero de amostras (objetos) de referncia por classe para validao do mapa
reas teste
Classe
A
B
C
Floresta estgio inicial
191 237 233
Floresta estgio mdio
203 225 402
Floresta estgio avanado 387 139 446
Floresta plantada
166 86 385
Pastagem
174 453 186
Rizicultura
121 312 24
Banana
- 439
Agricultura
39
Ocupao Urbana
116 266 264
Sombra
140 118 184
Solo exposto
102 103 197
Massa de gua
58 71 50
Vias/canais
- 171 -

74

Os objetos selecionados foram escolhidos pelos critrios: (1) objeto segmentado


correspondente nica classe (objetos com mistura de classes no foram selecionados);
(2) objetos que no colidem (fazem fronteira) com amostras de treinamento; (3) objetos
esto distribudos uniformemente na rea de abrangncia da rea teste; e (4) apresentam
similaridade com reas observadas em campo. Tentou-se obedecer ao nmero mnimo de
50 amostras por classe, definido por Congalton e Green (1999), para mapas cobrindo
menos de um milho de acres (404.600 ha) e com menos de 12 classes. No entanto,
devido reduzida rea de algumas classes, no foi possvel a observncia deste nmero
para todas elas. As amostras coletadas foram uniformemente espalhadas, de acordo com a
experincia de campo, na rea de cobertura da rea teste. Essas amostras de validao iro
indicar a verdade terrestre. O desempenho do mapa temtico foi verificado com a chave
de interpretao de Landis e Koch (1977) (Tabela 13).
Tabela 13. Chave de interpretao de desempenho do ndice Kappa de Landis e Koch (1977).
Coeficiente de Kappa
Desempenho
0-20
Ruim
21-40
Fraco
41-60
Moderado
61-80
Bom
81-100
Excelente

No software ENVI a aferio da acuracidade tambm utilizou a tcnica da matriz


de confuso, a partir das mesmas amostras utilizadas para aferir a acurcia por meio do
eCognition. Neste caso, um aglomerado de pixels foi selecionado no sentido de abranger
a mesma rea coberta pelo objeto gerado na segmentao. No ENVI as amostras foram
selecionadas pela ferramenta ROI.
Ao final foi executado o teste z para determinar a diferena na qualidade das trs
metodologias utilizadas de classificao, duas supervisionadas (mxima verossimilhana e
OBIA com minerao de dados) e uma supervisionada (K-means). O teste z foi executado
no aplicativo Excel, descrito conforme Congalton e Green (1999). O teste z utilizou um
nvel de significncia de 5% ( = 0,05), com valor crtico de 1,96, ou seja, se o valor do
teste z for maior que o valor crtico h diferena entre os mapeamentos.
3.4.9 Correlao dos dados de campo com atributos das imagens
Para a extrao dos valores dos atributos foi necessrio importar no eCognition

75

um vetor temtico (thematic layer) que representasse a unidade amostral de campo.


Assim, uma nova segmentao da imagem foi feita com o vetor temtico das reas de
campo. A extrao dos valores dos atributos das reas medidas em campo foi pela
ferramenta export object statistics. O conjunto de dados de campo (N, AB, DAP) e de
atributos foi organizado em uma planilha Excel e analisado no software PAST verso
2.14 (HAMMER et al., 2001). Inicialmente, o conjunto de dados foi submetido ao teste
de normalidade (normality tests), no sentido de aferir se os dados utilizados seguem uma
distribuio normal, da anlise de QQ plots. Nesse tipo de grfico a normalidade atingida
quando a relao entre os dados analisados e os quantis tericos da distribuio normal
apresenta-se linear. Com a normalidade aferida foi possvel escolher o mtodo de
correlao estatstica (correlao linear r, Spearman's D, Spearman's rs, entre outros).
Como o conjunto de dados analisado no apresentou normalidade utilizou-se a correlao
estatstica de Spearman's rs. Entretanto, o coeficiente de correlao , muitas vezes,
interpretado de forma subjetiva, deixando de levar em considerao fatores relevantes,
como por exemplo, o nmero de observaes (MOSER, 2013). Neste caso, o software
utilizou o teste t que permite, analiticamente, determinar se o coeficiente ou no
significativo para o conjunto de dados, calculado pela equao 3.9.
(3.9)
Onde,
n o nmero de observaes;
r o coeficiente de correlao.
O valor de tcalc comparado ao ttab bi-caudal, ao nvel de significncia e com grau
de liberdade n-2. Se | tcalc |> ttab, ento a correlao significativa. Ento, o valor de p
(calculado pelo PAST Correlation table) foi analisado, sendo que se p for menor que 0,05,
as variveis so correlacionadas.
A correlao determinada um valor contnuo, que varia de -1,+1, sendo que 0
no h correlao entre variveis; +1 correlao positiva (ou relao direta); e -1
correlao negativa (ou relao inversa) (MOSER, 2013).

76

RESULTADOS E DISCUSSES

4.1

INVENTRIOS DE CAMPO

4.1.1 Estrato arbreo


4.1.1.1 Variveis dendromtricas
Os inventrios de campo para o estrato arbreo de cada UA foram resumidos24 na
Tabela 14.
Tabela 14. Estimativas das variveis dendromtricas do estrato arbreo das UA com intervalo de
confiana ( = 0,05)
UA AT
N2
N.ha-1 2
AB2
AB.ha-1 2
DAP3
Ht3
01 A 103 3,8 643,7 23,8 0,68 0,03 4,26 0,2 7,06 2,1 3,9 0,7
02 A 82 21,8 512,5 135,9 0,16 0,03 1,02 0,2 6,21 6,0 3,1 1,3
03 A 134 6,6 837,5 41,6 0,75 0,07 4,72 0,4 5,26 1,2 3,1 0,4
04 C 260 10,8 1625,0 67,5 0,66 0,04 7,24 0,3 8,16 2,6 4,8 0,6
05 C 30 3,2 187,5 20,1 0,23 0,03 1,46 0,2 8,87 3,6 4,3 0,9
06 B 205 3,9 1281,2 24,6 0,54 0,01 3,38 0,05 5,62 0,8 4,4 0,4
Legenda: unidade amostral com quatro subunidades; 2soma e 3mdia; AT = rea teste; N =
nmero de indivduos por unidade amostral; ha = hectare; AB = rea basal (m); DAP =
dimetro a altura do peito (cm); Ht = altura mdia (m).

Mediante a ANOVA foi verificada a hiptese de igualdade das mdias das variveis
dendromtricas medidas entre as subunidades de cada UA (Tabela 15) para s variveis N,
AB, DAP e Htm.
Tabela 15. Resumo das variveis analisadas pela ANOVA para as subunidades ( = 0,05)
Hiptese de Igualdade
Variveis
UA1 UA2 UA3 UA4 UA5 UA6
Nmero de indivduos (N)
A
A
R
R
A
R
rea basal (AB)
A
A
R
A
A
A
Dimetro a altura do peito (DAP) A
A
R
A
A
A
Altura dominante mdia (Htm)
A
A
R
R
A
R
Legenda: R = Hiptese rejeitada; e A = Hiptese aceita.

Os resultados discutidos abaixo podem ser, ao menos em parte, confirmados


mediante a interpretao visual dos respectivos recortes das imagens (Figura 24).
A UA3 apresentou diferenas significativas em relao a todas as variveis
analisadas. Pelo teste de Tukey-Kramer a subunidade Norte diferenciou-se em relao s
24

resultados detalhados das coletas em campo so apresentados nos apndices deste trabalho.

77

variveis N, AB e DAP, em relao a todas as outras subunidades. Para a varivel Htm, a


subunidade Norte apresentou diferena apenas com as subunidades Leste e Oeste. Este
fato ocorreu devido declividade da rea que ocasionou uma heterogeneidade na
composio de espcies do local, sendo que a subunidade Norte foi a que se encontrava
na cota mais baixa (acmulo de matria orgnica, sedimento e gua), proporcionando
provavelmente condies favorveis ao desenvolvimento da vegetao.
Figura 24. Recorte das imagens de alta resoluo espacial adquirida pelo sensor SAAPI (2011) na
composio 321 (RGB) e com suas respectivas UA

Em relao a UA4, a diferena significativa ocorreu para a varivel Htm na


subunidade Leste, que apresentou diferena significativa com todas as outras subunidades.
A subunidade Leste tambm apresentou diferena para varivel N, em relao s
subunidades Sul e Oeste. Este caso pode ter ocorrido devido ao estado de degradao da
Leste que se apresentava na forma de pastagem rala (Figura 24).
Para a UA6 tambm foram encontradas diferenas significativas em relao s
variveis N e Htm. Em relao ao N, as diferenas ocorreram para a subunidade Sul, que
se diferenciou com as subunidades Leste e Oeste. A subunidade Sul tambm se
diferenciou de todas as outras subunidades em relao a varivel Htm. Este fato ocorreu

78

devido heterogeneidade da UA6, sendo que a subunidade Sul encontra-se em estgio de


sucesso mais avanado que as outras.
Utilizou-se a ANOVA tambm para verificar a hiptese de igualdade entre as UA
(Tabela 16) para as variveis dendromtricas N, AB, DAP e Htm.
Tabela 16. Resumo das variveis analisadas pela ANOVA entre as UA (=0,05)
Varivel
Hiptese de Igualdade
Nmero de indivduos (N)
Rejeitada
rea Basal (AB)
Rejeitada
Dimetro a altura do peito (DAP)
Rejeitada
Altura dominante mdia (Htm)
Rejeitada

Os resultados (Tabela 15) mostram que para as variveis N, AB, DAP e Htm a
hiptese de igualdade foi rejeitada. As diferenas singulares foram encontradas por meio
do teste post-hoc de comparaes mltiplas (Tukey-Kramer), que verifica a hiptese de
igualdade entre as mdias das variveis, sempre comparando pares de grupos (UA)
(Tabela 17).
Tabela 17. Resultados do teste de igualdade por Tukey-Kramer para as variveis N, AB, DAP e
H no estrato arbreo (=0,05)

Hiptese de Igualdade
Htm

DAP

AB

UA6
Htm

DAP

AB

UA5
Htm

DAP

AB

UA4
Htm

DAP

AB

UA3
Htm

DAP

AB

UA2
Htm

DAP

AB

UA

UA1

1 - - - 2 A A R A - - - 3 A A A A A A A A - - - 4 R A R A R R A R R A A A - - - 5 A A A A A A R A A A A A R R R A - - - 6 A A R A R A A A A A A A A A A A R R A A - - - Legenda: N = nmero de indivduos por unidade amostral; AB = rea basal (m); DAP =
dimetro a altura do peito (cm); Htm = altura mdia (m); A: Aceitao da hiptese; e R: Rejeio
da hiptese.

Em relao a varivel N (Tabela 17) a UA4 (260) apresentou o maior nmero de


diferenas significativas, com a UA1 (103), UA2 (82), UA3 (134) e UA5 (30). Houve
diferena tambm em relao a UA5 (30) e a UA6 (205), e a UA2 (82) com a UA6 (205).
A diferena da UA4 para a varivel N em relao s outras UA pode ser entendida pelo
estgio de sucesso que ela se encontrava (estgio mdio em relao s variveis DAP e
Htm). Sendo que diversas espcies tolerantes e intolerantes sombra j integravam o

79

estrato arbreo da UA4. A UA6 (estgio mdio em relao a varivel DAP) tambm se
diferenciou da UA2 (pastagem recm-abandonada) e da UA5 (pastagem recmabandonada com alguns indivduos passados), que foram as unidades com o menor
nmero de indivduos, 82 e 30, respectivamente.
Para a varivel AB (Tabela 17) tambm ocorreu diferena em relao a UA4 (0,66),
com a UA2 (0,16) e a UA5 (0,23) que apresentaram os valores mais baixos de AB. Essa
diferena se deve ao baixo nmero de indivduos que existem nessas duas unidades,
ocasionando consequentemente um baixo valor de rea basal.
Em relao a varivel DAP (Tabela 17) a UA1 (7,06) apresentou o maior nmero
de diferenas (3), com a UA2 (5,26), UA4 (8,16), e UA6 (5,62). Houve diferena
significativa tambm em relao a UA2 (5,26) e a UA5 (8,87).
Essas diferenas ocorrem devido estrutura de cada UA. A UA2 apresentou
poucos indivduos arbreos, diferenciando-se das outras. A UA5 tambm apresentou
poucos indivduos, porm, esta tinha altura e estrutura suficiente para classific-la como
estgio mdio pela legislao. A diferena entre a UA1 com a UA4 e a UA6 tambm pode
ser explicada pela diferena no estgio de regenerao, sendo que a UA1 inicial e a UA4
e a UA6 so estgio mdio.
Em relao a varivel Htm (Tabela 17) diferenas significativas foram encontradas
apenas em relao a UA2 (3,1) e a UA4 (4,8). Essa diferena ocorre devido diferena de
altura entre as UA, sendo a UA2 a menor e a UA4 a maior.
4.1.1.2 Similaridade entre UA
A fim de aprimorar anlise entre as UA e encontrar similaridade entre UA, foi
utilizada a tcnica multivariada da anlise de agrupamentos (Figura 25), utilizando-se as
variveis N, N.ha-1, AB, AB.h-1, DAP e Htm.
A anlise formou dois grupos distintos (corte 500) (SOUZA et al., 1990), um
grupo com as UA 4 e 6, que apresentaram os maiores valores de N e DA, e outro grupo
com as UA 1, 2, 3 e 5. Um segundo corte foi efetuado (corte 300) agrupando as UA 1, 2 e
3, que foram aquelas localizadas na mesma rea teste num raio de 2 km. A UA5 tambm
se localiza prximo da UA4 (aprox. 700 m de distncia), porm ela era sucessionalmente
diferente pela anlise de agrupamento. Um baixo valor de N provavelmente diferenciou a
UA5 da UA4.

80

Figura 25. Anlise de agrupamento com variveis dendromtricas entre as UA (=0,05)

Corte 300
Corte 500

4.1.1.3 Similaridade e diversidade de espcies


A anlise multivariada buscou encontrar tambm evidncias de similaridade entre a
composio de espcies das UA, pela anlise de agrupamento (Figura 26).
Figura 26. Anlise de agrupamento com dados de composio de espcies entre as UA: medida
de similaridade de Bray-Curtis (A) e Jaccard (B)

O agrupamento pela medida de similaridade de Bray-Curtis gerou um coeficiente


cofentico de 0,9288 e por Jaccard de 0,8662, demonstrando a confiabilidade da anlise
(acima de 0,8). Por Bray-Curtis a maior similaridade de espcies no estrato arbreo foi em
relao a UA2 e UA3 (que so prximas em distncia). As UA 2 e 3 tambm

81

apresentaram similaridade com a UA4 (maior valor de N). Em relao Jaccard a UA4 e
UA6 foram as que apresentaram maior similaridade entre espcies do estrato arbreo, em
seguida agrupou-se a UA3, UA1 e UA2. Ainda, como mtodo de aferio de similaridade
utilizou-se o ndice de Srensen, por meio da medida de similaridade de Bray-Curtis
(Tabela 18).
Tabela 18. ndice de Srensen a partir da similaridade de Bray-Curtis no estrato arbreo entre as
UA
UA1
UA1
UA2
UA3
UA4
UA5
UA6

0,17297
0,33755
0,13850
0,07633
0,22150

UA2

UA3

UA4

UA5

UA6

0,43519
0,34118 0,29082
0,01818 0,02469 0,03496
0,17483 0,21302 0,13420 0,05172

No foi encontrada similaridade entre as UA. O maior valor de similaridade entre


UA foi com a UA2 e UA3 (0,43519). Quantificou-se tambm a riqueza e a diversidade de
espcies por UA por meio do ndice de Simpson D- e Shannon H- (Tabela 19).
Tabela 19. Riqueza e ndices de diversidade por UA no estrato arbreo
UA1
UA2
UA3
UA4
Riqueza
17
6
17
26
-1
Simpson D
0,8478
0,5137
0,7859
0,6583
Shannon H2,185
0,9805
1,896
1,821

UA5
9
0,6776
1,465

UA6
30
0,8674
2,443

Os valores encontrados mostram que a maior diversidade de espcie foi na UA6 e


a menor na UA2, que corrobora os valores encontrados para riqueza de espcies.
Analisou-se tambm o nmero de espcies por subunidade (Tabela 20).
Tabela 20. Nmero de espcies por subunidade no estrato arbreo
Subunidade
N S L O
UA1 7 4 5 14
UA2 3 6 1 2
UA3 13 3 6 5
UA4 16 1 10 16
UA5 4 3 4 2
UA6 12 14 20 10

82

Nota-se (Tabela 19) que a UA6 (maior ndice de diversidade) apresentou o maior
nmero de espcies por subunidades (Tabela 20). Em seguida as UA 4, 1 e 3 tiveram suas
posies alternadas em relao ao ndice de diversidade e subunidade. Por final, a UA5 e
UA2 (na mesma sequncia do ndice de diversidade) foram as que apresentaram o valor
mais baixo de espcies por subunidade. Ou seja, o ndice de diversidade parcialmente
afetado pelo nmero de espcies por subunidade.
Visando caracterizar as espcies dominantes de cada UA no estrato arbreo
ordenaram-se espcies abundantes de acordo com o valor de cobertura (Tabela 19).
Tabela 21. Ranking de abundncia de espcies no estrato arbreo por UA
UA1
1
2
3
4
5
6
7

morta
Miconia
cinammomifolia
Piptocarpha
axilaris
Myrsine
coriacea
Casearia
sylvestris
Schefflera
morototoni
Pinus
taeda

UA2
Myrsine
coriacea
Andira
fraxinifolia
Psidium
guajava
Pinus
taeda
Tibouchina
urvilleana
Schinus terebinthi
folius
-

Baccharis sp.1

Myrcia
hebepetala

10

Cyathea atrovirens

UA3
Cyathea
atrovirens
Myrsine
coriacea
Miconia
cinammomifolia

UA4
Myrsine
coriacea
Miconia
cabucu
Cecropia
glaziovii

UA5
Aegiphila
integrifolia
Vernonanthura
divaricata
Casearia
sylvestris

morta

morta

NI 1

Psidium
guajava
Schinus
terebinthifolius
Xylopia
brasiliensis
Tibouchina
urvilleana
Pera
glabrata
Miconia
cabussu

Baccharis
semiserrata
Tibouchina
urvilleana
Hieronyma
alchorneoides
Austroeupatho
rium sp. 1
Nectandra
membranacea

Aspidosperma
australis
Vernonanthura
pubeula
Myrsine coriacea

Cyathea atrovirens

Tabernaemonta
na catharinensis
Annona sp.

UA6
Miconia
cinnamomifolia
Tibouchina
urvilleana
Casearia
sylvestris
Bacharis
sp.1
Psidium
guajava
morta
Cupania
vernalis
Miconia
cabussu
Miconia
sp.1
Bacharis
sp.2

Verifica-se (Tabela 21) que espcies caractersticas do estgio inicial de sucesso


ocorrem em todas as UA, como Miconia cinammomifolia, Myrsine coriacea, Baccharis sp.,
Tibouchina urvilleana, Miconia cabussu, Casearia sylvestris, tambm verificado por Vibrans
(2003) e Siminski (2004). Em quatro UA as rvores mortas estavam entre as espcies mais
abundantes demonstrando que muitas vezes, as reas em regenerao so provenientes de
reas degradadas e abandonadas por aes antrpicas. Vale a pena citar tambm a
presena da espcie Pinus taeda em duas UA, que considerada uma espcie invasora.

83

4.1.1.4 Classificao das UA de acordo com a resoluo CONAMA 04/1994


De acordo com a resoluo CONAMA 04/1994 e pelos inventrios de campo,
todas as UA so cobertas por vegetao em estgio inicial (Tabela 22).
Tabela 22. Classificao das UA por variveis dendromtricas em relao resoluo CONAMA
04/1994
UA
01
02
03
04
05
06
CO

N N.ha-1
103 643,7
82 512,5
134 837,5
260 1625,0
30 187,5
205 1281,2
-

AB AB.ha-1 DAP Ht CO
0,68
4,26
7,06 3,9 Inicial
0,16
1,02
6,21 3,1 Inicial
0,75
4,72
5,26 3,1 Inicial
0,66
7,24
8,16 4,8 Inicial
0,23
1,46
8,87 4,3 Inicial
0,54
3,38
5,62 4,4 Inicial
8
8
4
-

Legenda: soma e mdia; N = nmero de indivduos por unidade amostral; ha = hectare; AB =


rea basal (m); DAP = dimetro a altura do peito (cm); Ht = altura mdia (m); CO = CONAMA
n4/1994.

4.1.2 Regenerao
4.1.2.1 Variveis dendromtricas
Os inventrios de campo para a regenerao foram resumidos25 na Tabela 23.
Tabela 23. Estimativas das variveis dendromtricas por UA para indivduos da regenerao
com intervalo de confiana ( = 0,05)
UA
01
02
03
04
05
06

N
586 7,6
850 28,7
265 6,7
350 4,9
30 1,0
136 0,9

N.ha-1
14650 189,98
21250 717,19
6625 168,05
8750 123,02
750 24,74
3400 23,17

Legenda: soma; N = nmero de indivduos na unidade amostral; e ha = hectare.


O teste da ANOVA verificou a hiptese de igualdade dentro das UA
(subunidades), em relao a varivel N para a regenerao (Tabela 24).
Tabela 24. Resumo da ANOVA aplicado s subunidades (=0,05)
Hiptese de Igualdade
UA1 UA2 UA3 UA4 UA5 UA6
Nmero de indivduos
A
A
A
A
A
A
por unidade amostral (N)
25

resultados detalhados das coletas em campo so apresentados nos apndices deste trabalho.

84

Todas as subunidades aceitaram a hiptese de igualdade para a varivel N.


Utilizou-se tambm a ANOVA para comparar a igualdade da varivel N entre as UA. O
resultado (Tabela 25) mostrou que a hiptese de igualdade foi rejeitada.
Tabela 25. Resumo da ANOVA aplicada s UA (=0,05) para a varivel N na regenerao

Varivel
Hiptese de Igualdade
Nmero de indivduos (N)
Rejeitada
As diferenas singulares foram encontradas pelo teste post-hoc de comparaes
mltiplas (Tukey-Kramer), que verifica a hiptese de igualdade entre as mdias das
variveis, sempre comparando pares de grupos (UA) (Tabela 26).
Tabela 26. Resultados do teste de Tukey-Kramer para a varivel N na regenerao (=0,05)

Hiptese de Igualdade
UA1
UA2
UA3
UA4
UA5
UA6

UA1

UA2

UA3

UA4

UA5

Rejeitada
Rejeitada
Aceita
Rejeitada
Rejeitada

Rejeitada
Rejeitada
Rejeitada
Rejeitada

Aceita
Aceita
Aceita

Aceita
Aceita

Aceita

UA6

Em relao a varivel N (Tabela 24) a UA1 (586) apresentou diferenas


significativas com a UA2 (850), UA3 (265), UA5 (30) e UA6 (136). Houve diferenas
significativas tambm em relao a UA2 (850) com a UA3 (265), UA4 (30), UA5 (30) e
UA6 (136). A diferena da UA1 e U2 com as outras podem ser explicadas pelo estgio de
sucesso que estas se encontravam. A UA1 e UA2 eram pastagens abandonadas, com
alguns indivduos regenerantes emergentes (ilhas microclimticas). Nestes locais a
regenerao encontrada abundante, principalmente abaixo das rvores superiores,
criando um microclima favorvel s espcies tolerantes sombra (futuro dossel). A UA2
a que mais se assemelhou a uma vegetao em estgio inicial, apresentando o maior
nmero de indivduos na regenerao. Neste caso espcies intolerantes sombra estavam
brotando do solo, aumentando a varivel N. A UA3 era uma encosta heterogenia que j
apresentava uma quantidade maior de indivduos do segundo estgio de regenerao, com
rvores de altura mais elevada, assim como a UA4 e UA6. Nestes casos, espcies
comeam organizar suas copas em direo luz, dificultando o ingresso de novas espcies
e reduzindo o valor de N na regenerao. A UA5 cinco tambm uma pastagem em

85

regenerao, mas ainda na fase inicial da regenerao, com samambaiais e capins (no
medidos), abafando o terreno.
4.1.3 Discusso sobre os resultados de campo
De forma geral, existe um padro das espcies de ocorrncia da vegetao no
estgio arbreo inicial, mas o tamanho e a forma dessas reas geralmente so
determinados pela intensidade e pelo tipo de uso antrpico. O fator antrpico tambm
o responsvel por causar variaes no comportamento das variveis DAP, AB e Htm, que
em alguns casos so diferentes dentro das unidades (nas subunidades). Essa
heterogeneidade de reas no estrato arbreo pode dificultar a classificao de imagens de
mdia resoluo espacial que, em geral, no apresentam informao espectral suficiente
para diferenciar classes, como: vegetao nos diferentes estgios sucessionais, florestas
plantadas, pastagem e agricultura.
O estrato da regenerao segue um padro comum transitrio bem especfico, em
relao s espcies e ao nmero de indivduos, diferentemente, do estrato arbreo que
mais heterogneo. Porm, sua caracterizao espectral, at mesmo nas imagens de alta
resoluo, dificultada.
Os resultados de campo tanto para o estrato arbreo quanto para a regenerao
demonstram heterogeneidade da vegetao local, que pode ser o principal fator
discrepante dos resultados dos outros levantamentos da cobertura florestal do Estado
(que tiveram como mtodo a classificao manual que sofre com interferncias de
intrpretes). Outro fator que pode ter influncia negativa sobre os resultados dos
mapeamentos florestais do Estado falta de padronizao de classes de legenda, que em
alguns casos, agrupam/separam classes de uso do solo.
4.2

PROCESSAMENTO DAS IMAGENS

4.2.1 Segmentao
Tendo em vista que as reas teste apresentam uma paisagem muito diversificada
com plancies, montanhas e vales, e com diferentes tipos uso do solo, optou-se por
parmetros que produziram a melhor segmentao, independente da rea teste. Por isso,
para as trs reas teste adotaram-se os mesmos parmetros de segmentao.

86

Figura 27. Resultados obtidos no perodo de teste de segmentao da rea teste A e os


respectivos parmetros de utilizados para a imagem de alta resoluo espacial obtida pelo sensor
SAAPI (2011) na composio 321 (RGB)

E: 100

S: 0,1

C: 0,1

E: 100

S: 0,1

C: 0,5

E: 100

S: 0,5

C: 0,1

E: 100

S: 0,5

C: 0,5

E: 200

S: 0,1

C: 0,1

E: 200

S: 0,1

C: 0,5

E: 200

S: 0,5

C: 0,1

E: 200

S: 0,5

C: 0,5

E: 300

S: 0,1

C: 0,1

E: 200

S: 0,1

C: 0,5

E: 300

S: 0,5

C: 0,1

E: 200

S: 0,5

C: 0,5

Legenda: E = escala; S = forma e C = compacidade

Depois da fase de testes (Figura 27) verificou-se que o comportamento dos


critrios. Com o aumento da forma/cor, a segmentao afastava-se do objetivo do

87

trabalho, que era segmentar todas as classes de uso e cobertura do solo identificveis.
Valores baixos de forma/cor, por outro lado, segmentavam objetos demais (aumentando
a complexidade do processamento). Em relao compacidade/suavidade, notou-se
que com o aumento do critrio menos feies terrestres eram contornadas (unindo duas
classes de uso do solo dentro do mesmo objeto). Neste sentido, uma nova etapa de testes
foi

realizada

com

valores

mais

estreitos:

forma/cor

entre

0,1-0,4

compacidade/suavidade entre 0,2-0,4. Por final foi escolhida a combinao: 0,2 de


forma, 0,3 de compacidade e 180 de escala.
Entende-se que a segmentao ideal vai diferir de acordo com objetivo do
trabalho e da rea de estudo, ou seja, os parmetros adotados aqui podem ou no ser
adequados para outra regio. Por exemplo, Silva (2012) que trabalhou com uma rea
altamente fragmentada e heterognea utilizou valor baixo de escala e forma, de modo que
cada objeto formado continha apenas o conjunto de pixels daquela classe.
4.2.2 Minerao de dados
4.2.2.1 Seleo de atributos
Para a rea teste A foram selecionados 12 atributos, para a B 23 atributos e para a
rea teste C, 73 atributos (Tabela 27). Um atributo composto pelo tipo e pelo layer
(camada ou banda selecionada).
Tabela 27. Atributos selecionados para classificao por rea teste
A
Atributo
NDVI
Altura
Mdia
mxima diferena
desvio padro
Razo
menor valor
de pixel
maior valor
de pixel
homogeneidade
(todas direes)
dissimilaridade
(todas direes)

layer
3, IR1
IR1
IR2
MDS
MDS
IR1
IR1

reas teste
B
Atributo
layer
NDVI
altura
assimetria
brilho
mdia
3, IR1
mxima diferena
razo
menor valor
de pixel
maior valor
de pixel
contraste de borda

C
Atributo
NDVI
rea
assimetria
brilho
comprimento
compacidade

layer
-

IR2

densidade

3, MDS

mdia

2, 3,
IR1, IR2

MDS

mxima diferena

desvio padro

1, 2, IR1,
IR2, IR3

Continua Tabela 27...

88

... continuao Tabela 27.


A
Atributo
entropia
(todas direes)

layer
2

B
Atributo
contraste com
pixels vizinhos (3)
contraste de
borda com
pixels vizinhos (3)
desvio padro para
pixels vizinhos (3)
homogeneidade
(todas direes)
dissimilaridade
(todas direes)
entropia
(todas direes)
desvio padro
textural
(todas direes)
contraste
(todas direes)
correlao
(todas direes)
segundo
momento angular
(todas direes)

layer

C
Atributo

layer

razo

1, 2, 3,
IR1, IR2, IR3

menor valor
de pixel

1, 2, 3,
IR1, IR2, IR3

3
IR1
IR1
2
IR1
IR1
IR1
IR1

maior valor
de pixel
contraste de
borda com
pixels vizinhos (3)
contraste com
pixels vizinhos (3)
diferena mdia
para vizinhos (0)

3, IR1,
1, 2, 3,
IR1, IR2
2, 3,
IR1 IR2, IR3
2, 3,

desvio padro para


pixels vizinhos (3)

2, IR1, IR2

homogeneidade
(todas direes)
dissimilaridade
(todas direes)

1, 2, 3,
IR1, IR3
1, 2, 3,
IR1, IR2, IR3

entropia
(todas direes)

2, 3,
IR2, IR3

desvio padro
textural
(todas direes)
contraste
(todas direes)
correlao
(todas direes)

1, 2,
IR1, IR2, IR3
3, IR1,
IR2, IR3
2, IR1, IR3

Os atributos de maior importncia foram listados por peso de diferenciao


(Tabela 28) por meio do mtodo de avaliao Gain Ratio e pelo mtodo de procura Ranker
no software de minerao de dados.

89

Tabela 28. Ranking dos 10 melhores atributos de acordo como mtodo de avaliao Gain Ratio e
pelo mtodo de procura Ranker
Ordem
1
2
3
4
5
6
7

8
9
10

rea teste
B
C
Layer
Atributo
Layer
Atributo
Layer
IR2
altura mdia
mxima diferena
razo
IR2
mdia
IR2
maior valor
MDS
MDS
razo
1
de pixel
entropia
mdia
2
2
razo
IR2
(todas direes)
segundo momento
altura mdia
IR1
razo
IR1
angular (todas direes)
menor valor
mdia
IR1
MDS
mdia
1
de pixel
contraste de
mxima diferena
borda com
3
razo
IR3
pixels vizinhos (3)
entropia
homogeneidade
2
IR1
mdia
2
(todas direes)
(todas direes)
homogeneidade
IR1
mxima diferena
Brilho
(todas direes)
menor valor
MDS
NDVI
NDVI
de pixel
A
Atributo
razo
NDVI
maior valor
de pixel

Legenda: layer = camada; NDVI = (banda IR1-banda B)/(banda IR1 + banda B).

4.2.2.2 Arquitetura da rvore de deciso


As rvores de deciso tambm tiveram suas arquiteturas diferenciadas em cada
rea teste devido ao diferente nmero de atributos e de classes de uso do solo (Tabela 29).
Tabela 29. Arquitetura das rvores por rea teste
reas teste
A
B
C
Tamanho da rvore 402 471 589
Nmero de folhas 204 238 295
Arquitetura

As reas testes A e B por possurem o produto completo (MDT e MDS mais


informao para a discriminao), apresentaram as menores rvores (Figura 28). A rea
teste B apresentou uma rvore de tamanho intermedirio, pois utilizou mais atributos e
bandas na diferenciao que a rea teste A.
A diviso dos grandes ns das rvores tambm foi diferenciada por rea teste. Para
a rea teste A, a razo da banda IR2 foi o grande n, para a rea teste B foi a razo da
banda IR2 e para a rea teste C a mxima diferena (Figura 29).

90

Figura 28. Desenho das rvores de deciso J48 das reas testes A (A), B (B) e C (C)
A

91

Figura 29. Grandes ns das rvores de deciso das reas teste A (A) e C (B)
A

Cada classe teve o nmero de regras de deciso definidas de acordo com a


similaridade/discriminalidade em relao s outras classes, nmero de atributos
escolhidos e ao nmero de amostras de referncia utilizadas para a minerao (Tabela 30).
Tabela 30. Nmero de regras de deciso por classe de acordo com a rea teste
reas teste
A B C
Floresta estgio inicial
35 16 42
Floresta estgio mdio
32 26 31
Floresta estgio avanado 35 32 62
Floresta plantada
22 12 41
Pastagem
33 29 24
Rizicultura
7 23 6
Agricultura
5
Banana
- 41
Ocupao Urbana
20 33 20
Sombra
3 6 7
Solo exposto
14 16 17
gua
3 7 4
Classe

As classes de uso do solo com maior nmero de regras de deciso (Figura 28 e


Tabela 30) so aquelas que so espectralmente similares (Figura 30).
Figura 30. Perfil espectral de amostrass de classes de uso do solo na rea teste A

92

Apesar da influncia da atmosfera presente nos perfis espectrais extrados para as


classes selecionadas de uso do solo (Figura 30), os padres encontrados esto de acordo
com os reportados em Meneses e Netto (2002). As classes solo exposto e edificaes
(ND alto na banda 1, baixo na banda 3 e estvel no NIR) apresentaram alta variabilidade
no desvio padro da mdia dos ND, e precisaram, respectivamente, de 14 a 17 e de 20 a
33 regras de deciso (Tabela 29). Outra dificuldade em relao similaridade de classes
para com as classes da vegetao parecidas tanto no comportamento espectral quanto na
mdia dos ND. Ocorre para estas classes a sobreposio dos desvios padres dos ND
(Figura 31) indicando similaridade espectral. Em geral, apesar da influncia da atmosfera
presente nos valores de ND das imagens analizadas, os padres espectrais para os
diferentes estgios sucessionais analizados so condizentes com os reportados na
literatura (VIEIRA et al., 2003). As classes iniciais de regenerao so as que apresentaram
maiores valores de ND ao longo do espectro em funo da estruo mais regular dos
dossis. J para as classes avanadas, observa-se o contrrio, uma maior irregularidade dos
dossis e portanto, maior influncia de sombras (PONZONI et al., 2012).
Figura 31. Perfil espectral de amostras das classes da vegetao da rea teste A
180

Mdia dos ND

160
140

F. Avanado
F. Mdio
F. Inicial
F. Plantada
Pastagem

120
100
80
60
40

0,45

0,57

0,66

0,77

Comprimento de onda (m)

Para as classes da vegetao, ocorreu o maior uso de regras de deciso, floresta


estgio avanado de 32 a 62, estgio mdio de 26 a 31, floresta plantada de 12 a 41,
estgio inicial de 16 a 42 e pastagem de 24 a 33. Com este resultado, evidencia-se a
necessidade da incluso de atributos adicionais para a discriminao de classes,
principalmente da vegetao, como textura e forma, no se restringindo aos estatsticos.

93

4.2.3 Mapas temticos pela OBIA


Na seo abaixo seguem apresentados os mapas temticos gerados por rea teste
(Figuras 32, 33 e 34) e os respectivos dados de acurcia geral (Tabelas 31, 32 e 33).
Figura 32. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste A pela OBIA, escala 1:38.000, prxima divsa dos
municpios de Acurra e Indaial
A

94

Tabela 31. Matriz de confuso da classificao da rea teste A pela tcnica da OBIA

Inicial

Plantada

Pastagem

Rizicultura

Edificaes

Sombra

gua

Exposto

341
16
5
21
0
0
0
0
0
0
0
387
0,88
0,89
0,84

10
171
18
3
1
0
0
0
0
0
0
203
0,84
0,84
0,82

1
4
172
7
6
0
0
0
0
1
0
191
0,90
0,83
0,89

20
10
1
135
0
0
0
0
0
0
0
166
0,81
0,81
0,79

0
0
10
0
159
1
0
0
0
3
1
174
0,91
0,90
0,90

0
0
0
0
2
115
1
0
0
3
0
121
0,85
0,99
0,95

0
0
2
0
1
0
106
0
1
6
0
116
0,91
0,94
0,90

12
3
0
0
0
0
2
123
0
0
0
140
0,88
0,97
0,86

0
0
0
0
0
0
1
0
57
0
0
58
0,98
0,98
0,98

0
0
0
0
8
0
3
0
0
91
0
102
0,89
0,87
0,88

Total
classificadas

Mdio

Avanado
Mdio
Inicial
Plantada
Pastagem
Rizicultura
Edificaes
Sombra
gua
Exposto
No Class.
Total coletadas
Exatido produtor
Exatido usurio
Kappa

Classificadas

Classes

Avanado

Amostras de referncia

384
204
208
166
177
116
113
127
58
104
1
0,89
0,87

Para a rea teste A, o ndice de exatido geral foi de 0,89 e o ndice Kappa de 0,87
(Tabela 31), considerado excelente de acordo com Landis e Koch (1977). De forma geral,
todas as classes apresentaram ndices de exatido do produtor e do usurio acima de 0,81,
demonstrando que os erros de omisso e comisso no superaram 20%. As classes estgio
mdio e floresta plantada apresentaram os maiores erros de omisso (quando um objeto
no includo na classe que pertence). O estgio mdio confundiu-se com as classes
estgio inicial e avanado e a classe floresta plantada com o estgio mdio e o avanado.
Consequentemente, a classe avanada confundiu-se com o estgio mdio e a floresta
plantada. Isso ocorreu devido similaridade espectral e textural das classes e pela falta de
poder discriminante da segmentao para com todos os objetos da imagem. A classe
pastagem apresentou erros em relao ao estgio inicial, porm mesmo assim a exatido
do produtor foi alta (0,91). Em relao exatido do usurio (no classificar como
pertencente outra classe) melhores resultados foram: rizicultura, gua e sombra,
respectivamente. Na avaliao do ndice Kappa, os piores desempenhos foram: floresta
plantada (0,79), estgio mdio (0,82) e avanado (0,84). O estgio inicial apresentou um
resultado satisfatrio com ndices do produtor de 0,90 e do usurio 0,83, e ndice de
Kappa de 0,89.

95

Figura 33. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste B pela tcnica da analise orientada a objetos, escala
1:40.000, no municpio de Gaspar
A

96

Tabela 32. Matriz de confuso da classificao da rea teste B pela tcnica da OBIA

Mdio

Inicial

Plantada

gua

Pastagem

Rizicultura

Edificaes

Sombra

Vias/canais

Exposto

Agricultura

Total
classificadas

Avanado
Mdio
Inicial
Plantada
gua
Pastagem
Rizicultura
Edificaes
Sombra
Vias/canais
Exposto
Agricultura
No Class.
Total coletadas
Exatido produtor
Exatido usurio
Kappa

214
10
2
4
0
1
0
4
2
0
0
0
0
237
0,90
0,84
0,89

18
201
4
1
0
0
0
1
0
0
0
0
0
225
0,89
0,87
0,88

1
9
122
1
0
1
1
2
1
0
0
1
0
139
0,88
0,92
0,87

7
9
0
70
0
0
0
0
0
0
0
0
0
86
0,81
0,92
0,80

0
1
0
0
65
0
0
4
0
0
1
0
0
71
0,91
0,95
0,91

2
0
2
0
1
427
20
0
0
0
0
1
0
453
0,94
0,95
0,93

0
0
0
0
0
12
295
1
0
3
1
0
0
312
0,94
0,91
0,94

0
0
1
0
2
0
0
254
1
7
1
0
0
266
0,95
0,88
0,95

11
0
0
0
0
0
0
4
103
0
0
0
0
118
0,87
0,96
0,87

0
0
1
0
0
2
5
12
0
147
3
1
0
171
0,86
0,93
0,85

0
0
0
0
0
0
2
7
0
0
94
0
0
103
0,91
0,94
0,91

0
0
1
0
0
5
1
0
0
1
0
31
0
39
0,79
0,91
0,79

253
230
133
76
68
448
324
289
107
158
100
34
0

Classificadas

Classes

Avanado

Amostras de referncia

0,91
0,90

Para rea teste B, o ndice de exatido geral foi de 0,91 e o ndice Kappa de 0,90
(Tabela 32), considerado excelente de acordo com Landis e Koch (1977). De forma geral,
todas as classes apresentaram ndices de exatido do produtor acima de 0,79 e do usurio
acima de 0,84. As classes floresta plantada e vias/canais apresentaram os maiores erros de
omisso (quando um objeto no includo na classe que pertence), 0,81 e 0,86,
respectivamente. A floresta plantada confundiu-se com as classes estgio mdio e
avanado e a classe vias/canais com as classes edificaes e rizicultura. Apesar de
apresentarem os maiores erros, estas classes ainda apresentaram ndices relativamente
altos. Os melhores resultados da exatido do produtor foram edificaes (0,95), pastagem
(0,94) e rizicultura (0,94). Em relao aos erros de comisso (no classificar como
pertencente outra classe) os piores resultados foram das classes floresta estgio
avanado (0,84) e mdio (0,87), e os melhores resultados foram das classes sombra (0,96),
pastagem (0,95), gua (0,95) e solo exposto (0,94). Na avaliao do ndice Kappa, os
piores desempenhos foram: agricultura (0,79) floresta plantada (0,80) e vias/canais (0,85).
O estgio inicial apresentou um resultado satisfatrio com ndices do produtor de 0,88 e
do usurio 0,92, e ndice Kappa de 0,87.

97

Figura 34. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste C pela OBIA, escala 1:40.000, prxima divsa dos
municpios de Luiz Alves e Massaranduba
A

98

Tabela 33. Matriz de confuso da classificao da rea teste C pela tcnica da OBIA

Mdio

Inicial

Rizicultura

Banana

Edificaes

Exposto

Sombra

Plantada

Pastagem

gua

Total
classificadas

Avanado
Mdio
Inicial
Rizicultura
Banana
Edificaes
Exposto
Sombra
Plantada
Pastagem
gua
No Class.
Total coletadas
Exatido
(produtor)
Exatido
(usurio)
Kappa

376
6
4
0
10
1
0
6
41
2
0
0
446

23
352
15
0
4
0
0
1
7
0
0
0
402

4
12
211
0
2
0
0
0
1
3
0
0
233

0
0
0
22
0
0
0
0
1
1
0
0
24

14
4
2
0
413
0
0
0
5
1
0
0
439

1
0
2
0
3
234
12
0
1
4
7
0
264

0
0
0
1
1
24
166
0
0
4
1
0
197

16
0
0
0
0
1
0
165
2
0
0
0
184

12
1
4
0
6
1
2
2
357
0
0
0
385

3
2
3
0
1
2
1
0
0
173
0
1
186

0
0
0
0
0
2
0
0
0
0
48
0
50

449
377
241
23
440
265
181
174
415
188
56
1
-

0,84

0,87

0,90

0,92

0,94

0,89

0,84

0,90

0,93

0,93

0,96

0,84

0,93

0,87

0,96

0,94

0,88

0,92

0,95

0,86

0,92

0,86

0,81

0,86

0,90

0,92

0,93

0,87

0,83

0,89

0,91

0,92

0,96

Classificadas

Classes

Avanado

Amostras de referncia

0,89
0,88

Em relao rea teste C, o ndice de exatido geral atingido foi de 0,89 e o ndice
Kappa 0,88 (Tabela 33), excelente de acordo com Landis e Koch (1977). De forma geral,
todas as classes ficaram com ndice de exatido do produtor acima e do usurio acima de
0,84. Nesta imagem os maiores erros de omisso foram para as classes: estgio avanado
(0,84) e solo exposto (0,84). O estgio avanado novamente foi confundido com a
floresta plantada e com a plantao de banana (que no havia nas imagens passadas). A
classe solo exposto obteve problemas de classificao com a ocupao urbana e algumas
formas de pastagem. O estgio mdio foi confundido tanto com o estgio inicial como
com o avanado e a floresta plantada. Esses erros ocorreram, novamente, devido
similaridade espectral e textural das classes e pela falta de poder discriminante da
segmentao para com todos os objetos da imagem. Em relao ao ndice de exatido do
usurio os melhores resultados foram das classes rizicultura (0,96), banana (0,94), sombra
(0,95), solo exposto (0,92) e pastagem (0,92). O estgio inicial apresentou um resultado
satisfatrio com ndices do produtor de 0,90 e do usurio 0,87, e ndice Kappa de 0,90.

99

4.2.4 Mapas temticos da rea teste A por metodologias pixel-a-pixel


Comparaes entre mapas temticos foram realizadas na rea A, que apresentou o
pior resultado de exatido geral e ndice Kappa.
4.2.4.1 Supervisionada - Mxima Verossimilhana
Para rea teste A utilizando a tcnica da mxima verossimilhana se atingiu um
ndice de exatido geral de 0,63 e o ndice Kappa de 0,56 (Tabela 34), considerado
moderado de acordo com Landis e Koch (1977).
Tabela 34. Matriz de confuso da rea teste A pela tcnica da mxima verossimilhana

Plantada

Sombra

gua

Solo

Pastagem

Edificaes

Mdio

Inicial

73960
1283
95890
8348
23
0
10141
1446
71709
8758
271558
0,27
0,38
0,32

1043
467132
1122
115
2747
17837
72907
34784
10198
9208
617093
0,75
0,85
0,81

44422
906
431451
7624
7
0
982
4275
56110
486
546263
0,79
0,72
0,65

243
15
673
154307
166
0
8
187
54
2
155655
0,99
0,86
0,85

8
174
28
330
62395
0
190
856
11
33
64025
0,97
0,86
0,85

3
1924
2
0
627
46617
372
376
17
57
49995
0,93
0,67
0,67

9586
56878
1075
88
115
600
394526
6183
53668
58529
581248
0,68
0,66
0,57

3010
9568
5382
6076
6505
3801
3522
58970
3898
2097
102829
0,57
0,53
0,51

35045
3203
44499
1224
20
2
33233
1799
103952
22291
245268
0,42
0,28
0,22

23625
8321
20017
1481
37
26
84237
2116
60677
98945
299482
0,33
0,49
0,43

Total
classificadas

Rizicultura

Avanado
Rizicultura
Plantada
Sombra
gua
Solo
Pastagem
Edificaes
Mdio
Inicial
Total coletadas
Ex. Produtor
Ex. Usurio
Kappa

Classificadas

Classes

Avanado

Amostras de referncia

190945
549404
600139
179593
72642
68883
600118
110992
360294
200406
0,63
0,56

De acordo com os ndices do produtor e do usurio, as classes sombra, gua, solo


exposto e rizicultura apresentaram os melhores resultados. As classes floresta avanada,
estgio mdio e estgio inicial apresentaram os maiores erros de omisso acima de 50%,
mostrando a ineficincia da metodologia para classificar estgios da vegetao. Este
resultado tambm foi verificado no ndice Kappa.
As classes de vegetao, por serem espectralmente semelhantes em relao aos ND
(sobreposio de desvio padro) apresentaram os piores resultados de classificao pela
metodologia tradicional. Isto acontece, pois nas imagens de alta resoluo espacial os
pixels tem o tamanho reduzido fazendo com que o efeito salt and pepper ocorra quase que
em toda a imagem (Figura 35). Estas imagens de alta resoluo espacial apresentam

100

informao muito detalhada se comparadas s imagens de mdia resoluo, onde os pixels


so suficientemente grandes para cobrir grandes reas de cada classe de uso do solo.
Figura 35. (A) Recorte do mapa temtico da rea teste A pela tcnica da mxima verossimilhana
e (B) recorte da imagem de alta resoluo espacial do sensor SAAPI na composio 321 (RGB).
A legenda das classes de uso do solo referente a Figura 32
A

4.2.4.2 No Supervisionada - K-means


Para rea teste A utilizando a K-means se atingiu um ndice de exatido geral de 0,22
e ndice Kappa de 0,12 (Tabela 35), considerado ruim para Landis e Koch (1977).
Tabela 35. Matriz de confuso da rea teste A pela tcnica K-means

5521
6132
9842
13957
27351
36954
46761
50650
96197
19268
312633
0,11
0,08
0,03

226
757
2402
6766
126413
172740
100460
81283
93053
36220
620320
0,16
0,22
0,02

Total
classificadas

28144
38538
61989
85844
88797
60830
39000
25984
35035
97436
561597
0,16
0,24
0,06

Edificaes

943
5169
14124
15287
14729
2449
3655
112
7609
5628
69705
0,22
0,09
0,06

Solo

Plantada

19009
13247
16977
21472
36264
42357
40347
30197
30994
28532
279396
0,06
0,14
0,05

Pastagem

gua

3910
6833
11237
17175
36016
43245
42977
33977
26359
26007
247736
0,08
0,08
0,01

Rizicultura

Avanado

155472
230
76
46
13
15
15
1
0
23
155891
0,99
0,69
0,67

Inicial

Mdio

Sombra
Mdio
Avanado
gua
Plantada
Inicial
Rizicultura
Pastagem
Solo
Edificaes
Total coletadas
Ex. Produtor
Ex. Usurio
Kappa

Classificadas

Classes

Sombra

Amostras de referncia

130
219
792
2552
33770
109516
156797
170240
104958
6774
585748
0,29
0,42
0,28

0
0
4
14
51
92
433
1051
51680
34
53359
0,97
0,10
0,10

10285
5414
6160
7988
12218
14083
14657
10797
26246
9294
117142
0,08
0,04
0,01

223640
76539
123603
171101
375622
482281
445102
404292
472131
229216
0,22
0,12

De acordo com o ndice do produtor, as classes sombra e solo exposto foram s


nicas classes que apresentaram resultados acima de 0,50. Para os ndices exatido do

101

usurio e Kappa a nica classe de uso do solo que apresentou resultado acima de 0,5 foi a
sombra. Esse resultado pode ser explicado novamente pelo perfil espectral das classes na
figura 30 (pg. 91) no qual as classes sombra e solo exposto ficam nas extremidades do
perfil e no meio fica o emaranhado de classes que causa a confuso da tcnica.
Os ndices abaixo do esperado das metodologias tradicionais apenas reforam a
argumentao de que a classificao orientada a objeto a melhor alternativa,
principalmente para classificar estgios da vegetao.
4.2.5 Teste z de comparao das matrizes de confuso
O teste z de comparaes entre encontrou diferenas significativas entre os ndices
Kappa dos mapeamentos da rea teste A (Tabelas 36 e 37).
Tabela 36. Resultados individuais das matrizes de confuso dos mapas temticos da rea teste A
Matriz de Confuso
ndice Kappa Varincia Estatstica z
Mxima verossimilhana
0,5840
0,0000001
1812,9460
K-means
0,1165
0,0000001
437,2164
OBIA e minerao de dados
0,8733
0,0000785
98,5973
Tabela 37. Anlise do ndice Kappa para a comparao em pares dos resultados das matrizes de
confuso dos mapas temticos da rea teste A
Matriz de Confuso
Estatstica z
Mxima verossimilhana vs. K-means
1118,29
Mxima verossimilhana vs. OBIA e minerao de dados
-32,64
OBIA e minerao de dados vs. K-means
85,41

Para o nvel de significncia de 5% ( = 0,05) foi corroborado o melhor


desempenho do mapa gerado pela metodologia da OBIA e o desempenho no
satisfatrio de classificadores tradicionais, como a mxima verossimilhana e a K-means. A
OBIA foi muito superior em relao aos procedimentos no supervisionados, como o Kmeans (no sendo aconselhada para este tipo de resoluo). A mxima verossimilhana
apresentou um resultado moderado de acordo com a chave de interpretao de Landis e
Koch (1977), podendo ser utilizada como ferramenta complementar, porm, como a
metodologia utiliza apenas o atributo ND ou tons de cinza, no se aconselha a tcnica
para discriminar estgios da vegetao (Tabela 37).

102

Figura 36. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); Classificao pela: (B) OBIA; (C) mxima verossimilhana; e (D) classificao por Kmeans, da rea teste A em Indaial/Ascurra, escala 1:40.000.
A

Inicial

Plantada

Pastagem

Rizicultura

Edificaes

Sombra

gua

Exposto

Geral

Kappa

OBIA

Produtor 0,88 0,84


Usurio 0,89 0,84

0,90
0,83

0,81
0,81

0,91
0,90

0,85
0,99

0,91
0,94

0,88
0,97

0,98
0,98

0,89
0,87

0,89

0,87

MaxVer

Produtor 0,27 0,42


Usurio 0,38 0,28

0,33
0,49

0,79
0,72

0,68
0,66

0,75
0,85

0,57
0,53

0,99
0,86

0,97
0,86

0,93
0,67

0,63

0,56

K-means

Produtor 0,06 0,08


Usurio 0,14 0,08

0,11
0,08

0,16
0,24

0,29
0,42

0,16
0,22

0,08
0,04

0,99
0,69

0,22
0,09

0,97
0,10

0,22

0,12

Avanado

Mdio

Tabela 38. ndices de produtor e usurio, exatido geral e ndice Kappa de acordo com cada
classe de mapeamento e metodologia utilizada, por meio de um sensor SAAPI (2011)

103

4.2.6 Comparao de resultados atingidos para com a literatura


Resultados obtidos pela OBIA foram comparados com a literatura, levando em
conta tanto semelhanas de resoluo espacial (matria prima) como na metodologia
(Tabela 39).
Tabela 39. Comparao do resultado utilizando um sensor SAAPI (2011) com autores da
literatura com resoluo espacial e/ou metodologia semelhante
Autores

Matria
Prima
(Sensor)

Luz et al. (2009)

SPOT-5

Francisco e
Almeida (2012)

FORMOSAT2
ALOS/
AVNIR-2

Silva (2012)

Rapideye

Sette (2009)

Metodologia
OBIA e minerao de
dados (J48)
mxima
verossimilhana
OBIA e minerao de
dados (J48)
OBIA e redes neurais
artificiais

Ex.
usurio

Ex.
Usurio

0,71

Sim

0,64

Sim

0,73

0,88

Sim

0,60

Sim

0,60

0,90

0,84

Sim

0,85

Sim

0,90

0,83

0,79

Sim

0,87
0,92

No

Legenda: G = ndice de acurcia geral; K = ndice de Kappa; F = Presena/ausncia da classe de uso do


solo referente a Floresta; Ex. = ndice de exatido; I = Presena/ausncia da classe de uso do solo
referente a estgio inicial de sucesso.

Metodologia e resoluo espacial semelhante: Luz et. al (2009) avaliaram o


desempenho da OBIA e da mxima verossimilhana em uma rea no norte do estado do
Paran, atravs de uma imagem de alta resoluo espacial do sensor SPOT-5. O
mapeamento utilizou a OBIA e a minerao de dados com o algoritmo de rvore de
deciso J48. O ndice de exatido geral por pela mxima verossimilhana foi de 0,70 e o
ndice Kappa, 0,71. A classe rea agrcola apresentou o pior desempenho tanto para o
mapa da mxima verossimilhana como OBIA. Em relao s classes estgio avanado e
estgios iniciais a OBIA apresentou o melhor desempenho (0,7 e 0,72) quando
comparado a mxima verossimilhana (0,64 e 0,74).
Resoluo espacial semelhante: Sette (2009) utilizou uma imagem de alta resoluo
espacial e o algoritmo classificador da mxima verossimilhana para classificar estgios
sucessionais de Mata Atlntica no Sul da Bahia. De acordo com o ndice Kappa, a
classificao com as bandas do visvel foi de 0,46, utilizando somente as bandas de textura
foi de 0,55; e com a combinao das trs bandas do visvel (azul, verde, vermelho) e duas
bandas de textura (segundo momento angular e correlao) foi de 0,88. A acurcia mdia

104

dos estgios sucessionais foi de 0,60. O estgio inicial apresentou confuso com outros
estgios e outras classes, como pastagem e floresta plantada.
Metodologia e resoluo espacial semelhante: Francisco e Almeida (2012)
avaliaram o desempenho da classificao conjunta de atributos estatsticos e texturais e
apenas estatsticos no municpio de Nova Friburgo/RJ, atravs de uma imagem de alta
resoluo espacial. O mapeamento utilizou a OBIA e a minerao de dados com o
algoritmo de rvore de deciso J48. O ndice de exatido global por descritores texturais e
estatstico foi de 0,88 e o ndice Kappa, 0,81. No mapa de atributos estatsticos e texturais,
a classe rea urbana apresento o maior erro de omisso (exatido do produtor de 0,47),
confundindo-se com as classes: herbcea rala, floresta e queimada. J o ndice de exatido
global do mapa por atributos estatsticos foi de 0,90 e o ndice Kappa, 0,84. Todas as
classes ficaram com ndice de exatido do produtor e usurio acima de 0,50. Em relao a
ambos os mapas: a classe floresta, herbcea e floresta plantada apresentaram,
respectivamente, ndices do produtor de 0,98; 0,64 a 0,80; e 0,71 a 0,81; e usurio de 0,95
a 1,0; 0,84 a 0,90; e 0,94.
Metodologia e resoluo espacial semelhante: Silva (2012) utilizou a OBIA e redes
neurais artificiais na classificao do uso do solo da regio norte do estado de Minas
Gerais por meio de imagens do sensor Rapideye. A exatido global atingida foi de 0,83 e
o ndice Kappa de 0,79. A classe gua e veredas chegaram a alcanar ndices do usurio de
1 e do produtor entre 0,97-1. Os melhores ndices do usurio foram das classes
relacionadas vegetao (Cerrado com 0,92, FED com 0,87, floresta plantada 0,92; e
vereda com 1) assim com as do produtor (Cerrado com 0,83, FED com 0,88, floresta
plantada 0,92; e vereda com 1). Os piores ndices (produtor e usurio) foram das classes
de uso do solo: agricultura, pastagem e outros.
4.2.7 Tempo de processamento por etapa
O tempo de processamento de cada etapa foi variado (Tabela 40). O tempo de
processamento condizente com um computador Intel Core i3-2100 CPU, com 3,10
GHz e 2,99 GB de RAM.

105

Tabela 40. Intervalo mdio de tempo utilizado para processar imagens do sensor SAAPI (2011)
Processo
Tempo
Segmentao
30 40 min.
Seleo das amostras de treinamento 40 50 min.
Extrao dos dados da segmentao 15 20 min.
Seleo de atributos
20 min.
Construo da rvore de deciso
5 min.
Insero dos limiares no eCognition
35 horas
Classificao da imagem
8 horas
Seleo de amostras de validao
40 50 min.
Aferio da acuracidade
1 min.

Tendo em vista que o mtodo escolhido foi acurado, prope-se a utilizao de


outra sequencia metodolgica, no sentido de diminuir o tempo de insero dos limiares
para gerao do mapa temtico, porm neste caso no possvel aferir a acurcia do mapa
temtico pela plataforma do eCognition. Neste caso, utilizar-se-ia a seguinte sequncia:
segmentao, seleo de amostras de treinamento, exportao do arquivo em formato .shp
(juntamente com atributos), insero dos arquivos .shp no software ArcGIS, extrao da
tabela no formato .dbf (com coluna de identificao), insero da tabela no software
WEKA, gerao da rvore de deciso, classificao no WEKA, exportao do
resultado do WEKA em texto, utilizao do Matlab para converter a rvore do
WEKA (formato if-else), classificao da tabela no Matlab (conforme reportado por
Luz et al. 2009), insero da tabela classificada novamente no ArcGIS e aferio manual
da acurcia no ArcGIS.
4.2.8 Correlao entre atributos e parmetros estruturais da vegetao
Este item constitui uma anlise inicialmente no prevista. Ele foi realizado para
tendo em vista a quantidade de informao obtida no campo. Buscou-se averiguar a
relao entre os atributos e os parmetros dos levantamentos terrestres da vegetao.
Levando em conta a anlise espectral das bandas do sensor e informaes do
relatrio de produo final do aerolevantamento, suspeita-se, que o ajuste radiomtrico
executado apenas converteu os ND para a radincia, diminuindo a confiabilidade das
anlises. Alm disso, o aerolevantamento foi executado por uma empresa privada, tratada
diretamente com a SDS, no sendo possvel adquirir informaes detalhadas em relao
calibrao do sensor ou do aerolevantamento, que poderiam ser processadas por meio de

106

filtros de sensitividade espectral (como, data e horrio de aquisio das imagens). Com a
converso atmosfrica dos ND para reflectncia de superfcie poderiam ser obtidos
resultados mais acurados.
No total foram avaliados 87 atributos estatsticos, espaciais e texturais, e as
variveis N, DAP e AB, mensuradas em campo. Utilizou-se a correlao de Spearman's rs,
uma vez que o conjunto de dados no apresentou normalidade. Para cada varivel de
campo foi encontrado um valor de correlao referente ao atributo (Tabela 41).
Tabela 41. Valores de correlao dos atributos estatsticos, espaciais e texturais em relao aos
dados de campo (=0,05) referentes ao sensor SAAPI (2011)
N

DAP

AB

Atributo

Banda

Valor

Atributo

Banda

Valor

Atributo

Banda

Valor

Mdia
Mdia
Mdia
Mdia
Mdia
Menor valor
de pixel
Menor valor
de pixel
Menor valor
de pixel
Menor valor
de pixel

1
2
3
IR2
IR3

-0,64
-0,48
-0,62
-0,63
-0,46

NDVI
Mdia
Razo
Razo
Razo

IR1
2
3
IR1

0,41
0,52
0,55
0,42
0,54

NDVI
Mdia
Mdia
Mdia
Brilho

1
3
IR2
-

0,44
-0,51
-0,50
-0,50
-0,44

-0,44

Razo

IR3

0,56

Razo

IR1

0,50

-0,43

-0,49

-0,64

IR2

-0,42

IR2

-0,42

-0,50

IR3

-0,41

IR1

0,42

IR2

-0,60

GLCM StdDev

0,45

IR1

0,43

IR3

-0,47

GLCM StdDev

IR1

0,49

0,50

GLCM StdDev

IR3

0,47

0,45

GLCM Contrast

IR2

-0,41

IR2

0,50

GLCM Correlao
GLCM Correlao

IR2
IR3

0,43
0,46

Menor valor
de pixel
Menor valor
de pixel
Maior valor
de pixel
Nmero de
objetos escuros

Menor valor
de pixel
Menor valor
de pixel
Menor valor
de pixel
Menor valor
de pixel
Nmero de
objetos escuros
Nmero de
objetos escuros
Nmero de
objetos escuros

A correlao de maior magnitude absoluta da varivel N foi com as mdias da


banda 1 (-0,64), 3 (-0,62) e IR1 (0,63), para a varivel DAP foi a razo das bandas IR3
(0,56) e 2 (0,55) e para a varivel AB foi o menor valor de pixel das bandas 1 (-0,64) e IR3
(-0,60), todas altamente significativas (p<0,01). Esses resultados configuram pontos de
partida para futuras investigaes a respeito da relao entre os grupos de variveis.
Os atributos que mais se assemelharam com os dados de campo foram atributos
estatsticos, ao contrario daquele encontrado por Sette (2009), que analisou a textura de
uma imagem de alta resoluo espacial para classificao dos estgios sucessionais de
Mata Atlntica no Sul da Bahia. A autora encontrou valores mais significativos de

107

correlao com os atributos de entropia e momento diferencial inverso. O momento


diferencial inverso, para a autora, foi o atributo que melhor explicou o DAP mdio. No
foi trabalhada a altura mdia neste trabalho, devido existncia do MDT e do MDS, mas
Sette (2009) encontrou correlao com a entropia. Johansen et al. (2007) e Johansen e
Phinn (2006) tambm encontraram correlao com o momento diferencial inverso e
homogeneidade, levando em conta atributos de textura e variveis estruturais dos
fragmentos florestais.
Esses atributos poderiam ser explorados para desenvolver um estimador de
parmetros estruturais da vegetao e predizer caractersticas biofsicas da vegetao a
partir dos processamentos de imagens de alta resoluo espacial, tendo em vista a devida
converso atmosfrica dos ND para reflectncia de superfcie.

108

CONSIDERAES FINAIS

Considerando-se o ndice de exatido geral e o ndice Kappa pode-se afirmar que a


OBIA juntamente com a minerao de dados, utilizando atributos estatsticos, espaciais e
de textura, apresentou qualidade satisfatria para classificar os estgios sucessionais da
Floresta Ombrfila Densa, assim como outras classes de uso de solo, nas trs reas teste
de Santa Catarina.
Uma etapa importante para reconhecimento dos padres estatsticos, espaciais e
texturais das feies terrestres nas imagens de alta resoluo espacial foram as visitas a
campo (inicialmente utilizadas apenas para reconhecimento e verificar a acurcia do mapa
temtico), e que posteriormente forneceram outra oportunidade de anlise em relao a
mtodos de correlao entre dados de campo e atributos.
O nvel de detalhamento alcanado no mapeamento pela OBIA dependeu
especialmente da resoluo espacial da imagem e do sucesso da segmentao. As imagens
de alta resoluo espacial utilizadas neste trabalho foram essenciais para a discriminao
das feies terrestres. A segmentao multiresoluo e os critrios adotados no desenho
dos objetos auxiliam no processamento, pois o nmero de informao utilizado foi
relativamente reduzido, tendo em vista tcnicas tradicionais de classificao, como a pixela-pixel. Alm da segmentao o uso das bandas MDT e MDS auxiliou a diferenciao de
algumas feies terrestres a partir da criao do atributo altura, principalmente na
diferenciao de classes da vegetao, como floresta plantada, estgio mdio e avanado.
As tcnicas de minerao de dados, tanto a seleo de atributos quanto a classificao
pelo algoritmo de rvore de deciso J48, foram decisivas para a classificao, pois
trabalharam com uma extensa base de dados de forma rpida, gerando um resultado
utilizvel pelo software. Na seleo de atributos, a minerao ranqueou os atributos
relevantes, descartando aqueles com menor peso. Outra vantagem da discriminao das
classes por meio da minerao de dados foi a automatizao dos procedimentos de
escolha de atributos e definio das regras de deciso, diminuindo a interferncia da
subjetividade do intrprete.
Mostrou-se dispendiosa em termos de demanda de tempo a insero do resultado
da minerao (limiares e regras de deciso no formato if-else) no software eCognition,
atrasando o processamento como um todo. A otimizao desse processo necessrio.

109

Entende-se que a conexo direta entre os dois softwares impossibilitada, pois o software
eCognition ao contrrio do WEKA (programa de cdigo aberto desenvolvido por
uma universidade) um software comercial e com cdigo fechado. O que foi apresentado
no trabalho foi uma maneira mais acessvel de processamento classificao.
A qualidade geral dos mapas temticos foi satisfatria, tanto para a exatido geral
(0,89-0,91) quanto para o ndice Kappa (0,87-0,90), tendo como base dados de campo.
Em relao qualidade por classe, todas as reas teste apresentaram ndices (produtor,
usurio e Kappa) superiores a 0,79. Os melhores desempenhos, em relao aos ndices do
produtor e do usurio, foram: gua, banana, pastagem, floresta em estgio inicial,
edificaes/urbano, rizicultura e sombra; e os piores: floresta plantada, floresta em estgio
avanado, estgio mdio, solo exposto e agricultura. A classificao do estgio inicial
apresentou bom desempenho em relao outras classes de uso do solo, porm as classes
estgio mdio e avanado foram mais complicadas. Isto se deve a dificuldade de, at
mesmo, diferenciar tais estgios a partir de variveis estruturais e biofsicas.
A hiptese formulada no incio do trabalho foi aceita, pois com as imagens de alta
resoluo espacial e com as tcnicas OBIA e a minerao de dados, ancoradas em dados
de campo, houve uma melhora, em relao s metodologias tradicionais (e.g. mxima
verossimilhana [ganho de 0,28 no ndice de Kappa] e K-means [ganho de 0,75 no ndice
de Kappa]), na acurcia da classificao dos estgios iniciais de vegetao secundria e de
outras classes de uso do solo. As tcnicas convencionais de classificao no so
aconselhadas para este tipo de resoluo espacial.
A quantificao da relao entre variveis dendromtricas de campo e atributos foi
parcialmente atendida, pois a metodologia de aferio da correlao foi adequada, porm
a falta de informao sobre a calibrao do sensor ou do aerolevantamento prejudicou a
confiabilidade das anlises. Uma abordagem mais acurada sobre essa correlao poderia
ser continuada no sentido de desenvolver um estimador de parmetros biofsicos da
vegetao em campo a partir dos atributos, tendo em vista a devida converso atmosfrica
dos ND para reflectncia de superfcie.

110

REFERNCIAS

ABRAMS, M. D.; NOWACKI, G. J. Historical variation in fire, oak recruitment and post-logging accelerated
sucession in central Pennsylvania. Bulletin of the Torrey Botanical Club, v. 119, p. 19-28. 1992.
AB'SBER, A N. Os domnios de naturaz do Brasil. Potencialidade paisagsticas. So Paulo: Ateli Editorial,
2003.
ANTUNES. Classificao de ambiente ciliar baseada em orientao a objeto em imagens de alta resoluo
espacial. Tese (Doutorado), Curitiba: Universidade Federal do Paran, 2003.
ANTUNES, A. F. B. Anlise do uso do processamento digital de imagens na segmentao de tipologias
vegetais da APA de Guaraqueaba-PR. Dissertao (Mestrado), Curitiba: Universidade Federal do Paran, 1996.
BAATZ, M.; SCHPE, A. Multiresolution segmentation: an optimization approach for high quality multiscale image segmentation. In: Strobl, J; Blaschke, T. (Eds). Angewandte, Geogr. Informationsverarbeitung XII.
Heidelberg: Wichmann, 2000.
BALDAUF, C; HANAZAKI, N.; REIS, M. S. Caractereizao etnobotnica dos sistemas de manejo de samanbaiapreta (Rumohra adiantiformis (G. Frost) Ching - Dryopteridaceae) utilizados no sul do Brasil. Acta Botanica
Brasilica, v. 21, p. 823-834. 2007.
BARRETT, E. C.; CURTIS, L. Introduction to environmental remote sensing. Londres: Chapman & Hall, 1992.
BATISTA, M. H. Classificao hierrquica orientada a objeto em imagens de alta resoluo espacial
empregando atributos espaciais e espectrais. 199p. Dissertao (Mestrado em Sensoriamento Remoto).
Universidade Federal do Rio Grande do Sul (UFRGS), Rio Grande do Sul, RS. 2006.
BAWA, K.; SEIDLER, S. Natural forest management and conservation of biodiversity in tropical forests.
Conservation Biology, v. 12, p. 45-50. 1998.
BAZZAZ, F. A. The physiological ecology of plant sucession. Annual Review of Ecology and Systematics, v. 10,
p. 351-371. 1979.
BAZZAZ, F. A.; PICKET, S. T. A. Physiological ecology of tropical sucession: a comparative review. Annual
review of Ecology and Systematics, v. 11, p. 287-310. 1980.
BLASCHKE, T. Object based image analysis for remote sensing. Journal of Photogrammetry and Remote
Sensing, Amsterdam, v. 65 (1), p. 2-16. 2010.
BRADTER, U.; THOM, T. J.; ALTRINGHAM, J.D.; KUNIN, W. E.; BENTON, T. G. Prediction of National
Vegetation Classification communities in the British uplands using environmental data at multiple spatial scales,
aerial images and the classifier random forest. Journal of Applied Ecology, v. 48 (4), p. 1057-1065. 2011.
BROADBENT, E. N.; ASNER, G. P.; KELLER, M.; KNAPP, D. E., OLIVEIRA, P. J. C.; SILVA, J. N. Forest
fragmentation and edge effects from deforestation and selective logging in the Brazilian Amazon. Biological
Conservation, p. 745-757, 2008.
BODMER, R. E.; PENN, J. W.; PUETAS, P.; MOYA, I. L.; FANG, T. G. Linking conservation and local people
throgh sustannable use of natural resources. In: FREESE, C. H. (Ed.) Harvesting wild species, p. 315-358.
Baltimore: Johns Hopkins. 1997.
BORMANN, F. H.; LIKENS, G. E. Pattern and process in a forested ecosystem. Spinger-Verlag, New York
Inc, 253 p., 1979.
BORNER, J. MENDOZA, A.; VOSTI, S. A. Ecosystems services, agriculture and rural poverty in the Eastern
Brasilian Amazon: Interrelationships and policy prescriptions. Ecological Economics, v. 64, p. 356-373. 2007.
BOUCHER, D. H.; VANDERMEER, J. H.; DE LA CERDA, I. G.; MALLONA, M. A.; PERFECTO, I.;
ZAMORA, N. Post-agriculture versus post-hurricane sucession in southeastern Nicaraguan rain forest. Plant
Ecology, v. 156, p. 131-137. 2001.

111

BRASIL. Lei 11.428 de 22 de dezembro de 2006. Dispe sobre a utilizao e proteo da vegetao nativa do
Bioma
Mata
Atlntica,
e
d
outras
providncias.
2006.
Disponvel
em:
<http://www.planalto.gov.br/ccivil_03/_ato2004-2006/2006/lei/l11428.htm> Acesso em: 10 Set 2012.
BRASIL. Resoluo n 5, de 04 de maio de 1994. Estabelece denies e parmetros mensurveis para anlise de
sucesso ecolgica da Mata Atlntica no Estado de Santa Catarina. 1994. Disponvel em:
<http://www.mp.ba.gov.br/atuacao/ceama/material/legislacoes/flora/resol_conama_05_94.pdf> Acesso em: 10
Set 2012.
BRASIL Decreto n 750, de 10 de fevereiro de 1993. Dispe sobre o corte, a explorao e a supresso de
vegetao primria ou nos estgios avanado e mdio de regenerao da Mata Atlntica, e d outras providncias.
(REVOGADO). Disponvel em: http://www.planalto.gov.br/ccivil_03/decreto/1990-1994/D750.htm. Acesso em:
10 Set 2012.
BREARLEY, F. Q.; PRAJADINATA, S.; KIDD, P. S.; PROCTOR, J; SURIANTATA. Structure and floristics of an
old secondary rain forest in Central Kalimantan, Indonesia, and a comparison with adjacent primary rain forest.
Forest Ecology and Management, v. 195, p. 385-394. 2004.
BREIMAN, L. Random forests. Machine Learning, v. 45 (1), p. 5-32. 2001.
BROWN, J. H. The role of the fire in altering the species composition of forests in Rhode Island. Ecology, v. 41, p.
310-316. 1960.
BROWN, S.; LUGO, A. E. Tropical secondary forests. Journal of tropical Ecology, v. 6, p. 1-32. 1990.
BUCHER, E H. Chaco and Caatinga - South American Arid Savanas. Woodlands and Thickets. In: HUNTLEY,
B. J., WALKER, B.H. (Eds). Ecology os Tropical Savannas. Berlim: Spinger-Verlag. p. 48-79, 1982.
BUDOWSKI, G. Distribution of tropical American rain forest species in the light of sucessional processes.
Turrialba, v. 15, p. 40-42. 1965.
CADENA, G. T. Classificao dos tipos de pavimentos das vias urbanas a partir de imagem de alta
resoluo espacial por meio de anlise orientada a objeto. 114p. Dissertao (Mestrado em Cincias
Cartogrficas). Universidade Estadual Paulista, Presidente Prudente, SP. 2011.
CAGNOLO, L.; CABIDO. M.; VALLADARES, G. Plant species richness in the Chaco Serrano woodland from
central Argentina: ecological traits and habitat fragmentation effects. Biological Conservation, v. 132, pp. 510519.
2006.
CAPERS, R. S.; CHAZDON, R. L.; REDONDO BRENES, A.; VILCHEZ ALVARADO, B. Sucessional dynamics
of wood seedling communities in tropical secondary forests. Journal of Ecology, v. 93, p. 1071-1084. 2005.
CASTILHO, M.; BENOIT, R.; SANHCHEZ-AZOFEIFA, A.; CALVO-ALVARADO, J.; DUBAYAH, R. LIDAR
remote sensing for secondary Tropical Dry Forest identification. Remote sensing of environment, v. 121, p. 131143. 2012.
CASTRO, K. L.; SANCHEZ-AZOFEITA, G. A.; RIVARD, B. Monitoring secondary tropical forests using borne
data: implications for Central America. Internacional Journal of Remote Sensing, p. 1853-1894. 2003.
CHAZDON, R. L. Change and determinism in Tropical Forest Sucession. In: CARSON, W. P.; SCHNITZER,
S. A. (Eds.) Tropical Forest Community Ecology, p. 384-408. Oxford: John Wiley & Sons Ltd, 2008.
CHICA-OLMO, M. ABARCA-HERNNDEZ, F Computing geostatistical image texture for remotely data
classification. Computers & Geosciences, v. 26, p. 373-383, 2000.
CHOKKALINGAM, D.; JONG, W. D. Secondary forest: a working definition and typology. Internacional
forestry Review, v. 3, (1), p. 19-26. 2001.
CLARK, M. L.; AIDE, T. M.; GRAU, H. R.; RINER, G. A scalable approach to mapping annual land cover at 250
m using MODIS time series data: A case study in the Dry Chaco ecoregion of South America. Remote Sensing of
Environment, v 114, p. 2816-2832. 2010.

112

CLEMENTS, F. E. Plant Sucession: An analysis of the developmente of vegetacion. Washington DC: Carnegie
Institute Publication, 1916.
CLEMENTS, F. E. The development and structure of vegetation. Botanical survey of Nebraska, studies in
the vegetation State. Lincoln: Nebraska, 1904.
CORLETT, R. T. What is secondary forest? Journal of tropical Ecology, v. 10, p. 445-447. 1994.
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices.
New York: Lewis Publishers, 136 p. 1999.
DEAN, W. A ferro e fogo: a histria e a devastao da Mata Atlntica brasileira. Companhia das Letras, 484 p.
1997.
DEFINIENS. Definiens eCognition developer 8: reference book. 276 p. Mnchen, 2009.
DENSLOW, J. S. Tropical rainforest gaps and tree species diversity. Annual Review Ecology Systems, v. 18, p.
431-452. 1987.
DENSLOW, J. S.; GUZMAN, G. S. Variation in stand structure, light and seedling abundance across a tropical
moist forest chronosequence, Panama. Journal of Vegetation Science, v. 11, p. 201-212. 2000.
DINERSTEIN, E.; OLSON, D. M. GRAHAM, D. J.; LEDEC, G.; WEBSTERET, A. L. Una evaluacon del
estado de conservacon de las ecoregiones terrestres de Amrica Latina y el Caribe. Washington D.C.: Fondo
Mundial para la Naturaleza, 1995.
DONOGHUE, D. N. M. Remote sensing: environmental change. Progress in Physical Geography, v. 26, p. 144151. 2002.
DUBOIS, J. C. L. Secondary forests as a land-use resource in frontier zones of Amazonia. In: ANDERSON,
A. B. (Ed.) Alternatives to deforestation: steps toward sustainable use of the Amazon rain forest. New York, USA. p.
183-194. 1990.
EISENLOHR, P. V.; MELO, M. M. R. F.; IVANAUSKAS, N. M.; SOUZA, V. C.; RODRIGUES, R. R.;
DUARTE, A. R.; BREIER, T. B.; UDULUTSCH, R. G. Floresta Ombrfila Densa Atlntica: bases conceituais
e estudo de caso no Parque Estadual de Carlos Botelho, Estado de So Paulo. In: Jeanine Maria Felfili; Pedro
Vasconcellos Eisenlohr; Maria Margarida da Rocha Fiuza de Melo; Leonaldo Alves de Andrade; Joo Augusto Alves
Meira Neto. (Org.). Fitossociologia no Brasil: Mtodos e Estudos de Casos. 1 ed. Viosa: Editora UFV, v. 1, p. 372387. 2011.
EMRICH, A.; POKORNY, B.; SEPP, C. The significance of secondary forest management for development
policy. Eschborn, Germany: TOB Series, v.18. 2000.
ENGEMAP Geoinformao. Relatrio de produo final - edital de concorrncia pblica n 0010/2009.
Florianpolis SC. 218p. 2012
EWELL, J. J. Sucession. In: GOLLEY, F. B. (Ed.) Tropical rain forest ecosystems. p. 217-233. Amsterdam:
Elselvier Scientific Publishing Co, 1983.
FANTINI, A. C. Palm heart (Euterpe edulis) production and management in the Brazilian Mata Atlntica.
127 p. Tese (Doutorado). Madison: University of Wisconsin, 1999.
FEARNSIDE, P. M. Global warming and tropical land use change: greenhouse gas emissions from biomass burning,
decomposition and soils in forest conversion, shifting cultivation and secondary vegetation. Climate Change, v. 46,
p. 115-158. 2000.
FINNEGAN, B. Forest succession. Nature, v. 312, p. 109-114. 1984.
FINNEGAN, B. Pattern and process in neotropical secondary forests: the first 100 years of sucession. Trends in
Ecology and Evolution, v. 11, p. 119-124. 1996.

113

FINNEGAN, B. The managemenet potential of Neotropical secondary lowland rain forest. Forest Ecology and
Management, v. 47, p. 295-322. 1992.
FOOD AND AGRICULTURE ORGANIZATION. FAO. Global forest resources. Assessment 2005. Progress
towards sustainable forest management. Roma: FAO, 2009.
FOSTER, B. L.; TILMAN, D. Dynamic and static views of sucession: testing the descriptive power of the
chronosequence approach. Plant Ecology, v. 146, p. 1-10. 2000.
FRANCISCO, C. N.; ALMEIDA, C. M. Avaliao de desempenho de atributos estatsticos e texturais em uma
classificao de cobertura da terra baseada em objeto. Bol. Cinc. Geod., Curitiba, v. 18 (2), p. 302 - 326, 2012.
GISLASON, P. O.; BENEDIKTSSON, J. A.; SVEINSSON, J. R. Random forests for land cover classification.
Pattern Recognition Letters, v. 27 (4), p. 294-300. 2006.
GOLDSCHMIDT, R.; PASSOS, E. Data Mining um guia prtico. Rio de Janeiro: Elsevier, 261p., 2005.
GMEZ-POMPA, A; VAZQUEZ-YANES, C. Sucessional studies of a rain forest in Mexico. In: WEST, D. C.;
SHUGART, H. H.; BOTKIN, D. B. (Eds.) Forest sucession: concepts and application. p. 246-266. New York:
Springer-Verlag, 1981.
GMEZ-POMPA, A. Possible papel de la vegetacin secundria en la evolucin de la flora tropical. Biotropica, v.
3, p. 125-135. 1971.
GONZLEZ, R.C.; WOODS, R.E. Processamento de Imagens Digitais. 509 p. Edgard Blcher Ltda. So
Paulo, 2000.
GROOMBRIDGE, B.; JENKINS, M. D. World atlas of biodiversity. Berkeley, California: University of California
Press, p. 340, 2002.
GUARIGUATA, M. R.; OSTERTAG, R. Neotropical secondary forest sucession: changes in structural and
funcional characteristics. Forest ecology and management, v. 148, p. 185-206. 2001.
HALL, M.; FRANK, E.; HOLMES, G; PF AHRINGER, B; REUTEMANN, P.; WITTEN,I. The WEKA Data
Mining Software: An Update. SIGKDD Explorations, Volume 11(1). 2009.
HAMMER, .; HARPER, D. A. T.; RYAN, P. D. PAST: Paleontological statistics software package for education
and data
analysis.
Palaeontologia Electronica, v.4, 2001. Disponvel em: http://palaeoelectronica.org/2001_1/past/issue1_01.htm. Acesso em: 15 de ago 2013.
HAMMOND, D. S. Post-dispersal seed and seedling mortality of tropical dry forest trees after shifting agriculture,
Chiapas, Mexico. Journal of Tropical Ecology, v. 11, p. 295-313. 1995.
HARALICK, R. M. Statistical and structural approach to texture. Proceedings of the IEEE, vol. 67 (%), p. 786803. 1979.
HELLER, R. C.; ULLIMAN, J. J. Chapter Forest resource assessments (2nd ed.). Manual of Remote Sensing, v. 2,
p. 22292324. 1983.
HOELSCHER, D. Shifting cultivation in Eastern Amazonia: a case study on the water and nutrient balance. Plant
reserach and development, v. 46, p. 68-87. 1997.
HOLDRIDGE, L. R. Determination of world plant formation from simple colmatic data. Science, v. 105, p. 367368. 1947.
HOLDRIDGE, L. R. Life zone Ecology. San Jose, CA: Tropical Science Center, p. 60-77. 1967.
HOUGH, A. F.; FORBES, R. D. The ecology and silvics of Pennysilvania high-plateauforests. Ecological
Monographs, v. 13, p. 300-320. 1943.

114

HTTICH, C.; HEROLD, M.; WEGMANN, M.; CORD, A.; STROHBACH, B.; SCHMULLIUS, C.; DECH, S.
Assessing effects of temporal compositing and varying observation periods for large-area land-cover mapping in
semi-arid ecosystems: implications for global monitoring. Remote Sensing of Environment, v. 115 (10), p. 24452459. 2011.
HUETE, A.; LIU, H.Q.; BATCHILY, K.; VAN LEEUWEN, W. A comparison of vegetation indices over a global
set of TM images for EOS-MODIS. Remote Sensing of Environment, 59: 440-451, 1997.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATSTICA - IGBE. Manual Tcnico da Vegetao
Brasileira. Srie de Manuais Tcnicos em Geocincias. Rio de Janeiro: Departamento de Editorao e Grfica do
IBGE, 1992.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATSTICA - IBGE. Manuais Tcnicos em Geocincias.
Manual Tcnico da Vegetao Brasileira. 2 ed. Rio de Janeiro: Departamento de Editorao e Grfica do IBGE,
2012.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE. Projeto de Monitoramento da Floresta
Amaznica Brasileira por Satlite. So Jos dos Campos: INPE. Disponvel em http://www.obt.inpe.br/prodes/.
2008.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE. Atlas dos Remanescentes Florestais da
Mata Atlntica. So Jos dos Campos: INPE. Disponvel em http://www.sosma.org.br/5697/sos-mataatlantica-e-inpe-divulgam-dados-do-atlas-dos-remanescentes-florestais-da-mata-atlantica-no-periodo-de-2010-a2011/. 2012.
JENSEN, J R. Introductory digital image processing (3 ed.). New Jersey: Pearson Prentice Hall, 2005.
JOHANSEN, K.; PIHNN, S. Mapping structural parameters and species composition of ripirian using ikonos and
landsat etm+ data in australian tropical savannahs. Photogrammetric Engeneering and Remote Sensing, v. 72
(1), p. 71-80. 2006.
JOHANSEN, K.; COOPS, N. C.; GERGEL, S. E.; STANGE, Y. Application of high spatial resolution satellite
imagery for riparian and forest ecosystem classification. Remote Sensing of Environment, v. 110, p. 29-44. 2007.
KAMMESHEIDT, L. Perspectives on secondary forest management in tropical humid lowland America. Ambio, v.
31 (3), p. 243-250. 2002.
KAMMESHEIDT, L. The role of three sprouts in the restorations of stand structure and species diversity in tropical
moist forest after slash-and-burn agriculture in eastern Paraguay. Plant Ecology, v. 139, p. 155-165. 1998.
KLEIN, R. M. Ecologia da flora e vegetao do Vale do Itaja, v. 32. Itaja: Sellowia, 1980.
KLEIN, R. M. Ecologia e Flora da Vegetao do Vale do Itaja, v. 31. Itaja: Sellowia, 164 p, 1979.
KLEIN, R. M. Mapa Fitogeogrfico do Estado de Santa Catarina. Itaja: Herbrio Barbosa Rodrigues, 1978.
KLEIN, R. M. rvores nativas da floresta Subtropical do Alto Uruguai, v. 24. Itaja: Sellowia, p. 9-62, 1972.
KRESSLER, F. P.; STEINNOCHER, K. Image data and LIDAR an ideal combination matched by object
oriented analysis. In: Geographic Object-Based Image Analysis, 1, 2006, Salzburg University, Austria.
Proceedings, 2006.
KRAMER, R. A.; VAN SCHAIK, C. P. Preservation paradigms and tropical rain forests. In: KRAMER R.,
VAN SCHAIK C., JOHNSON, J. Last Stand: protected areas and te defense of tropical biodiversity. p. 3-14. New
York: Oxford University Press, 1997.
KRONBERG, P. Photogeologie. Eine Einfhrung in die Grundlagen Und Methoden der geologischen
Auswertung von Luftbildern. 267 p. Stuttgart: Ferdinand Enke Verlag. 1984.
KURY, E. B.; VIEIRA, C. A. O. Classificao automtica de imagens de alta resoluo. Viosa: Universidade
Federal de Viosa, 2002.

115

LABA, M.; Gregory, S. K.; Braden, J.; Ogurcak, D.; Hill, E.; Fegraus, E. Fiore, J.; DeGloriaet S. D. Conventional
and fuzzy accuracy assessment of New York gap analysis project land cover map. Remote Sensing of
Environment. v.81 (2-3), p.443-455. 2002.
LANDIS, J.R., KOCH, G.G. The measurement of observer agreement for categorical data. Biometrics, v. 33, p.
159174. 1977.
LEITE, P. F.; KLEIN, R. M. Vegetao. In: IBGE: Geografia do Brasil: Regio Sul. Rio de Janeiro: v. 2, 1990.
LEVINE, D. M. Estatstica: Teoria e Aplicaes Usando Microsoft Excel em Portugus. Rio de Janeiro:
Editora LTC, 811p. 1998.
LIEBSCH, D.; MARQUES, M. C. M.; GOLDENBERG, R. How long does the Atlantic Rain Forest take to recover
after a disturbance? Changes in species composition and ecological features during secondary sucession. Biological
Conservation, Kidlington, v. 141 (6), p. 1717-1725, 2008.
LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J. W. Remote sensing and image interpretation. New York:
John Wiley and Sons, 2004. 763 p.
LUCAS, R. M.; HONZAK, M.; CURRAN, P. J.; FOODY, G. M.; MILNE, R.; BROWN, T. Mapping the regional
extent of tropical forest regeneration stages in the Brazilian Legal Amazon using NOAA AVHRR data.
International Journal of Remote Sensing, v. 21, p. 2855-2881. 2000.
LUGO, A E. The apparent paradox of reestablishing species richness on degraded lands with tree monocultures.
Forest Ecology and Management, v. 99, p. 9-19. 1997.
LUZ, N. B.; SANTOS, D. J.; ANTUNES, A. F. B. Segmentao de imagens e classificao baseada em regras de
conhecimento como novas abordagens para o mapeamento do uso da terra no Estado do Paran. Anais XIV
Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, INPE, p. 989-996. 2009.
MANTOVANI, W. Dinmica da floresta pluvial atlntica. In: Simpsio de Ecossistemas Brasileiros. guas de
Lindia. So Paulo: Anais. Simpsio de Ecossistemas Brasileiros, v. 3, p. 1-20, 1998.
MARPU, P. R. Geographic Object-based Image Analysis. Freiberg, 2009. 121f. Tese (Doutorado em
Engenharia) - Faculty of Geosciences, Geo-Engineering and Mining of the Technische Universitt Bergakademie
Freiberg, 2009.
MATTHEWS, E.; PAYNE, R.; ROHWEDE, M.; SIOBAHN, M. Pilot analysis of global ecosystems: forest
ecossystems. Washinton D.C.: World Resources Institute, 86p, 2000.
MAY, R.M. The chaotic rhythms of life. New Scientist, v. 124, p. 21-25. 1989.
MENESES, P.R.; NETTO, J.S.M. Sensoriamento Remoto: Reflectncia dos alvos naturais. Braslia, DF: UnB;
Planaltina: Embrapa Cerrados. 2002.
MITTERMEIER, R. A.; MYERS, N.; GIL, P. R.; MITTERMEIER, C. G. Hotspots: Earths Biologically
Richestand Most Endangered Terrestrial Ecoregions. Cidade do Mxico: Cemex SA, 1999.
MITTERMEIER, R. A.; MYERS, N.; THOMSEN, J. B. Biodiversity hotspots and major tropical wolderness areas:
approaches to setting conservation priorities. Conservation Biology, v. 12 (3), p. 516-520. 1998.
MOSER, P. Anlise estatstica dos dados dendromtricos do inventrio Florstico Florestal de Santa
Catarina. 2013. 129p. (Mestrado em Engenharia Florestal). Centro de Cincias Tecnolgicas. Fundao
Universidade Regional de Blumenau, Blumenau, SC.
MOREIRA, M. A. Fundamentos de sensoriamento remoto e metodologias de aplicao. 3 ed. 320p. Viosa:
Universidade Federal de Viosa, 2005.

116

MOREIRA, R. C. Influncia do posicionamento e da largura de bandas de sensores remotos e dos efeitos


atmosfricos na determinao de ndices de vegetao. 179 p. Dissertao (Mestrado em Sensoriamento
Remoto) - Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos, 2000.
MOSEKILD, E.; MOSEKILD, L. Complexity, chaos, and biological evolution. Plenum Press, Series B: Physics
v. 270, New York. 1991.
MUELLER-DOMBOIS; ELLENBERG, H. Aims and methods of vegetation ecology. New York: John Willey &
Sons, 525 p., 1974.
MYERS, N. MITTERMEIER, R. A.; MITTERMEIER, C. G.; FONSECA, G. A. B.; KENTS, J. Biodiversity
hotspots for conservation priorities. Nature, v. 403, p. 853-853. 2000.
MYSTER, R. W. Postag ricultural invasion, establishment an d growth of neotropical trees. Botanical Review, v.
70, p. 381-402. 2004.
NASCIMENTO, H.E.M.; LAURANCE, W.F. Biomass dynamics in Amazonian forest fragments. Ecological
Applications, v. 14, p. 127138. 2004.
NAVULUR, K. Multispectral image analysis using the object-oriented paradigm. 184 p. Davis: CRC, 2006.
NEEFF, T.; LUCAS, R. M.; DOS SANTOS, J. R.; BRONDIZIO, E. S.; FREITAS, C. C. Area and age of
secondary forests in Brazilian Amazonia 1978 2002: An empirical estimate. Ecosystems, v. 9, p. 609-623. 2006.
NEUMAN, R. P.; HIRSH, E. Commercialisation of non-timber forest produtcs: review and analysis of
research. 176 p. Indonsia: CIFOR, 2000.
NOTMAN, E.; GORCHOV, D. L. Variation in post-dispersal seed predation in mature Peruvian lowland tropical
forest and fallow agricultual sites. Biotropica, v. 33, p. 621-636. 2001.
NOVO, E. M. L. Sensoriamento remoto. So Paulo: Edgard Blucher Ltda, 1998.
ODUM, E. P. Ecologia. Rio de Janeiro: Guanabara, 1988.
OLIVEIRA-FILHO, A. T.; FONTES, M. A. L. Patterns of floristic diffentiation among Atlantic Forests in
Southeastern Brazil and the influence of climate. Biotropica, v. 32, p. 793-810. 2000.
OLIVER, C. D. Forest development in Noth America following major disturbances. Forest Ecology and
Management, v. 3, p. 153-168. 1981.
OLIVER, C. D.; LARSON, B. C. Forest Stand Diynamics. New York: McGraw-Hill, 1990.
ORTIZ, R.; RAMIREZ, O.; FINNEGAN, B. CO2 mitigation service of Costa Rica secondary forests as an
economic alternative joint implementation initiatives. In: GUARIGUATA, M. R.; FINNEGAN, B. (eds.)
Ecology and plant management of tropical secondary forest: science, people and policy. p. 213-227. Costa Rica:
CATIE, 1998.
PEREIRA, G. A. D. The secondary forest situation in Sri Lanka: a review. Journal Tropical Forest Science, v. 13,
p. 768-785. 2001.
PERRY, D. A. Forest Ecosystems. London: John Hopkins University Press, 1994.
PINEDO-VAZQUEZ, M.; ZARIN, D. J.; COFFEY, K.; PADOCH, C; RABELO, F. Postboom logging in
Amazonia. Human Ecology, v. 29, p. 219-238. 2001.
PIOTTO, D. Spatial dynamics of forest recovery after swidden cultivation in the Atlantic forest of southern
Bahia, Brazil. 281 p. Universidade de Yale. Tese (Doutorado). 2011.
PONZONI, F. J.; SHIMABUKURO, Y. E.; KUPLICH, T. M. Sensoriamento remoto da vegetao - 2 Edio.
Oficina de Textos. 176 p. 2012.

117

POWERS, D. M. W. The problem with Kappa. Centre for Knowledge & Interaction Technology, CSEM. 13th
Conference of the European Chapter of the Association for Computational Linguistics, p. 345355. Avignon,
France, 2012.
QUEIROZ, M. H. Approche Phytocologoque et Dynamique des Formations Vgetales Secondaires
Dveloppes Aprs Abandon ds Activits Agricoles, dans l Domaine de la Fret Ombrophile Dense de
Versant (Fret Atlantique) Santa Catarina Brsil. Nancy (Frana): cole Nationale du Gnie Rural, des Eaux
et des Forts. 251 p. Tese (Doutorado). 1994.
REDFORD, K. H.; RICHTER, B. D. Conservation of biodiversity in a world use. Consevation Biology, v. 13 (6),
p. 1246-1256. 1999.
REIS, A. A vegetao original do estado de Santa Catarina. In: REIS, A., REIS, M. S., QUEIROZ, M. H.,
MANTOVANI, A., ANJOS, A. Caracterizao de estdios sucessionais na vegetao catarinense. UFSC, 1995.
REIS, A.; REIS, M.S.; FANTINI, A. C. Manejo do palmiteiro (Euterpe edulis) em regime de rendimento
sustentado. Universidade Federal de Santa Catarina (UFSC). 1995.
REIS, A., TRES, D.R., SCARIOT, E.C. Restaurao na Floresta Ombrfila Mista atravs da sucesso natural.
Pesquisa Florestal Brasileira, Colombo, n. 55, p.67-73, 2007.
REITZ, R.; KLEIN, R. M.; REIS, A. Projeto Madeiras de Santa Catarina. Itaja: Herbrio Barbosa Rodrigues, 1978.
320 p.
RIBEIRO, M. C.; METZGER, J. P.; MARTENSEN, A. C.; PONZONI, F. J.; HIROTA, M. M. The Brazilian
Atlantic Forest: How much is left, and how is the remaining forest distributed? Implications for conservation.
Biological Conservation, v. 142, p. 1141-1153. 2009.
RICHARDS, P. W. The tropical rain forest - an ecological study. United Kingdom: Cambridge University Press,
1996.
RICHARDS, K. R.; STROKES, C. A review of forest carbon sequestration cost studies: a dozen years of research.
Clim Change, v. 63, p. 1-48. 2004.
RISWAN, S; KARTAWINATA, K. A lowland diptercocarp forest 35 years after pepper plantation in East
Kalimantan, Indonesia. In: SOEMODIHARJO, S. (Ed). Some ecological aspects of tropical forests of East
Kalimantam. Jakarta: Indonesian Institute of Sciences, MAB Indonesia, v. 48, 1998.
ROUSE, J.W., HAAS, R.H., SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems in the Great
Plains with ERTS. In 3rd ERTS Symposium, NASA SP-351 I, pp. 309317. 1973.
SCHELHAS, J.; GREENBERG, R. Forest patches in tropical landscape. Washington D.C, USA: Island Press,
1996.
SCHIEWE, J. Segmentation of high resolution remotely sensed data: concepts, applications and problems.
In: Symposium on geospatial theory, processing and applications, 2002, Ottawa. Proceedings. Vechta: University of
Vechta, 2002. Disponvel em: <http://www.isprs.org/proceedings/XXXIV/part4/pdfpapers/358.pdf>. Acesso
em: 10 Jun. 2013.
SCHMIDT-VOGT, D. Secondary forests in swidden agriculture in the highlands of Thailand. Journal of Forest
Science, v. 13, p. 748-767. 2001.
SCHOWENGERDT, R. A. Remote sensing models and methods for image processing. 560 p. San Diego:
Academic, 2007.
SCHUCH, C. Potencialidades da produo de madeira serrada a partir de trs espcies da floresta
secundria litornea catarinense em condies de plantio e em reas de floresta regenerada naturalmente.
Tese (Mestrado). Universidade Federal de Santa Catarina - Centro de Cincias Agrrias. 2011.

118

SETTE, P. G. C. Anlise da textura de imagem de alta resoluo para classificao de estgios sucessionais
de Mata Atlntica do sul da Bahia. Dissertao (Mestrado), Minas Gerais: Instituto de Geocincias - Universidade
Federal de Minas Gerais, 2009.
SEVEGNANI, L. Dinmica de populao de Virola bicuhyba (Schott) Warb. (Myristicaceae) e estrutura
fitossociolgica de floresta pluvial atlntica, sob clima temperado mido de vero quente, Blumenau, SC.
2003. 161f. Tese (Doutorado em Ecologia), USP, So Paulo.
SEYFERTH, G. A colonizao alem no Vale do Itaja-Mirim. Um estudo de desenvolvimento econmico.
Porto Alegre: Movimento, 159 p, 1974.
SHEIL, D. Long-term observations of rain forest succession, tree diversity and responses to distrubance. Plant
Ecology, v. 155, p. 183-199. 2001.
SKUTCH, A. F. Early stages of plant sucession following forest fires. Ecology, v. 10, p. 177-189. 1929.
SMITH, J.; VAN DE KOP, P.;REATEGUI, K.; LOMBARDI, I.; SABOGAL, C.; DIAZ, A. Dynamics of
secondary forests in slash-and-burn farming: interaction among land use types in the Peruvian Amazon.
Agriculture, Ecosystems and Environment, v. 76, p. 85-98. 1999.
SILVA, P. R. Uso de uso de redes neurais artificiais e objetos geogrficos na classificao digital de
imagens de sensoriamento remoto. 86p. Dissertao (Mestrado em Cincias Florestais). Universidade Federal de
Lavras (UFLA), Lavras, MG. 2012.
SIMINSKI, A.; FANTINI, M, A.C.; REIS, M. S. Classificao da vegetao secundria em estgios de regenerao
da Mata Atlntica em Santa Catarina. Cincia Florestal, Santa Maria, v. 23 (3), p. 369-378, 2013.
SIMINSKI, A. A floresta do futuro: conhecimento, valorizao e perspectivas de uso das formaes
florestais secundrias no estado de Santa Catarina. Tese (Doutorado). Florianpolis: Univerisdade Federal de
Santa Catarina (UFSC). 2009.
SIMINSKI, A. Formaes florestais secundrias como recurso para o desenvolvimento rural e a conservao
ambiental no litoral de Santa Catarina. Dissertao (Mestrado). Florianpolis: Universidade Federal de Santa
Catarina (UFSC).102 p. 2004.
SIMINSKI, A.; FANTINI, A. C. A Mata Atlntica cede lugar a outros usos da terra em Santa Catarina Brasil.
Biotemas, v. 23 (2), p. 51-59. 2009.
SIMINSKI, A.; GURIES, R. P.; FANTINI A. C.; RUSCHEL, A. R.; REIS, M. S. Secondary forest sucession in Mata
Atlntica, Brazil: Floristic and Phytosociological Trends. Ecology, 19 p. 2011.
SIMINSKI, A., MANTOVANI, M.; REIS, M. S.; FANTINI, C. F. Sucesso Florestal Secundria no municpio de
So Pedro de Alcntara, Litoral de Santa Catarina: Estrutura e diversidade. Cincia Florestal, v. 14, p. 21-33. 2004.
SIPS, S. Management of tropical secondary rain forest in Latin America. Today's challenge, tomorrow's
accomplished fact? In: Memorias del Taller Internacional sobre el estado actual y potencial del manejo e desarrollo
del Bosque Secundario Tropical en Amrica Lati. Workshop, Peru: Pucallp, 2-6, p. 230-272, 1997.
SOUZA, A. L.; HOSOKAWA, R. T.; KIRCHNER, F. F.; MACHADO, S. A. Anlises multivariadas para
manejo de floresta natural na Reserva Florestal de Linhares, Esprito Santo: anlises de agrupamento e
discriminante. Revista rvore, v. 14 (2), p. 85-101,1990.
SPURR, S. H. Natural restocking of forests following the 1938 hurricane in central New England. Ecology, v. 37, p.
443-451. 1956.
SPURR, S. H.; BARNES, B. V. Forest Ecology. New York: John Wiley And Sons, 1980.
THOREAU, H. D. Walden, ou, A vida nos bosques. 7.ed. - So Paulo: Ground. 288p., 2007.
TUCKER, C. J.; TOWNSHEND, J. R. G. Strategies for monitoring tropical deforestation using satellite data.
International Journal of Remote Sensing, v. 21 (6), p. 1461-1471. 2000.

119

TURNER, I. M.; CORLETT, R. T. The conservation value of small isolated fragments of lowland tropical rain
forest. Trends in Ecology and Evolution, v. 8, p. 330-333. 1999.
UHL, C. Factors controling sucession following slah and burn agriculture in Amazonia. Journal of Ecology, v. 75,
p. 377-407. 1987.
UHL, C.; JORDAN, C. F. Sucessional and nutriant dynamics following forest cutting and burning in Amazonia.
Ecology, v. 65, p. 1476-1490. 1984.
UHL, C.; CLARK, K.; CLARK, H.; MURPHY, P. Early plant sucession after cutting and burning in upper Rio
Negro Amazon Basin. Journal of Ecology, v. 69, p. 631-649. 1981.
VACCARO, S.; ARTURI, M. F.; GOYA, J. F. Almacenaje de carbono en estadios de la sucessin secundaria en la
provincia de misiones, argentina. INCI, v. 28 (9), p. 521-527. 2003.
VANDERMEER, J.; MALLONA, M. A., BOUCHER, D.; YIH, K.; PERFECTO, I. Three years of ingrowth
following catastrophic hurricane damage on the Caribean coast of Nicaragua: evidence in support of the direct
regeneration hypothesis. Journal of Tropical Ecology, v. 11, p. 465-471. 1995.
VANZOLINI, P. E. Problemas faunsticos do Cerrado. In: FERRI, M. G. (Ed). II Simpsio sobre o cerrado. So
Paulo: Editora da Universidade de So Paulo. p. 307-320, 1963.
VZQUEZ-YANES, C.; OROZCO-SEGOVIA, A. Ecophysiology of seed germination in the tropical humid
forests of the world. In: MEDINA E., MOONEY H. A., VZQUEZ-YANES C. (Eds.) Physiological ecology of
plantas of the wet tropics. p. 37-50. Dr. W Junk, The Hague, 1984.
VIANA, V.; TABANEZ, A. J. Biology and conservation of forest fragments in Brasilian Atlantic moist forest.
In: SCHEILAS, J.; GREENBERG, R. Forest patches in tropical landscapes. Washington D.C: Island Press, 1996.
VIBRANS, A. C. A cobertura florestal da Bacia do Rio Itaja: elementos para uma anlise histrica. Tese
(Doutorado). Florianpolis: Universidade Federal de Santa Catarina (USFC), Centro de Filosofia e Cincias
Humanas. 2003.
VIBRANS, A.C. et al. Structure of Mixed Ombrophyllous Forests with Araucaria angustifolia (Araucariaceae) under
external stress in southern Brazil. Revista de Biologia Tropical, v. 59 (3), p. 1371-1387, 2011.
VIBRANS, A. C.; SEVEGNANI, L.; LINGNER, D. V.; GASPER, A. L; SABBAGH, S. Inventrio Florstico
Florestal de Santa Catarina (IFFSC): aspectos metodlgicos e operacionais. Colombo, v. 30 (64), p. 291-302. 2010.
VIBRANS, A. C., McROBERTS, R. E., MOSER, P.; NICOLETTI, A. L. Using satellite image-based maps and
ground inventory data to estimate the remaining Brazilian Atlantic forest in Santa Catarina. Remote Sensing of
Environment, v. 130. p. 87-95 2013.
VIEIRA, I. C. G.; ALMEIDA, A. S.; DAVIDSON, E. A.; STONE, T. A.; CARVALHO, C. J. R.; GUERRERO, J.
B. Classifying sucessional forrests using Landsat spectral properties and ecological cherecteristics in eastern
Amaznia. Remote Sensing of Environment, v. 87, p- 470-481. 2003.
XIE, Y.; SHA, Z.; YU, M. Remote sensing imagery in vegetation mapping: a review. Journal of Plant Ecology,
Oxford, v. 1 (1), p. 9-23. 2008.
WAIDE, R. B.; LUGO, A. E. A research perspective on disturbance and recovery of a tropical forest. In:
GOLDAMMER, J. G. (Ed.) Tropical forests in transition. p. 173-189. Basel: Birkhauser, 1992.
WALKER, L. R.; CHAPPIN, F. S. I. Interections amog processes controlling sucessional change. Oikos, v. 50, p.
131-135. 1987.
WANG, X.; LI, Z.; DENG, G.; JIANG, Z. Estimating stem volume using quickbird imagery and allometric
relationships for open populus xiaohei plantations. Journal of Integrative Plant Biology, v. 49 (9), p. 1304-1312.
2007.

120

WHITMORE, C. T. An introduction to tropical rain forests (4th ed.). Oxford: Oxford University Press, 1998.
WHITMORE, T. C.; BURNHAM, C P. Tropical rain forests of the Far East. United Kingdom: Oxford
University Press, 1984.
WHITMORE, T. C.; BURSLEM, D. F. R. P. Major distrubances in tropical rainforests. In: NEWBERRY, D.
M.; PRINS, H. H. T.; BROWN, N. D. (Eds.) Dynamics of tropical communities. p. 549-565. Oxford: Blackwell
Science Ltd, 1998.
WHITNEY, G. G; FOSTER, D. R. Overstory composition and age as determinants of understory flora of woods of
central New England. Journal of Ecology, v. 76, p. 867-876. 1988.
WULDER, M. Optical remote-sensing tecniques for the assessment of forest inventory and biophysical parameters.
Progress in Physical Geography, v. 22, p. 449476.1998.
WULDER, A. M., HALL, R. J.; COOPS, N.; FRANKLIN, S. High spatial resolution remotely sensed data for
ecosystem characterization. Bioscience, v. 54, p. 511-521. 2004.
YIH, K.; BOUCHER, D. H.; VANDERMEER, J. H.; ZAMORA, N. Recovery of the rain forest of southeastern
Nicaragua after destruction by hurricane Joan. Biotropica, v. 23, p. 106-113. 1991.
YOUNG, A.; BOYLE, T. Forest fragmentation. In: Forest conservation genetics. Melbourne: CISRO Publishing,
p.123-132, 2000.
ZUIDEMA, P. A.; SAYER, J.; DIJKMAN, W. Forest Fragmentation and biodiversity: the case for intermediate sized conservation areas. Environmental Conservation, v. 23 (4), p. 290-297. 1996.

121

APNDICE
UA1 Coordenadas: 2659'46.28"S/ 4918'25.99"O.
Descrio: pastagem abandonada no municpio de Ascurra/SC, em uma encosta com baixa declividade.
A UA caracteriza-se pela presena abundante de samambaias e arbustos, camada fina de serapilheira ( 1,5
cm), sem sub-bosque, presena de rvores emergentes, espcies mortas e sinais de incndio passado. No
houve constatao de gado na rea. Foram avistadas aves e algumas tocas no solo.
Figura A1. Fotografia da UA1

Tabela A1. Estimativas das variveis dendromtricas do estrato arbreo da UA1


Espcies
Morta
Miconia cinammomifolia
Piptocarpha axilaris
Myrsine coriacea
Baccharis sp.
Casearia sylvestris
Myrcia hebepetala
Schefflera morototoni
Pinus sp.
Cabralea canjerana
Calypthrantes lucida
Cyathea sp.
Mollinedia triflora
Myrcia sp. 1
Pera glabrata
Psychotria vellosiana
Schinus terebinthifolius
Zanthoxylum rhoifolium

N
26
18
18
13
6
5
3
3
2
1
1
1
1
1
1
1
1
1

DA (ind/ha) DR (%) AB (m) DoA (m/ha)


162,50
25,24%
0,2071
1,29
112,50
17,48%
0,1778
1,11
112,50
17,48%
0,0584
0,37
81,25
12,62%
0,0419
0,26
37,50
5,83%
0,0076
0,05
31,25
4,85%
0,0489
0,31
18,75
2,91%
0,0139
0,09
18,75
2,91%
0,0555
0,35
12,50
1,94%
0,0475
0,30
6,25
0,97%
0,0007
0,00
6,25
0,97%
0,0011
0,01
6,25
0,97%
0,0105
0,07
6,25
0,97%
0,0009
0,01
6,25
0,97%
0,0040
0,02
6,25
0,97%
0,0007
0,00
6,25
0,97%
0,0017
0,01
6,25
0,97%
0,0020
0,01
6,25
0,97%
0,0007
0,00

DoR (%)
30,41%
26,11%
8,58%
6,15%
1,11%
7,18%
2,05%
8,15%
6,98%
0,11%
0,17%
1,54%
0,14%
0,59%
0,11%
0,25%
0,29%
0,11%

VC
55,65%
43,59%
26,06%
18,77%
6,94%
12,03%
4,96%
11,06%
8,92%
1,08%
1,14%
2,51%
1,11%
1,56%
1,08%
1,22%
1,26%
1,08%

DAP (cm)
8,86
8,91
6,02
5,48
3,96
9,64
7,50
14,89
17,13
3,09
3,82
11,55
3,44
7,13
3,02
4,65
5,00
3,02

Htm (m)
3,39
5,17
3,78
3,72
3,08
4,10
5,17
6,83
6,50
4,50
4,50
1,70
3,50
4,00
2,30
3,00
1,80
3,00

UA2 Coordenadas: 2659'56.56"S/ 4917'17.41"O.


Descrio: pastagem abandonada em um topo de morro no municpio de Indaial/SC, com declividade
mdia. A UA caracteriza-se pela presena de arbustos e samambaias, camada fina de serapilheira ( 2 cm),
incio de sub-bosque (fechado) com espcies emergentes, sendo que as existentes so exticas. Houve
constatao de caminhos (trilhas) na rea e avistadas tocas no solo.

122

Figura A2. Fotografia da UA2

Tabela A2. Estimativas das variveis dendromtricas do estrato arbreo da UA2


Espcies
Myrsine coriacea
Psidium guajava
Andira fraxinifolia
Pinus taeda
Tibouchina urvilleana
Schinus terebinthifolius

N
53
21
3
3
1
1

DA (ind/ha)
331,25
131,25
18,75
18,75
6,25
6,25

DR (%)
64,63%
25,61%
3,66%
3,66%
1,22%
1,22%

AB (m)
0,0602
0,0213
0,0756
0,0027
0,0024
0,0009

DoA (m/ha)
0,38
0,13
0,47
0,02
0,02
0,01

DoR (%)
36,91%
13,07%
46,35%
1,64%
1,48%
0,55%

CV (%)
101,55%
38,68%
50,01%
5,30%
2,70%
1,77%

DAP (cm) Ht (m)


3,70
2,97
3,57
2,68
17,74
5,50
3,36
2,83
5,54
2,50
3,37
2,00

UA3 Coordenadas: 2659'39.98"S/ 4917'16.24"O.


Descrio: pastagem abandonada no municpio de Indaial/SC, em uma encosta com declividade
acentuada. A UA caracteriza-se pela presena de arbustos, xaxins e samambaias, camada fina de
serapilheira ( 2 cm), sem sub-bosque e com algumas espcies emergentes. No foram constatadas de
atividades antrpicas recentes. Foram avistadas tocas no solo.
Figura A3. Fotografia da UA3

123

Tabela A3. Estimativas das variveis dendromtricas do estrato arbreo da UA3


Espcies
Cyathea atrovirens
Myrsine coriacea
Miconia cinammomifolia
Psidium guajava
morta
Schinus terebinthifolius
Tibouchina urvilleana
Miconia cabussu
Xylopia brasiliensis
Pera glabrata
Aegiphila integrifolia
Aegiphila obducta
Baccharis dracunculifolia
Baccharis sp. 1
Clethra scabra
Miconia sp. 1
Piptocarpha axilaris

N
42
37
22
6
5
4
3
3
3
2
1
1
1
1
1
1
1

DA (ind/ha)
262,50
231,25
137,50
37,50
31,25
25,00
18,75
18,75
18,75
12,50
6,25
6,25
6,25
6,25
6,25
6,25
6,25

DR (%)
31,34%
27,61%
16,42%
4,48%
3,73%
2,99%
2,24%
2,24%
2,24%
1,49%
0,75%
0,75%
0,75%
0,75%
0,75%
0,75%
0,75%

AB (m) DoA (m/ha)


0,54073
3,38
0,06892
0,43
0,05884
0,37
0,00639
0,04
0,03622
0,23
0,01431
0,09
0,00334
0,02
0,00245
0,02
0,00613
0,04
0,00815
0,05
0,00214
0,01
0,00179
0,01
0,00145
0,01
0,00145
0,01
0,00088
0,01
0,00100
0,01
0,00098
0,01

DoR (%)
71,60%
9,13%
7,79%
0,85%
4,80%
1,89%
0,44%
0,32%
0,81%
1,08%
0,28%
0,24%
0,19%
0,19%
0,12%
0,13%
0,13%

CV (%)
102,95%
36,74%
24,21%
5,32%
8,53%
4,88%
2,68%
2,56%
3,05%
2,57%
1,03%
0,98%
0,94%
0,94%
0,86%
0,88%
0,88%

DAP (cm) Ht (m)


12,69
1,70
4,61
3,52
5,47
3,65
3,66
2,83
8,63
2,90
6,11
3,55
3,76
2,57
3,22
3,00
5,00
3,90
7,19
4,50
5,22
4,00
4,77
3,00
4,30
3,50
4,30
2,50
3,34
2,50
3,57
3,00
3,53
2,2

UA4 Coordenadas: 2640'0.91"S/ 4855'5.53"O.


Descrio: pastagem abandonada no municpio de Massaranduba/SC, em um terreno plano com pouca
declividade (com banhado prximo). A UA caracteriza-se pela presena de espcies de arbreas, arbustos,
xaxins e samambaias, a camada de serapilheira bastante variada (de 4 a 1 cm), com sub-bosque e dossel
uniforme, com rvores emergentes, como embaba. Houve trilhas, abandono de plantao de palmito.
Foram avistadas tocas no solo. Esta UA resultado de plantao de palmito abandonada e proximidade
de remanescente florestal.
Figura A4. Fotografia da UA4

Tabela A4. Estimativas das variveis dendromtricas do estrato arbreo da UA4


Espcies
Myrsine coriacea
Miconia cabucu
Baccharis semiserrata
Cecropia glaziovii
Hieronyma alchorneoides
morta
Piper sp. 2
Tibouchina urvilleana
Trema micrantha
Alchornea triplinervia

N DA (ind/ha) DR (%) AB (m) DoA (m/ha) DoR (%)


144
900,00
55,38% 0,5416
3,39
46,75%
22
137,50
8,46%
0,1230
0,77
10,62%
12
75,00
4,62%
0,0211
0,13
1,82%
12
75,00
4,62%
0,0942
0,59
8,13%
11
68,75
4,23%
0,0251
0,16
2,16%
9
56,25
3,46%
0,0785
0,49
6,78%
7
43,75
2,69%
0,0071
0,04
0,61%
6
37,50
2,31%
0,0476
0,30
4,11%
5
31,25
1,92%
0,0158
0,10
1,36%
4
25,00
1,54%
0,0087
0,05
0,75%

CV (%)
102,14%
19,08%
6,44%
12,75%
6,39%
10,24%
3,30%
6,42%
3,28%
2,29%

DAP (cm)
6,37
32,16
4,64
8,91
5,12
9,34
3,56
9,49
5,96
5,03

Ht (m)
6,29
4,11
4,50
6,71
4,95
3,78
3,50
6,42
5,36
4,00

124

Baccharis dracunculifolia
NI 1
Cyathea atrovirens
Nectandra membranacea
Sapium glandulosum
Alchornea glandulosa
Schinus terebinthifolius
Vernonanthura divaricata
Vernonanthura puberula
Austroeupathorium sp. 1
Baccharis sp. 1
Citharexylum myrianthum
Inga edulis
Miconia cinammomifolia
NI1
Psidium guajava
Tabernaemontana catharinensis

3
3
3
3
2
2
2
1
1
1
1
1
1
1
1
1
1

18,75
18,75
18,75
18,75
12,50
12,50
12,50
6,25
6,25
6,25
6,25
6,25
6,25
6,25
6,25
6,25
6,25

1,15%
1,15%
1,15%
1,15%
0,77%
0,77%
0,77%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%

0,0045
0,0311
0,0252
0,0394
0,0019
0,0030
0,0089
0,0009
0,0029
0,0575
0,0008
0,0079
0,0043
0,0008
0,0020
0,0016
0,0030

0,03
0,19
0,16
0,25
0,01
0,02
0,06
0,01
0,02
0,36
0,01
0,05
0,03
0,00
0,01
0,01
0,02

0,39%
2,68%
2,17%
3,40%
0,16%
0,26%
0,77%
0,08%
0,25%
4,96%
0,07%
0,69%
0,37%
0,07%
0,18%
0,14%
0,26%

1,54%
3,84%
3,33%
4,55%
0,93%
1,03%
1,54%
0,46%
0,64%
5,35%
0,46%
1,07%
0,75%
0,45%
0,56%
0,52%
0,64%

4,35
11,37
9,95
12,63
3,44
4,39
7,26
3,44
6,11
27,06
3,25
10,06
7,39
3,18
5,09
4,52
6,18

4,50
1,80
6,83
6,33
3,75
4,00
4,75
3,50
4,00
8,00
4,00
8,00
5,00
4,00
4,50
3,50
4,50

UA5 Coordenadas: 2639'49.93"S/ 4855'26.30"O.


Descrio: pastagem abandonada no municpio de Massaranduba/SC, em um topo de morro com
declividade intermediria. A UA caracteriza-se pela presena de poucas espcies de arbreas, e com
abundncia de capins e samambaias, a camada de serapilheira pequena (menos 1 cm). A UA no
apresentada sub-bosque nem dossel . Esta UA resultado de pastagem abandonada e proximidade de
remanescente florestal.
Figura A5. Fotografia da UA5

Tabela A5. Estimativas das variveis dendromtricas do estrato arbreo da UA5


Espcies
Aegiphila integrifolia
Casearia sylvestris
Vernonanthura divaricata
Aspidosperma australis
NI 1
Annona sp.
Myrsine coriacea
Tabernaemontana catharinensis
Vernonanthura pubeula

N
14
4
4
2
2
1
1
1
1

DA (ind/ha) DR (%) AB (m) DoA (m/ha) DoR (%)


87,50
46,7%
0,0789
0,4929
33,75%
25,00
13,3%
0,0069
0,0433
2,97%
25,00
13,3%
0,0971
0,6069
41,56%
12,50
6,7%
0,0102
0,0638
4,37%
12,50
6,7%
0,0134
0,0838
5,74%
6,25
3,3%
0,0010
0,0060
0,41%
6,25
3,3%
0,0107
0,0666
4,56%
6,25
3,3%
0,0013
0,0084
0,58%
6,25
3,3%
0,0142
0,0886
6,07%

UA6 Coordenadas: 2655'29.71"S/ 4852'42.43"O.

VC
80,42%
16,30%
54,89%
11,04%
12,40%
3,75%
7,90%
3,91%
9,40%

DAP (cm)
7,87
4,52
17,48
8,05
9,23
3,50
11,65
4,14
13,43

Ht (m)
4,6
3,0
5,8
4,5
2,5
3,0
6,0
4,0
5,0

125

Descrio: pastagem abandonada no municpio de Gaspar/SC, em um terreno com baixa declividade.


Presena de banhado. A UA caracteriza-se pela presena de espcies de arbreas, vrios arbustos e
samambaias, a camada de serapilheira bastante variada (de 4 a 1 cm), com dossel uniforme e com rvores
emergentes. Foram visualizadas trilhas e tocas no solo. Esta UA a transio entre o estgio inicial e o
estgio mdio sucesso.
Figura A6. Fotografia da UA6

Tabela A6. Estimativas das variveis dendromtricas do estrato arbreo da UA6


Espcies
Tibouchina urvilleana
Casearia sylvestris
Psidium guajava
Bacharis1
Cupania vernalis
Miconia cinnamomifolia
morta
Miconia sp1
Schinus terebinthifolius
Matayba intermedia
Miconia cabucu
Mimosa bimucronata
Bacharis2
Tabernaemontana catharinensis
Annona neosericea
Blechnum brasiliense
Casearia decandra
Labitaceae
Zanthoxylum rhoifolium
Aegiphila integrifolia
Alchornea glandulosa
Asteraceae (taquara)
Baccharis dracunculifolia
Cecropia glaziovii
Citharexylum myrianthum
Eugenia florida
Eugenia uniflora
Hieronyma alchorneoides
Nectandra oppositifolia
NI1
Psidium cattleianum

N
52
27
22
19
11
11
10
7
6
4
4
4
3
3
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
1
1

DA (ind/ha) DR (%) AB (m) DoA (m/ha) DoR (%)


325
25,37% 0,0726
0,454
13,42%
168,75
13,17% 0,04197
0,262
7,76%
137,5
10,73% 0,0385
0,241
7,12%
118,75
9,27%
0,06153
0,385
11,38%
68,75
5,37%
0,02114
0,132
3,91%
68,75
5,37%
0,09024
0,564
16,68%
62,5
4,88%
0,05851
0,366
10,82%
43,75
3,41%
0,01442
0,090
2,67%
37,5
2,93%
0,01038
0,065
1,92%
25
1,95%
0,00652
0,041
1,21%
25
1,95%
0,02459
0,154
4,55%
25
1,95%
0,01327
0,083
2,45%
18,75
1,46%
0,02199
0,137
4,07%
18,75
1,46%
0,00386
0,024
0,71%
12,5
0,98%
0,01542
0,096
2,85%
12,5
0,98%
0,00204
0,013
0,38%
12,5
0,98%
0,00492
0,031
0,91%
12,5
0,98%
0,00185
0,012
0,34%
12,5
0,98%
0,0018
0,011
0,33%
6,25
0,49%
0,00385
0,024
0,71%
6,25
0,49%
0,00156
0,010
0,29%
6,25
0,49%
0,00117
0,007
0,22%
6,25
0,49%
0,00439
0,027
0,81%
6,25
0,49%
0,01009
0,063
1,86%
6,25
0,49%
0,0008
0,005
0,15%
6,25
0,49%
0,0012
0,008
0,22%
6,25
0,49%
0,00261
0,016
0,48%
6,25
0,49%
0,00606
0,038
1,12%
6,25
0,49%
0,00128
0,008
0,24%
6,25
0,49%
0,00102
0,006
0,19%
6,25
0,49%
0,00132
0,008
0,24%

VC
0,39
0,21
0,18
0,21
0,09
0,22
0,16
0,06
0,05
0,03
0,06
0,04
0,06
0,02
0,04
0,01
0,02
0,01
0,01
0,01
0,01
0,01
0,01
0,02
0,01
0,01
0,01
0,02
0,01
0,01
0,01

DAP (cm)
4,08
4,30
4,47
6,00
4,82
9,57
7,86
4,51
4,53
4,47
7,79
6,10
9,15
3,98
9,45
3,58
5,35
3,42
3,37
7,00
4,46
3,85
7,48
11,33
3,18
3,92
5,76
8,79
4,04
3,60
4,11

Ht (m)
3,53
3,87
3,55
4,29
5,00
6,45
3,36
4,00
3,47
4,63
5,00
3,88
4,50
3,67
5,00
4,25
4,50
3,80
3,25
5,00
4,00
4,00
5,00
8,00
4,00
3,50
5,00
7,00
4,00
3,00
5,00