Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Atualmente o Brasil é considerado uma referência mundial no setor de florestas
plantadas por sua atuação pautada na sustentabilidade, competitividade e inovação,
sendo que o estado do Mato Grosso do Sul se destaca pela crescente participação no
mercado florestal. Em 2009, tendo em vista o grande potencial da região, o governo
estadual criou o Plano Estadual de Florestas (PEF), com o objetivo de orientar o
desenvolvimento do setor florestal, maximizando os benefícios econômicos, sociais
e ambientais. No entanto, apesar de periodicamente órgãos públicos apresentarem a
evolução da área ocupada pela eucaliptocultura no estado, poucos são os trabalhos
acadêmico-científicos que apresentam efetivamente a expansão de florestas
plantadas nele. Sendo assim, o presente estudo tem por objetivo, analisar a
distribuição espacial e quantificar as áreas de eucalipto nos períodos de 2009 e 2019,
evidenciando o processo de expansão da eucaliptocultura na região. Para isto, foram
utilizados os recursos de processamento e classificação de imagens da plataforma
Google Earth Engine associados ao software QGIS. De acordo com os resultados
obtidos, no período avaliado houve um crescimento de 380%, totalizando 500mil
hectares, dando destaque principalmente aos municípios de Ribas do Rio Pardo e
Três Lagoas. A metodologia utilizada no presente estudo permitiu a avalição da
expansão da eucaliptocultura de forma rápida e acurada.
Palavras-chave: Eucalipto, SNIC, Random Forest, Google Earth Engine.
Abstract
Currently Brazil is considered a world reference in the planted forest sector for its
performance based on sustainability, competitiveness and innovation, and the state
of Mato Grosso do Sul stands out for its growing participation in the forest market.
In 2009, given the region's great potential, the state government created the State
Forest Plan (PEF / MS) to guide the development of the forest sector, maximizing
economic, social and environmental benefits. However, although public agencies
periodically present the evolution of the area occupied by eucalyptus in the state,
there are few academic-scientific works that effectively present the expansion of
forests planted in it. Thus, the present study aims to analyze the spatial distribution
and quantify the eucalyptus areas in the periods of 2009 and 2019, highlighting the
process of expansion of eucalyptus culture in the region. For this, were used the
Google Earth Engine image processing and classification resources associated with
the QGIS software. According to the results obtained, in the period evaluated there
was a growth of 380%, totaling 500 thousand hectares, highlighting mainly the
municipalities of Ribas do Rio Pardo and Três Lagoas. The methodology used in the
present study allowed the evaluation of eucalyptus culture expansion quickly and
accurately.
Na figura 1 são apresentados os municípios SOUZA et al. (2007) citam em sua revisão que em
considerados como prioritários para a implantação planejamento florestal, é comum que a base de
do Plano Estadual de Florestas, os quais são informações seja oriunda de dados remotos, obtidos
representados na figura como as “Áreas Primárias por imagens de satélites, fotografias aéreas e
Adequadas”. imagens de radar. Citam ainda o trabalho de
MOREIRA (1984), em que o autor relata o grande
2.2. Monitoramento de florestas plantadas por potencial da utilização dos satélites da série Landsat
sensoriamento remoto no monitoramento dos recursos florestais desde a
década de 80.
O uso de técnicas de sensoriamento remoto em áreas
florestais é cada vez mais frequente. Vários são os De acordo com MOREIRA (1984), programas
trabalhos realizados, com destaque para uma das como o Landsat merecem destaque pois fornecem
técnicas utilizadas com assiduidade no dados com características multiespectrais e
monitoramento da cobertura florestal, que é a repetitividade a cada dezesseis dias a um custo
análise multi-temporal de observações sensoriadas irrisório quando comparados aos métodos
(BARROS, 2013). alternativos. Essas características viabilizam o uso
de dados de sensoriamento remoto, principalmente
em estudos regionais, envolvendo grandes áreas.
Landsat 7 TM, pelo método de máxima partir da análise quantitativa dos níveis de cinza.
verossimilhança. Ainda de acordo com o autor, a decisão de quais
técnicas aplicar em cada situação deve ser ditada
Outros exemplos mais recentes da utilização de pelos objetivos a serem alcançados e pelas
sensoriamento remoto, imagens Landsat e novas especificidades da situação.
técnicas de classificação no monitoramento da
expansão de florestas plantadas no estado do Mato A classificação é o processo de extração de
Grosso do Sul, podem ser verificados nos trabalhos informação em imagens para reconhecer padrões e
de SÃO MIGUEL et al (2016), SÃO MIGUEL et al objetos homogêneos e são utilizados em
(2019), LELIS & AVELINO JUNIOR (2016), sensoriamento remoto para mapear áreas da
ANTUNES et al (2018) e VIRTUOSO et al. (2015) superfície terrestre que correspondem aos temas de
que avaliaram a expansão do cultivo de eucalipto interesse (INPE, 2014 citado por SILVA, 2015).
nos municípios de Selvíria, Brasilândia e Três
Lagoas. A distinção e identificação de diferentes materiais
superficiais, sejam eles tipos de vegetação, padrões
2.3. Processamento digital de imagens e sensori- de uso do solo, rochas e outros, torna-se possível
amento remoto devido ao fato deles terem comportamentos
específicos ao longo do espectro eletromagnético,
Atualmente a grande maioria dos produtos obtidos que podem ser usados para identificá-los no espaço
a partir de sensoriamento remoto, é disponibilizado (CROSTA,1992).
em meio digital no formato de imagens, que são
numericamente formadas por uma matriz Segundo MENESES & ALMEIDA (2012), os
bidimensional, onde linhas e colunas definem as métodos de classificação em atualmente em uso
coordenadas espaciais de um pixel, ao qual é podem ser divididos segundo diferentes critérios:
atribuído um valor digital (nível de cinza) classificação paramétrica e não-paramétrica,
correspondente ao valor radiométrico registrado classificação espectral e espacial, classificação
pelo sensor. No caso de imagens multiespectrais, supervisionada ou não-supervisionada e
cada pixel é radiometricamente representado por classificação por pixel ou por regiões.
um vetor de atributos com tantas dimensões quantas
forem as bandas espectrais consideradas Já ARAUJO (2017), em suas notas de aula, divide
(ESPINHOZA,2004). os métodos de classificação em não-
supervisionados, supervisionados e super-
Neste âmbito surge o conceito de Processamento supervisionados, sendo que os dois primeiros
Digital de Imagens (PDI), que pode ser entendido métodos podem ser realizados via classificadores
como o conjunto de técnicas utilizadas para pixel-a-pixel ou classificadores por regiões, e cada
manipulação de imagens digitais no sentido de classificador tem diversos algoritmos de
facilitar a extração de informações. Essas técnicas classificação. O terceiro método refere-se ao que se
possibilitam a exploração de detalhes que são conhece por classificação orientada a objetos
inacessíveis pelos métodos tradicionais e permitem conhecida como GEOBIA.
destacar e realçar aspectos de interesse específico a
determinados temas e objetos (MACIEL et al., O método de classificação é considerado não-
2015) supervisionado quando o classificador não utiliza
qualquer conhecimento prévio sobre as classes
Novo (1989), citado por ESPINHOZA (2004), existentes na imagem e é definida, sem a
classifica as técnicas de Processamento Digital de interferência do analista, a estratificação da cena,
Imagens em três conjuntos: técnicas de pré- atribuindo a cada pixel uma determinada classe
processamento, cuja aplicação permite transformar espectral (VENTURIERI e SANTOS, 1998, citados
dados digitais brutos em dados corrigidos por ESPINHOZA, 2004)
radiométrica e geometricamente; técnicas de realce,
as quais visam melhorar efetivamente a A classificação é considerada supervisionada
visualização da cena para subsequente interpretação quando implica na interação do intérprete humano e
visual ou classificação digital; e técnicas de o sistema de análise e, além disso, esse intérprete
classificação que têm como finalidade o tem um conhecimento prévio da cena, o que o
reconhecimento automático dos objetos da cena, a habilita a fornecer informações específicas,
PUC Minas Virtual
7
Com relação aos algoritmos utilizados nos métodos pixel em análise em uma determinada classe. O
de classificação, segundo OLIVEIRA (2018), somatório das diversas classificações determinará a
atualmente uma grande variedade de algoritmos classe final a qual aquele pixel pertence.
vem sendo usada para mapear a cobertura da terra.
Esses métodos variam de algoritmos mais simples O RF tem sido usado em mapeamentos de vegetação
até complexas máquinas com um grande número de por meio do sensoriamento remoto, apresentando
parâmetros a serem configurados. São utilizados bons resultados, uma vez que consegue acomodar
algoritmos não-supervisionados, como por diferentes respostas espectro-temporais, boa
exemplo, o ISODATA ou K-means, mas também velocidade de classificação e de treinamento, com
algoritmos paramétricos supervisionados, como por poucos parâmetros definidos pelo usuário (CLARK;
exemplo, o tradicionalmente usado de máxima ve- KILHAM,2016 citados por SILVEIRA, 2018).
rossimilhança (MAXVER).
As vantagens da utilização do RF, são corroboradas
Nesse contexto, segundo OLIVEIRA (2018) as na revisão de OLIVEIRA (2018), onde são citados
LMs (do inglês Learning Machines, que significa os trabalhos de BELGIU e DRAGU (2016) e
máquinas de aprendizado) também se tornaram bem DEVRIES et al. (2016). Neles, os autores acreditam
populares especialmente na última década, e o que as principais vantagens de uma RF são a
motivo segundo RO-GRIGUEZ-GALIANO et al. excelente acurácia da classificação, a eficiente
(2012) é a maior precisão e eficiência quando implementação em grandes conjuntos dedados e
colocadas diante de grandes e complexos bancos de uma estrutura que permite o uso de árvores geradas
dados, assim como de grandes áreas. Para o autor em posteriores aplicações.
esses classificadores apresentam superioridade de
resultados, quando comparados a algoritmos Segundo SILVEIRA (2018), o RF possui ainda
paramétricos convencionais, principalmente por desempenho melhor, ao mesmo tempo em que
não dependerem de exigências relacionadas à supera algumas deficiências de encapsulamento e
distribuição dos dados, como por exemplo, impulso existentes em outras abordagens de
anormalidade. aprendizado de máquina.
Feito o upload do arquivo vetorial, procedeu-se com PRE8 – Importa do servidor da Google a imagem
a elaboração de um script para execução das etapas Landform ALOS e insere a informação “tipo de
de pré-processamento das imagens em linguagem relevo” como uma banda adicional;
JavaScript a ser usando no GEE, que basicamente
executa os seguintes processos: PRE9 – Faz o mosaico das cenas,calculando o valor
mediano dos pixels que se sobrepõe;
PRE1 –Importa do servidor da Google a coleção de
imagens de satélite desejada; PRE10 – Recorta o mosaico delimitando somente a
área de estudo;
PRE2 – Da coleção de imagens selecionada, filtra
as cenas com data dentro do intervalo de tempo PRE11 - Realiza o processo de segmentação da
desejado; imagem baseado no algoritmo SNIC;
PRE3 – Das cenas selecionadas filtra somente as PRE12 – Adiciona à interface gráfica uma camada
cenas com cobertura de nuvens inferior à tolerância com a composição falsa-cor das bandas que
desejada; ressaltam as diferenças na vegetação;
PRE4 – Das cenas selecionadas filtra somente as PRE13 – Adiciona à interface uma camada com
bandas desejadas; valores de NDVI segmentados;
PUC Minas Virtual
11
número total de amostras associadas à classe em Google) os mosaicos e as imagens classificadas para
questão (FREITAS JUNIOR, 2015). os períodos de 2009 e 2019, assim como imagens
contendo somente as informações da classe
A estimativa de Kappa expressa a medida da eucalipto para os anos de 2009 e 2019. Esta etapa
diferença entre a concordância dos dados de foi denominada EXP2.
referência e a classificação automática, e a
Após fazer o download das imagens, as mesmas
probabilidade de concordância entre os dados de foram importadas no software QGIS para efetuar a
referência e a classificação aleatória (FERREIRA et quantificação das áreas de eucalipto em ambos os
al., 2007). Atualmente, o índice Kappa tem sido o períodos e a geração dos produtos cartográficos
mais recomendado pois considera que tanto o finais.
produto gerado como o produto de referência
possuem o mesmo grau de verdade (FREITAS Para a quantificação da área, primeiramente as
imagens raster que continham somente a classe de
JUNIOR, 2015).
eucalipto foram convertidas para formato vetorial,
por meio do comando “Raster para Vetor
Segundo FIGUEREDO & VIEIRA (2007), embora
(poligonizar)”, etapa denominada R2V.
o coeficiente Kappa seja muito utilizado na Posteriormente, utilizou-se o comando “Multipartes
avaliação da exatidão de mapeamento, não existe para partes simples” para feições do tipo
uma fundamentação teórica para recomendar quais “multipoligono” para “polígonos simples”, etapa
os níveis mínimos aceitáveis deste coeficiente numa denominada M2S.
classificação. No entanto expuseram os valores
apresentados na Tabela 3 para definir os níveis de Em seguida, efetuou-se o cálculo de área de cada
polígono por meio da ferramenta “Calculadora de
desempenho da classificação para o valor de Kappa Campo”, considerando como sistema de referência
obtido, normalmente aceitos pela comunidade cartográfica a projeção cônica equivalente de
científica. Albers. Esta etapa foi denominada AREA.
______________________________________________________________________
C
A
B1 B2 B3
No primeiro display (B1) consta o resultado da No terceiro display (B2),consta o resultado da etapa
etapa PRE12 onde é exibida a composição colorida CLA04, onde é exibido o resultado da classificação
R5G4B2 do mosaico de imagens do satélite Landsat supervisionada por meio do algoritmo Random
5. Pode-se perceber que esta composição permite Forest. Visualmente é possível verificar que a
diferenciar claramente a vegetação nativa da exótica classificação foi bem assertiva ao identificar as
por meio dos tons de verde e textura, sendo que o áreas de eucalipto, fragmentos de vegetação nativa,
eucalipto apresenta tonalidade verde-limão com áreas úmidas, solo exposto e pastagem. Nota-se
textura lisa ou rugosa e a vegetação nativa apresenta também que devido à metodologia de prévia
tonalidade verde oliva com textura rugosa. O solo segmentação via método SNIC, evitou-se o efeito
exposto apresenta tons variando entre o ocre ao "salt-and-pepper" mencionado anteriormente na
amarelo e as áreas destinadas a atividades metodologia. A qualidade da classificação pode ser
agropecuárias como pasto e agricultura apresenta validada por meio do resultado da etapa CLA05,
tonalidades variando entre o de verde claro com apontado no item C. Neste local são exibidos os
textura rugosa ao verde-limão com textura lisa. coeficientes de validação oriundos da matriz de
Neste display é possível verificar a localização das confusão. De acordo com os resultados obtidos a
amostras de treinamento (pontos pretos) e as classificação obteve uma EG de 94,64% e um índice
amostras de validação (pontos vermelhos). kappa de 0,938, o que conceituaria a classificação
como “Excelente”.
No segundo display (B2), consta o resultado da
etapa PRE13 onde é exibida a imagem de NDVI No item A da Figura 5, pode ser visualizado o
segmentada em superpixels e classificada de acordo "prompt" de comando, onde encontra-se o trecho de
com o intervalo definido na metodologia proposta. script onde são executadas as etapas CLA01 a
É possível observar que os intervalos definidos CLA05 referentes à classificação das imagens do
realmente delimitaram bem as feições que se período de 2019. No item B da Figura 5, assim como
desejava observar, sendo que as florestas exóticas na Figura 4, é possível ver a interface gráfica
apresentaram valores de NDVI superiores ao de dividida em 3 displays.
fragmentos de vegetação densa de cerrado (cerradão
e cerrado stricto senso) conforme citado na No primeiro display (B1) consta o resultado da
literatura. Da mesma forma, vegetação menos densa etapa PRE12 onde é exibida a composição colorida
e rasteira como é o caso do campo limpo e campo R6G3B2 do mosaico de imagens do satélite Landsat
sujo apresentam valores de NDVI inferiores ao de 8.
vegetação densa e superiores ao de solo exposto.
Neste display também é possível visualizar a
localização das amostras.
PUC Minas Virtual
17
C
A
B1 B2 B3
Assim como na composição escolhida para as cerrado (cerradão e cerrado stricto senso) conforme
imagens do satélite Landsat 5, a composição citado na literatura. Da mesma forma, vegetação
R6G3B2 para o Landsat 8 permite diferenciar menos densa e rasteira como é o caso do campo
claramente a vegetação nativa da exótica por meio limpo e campo sujo apresentam valores de NDVI
dos tons de verde e textura, sendo que o eucalipto inferiores ao de vegetação densa e superiores ao de
apresenta tonalidade verde-limão com textura lisa solo exposto.
ou rugosa e a vegetação nativa apresenta tonalidade
verde oliva com textura rugosa. O solo exposto No terceiro display (B2) da Figura 5,consta o
apresenta tons variando entre o ocre ao amarelo e as resultado da etapa CLA04, onde é exibido o
áreas destinadas a atividades agropecuárias como resultado da classificação supervisionada.
pasto e agricultura apresenta tonalidades variando Visualmente é possível verificar que a classificação
entre o de verde claro com textura rugosa ao verde- foi bem assertiva ao identificar as áreas de
limão com textura lisa. Neste display é possível eucalipto, fragmentos de vegetação nativa, áreas
verificar a localização das amostras de treinamento úmidas, solo exposto e pastagem. Nota-se também
(pontos pretos) e as amostras de validação (pontos que devido à metodologia de prévia segmentação
vermelhos). via método SNIC, evitou-se o efeito "salt-and-
pepper" mencionado anteriormente na metodologia.
No segundo display (B2) da Figura 5, consta o A qualidade da classificação pode ser validada por
resultado da etapa PRE13 onde é exibida a imagem meio do resultado da etapa CLA05, apontado no
de NDVI segmentada em superpixels e classificada item C da Figura5. Neste local são exibidos os
de acordo com o intervalo definido na metodologia coeficientes de validação oriundos da matriz de
proposta. É possível observar que os intervalos confusão. De acordo com os resultados obtidos a
definidos realmente também delimitaram bem as classificação obteve uma EG de 91,96% e um índice
feições que se desejava observar, sendo que as kappa de 0,9073, o que também conceituaria a
florestas exóticas apresentaram valores de NDVI classificação como “Excelente”.
superiores ao de fragmentos de vegetação densa de
PUC Minas Virtual
18
Figura 6 - Distribuição das áreas cultivadas com Figura 7 - Distribuição das áreas cultivadas com
eucalipto em 2009 nos municípios do PEF/MS. eucalipto em 2019 nos municípios do PEF/MS.
Tabela 4 - Quantificação de cultivo de eucalipto por De acordo com os resultados obtidos, a região
município e ano. considerada mais adequada para a implantação de
plantios de eucalipto, houve um aumento de
2009 2019 Δ aproximadamente 500mil hectares, ou seja, houve
Município
Área (ha) um crescimento aproximadamente 380% na área
Ribas do Rio Pardo 11.866 152.351 140.485 plantada da espécie nos últimos 10 anos, sendo que
Três Lagoas 73.220 189.812 116.592
Água Clara 12.798 79.871 67.073
os municípios que mais se destacaram foram Ribas
Brasilândia 42.285 83.943 41.658 do Rio Pardo, Três Lagoas Água Clara, Brasílandia,
Selvíria 21.357 57.284 35.927 Selvíria e Santa Rita do Pardo, o que confirma a
Santa Rita do Pardo 4.842 31.426 26.584 tendência da expansão ocorrer próximo às
Aparecida do Taboado 212 14.694 14.482 indústrias de celulose que foram implantadas na
Inocência 8 13.827 13.819 região (principalmente Eldorado e Fibria, hoje
Campo Grande 4.218 16.420 12.202
Paranaíba 14 9.093 9.079
Suzano) e de possíveis projetos como a que está em
Jaraguari 1.535 9.523 7.988 estudo de ser implantada em Ribas do Rio Pardo, já
Nova Andradina 4.565 9.855 5.290 a algum tempo. Outro fato importante que
Anaurilândia 116 2.248 2.132 contribuiu para a expansão da eucaliptocultura no
Bataguassu 71 1.611 1.540 estado foi a entrada no mercado florestal de fundos
Figueirão 8 1.141 1.133 de investimento em ativos florestais, geralmente
Nova Alvorada do Sul 638 1.245 607
Batayporã 41 435 394
administrados por empresas chamadas de TIMOs
Camapuã 138 353 215 (Timber Investment Management Organizations).
Bandeirantes 888 582 -306 Segundo AMARAL (2016), esses fundos, tanto
Total 178.822 675.714 496.892 estrangeiros quanto nacionais, já detêm mais de
15% da área plantada no estado, e também estão em
crescimento, atuando em sistemas de parcerias com
Nas Figuras 6 e 7 e Tabela 4 são apresentados os as indústrias consumidoras ou como fornecedores
resultados das etapas de quantificação e elaboração de madeira para o mercado em geral.
de produtos cartográficos a partis das imagens
classificadas para os períodos de 2009 e 2019. Em contrapartida, apesar da tendência de cresci-
mento exponencial da eucaliptocultura na região
PUC Minas Virtual
19
leste do Mato Grosso do Sul condizer com a está na diferença metodológica de obtenção das
tendência de crescimento apresentada pelos órgãos informações.
de pesquisa como REFLORE/MS e IBGE, os
valores de área plantada encontrados ficaram abaixo Para confirmar esta suposição, os valores obtidos
dos informados pelos mesmos. neste estudo foram comparados com os obtidos pelo
projeto MAPBIOMAS 4.0 lançado em 29/08/2019
De acordo com dados divulgados pela REFLO- com o mapeamento de uso do solo de todo o Brasil
RE/MS e IBGE, nos anos de 2009 e 2018 o Mato no período de 1993 a 2018, também por meio de
Grosso do Sul apresentou uma quantidade de área técnicas de sensoriamento remoto e classificação
plantada com eucalipto de 209mil hectares e de 1,1 supervisonada.
milhões de hectares, respectivamente. No entanto,
os dados são obtidos pelo IBGE por meio de O Projeto de Mapeamento Anual da Cobertura e
pesquisas censitárias onde as empresas produtoras Uso do Solo do Brasil (MAPBIOMAS) é uma
informam a área plantada por meio de entrevistas ou iniciativa que envolve uma rede colaborativa com
formulários enviados a agentes censitários. especialistas nos biomas, usos da terra,
sensoriamento remoto, SIG e ciência da
Já em trabalhos de monitoramento via sensoria- computação que utiliza processamento em nuvem e
mento remoto as mensurações são realizadas sobre classificadores automatizados desenvolvidos e
informações reais que podem ser extraídas a partir operados a partir da plataforma Google Earth
das imagens de satélite. Por este motivo, e em Engine para gerar uma série histórica de mapas
função da grande quantidade de variáveis que anuais de cobertura e uso da terra do Brasil.
influenciam no comportamento espectral dos
diferentes alvos, nem sempre os métodos de O MAPBIOMAS é uma iniciativa do SEEG/OC
classificação de imagens digitais conseguem (Sistema de Estimativas de Emissões de Gases de
identificar todas as variações dentro de cada uma Efeito Estufa do Observatório do Clima) e é
das classes. produzido por uma rede colaborativa de co-
criadores formado por ONGs, universidades e
No caso do presente estudo, por exemplo, apesar de empresas de tecnologia organizados por biomas e
ter sido coletada grande quantidade de amostras de temas transversais.
treinamento, de usar métodos robustos de
aprendizagem de máquina para classificação das De acordo com o mapeamento realizado pelo
imagens e de na avaliação da qualidade da projeto MAPBIOMAS no ano de 2009 existiam
classificação ter sido obtido conceito "Excelente" 285mil hectares de florestas plantadas, e em
para ambos os períodos, ainda assim, houve 2018existiam 734mil hectares. Considerando que a
situações em que o algoritmo não conseguiu porcentagem de plantio de Pinus em 2009 e 2018,de
identificar corretamente áreas com possíveis acordo com a REFLORE/MS, foi de 7% e 4%
plantios de eucalipto. respectivamente, pode-se inferenciar que os valores
de área plantada de eucalipto foram de 265mil
Dentre as situações em percebeu-se que o algoritmo hectares no ano de 2009 e 704 mil hectares para
não conseguiu detectar corretamente a existência de 2018, valores bem coerentes com os obtidos no
plantios de eucalipto estão áreas com plantios muito presente estudo.
jovens cujo comportamento espectral acaba se
assemelhando ao de áreas de atividade agropecuária Sendo assim, apesar dos valores encontrados de área
(Figura 8) ou áreas com altas taxas de mortalidade plantada no presente estudo divergirem dos dados
ou desfolha (Figura 9) cujo comportamento divulgados pelos órgãos de pesquisa, as
espectral acaba se assemelhando ao de áreas com informações produzidas mostraram-se consistentes
vegetação nativa, provavelmente pela formação de e podem ser utilizadas como referência para o
sub-bosque. entendimento da dinâmica do uso da terra no estado
Mato Grosso do Sul.
Sendo assim, provavelmente a diferença entre a área
obtida no presente estudo e os valores divulgados
PUC Minas Virtual
20
Figura 8 – Confusão do algoritmo classificando áreas de eucalipto recém-plantadas como áreas de atividade
agropecuária.
Figura 9 – Confusão do algoritmo classificando áreas de eucalipto com alta mortalidade ou desfolha como
área de vegetação nativa.
______________________________________________________________________
NA, X., ZHANG, S., LI, X., YU, H. and Liu, C. SUAREZ, A.F.; CANDEIAS, A.L.B. Avaliação de
Improved land cover mapping using Random acurácia da classificação de dados de sensoriamento
Forests combined with Landsat Thematic Mapper remoto para o município de Maragogipe. IV
imagery and ancillary geographic data. Simpósio Brasileiro de Ciências Geodésicas e
Photogrammetric Engineering and Remote Sensing, Tecnologias da Geoinformação. Recife/PE, 2012.
76: 833–840. 2010
TANGERINO, D.F.; LOURENÇO, R.T.
OLIVEIRA, J. V. T. M. Potencial de utilização de Comparação da exatidão de métodos de
atributos espaciais no processo de classificação classificação supervisionada e não-supervisionada a
digital de plantios de seringueira no Mato Grosso do partir do índice kappa na microbacia do Ribeirão
Sul. Dissertação (Mestrado em Agronomia - Duas Águas em Botucatu/SP.Anais XVI Simpósio
Sustentabilidade na Agricultura) - Universidade Brasileiro de Sensoriamento Remoto - SBSR, Foz
Estadual de Mato Grosso do Sul, Fundação de do Iguaçu/PR, 2013.
Apoio e Desenvolvimento do Ensino, Ciência e
Tecnologia do MS, 2018. VIEIRA,D.C; PRUDENTE,V. H.R; SILVA, N.
R.F; OLIVEIRA, W.V. Identificação de áreas
SÃO MIGUEL, A. E.; MEDEIROS, R. B.; OLI- agrícolas de ciclo anual no estado do Paraná a partir
VEIRA, W. Análise do uso e cobertura da terra em de métricas temporais de EVI2 e NDVI utilizando o
decorrência da expansão do cultivo de eucalipto no Google Earth Engine. In: Anais do XIX Simpósio
município de Selvíria/MS.Geoambiente on-line, Brasileiro de Sensoriamento Remoto, 2019, Santos.
Brasil, 2016. Anais eletrônicos... Campinas, GALOÁ, 2019.
PUC Minas Virtual
23
https://wribrasil.org.br/pt/blog/2019/07/licoes-do-
eucalipto-para-pesquisa-e-o-desenvolvimento-de-
arvores-nativas.