PUC Minas Virtual

EUCALIPTOCULTURA NA REGIÃO LESTE DO ESTADO DO MATO GROSSO

DO SUL NOS ANOS DE 2009 e 2019

Gerardo Felipe Espinoza Pérez

gfep.gis@gmail.com
Novembro de 2019
______________________________________________________________________

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.

Keywords: Eucalyptus, SNIC, Random Forest Algorithm, Google Earth Engine.


1. Introdução
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 (MS) se destaca pela crescente
participação no mercado. Em 2009, tendo em vista
o grande potencial produtivo da região, o governo
estadual criou o Plano Estadual de Florestas
(PEF/MS), com o objetivo de orientar o
desenvolvimento do setor florestal, maximizando os
benefícios econômicos, sociais e ambientais.
No entanto, apesar de periodicamente órgãos
públicos e associações emitirem relatórios
apresentando a evolução da área ocupada com
plantios de eucalipto no estado do MS, poucos são
os trabalhos acadêmico-científicos que apresentam
efetivamente a expansão de florestas plantadas no
estado. Dentre os estudos existentes, podem ser
citados os de SÃO MIGUEL et al (2016), SÃO
MIGUEL et al (2019), LELIS & AVELINO
JUNIOR (2016), ANTUNES et al (2018) e
VIRTUOSO et al (2015), no entanto, estes se
restringem aos municípios de Selvíria, Brasilândia e
Três Lagoas.
Sendo assim, considerando a importância das
informações geográficas nos processos de tomada
de decisão, sejam eles econômicos, sociais ou
ambientais, o presente estudo tem por objetivo,
analisar a distribuição espacial e quantificar as áreas
de eucalipto nos períodos de 2009 e 2019, para
evidenciar o processo de expansão da
eucaliptocultura na região leste do Mato Grosso do
Sul.
Para isto, serão utilizadas técnicas de
processamento digital (PDI) e classificação de
imagens utilizado os recursos da plataforma Google
Earth Engine (GEE) e técnicas de
geoprocessamento associadas ao software QGIS.
Dentre as técnicas de PDI utilizadas, será realizada
a segmentação de imagens de satélite disponíveis no
GEE por meio da metodologia SNIC, utilizando o
conceito de superpixels, e serão utilizadas imagens
de índice de vegetação (NDVI) com valores
classificados de acordo com intervalos, definidos
em literatura, para facilitar a localização de
amostras de treinamento. Com relação às técnicas
de classificação, será utilizado o algoritmo Random
Forests (RF) para realizar a classificação
supervisionada das imagens, utilizando como
PUC Minas Virtual
2
variáveis preditoras as informações obtidas a partir
das bandas das imagens segmentadas pela
metodologia SNIC e a partir de dados de relevo
também disponíveis na plataforma GEE.
Posteriormente, após a classificação das imagens e
avaliação da qualidade do produto gerado, serão
utilizadas técnicas de geoprocessamento aplicadas
no software QGIS para quantificar e gerar o material
cartográfico da área ocupada por cultivo de
eucalipto nos períodos de 2009 e 2019 na área de
estudo.
A metodologia proposta é inovadora e de grande
relevância para o setor florestal sul-matogrossense
pois nenhum trabalho do tipo foi realizados para
toda a extensão do PEF/MS. Ao compará-la com as
metodologias utilizadas pelos autores que
realizaram os estudos anteriores envolvendo o
mapeamento das áreas de eucalipto nos três
municípios sul-matogrossenses, é possível verificar
que a principal diferença se dá com relação ao
método de classificação utilizado. SÃO MIGUEL et
al (2016), SÃO MIGUEL et al (2019), ANTUNES
et al (2018) e VIRTUOSO et al (2015) utilizaram
algoritmos de classificação não-supervisionada
como o ISOCLUSTER e o CLUSTER para
classificar imagens de satélite, os quais resultam em
produtos com qualidade inferior aos obtidos por
classificação supervisionada, como comprovam
MATSU-KUMA (2002) e TANGERINO &
LOURENÇO (2013). Além disso, nenhum dos
autores realizou avaliação da qualidade da
classificação por meio de coeficientes derivados da
matriz de confusão.
Com relação à utilização dos algoritmos SNIC e RF
para segmentação e classificação de imagens no
mapeamento de florestas plantadas, as aplicações
são praticamente inexistentes, principalmente
utilizando a plataforma GEE. Estas técnicas vem
sendo cada vez mais aplicadas em outras áreas como
agricultura e meio ambiente, no entanto, para a área
florestal o presente estudo é um dos raros casos. Na
área de agricultura podem ser citados os trabalhos
de PAREDES et al. (2019), VIERA et al. (2019) e
D'ANDRIMONT et al. (2018). Na área de meio
ambiente podem ser citados os trabalhos de
ESTRABIS et al. (2018), VIEIRA et al. (2019),
SILVA et al. (2019) e MAHDIANPARI et al.
(2019).
O presente estudo de caso está estruturado em cinco
seções. Além dessa introdução, a seção 2, o
referencial teórico, apresenta o cenário da

eucaliptocultura no Brasil e no estado do Mato
Grosso do Sul, bem como conceitos e definições
sobre geoprocessamento, processamento digital de
imagens e sensoriamento remoto. A seção 3
apresenta a metodologia da pesquisa, incluindo a
representação cartográfica da área de estudo e
destacando as ferramentas, softwares e produção própria, conforme determinava alei. Com
procedimentos utilizados na pesquisa. Os resultados
são apresentados na seção 4, sendo a conclusão
apresentada na seção 5.
2. O cenário da eucaliptocultura no Brasil
Atualmente o Brasil é considerado uma referência
mundial no setor de florestas plantadas por sua
atuação pautada na sustentabilidade,
competitividade e inovação (Ibá, 2018).
A indústria brasileira de árvores plantadas está entre
os principais produtores de celulose, papel e painéis
de madeira no mundo, com exportações que trazem
inegável contribuição para a balança comercial e
gera muitos empregos e renda em todas as regiões
do País (Ibá, 2018).
De acordo com o relatório da Produção da Extração
Vegetal e da Silvicultura (PEVS), realizado em
2017 pelo IBGE, as áreas de florestas plantadas
totalizaram 9,9 milhões de hectares na data de
referência da pesquisa, tendo como destaque as
áreas com cobertura de eucalipto, que totalizaram
7,4 milhões de hectares, e corresponderam a 75,2%
das florestas plantadas para fins comerciais no País
(IBGE, 2017).
As primeiras de eucalipto sementes chegaram ao
Brasil no século 19, mas seu desenvolvimento se
deu no século seguinte, em São Paulo. Espalhou-se
com a força de uma locomotiva: para o escoamento
da produção cafeeira, a economia pujante contou
com a lenha de eucalipto para movimentar os trens
e expandir trilhos (WRI BRASIL,2019).
Em 1956 a Companhia Suzano de Papel e Celulose,
da família Feffer, se tornou pioneira na fabricação
de papel com 100% de celulose de eucalipto, e a
partir desse momento começam os trabalhos para
desenvolver um eucalipto com maior produção de
biomassa e com rápido crescimento (WRI BRASIL,
2019).
Em 1966, a Lei de Incentivos Fiscais ao
Reflorestamento turbinou o setor e motivou a
criação do Ipef, mirando a produção de madeira
PUC Minas Virtual
3
industrial de alta qualidade, em áreas florestais
altamente produtivas (WRI BRASIL, 2019).
Em meados da década de 1980, com o fim dos
incentivos fiscais, as empresas florestais
solidificadas fizeram investimentos para manter a
isso, se associaram a universidades públicas para o
desenvolvimento tecnológico, sendo criadas então,
as associações apoiadas pelas empresas florestais
nas universidades, as quais prestaram, e ainda
prestam, relevantes serviços ao desenvolvimento da
eucaliptocultura nacional (CABRAL, 2017).
Em 1990, a área estimada das plantações com
eucalipto no Brasil era de aproximadamente
3.580.000 ha e produziam em torno de 69,7milhões
de m³ de madeira e lenha, correspondendo a 24,4%
do consumo na época(CABRAL, 2017).
Nas últimas cinco décadas, projetos de
melhoramento genético e aprimoramento de
práticas de manejo triplicaram o ganho volumétrico
das árvores de eucalipto, que atualmente chegam a
valores médios de 38m³/ha/ano, podendo chegar a
60 m3/ha/ano dependendo da região, e reduziram o
ciclo de cultivo para apenas 6 anos.
2.1. O cenário da eucaliptocultura no estado do
Mato Grosso do Sul
Atualmente o Mato Grosso do Sul ocupa posição de
destaque na produção de florestas plantadas,
principalmente de eucalipto.
Segundo dados da Associação Sul-Mato-Grossense
dos Produtores e Consumidores de Florestas
Plantadas – Reflore MS (2015), entre os anos de
2004 e 2015, o estado apresentou um crescimento
de 475% na área plantada com espécies dos gêneros
Pinus e Eucalyptus. Considerando apenas a área
plantada com o gênero Eucalyptus, o crescimento
foi de 730% (AMARAL, 2016).
O estado de Mato Grosso do Sul tem a segunda
maior área cultivada com eucalipto, 12,75%, do
total do país. Em 2017, de acordo com dados do
IBGE (2017), existiam 892.000 hectares de
florestas plantadas – 886.000 hectares de eucalipto
(99,36%) e 5.700 hectares de Pinus (ARAUJO,
2018).
De acordo com os dados apresentados em relatório
elaborado pela Federação da Agricultura e Pecuária

de MS (FAMASUL) em 2018, o Estado do Mato
Grosso do Sul é o segundo maior produtor de
produtos florestais e o maior exportador do país.
Segundo o relatório apresentado pelo órgão, o Valor
Bruto da Produção (VBP) referente aos produtos
florestais, teve um crescimento de 22% com relação
ao ano de 2017 e de 60% com relação ao ano de
2016.
Em 2017, os municípios sul mato-grossenses de
Três Lagoas e Ribas do Rio Pardo apresentaram as
maiores áreas de florestas plantadas do País, com
245 mil hectares e 215 mil hectares,
respectivamente (IBGE, 2017).
No Mato Grosso do Sul, o cultivo de eucalipto em
grande escala acabou sendo implantado no leste do
estado devido a incentivos fiscais, destinados
principalmente às empresas produtoras de papel e
celulose, ao arcabouço ambiental encontrado na
região, como recursos hídricos, solo e relevo, que
acabam favorecendo o plantio e a mecanização
(SÃO MIGUEL, 2016) e também à viabilidade
logística de exportação pois a região está localizada
a 700 km do porto de Santos/SP (ARAUJO, 2018).
O desenvolvimento da monocultura da espécie
florestal de eucalipto se deu inicialmente na
microrregião de Três Lagoas, composta pelos
municípios de Três Lagoas, Água Clara, Ribas do
Rio Pardo, Brasilândia e Santa Rita do Pardo, em
virtude do 2º. Plano Nacional de Desenvolvimento
(II PND). Com o objetivo de desenvolver e ocupar
a região dos cerrados no Centro-Oeste brasileiro, o
governo federal implantou no ano de 1974uma
política de desenvolvimento com o plantio de um
maciço florestal de espécies de eucalipto e pinus
naquela microrregião (ARAUJO, 2018).
No entanto, durante o período de economia
inflacionária brasileira, durante as décadas de 1980
e 1990, houve uma retração das indústrias de papel
e celulose que não proporcionou investimentos para
o estabelecimento de plantas industriais do setor no
Estado de Mato Grosso do Sul. Durante estas
décadas as áreas de florestas plantadas foram
conservadas com seus respectivos tratos culturais
adequados (ARAUJO, 2018).
De acordo com os dados da REFLORE/MS, no ano
de 2005, existiam 90.000 hectares plantados de
eucalipto no Mato Grosso do Sul – 60.000 hectares
eram de florestas plantadas pela empresa
International Paper e 30.000 hectares pertenciam a
PUC Minas Virtual
4
empresas pequenas do setor e de produtores rurais
(ARAUJO, 2018).
A industrialização do setor florestal no estado foi
impulsionada principalmente a partir de 2009, com
a construção de grandes indústrias produtoras de
papel e celulose em Três Lagoas, e continua em
expansão (AMARAL, 2016).
Segundo ARAUJO (2018), o principal atrativo da
região para as indústrias de celulose foram os
benefícios da Lei Kandir (lei complementar
brasileira nº 87 de 13/9/1996), a qual isenta a
empresas dos tributos estaduais relativos ao
Imposto sobre Circulação de Mercadorias e
Serviços (ICMS) para os produtos destinados à
exportação.
Sendo assim, A partir do ano de 2007 duas grandes
empresas do setor de papel e celulose iniciaram a
construção de suas plantas industriais na
microrregião de Três Lagoas, o que motivou o
plantio de eucalipto. Em decorrência disso,
inúmeros produtores rurais pertencentes ao binômio
econômico “soja-boi” investiram no plantio do
eucalipto em suas terras ou as arrendaram para
empresas de reflorestamento (ARAUJO, 2018).
O aumento da capacidade produtiva das indústrias
já instaladas, assim como a chegada de novos
empreendimentos, promoveu o aumento da
demanda por madeira (AMARAL, 2016), e assim
fez-se necessário que o crescimento do setor fosse
feito de forma ordenada e sustentável.
Para isto, em 2009, o Governo do Estado de Mato
Grosso do Sul, em conjunto com outros órgãos
como SEBRAE/MS, REFLORE/MS, FAMASUL,
e FIEMS, avaliaram como de suma importância
adotar o planejamento estratégico como ferramenta
para o desenvolvimento sustentável do Setor
Florestal de Mato Grosso do Sul e contrataram a
empresa de consultoria STCP Engenharia de
Projetos Ltda. , especializada no setor florestal, para
apoiasse a estruturação do Plano Estadual para o
Desenvolvimento Sustentável de Florestas
Plantadas de Mato Grosso do Sul.
O Plano Estadual para o Desenvolvimento
Sustentável de Florestas Plantadas, tem como
objetivo principal a orientação das autoridades
governamentais, dirigentes de empresas e entidades
privadas, no processo de desenvolvimento do setor
florestal (floresta e indústria de PMS) de forma a

maximizar os benefícios econômicos, sociais e
ambientais.
O resultado do diagnóstico realizado, apoiado pelo
Zoneamento Ecológico-Econômico (ZEE) do
Estado, bem como as análises conduzidas a partir da
sobreposição de fatores como clima, solos,
localização das Unidades de Conservação, atual
tendência de localização de florestas plantadas e
empreendimentos industriais do setor, permitiram
definir as áreas adequadas para o desenvolvimento
e implementação do Plano Estadual de Florestas
(PEF/MS).
Na figura 1 são apresentados os municípios
considerados como prioritários para a implantação
do Plano Estadual de Florestas, os quais são
representados na figura como as “Áreas Primárias
Adequadas”.
2.2. Monitoramento de florestas plantadas por
sensoriamento remoto
O uso de técnicas de sensoriamento remoto em áreas
florestais é cada vez mais frequente. Vários são os
trabalhos realizados, com destaque para uma das
técnicas utilizadas com assiduidade no
monitoramento da cobertura florestal, que é a
análise multi-temporal de observações sensoriadas
(BARROS, 2013).
Figura 1: Localização da Região para a Implantação do
PEF/MS
De acordo com SOUZA et al. (2007), devido ao
dinamismo das atividades florestais e pela
PUC Minas Virtual
5
importância desse setor na economia nacional,
surge a necessidade de se conhecerem e avaliarem,
cada vez mais e com maior frequência, os
empreendimentos florestais, de forma rápida e
segura, como passo prévio para seu manejo e
exploração eficientes.
Sendo assim, o uso de técnicas de sensoriamento
remoto aplicadas no estudo da vegetação apresenta
várias vantagens, tais como o monitoramento
temporal, visão espacial abrangente, facilidade no
cruzamento de dados, dentre outros
(BORGES,2018).
SOUZA et al. (2007) citam em sua revisão que em
planejamento florestal, é comum que a base de
informações seja oriunda de dados remotos, obtidos
por imagens de satélites, fotografias aéreas e
imagens de radar. Citam ainda o trabalho de
MOREIRA (1984), em que o autor relata o grande
potencial da utilização dos satélites da série Landsat
no monitoramento dos recursos florestais desde a
década de 80.
De acordo com MOREIRA (1984), programas
como o Landsat merecem destaque pois fornecem
dados com características multiespectrais e
repetitividade a cada dezesseis dias a um custo
irrisório quando comparados aos métodos
alternativos. Essas características viabilizam o uso
de dados de sensoriamento remoto, principalmente
em estudos regionais, envolvendo grandes áreas.
O Programa Landsat, iniciado em 1972, é o mais
longevo programa de satélites de observação da
Terra, sendo que atualmente somente a oitava
versão da série de satélites está em operação
(Landsat-8).
No entanto, mesmo tendo sido a primeira, mantém
grande importância junto à comunidade de usuários
por causa do seu acervo histórico e a contínua
atualização tecnológica, sempre mantendo
características técnicas importantes que permitem
fazer análises espaço-temporais, principalmente de
mudança de uso e ocupação da terra.
Como exemplo da aplicabilidade do sensoriamento
remoto no mapeamento de áreas florestais no brasil,
BARROS (2013) cita o trabalho de BOLFE et al.
(2003), que fizeram o levantamento de
povoamentos florestais a partir de técnicas de
classificação digital supervisionada de imagens

Landsat 7 TM, pelo método de máxima
verossimilhança.
Outros exemplos mais recentes da utilização de
sensoriamento remoto, imagens Landsat e novas
técnicas de classificação no monitoramento da
expansão de florestas plantadas no estado do Mato
Grosso do Sul, podem ser verificados nos trabalhos
de SÃO MIGUEL et al (2016), SÃO MIGUEL et al
(2019), LELIS & AVELINO JUNIOR (2016),
ANTUNES et al (2018) e VIRTUOSO et al. (2015)
que avaliaram a expansão do cultivo de eucalipto
nos municípios de Selvíria, Brasilândia e Três
Lagoas.
2.3. Processamento digital de imagens e sensori-
amento remoto
Atualmente a grande maioria dos produtos obtidos
a partir de sensoriamento remoto, é disponibilizado
em meio digital no formato de imagens, que são
numericamente formadas por uma matriz
bidimensional, onde linhas e colunas definem as
coordenadas espaciais de um pixel, ao qual é
atribuído um valor digital (nível de cinza)
correspondente ao valor radiométrico registrado
pelo sensor. No caso de imagens multiespectrais,
cada pixel é radiometricamente representado por
um vetor de atributos com tantas dimensões quantas
forem as bandas espectrais consideradas
(ESPINHOZA,2004).
Neste âmbito surge o conceito de Processamento
Digital de Imagens (PDI), que pode ser entendido
como o conjunto de técnicas utilizadas para
manipulação de imagens digitais no sentido de
facilitar a extração de informações. Essas técnicas
possibilitam a exploração de detalhes que são
inacessíveis pelos métodos tradicionais e permitem
destacar e realçar aspectos de interesse específico a
determinados temas e objetos (MACIEL et al.,
2015)
Novo (1989), citado por ESPINHOZA (2004),
classifica as técnicas de Processamento Digital de
Imagens em três conjuntos: técnicas de pré-
processamento, cuja aplicação permite transformar
dados digitais brutos em dados corrigidos
radiométrica e geometricamente; técnicas de realce,
as quais visam melhorar efetivamente a
visualização da cena para subsequente interpretação
visual ou classificação digital; e técnicas de
classificação que têm como finalidade o
reconhecimento automático dos objetos da cena, a
PUC Minas Virtual
6
partir da análise quantitativa dos níveis de cinza.
Ainda de acordo com o autor, a decisão de quais
técnicas aplicar em cada situação deve ser ditada
pelos objetivos a serem alcançados e pelas
especificidades da situação.
A classificação é o processo de extração de
informação em imagens para reconhecer padrões e
objetos homogêneos e são utilizados em
sensoriamento remoto para mapear áreas da
superfície terrestre que correspondem aos temas de
interesse (INPE, 2014 citado por SILVA, 2015).
A distinção e identificação de diferentes materiais
superficiais, sejam eles tipos de vegetação, padrões
de uso do solo, rochas e outros, torna-se possível
devido ao fato deles terem comportamentos
específicos ao longo do espectro eletromagnético,
que podem ser usados para identificá-los no espaço
(CROSTA,1992).
Segundo MENESES & ALMEIDA (2012), os
métodos de classificação em atualmente em uso
podem ser divididos segundo diferentes critérios:
classificação paramétrica e não-paramétrica,
classificação espectral e espacial, classificação
supervisionada ou não-supervisionada e
classificação por pixel ou por regiões.
Já ARAUJO (2017), em suas notas de aula, divide
os métodos de classificação em não-
supervisionados, supervisionados e super-
supervisionados, sendo que os dois primeiros
métodos podem ser realizados via classificadores
pixel-a-pixel ou classificadores por regiões, e cada
classificador tem diversos algoritmos de
classificação. O terceiro método refere-se ao que se
conhece por classificação orientada a objetos
conhecida como GEOBIA.
O método de classificação é considerado não-
supervisionado quando o classificador não utiliza
qualquer conhecimento prévio sobre as classes
existentes na imagem e é definida, sem a
interferência do analista, a estratificação da cena,
atribuindo a cada pixel uma determinada classe
espectral (VENTURIERI e SANTOS, 1998, citados
por ESPINHOZA, 2004)
A classificação é considerada supervisionada
quando implica na interação do intérprete humano e
o sistema de análise e, além disso, esse intérprete
tem um conhecimento prévio da cena, o que o
habilita a fornecer informações específicas,

possibilitando o treinamento do algoritmo de
classificação. Normalmente, as abordagens de
classificação supervisionada baseiam-se no uso de
amostras para estimar os parâmetros estatísticos
para cada classe. Essas amostras são chamadas de
padrões de treinamento, sendo que a totalidade das
amostras define o conjunto de treinamento. O
processo pelo qual um conjunto de treinamento é
usado para obter as funções de decisão é
denominada aprendizagem ou treinamento
(GONZALES e WOODS, 2000, citados por
ESPINHOZA, 2004).
No que tange à questão da classificação por pixels
ou por regiões, a maioria dos classificadores executa
a classificação por pixel, que se utiliza somente da
informação espectral de cada pixel para encontrar
regiões homogêneas, a partir de medidas de
distâncias ou de probabilidades de um pixel
pertencer a uma classe específica(MENESES &
ALMEIDA ,2012).
A eficiência da classificação “pixel a pixel” ocorre
principalmente em imagens de média e baixa
resolução. Contudo, com o aparecimento de
sensores de alta resolução no sensoriamento remoto,
a eficiência da classificação “pixel a pixel” é
questionada, pois o alto grau de detalhe destas
imagens torna evidentes as variações espectrais
entre os objetos que antes, com resolução espacial
mais grosseira (SILVA, 2015).
Por outro lado, a classificação por região utiliza,
além de informação espectral de cada "pixel", a
informação espacial que envolve a relação com seus
vizinhos. Procurando simular o comportamento de
um fotointérprete, reconhecendo áreas homogêneas
de imagens, baseados nas propriedades espectrais e
espaciais de imagens (INPE, 2014 citado por
SILVA, 2015).
Na classificação por regiões o processo de decisão
leva em consideração um agrupamento de pixels
que é usado como unidade de classificação
específica(MENESES & ALMEIDA, 2012).
Neste processo de classificação por regiões,
ALVES (2010),citado por SILVA (2015), enfatiza
duas etapas: primeiro as imagens são divididas em
regiões homogêneas (segmentação), depois cada
região é associada a uma classe. A fase de
segmentação é o processo de separação
automatizada da imagem em áreas que englobem
“pixels” semelhantes nas direções X e Y do plano
PUC Minas Virtual
7
cartesiano. Essa etapa é essencial para a realização
de uma classificação por região, agrupando os
pixels sem regiões distintas (SILVA, 2015).
A grande vantagem da utilização de classificações
baseadas em regiões se dá em função do grande grau
de controle sobre o número de polígonos no
momento inicial da segmentação que elimina
previamente do efeito “salt-and-pepper”, uma vez
que os segmentos são considerados como as
amostras de treinamento e não pixels individuais
dentro de cada amostra. O efeito “salt-and-pepper”
caracteriza-se por pequenos polígonos disse-
minados por toda a área mapeada e que acabam por
demandar operações de pós-processamento, como
filtragens, para a sua eliminação (MENESES &
ALMEIDA, 2012).
Dentre os algoritmos mais comuns para realizar a
segmentação inicial necessária para a classificação
por regiões, geralmente de forma não-
supervisionada, podem ser citados: o ISOSEG, o
ISODATA, o CLUSTER, o ISOCLUSTER, o SLIC
e o SNIC.
O SLIC (Simple Linear Iterative Clustering) é um
algoritmo baseado no conceito de segmentação de
imagens em superpixels que utiliza uma estratégia
baseada no algoritmo K-means, porém com um
espaço de busca limitado ao tamanho desejado do
superpixel, o que reduz a complexidade do
algoritmo.
A segmentação de superpixels é uma técnica de pré-
processamento de imagens cada vez mais popular
na divisão de uma imagem em pequenos
aglomerados de pixels conectados chamados
superpixels. Eles capturam redundância de imagens
agrupando os pixels em regiões perceptivelmente
significativas da imagem, simplificando-o de
milhões de pixels para algumas centenas ou
milhares de clusters de pixels (LICHTLÉ,2018).
O SNIC (Simple Iterative Clustering) é uma versão
melhorada do SLIC. Tem a vantagem de rodar em
uma única iteração, o que evita ter que definir o
número de iterações. Também requer menos
memória uma vez que não armazena um mapa de
distância entre cada pixel e seu centro de cluster
como o SLIC. Além disso, o SNIC reforça
explicitamente a conectividade dos superpixels
desde o início, o que torna inútil usar um método de
pós-processamento para fazer isso e torna-o mais
rápido que o SLIC (LICHTLÉ,2018).

Com relação aos algoritmos utilizados nos métodos
de classificação, segundo OLIVEIRA (2018),
atualmente uma grande variedade de algoritmos
vem sendo usada para mapear a cobertura da terra.
Esses métodos variam de algoritmos mais simples
até complexas máquinas com um grande número de
parâmetros a serem configurados. São utilizados
algoritmos não-supervisionados, como por
exemplo, o ISODATA ou K-means, mas também
algoritmos paramétricos supervisionados, como por
exemplo, o tradicionalmente usado de máxima ve-
rossimilhança (MAXVER).
Nesse contexto, segundo OLIVEIRA (2018) as
LMs (do inglês Learning Machines, que significa
máquinas de aprendizado) também se tornaram bem
populares especialmente na última década, e o
motivo segundo RO-GRIGUEZ-GALIANO et al.
(2012) é a maior precisão e eficiência quando
colocadas diante de grandes e complexos bancos de
dados, assim como de grandes áreas. Para o autor
esses classificadores apresentam superioridade de
resultados, quando comparados a algoritmos
paramétricos convencionais, principalmente por
não dependerem de exigências relacionadas à
distribuição dos dados, como por exemplo,
anormalidade.
Segundo OLIVEIRA (2018), dentre as principais
LMs utilizadas podem ser citadas as Artificial
Neural Networks (ANNs), conhecidas como redes
neurais, que foram extensamente discutidas e
analisadas por MAS & FLORES (2008), as DTs (do
inglês Decision Trees, que significa árvores de
decisão) desenvolvidas e discutidas por BREIMAN
(1984), as SVMs (do inglês Support Vector
Machines, que significa máquinas de apoio a
decisão) analisadas por MOUNTRAKIS et al.
(2011) e a utilização de classificadores em conjunto,
prática iniciada por BREIMAN (1996).
De acordo com SILVEIRA (2018), outro algoritmo
que tem se destacado em trabalhos de classificação
de uso do solo é o Random Forest (RF). Trata-se de
algoritmo baseado na combinação de árvores de
decisão, de modo que cada árvore dependa dos
valores de um vetor randômico, amostra do
independentemente e com a mesma distribuição de
todas as árvores na floresta. Desta forma, o RF
constrói cada árvore usando um algoritmo
determinístico, que seleciona um conjunto casual de
variáveis com uma amostra aleatória a partir dos
dados de calibração. Depois que um grande número
de árvores é gerado, cada uma delas classifica o
PUC Minas Virtual
8
pixel em análise em uma determinada classe. O
somatório das diversas classificações determinará a
classe final a qual aquele pixel pertence.
O RF tem sido usado em mapeamentos de vegetação
por meio do sensoriamento remoto, apresentando
bons resultados, uma vez que consegue acomodar
diferentes respostas espectro-temporais, boa
velocidade de classificação e de treinamento, com
poucos parâmetros definidos pelo usuário (CLARK;
KILHAM,2016 citados por SILVEIRA, 2018).
As vantagens da utilização do RF, são corroboradas
na revisão de OLIVEIRA (2018), onde são citados
os trabalhos de BELGIU e DRAGU (2016) e
DEVRIES et al. (2016). Neles, os autores acreditam
que as principais vantagens de uma RF são a
excelente acurácia da classificação, a eficiente
implementação em grandes conjuntos dedados e
uma estrutura que permite o uso de árvores geradas
em posteriores aplicações.
Segundo SILVEIRA (2018), o RF possui ainda
desempenho melhor, ao mesmo tempo em que
supera algumas deficiências de encapsulamento e
impulso existentes em outras abordagens de
aprendizado de máquina.
3. Metodologia
O presente trabalho apresenta um estudo de caso,
onde são apresentados produtos cartográficos e suas
respectivas análises para a verificar a expansão da
eucaliptocultura, nos anos de 2009 e 2019, nas
regiões classificadas como “Áreas Primárias
Adequadas” no PEF/MS, utilizando técnicas de
processamento digital de imagens e sensoriamento
remoto.
Para isto, o trabalho foi realizado nas etapas
descritas no item 3.2, utilizando a plataforma
Google Earth Engine (GEE), e o software QGIS
v3.8.1para trabalhar complementos de técnicas de
geoprocessamento e cartografia.
As imagens de satélite utilizadas nas análises foram
extraídas do catálogo de imagens do GEE e os os
limites da área de estudo foram obtidos a partir da
base de dados georreferenciada do IBGE,
disponível em formato geodatabase no site do
órgão, que contém o limite dos municípios e estados
do Brasil.

O GEE é uma nova plataforma computacional
desenvolvida pela Google, empresa multinacional
de serviços online e software dos Estados Unidos,
que combina um catálogo de petabytes de múltiplas
imagens de satélite e conjuntos de dados
geoespaciais com recursos para análise em escala
planetária e os disponibiliza livremente a cientistas,
pesquisadores e desenvolvedores para detectar
mudanças, mapear tendências e quantificar
diferenças na superfície da Terra (PEREIRA, 2018).
De acordo com PEREIRA (2018), o GEE é um
serviço de computação intrinsecamente paralelo de
alto desempenho. Ele é acessado e controlado por
meio de uma interface de programação de
aplicativos (API) acessível pela Internet e por um
ambiente de desenvolvimento interativo (IDE)
associado à Web que permite a criação de protótipos
e a visualização rápida dos resultados.
O QGIS é um software livre com código-fonte
aberto, multiplataforma, de sistema de informação
geográfica (SIG) que permite a visualização, edição
e análise de dados georreferenciados. Similar a
outros softwares GIS, o QGIS permite ao usuário
criar mapas, usando diferentes projeções
cartográficas, a partir de camadas do tipo raster e/ou
vetorial. É totalmente integrável com outras
plataformas GIS gratuitas de código aberto como o
PostGIS, GRASS e MapServer para dar ao usuário
a capacidade de estender suas funcionalidades, além
de permitir o desenvolvimento de extensões e
scripts por meio de linguagem Python ou C++.
PUC Minas Virtual
9
3.1. Área de estudo
O estudo foi realizado na região classificada como
“Áreas Primárias Adequadas” no PEF/MS
conforme indicado na Figura 2. A região
classificada como “Áreas Primárias Adequadas” no
PEF/MS abrange os municípios sul-mato-
grossenses de Água Clara, Anaurilândia, Aparecida
do Taboado, Bandeirantes, Bataguassu, Batayporã,
Brasilândia, Camapuã, Campo Grande, Figueirão,
Inocência, Jaraguari, Nova Alvorada do Sul, Nova
Andradina, Paranaíba, Ribas do Rio Pardo, Santa
Rita do Pardo, Selvíria e Três Lagoas. Não foram
inclusas as “Áreas Secundárias Adequadas” pois a
priori, à época da elaboração do PEF/MS, eram
destinadas a outros segmentos do agronegócio,
como produção de lenha para a secagem de grãos.
Os municípios inseridos na área de estudo
coincidem com os pertencentes à mesoregião do
Leste de Mato Grosso do Sul. Sendo assim, para
realizar a caracterização edafoclimática da área de
estudo foi utilizado o trabalho de SILVEIRA
(2008), que fez uma análise da rentabilidade
potencial de investimentos em reflorestamentos de
eucalipto na região leste do mato grosso do sul e
norte do Paraná.
Segundo o autor, o clima predominante na região é
o tropical úmido com temperatura média anual de
25°C e precipitação média anual entre 900 a
1800mm. O bioma predominante é do tipo cerrado,
mas é possível encontrar fragmentos de mata
atlântica. Os solos predominantes na região são os
Argissolos, Latossolos, Neossolos Quartzarênicos e
Planossolos Hidromórficos.

Figura 2: Mapa da área de estudo
3.2. Procedimento metodológico
Para realização do presente trabalho primeiramente,
a partir da base de dados do IBGE que contém o
limite dos municípios e estados do Brasil, por meio
do software QGIS foram selecionados os
municípios que estão inseridos na área de estudo e
gerou-se um arquivo do tipo shapefile, etapa esta
denominada EXP1. Posteriormente, após criar uma
conta de e-mail no site da Google para poder acessar
a plataforma GEE, foi realizada a etapa de upload
(UPL) do arquivo shapefile na pasta de
armazenamento do GEE, denominado “Asset”.
Feito o upload do arquivo vetorial, procedeu-se com
a elaboração de um script para execução das etapas
de pré-processamento das imagens em linguagem
JavaScript a ser usando no GEE, que basicamente
executa os seguintes processos:
PRE1 –Importa do servidor da Google a coleção de
imagens de satélite desejada;
PRE2 – Da coleção de imagens selecionada, filtra
as cenas com data dentro do intervalo de tempo
desejado;
PRE3 – Das cenas selecionadas filtra somente as
cenas com cobertura de nuvens inferior à tolerância
desejada;
PRE4 – Das cenas selecionadas filtra somente as
bandas desejadas;
PUC Minas Virtual
10
PRE5 – Com bandas selecionadas calcula o índice
de vegetação NDVI
(NormalizedDifferenceVegetation Index) e adiciona
a informação à coleção como mais uma banda;
PRE6 – Com bandas selecionadas calcula o índice
de vegetação NDMI
(NormalizedDifferenceMoisture Index) e adiciona a
informação à coleção como mais uma banda;
PRE7 – Importa do servidor da Google a imagem
ALOS DEM, calcula a declividade do terreno e a
informação como uma banda adicional;
PRE8 – Importa do servidor da Google a imagem
Landform ALOS e insere a informação “tipo de
relevo” como uma banda adicional;
PRE9 – Faz o mosaico das cenas,calculando o valor
mediano dos pixels que se sobrepõe;
PRE10 – Recorta o mosaico delimitando somente a
área de estudo;
PRE11 - Realiza o processo de segmentação da
imagem baseado no algoritmo SNIC;
PRE12 – Adiciona à interface gráfica uma camada
com a composição falsa-cor das bandas que
ressaltam as diferenças na vegetação;
PRE13 – Adiciona à interface uma camada com
valores de NDVI segmentados;

As etapas de pré-processamento foram elaboradas
para criar os produtos cartográficos necessários para
coleta de amostras, treinamento e classificação
supervisionada das imagens de satélite.
Para a análise da dinâmica da expansão da
eucaliptocultura entre os anos de 2009 e 2019, na
etapa PRE1, foram utilizadas as coleções
LANDSAT/LT05/C01/T1_SR e
LANDSAT/LC08/C01/T1_SR respectivamente.
A primeira coleção refere-se a imagens digitais de
refletância de superfície corrigidas
atmosfericamente do sensor Landsat 5 ETM. Estas
imagens contêm 4 bandas visíveis e de
infravermelho próximo (VNIR) e 2 bandas
infravermelhas de ondas curtas (SWIR) processadas
para refletância de superfície ortorretificada, e uma
banda térmica infravermelha (TIR) processada para
a temperatura de brilho ortorretificado. As bandas
VNIR e SWIR têm uma resolução espacial de 30m.
Estes dados foram corrigidos atmosfericamente
usando o algoritmo LEDAPS (Landsat Ecosystem
Disturbance Processing) e incluem uma máscara de
nuvem, sombra, água e neve produzida usando o
algoritmo CFMASK (C Function of Mask), bem
como uma máscara de saturação por pixel. As faixas
de dados coletados são empacotadas em "cenas"
sobrepostas, cobrindo aproximadamente 170 km x
183 km, usando uma grade de referência
padronizada.
A segunda coleção refere-se a imagens digitais de
refletância de superfície corrigida atmosférico dos
sensores LANDSAT 8 OLI/TIRS. Essas imagens
contêm 5 bandas visíveis e de infravermelho
próximo (VNIR) e 2 bandas de infravermelho de
ondas curtas (SWIR) processadas para refletância
de superfície ortorretificada, e duas bandas de
infravermelho termal (TIR) processadas para a
temperatura de brilho ortorretificado. Estes dados
foram corrigidos atmosfericamente usando o
algoritmo LaSRC (Landsat Surface Reflectance
Code) e incluem uma nuvem, sombra, água e
máscara de neve produzida usando o algoritmo
CFMASK (C Function of Mask), bem como uma
máscara de saturação por pixel.As faixas de dados
coletados são empacotadas em "cenas" sobrepostas,
cobrindo aproximadamente 170 km x 183 km,
usando uma grade de referência padronizada.
Sendo assim, como os produtos importados do
servidor da Google já possuem correções
PUC Minas Virtual
11
radiométrica e geométrica, estes processos não
foram inseridos no fluxo de trabalho.
Na etapa PRE2, os períodos de avaliação
selecionados foram de 01/04 a 26/08 para os anos
de 2009 e 2019, buscando o período com menor
ocorrência de chuvas na região de estudo e
consequentemente, de nuvens.
Na etapa PRE3, a tolerância de cobertura de nuvens
na seleção de cenas foi de 1% para o ano de 2009 e
de 0,5% para o ano de 2019, ou seja, cenas com
cobertura superior a esses valores, foram
automaticamente excluídas da seleção. A diferença
entre tolerâncias se deu por causa da disponibilidade
de imagens sem nuvens.
Na etapa PRE4, foram escolhidas as bandas dos
satélites Landsat 5 e Landsat 8 mais adequadas para
estudos de vegetação. De acordo com o United
States Geological Survey (USGS), para o satélite
Landsat 5 as mais indicadas para estudos de
vegetação são as bandas 1 a 5 e 7. Para o satélite
Landsat 8 são as bandas 2 a 7.
As etapas PRE5, PRE6, PRE7 e PRE8 foram
inseridas no fluxo de trabalho pois existem diversos
trabalhos que mostram que a inserção de dados
geográficos e índices de vegetação como variáveis
complementares no algoritmo de classificação do
tipo Random Forest podem trazer ganhos
significativos na qualidade da classificação de uso
da terra. Como exemplo da utilização desta técnica
podem ser citados os trabalhos de NA et al (2010) e
JIN et al (2018).Segundo NA et al (2010), a
introdução de informações como declividade do
terreno, relevo e índices de vegetação promoveram
uma redução no desvio da classificação de
aproximadamente 65%.
O NDVI foi calculado a partir dos valores de
refletância de superfície das bandas que
correspondem aos comprimentos de onda do
vermelho (0.63 a 0.69μm) e do infra-vermelho
próximo (0.76 a 0.90 μm) por meio da seguinte
equação.
(𝑁𝐼𝑅 − 𝑅𝐸𝐷)
𝑁𝐷𝑉𝐼 =
(𝑁𝐼𝑅 + 𝑅𝐸𝐷)
O NDWI foi calculado a partir dos valores de
refletância de superfície das bandas que
correspondem aos comprimentos de onda do infra-
vermelho próximo(0.76 a 0.90 μm) e da banda do
 PUC Minas Virtual
12

infra-vermelho de ondas curtas(1.55 - 1.75μm). Este satélite Landsat 5 e a composição R6G5B4para as

índice foi utilizado principalmente para destacar
áreas úmidas.
(𝑆𝑊𝐼𝑅1 − 𝑁𝐼𝑅)
𝑁𝐷𝑊𝐼 =
(𝑆𝑊𝐼𝑅1 + 𝑁𝐼𝑅)
O conjunto de dados ALOS Landform, disponível
na plataforma GEE, fornece valores de classes de
relevo criadas pela combinação do índice de carga
de insolação contínua por calor (ALOS CHILI) e os
conjuntos de dados do índice de posição topográfica
em várias escalas (ALOS mTPI) e foi criada em
2011 pela JAXA (Japan Aerospace Exploration
Agency) usando como base o modelo digital de
elevação ALOS DEM de 30 metros de resolução
espacial.
imagens do satélite Landsat 8.
Na etapa PRE13, para facilitar a identificação do
tipo de vegetação existente na área de estudo, a
imagem de NDVI foi classificada de acordo com as
classes utilizadas no trabalho de MESQUITA
JUNIOR (1998), que avaliou o NDVI em diferentes
fitofisionomias do bioma cerrado,e o trabalho de
MARANHA et al (2017), que avaliou o
comportamento do NDVI em plantios de eucalipto
de diferentes idades ao longo do ano em área
inserida no bioma cerrado. As classes utilizadas
para segmentar os valores de NDVI estão
apresentados na Tabela 01.
Tabela 01 – Classificação de NDVI.

A declividade do terreno, foi feita por meio do Fitofisionomia Valor de NDVI

modelo ALOS DEM, também disponível na Água <0
plataforma GEE, ao aplicar a função Solo Exposto 0,0 a 0,25
ee.Terrain.slope(). Campo Limpo 0,25 a 0,35
Campo cerrado 0,35 a 0,45
A etapa PRE9 foi inserida no fluxo de trabalho para
Cerrado Stricto Sensu 0,45 a 0,55
gerar uma imagem única e equalizada de toda a área
de estudo. Foi utilizado o método da mediana para Cerradão 0,55 a 0,8
o cálculo do valor de pixels sobrepostos pois este Floresta Plantada > 0,8
método mantém os valores originais das bandas.
Posteriormente às etapas de pré-processamento, foi
Na etapa PRE11, o script realiza a segmentação do realizada a etapa de localização das amostras de
mosaico recortado pelo método SNIC. O produto é treinamento (LAT) para o algoritmo de
uma imagem contendo as mesmas bandas do classificação Random Forest.
mosaico original, no entanto, os pixels são
agrupados em regiões denominadas superpixels. Os As amostras foram localizadas utilizando a própria
parâmetros usados para o método SNIC podem ser interface gráfica do GEE por meio da ferramenta de
verificados na Tabela 1. desenho do tipo "ponto". Os pontos foram
classificados conforme foram sendo localizados
Tabela 01 – Parâmetros usados para o método SNIC seguindo as camadas de apoio criadas nas etapas
de segmentação. PRE12 e PRE13.
Parâmetro Valor A quantidade de amostras criadas, a classificação e
SeedSize 5 proporção de amostras escolhidas para treinamento
Compactness 4 e validação, para cada ano analisado, podem ser
Connectivity 8 vistos na Tabela 2.
NeighborhoodSize 10
Tabela 02– Quantificação das amostras para
As etapas PRE12 e PRE13 foram inseridas no fluxo treinamento do algoritmo de classificação
de trabalho para apoiar o apontamento de amostras supervisionada.
na interface gráfica do GEE. Por este motivo, as
composições falsa-cores escolhidas para a etapa N° amostras
Classe
PRE12 foram aquelas que melhor destacam as 2009 2019
diferenças entre tipos de vegetação e de solo, sendo Água 510 509
adotada a composição R5G4B2 para as imagens do Solo Exposto 600 604
 PUC Minas Virtual
13

Área Queimada 137 141 Na etapa CLA04, o script realiza a classificação em

Vereda 500 544
Pasto 605 605
Agricultura 500 530
Veg. Nativa 580 560
Eucalipto 685 796
Sombra 49 91
Total 4.166 4.380
Posteriormente à etapa de localização das amostras
de treinamento criou-se um trecho de script em
linguagem Java Script que executou as etapas de
Classificação, sendo elas:
CLA01 – Separação aleatória de 70% das amostras
para treinamento e de 30% para validação;
CLA02 - Coleta amostras dos valores numéricos de
todas as bandas das imagens segmentadas;
CLA03 – Treinamento do algoritmo
classificação;
CLA04 – Execução da classificação utilizando o
algoritmo Random Forest;
CLA05 - Avaliação da qualidade da classificação
Na etapa CLA01, o script seleciona aleatoriamente
70% das amostras criadas e as define como amostras
de treinamento. Posteriormente, seleciona 30% das
amostras e as define como amostras de validação. O
sub-conjunto de treinamento será utilizado para o
ajuste do modelo preditivo aos dados, enquanto que
o sub-conjunto de teste é utilizado para verificar a
capacidade de generalização do modelo diante de
novas observações. Ao longo do ajuste e avaliação
do modelo preditivo, apenas o sub-conjunto de
treinamento é apresentado ao modelo, ficando como
último passo a aplicação do conjunto de teste, para
a obtenção de uma estimativa mais precisa sobre o
desempenho da predição futura do modelo.
Na etapa CLA02, o script coleta os valores
numéricos encontrado no superpixel de cada banda
que coincide com cada amostra de treinamento.
Na etapa CLA03, o script realiza o treinamento do
algoritmo, estabelecendo-se dessa forma um
modelo preditivo a ser utilizado na predição da
variável dependente a partir de novos dados.
si, aplicando o modelo treinado a todos os
superpixels da imagem segmentada. Como
parâmetro do classificador foram utilizadas 10
arvores de decisão. O produto resultante, e uma
imagem dividida nas classes definidas na etapa de
criação das amostras de treinamento.
A etapa CLA05, refere-se à etapa de avaliação da
qualidade da classificação obtida pelo algoritmo.
Segundo CONGALTON (1991), citado por
SUAREZ & CANDEIAS (2012), uma das técnicas
mais utilizadas na realização de avaliação de
acurácia da classificação de dados de sensoriamento
remoto é o emprego da matriz de erro, também
conhecida como matriz de confusão. A matriz de
confusão é uma matriz quadrada de números
definidos em linhas e colunas que expressam o
número de unidades da amostra (pixels, grupos de
pixels ou polígonos) atribuído a uma categoria
particular relativo à categoria real.
de
Segundo FIGUEREDO& VIEIRA (2007),a
avaliação da qualidade dos produtos derivados de
classificação de imagens digitais, pode ser obtida
por meio de coeficientes de concordância derivados
da matriz de confusão, sendo que estes podem ser
expressos como concordância total ou para classes
individuais.
Segundo FERREIRA et al. (2007), a partir da matriz
de confusão pode desenvolver-se uma série de
medidas estatísticas que concluem o processo de
validação, sendo descritas por diversos autores
como CHUVIECO (1990), CONGALTON(1991),
FIDALGO (1995) e LILLESAND et al. (2004).
Entre estas, a Exatidão Global (EG) é a medida mais
simples e relaciona os elementos da diagonal com o
total de pontos amostrados.
A Acurácia do Produtor (AP) expressa para cada
classe o grau em que a classificação concorda com
a referência. Ela é calculada através da divisão do
número total de amostras corretas de uma classe
pelo total número total de amostras desta classe de
referência. Já a Acurácia do Usuário (AU)
representa a probabilidade de uma amostra
associada a uma classe pertencer realmente a esta
classe. Ela e computada através da divisão do

número total de amostras associadas à classe em
questão (FREITAS JUNIOR, 2015).
A estimativa de Kappa expressa a medida da
diferença entre a concordância dos dados de
referência e a classificação automática, e a
probabilidade de concordância entre os dados de
referência e a classificação aleatória (FERREIRA et
al., 2007). Atualmente, o índice Kappa tem sido o
mais recomendado pois considera que tanto o
produto gerado como o produto de referência
possuem o mesmo grau de verdade (FREITAS
JUNIOR, 2015).
Segundo FIGUEREDO & VIEIRA (2007), embora
o coeficiente Kappa seja muito utilizado na
avaliação da exatidão de mapeamento, não existe
uma fundamentação teórica para recomendar quais
os níveis mínimos aceitáveis deste coeficiente numa
classificação. No entanto expuseram os valores
apresentados na Tabela 3 para definir os níveis de
desempenho da classificação para o valor de Kappa
obtido, normalmente aceitos pela comunidade
científica.
Tabela 3 – Índice Kappa e o correspondente
desempenho da classificação.
Índice Kappa Desempenho
Péssimo < 0,0
Ruim 0,0 a 0,2
Razoável 0,2 a 0,4
Bom 0,4 a 0,6
Muito Bom 0,6 a 0,8
Excelente 0,8 a 1,0
Posteriormente às etapas de classificação foi
realizada a etapa de quantificação, na qual por meio
de técnicas de geoprocessamento, quantificou-se a
área ocupada pela classe "Eucalipto" nos anos 2009
e 2019, para poder avaliar quantitativamente o
fenômeno de expansão da eucaliptocultura na área
de estudo.
Para isto, foi criada mais um trecho de script em
linguagem Java Script que exporta em formato
raster para a plataforma Google Drive (serviço de
armazenamento e sincronização de arquivos da
PUC Minas Virtual
14
Google) os mosaicos e as imagens classificadas para
os períodos de 2009 e 2019, assim como imagens
contendo somente as informações da classe
eucalipto para os anos de 2009 e 2019. Esta etapa
foi denominada EXP2.
Após fazer o download das imagens, as mesmas
foram importadas no software QGIS para efetuar a
quantificação das áreas de eucalipto em ambos os
períodos e a geração dos produtos cartográficos
finais.
Para a quantificação da área, primeiramente as
imagens raster que continham somente a classe de
eucalipto foram convertidas para formato vetorial,
por meio do comando “Raster para Vetor
(poligonizar)”, etapa denominada R2V.
Posteriormente, utilizou-se o comando “Multipartes
para partes simples” para feições do tipo
“multipoligono” para “polígonos simples”, etapa
denominada M2S.
Em seguida, efetuou-se o cálculo de área de cada
polígono por meio da ferramenta “Calculadora de
Campo”, considerando como sistema de referência
cartográfica a projeção cônica equivalente de
Albers. Esta etapa foi denominada AREA.
Posteriormente, realizou-se a etapa de pré-limpeza
(PRL) visando excluir polígonos com área inferior
a 5 hectares, uma vez que raramente é viável realizar
plantios comerciais em áreas inferiores a esta. Para
isto, utilizou-se a ferramenta “Selecionar por uma
expressão” e em seguida a ferramenta “Eliminar
polígonos selecionados”. Posteriormente, foi
realizada foi realizada a etapa de limpeza final
(LPF) feita manualmente, visando eliminar erros de
classificação grosseiros usando como plano de
fundo os mosaicos exportados na etapa EXP2.
Em seguida procedeu-se com a quantificação da
área total por município ocupada por eucalipto por
período, denominada QUA. Para isto foi utilizada a
ferramenta “Interseção” e em seguida o cálculo de
área foi atualizado por meio da ferramenta
“Calculadora de campo”.
Finda a quantificação procedeu-se com a elaboração
dos produtos cartográficos finais (MAP). O
fluxograma das etapas da metodologia pode ser
visto na Figura 3.
 PUC Minas Virtual
15

Figura 3 - Fluxograma do procedimento metodológico

______________________________________________________________________

4. Resultados e análises plataforma GEE e podem ser observados detalhes

como: menu de scripts, o “prompt” de comandos, o
Os resultados das etapas de pré-processamento e console de resultados, a interface gráfica e alguns
classificação podem ser vistos nas Figuras 4 e 5 resultados obtidos no processamento que serão
onde são mostradas imagens da interface da discutidos em seguida.

C
A

B1 B2 B3

Figura 4: Interface da plataforma do GEE na classificação das imagens de 2009.


No primeiro display (B1) consta o resultado da
etapa PRE12 onde é exibida a composição colorida
R5G4B2 do mosaico de imagens do satélite Landsat
5. Pode-se perceber que esta composição permite
diferenciar claramente a vegetação nativa da exótica
por meio dos tons de verde e textura, sendo que o
eucalipto apresenta tonalidade verde-limão com
textura lisa ou rugosa e a vegetação nativa apresenta
tonalidade verde oliva com textura rugosa. O solo
exposto apresenta tons variando entre o ocre ao
amarelo e as áreas destinadas a atividades
agropecuárias como pasto e agricultura apresenta
tonalidades variando entre o de verde claro com
textura rugosa ao verde-limão com textura lisa.
Neste display é possível verificar a localização das
amostras de treinamento (pontos pretos) e as
amostras de validação (pontos vermelhos).
No segundo display (B2), consta o resultado da
etapa PRE13 onde é exibida a imagem de NDVI
segmentada em superpixels e classificada de acordo
com o intervalo definido na metodologia proposta.
É possível observar que os intervalos definidos
realmente delimitaram bem as feições que se
desejava observar, sendo que as florestas exóticas
apresentaram valores de NDVI superiores ao de
fragmentos de vegetação densa de cerrado (cerradão
e cerrado stricto senso) conforme citado na
literatura. Da mesma forma, vegetação menos densa
e rasteira como é o caso do campo limpo e campo
sujo apresentam valores de NDVI inferiores ao de
vegetação densa e superiores ao de solo exposto.
Neste display também é possível visualizar a
localização das amostras.
PUC Minas Virtual
16
No terceiro display (B2),consta o resultado da etapa
CLA04, onde é exibido o resultado da classificação
supervisionada por meio do algoritmo Random
Forest. Visualmente é possível verificar que a
classificação foi bem assertiva ao identificar as
áreas de eucalipto, fragmentos de vegetação nativa,
áreas úmidas, solo exposto e pastagem. Nota-se
também que devido à metodologia de prévia
segmentação via método SNIC, evitou-se o efeito
"salt-and-pepper" mencionado anteriormente na
metodologia. A qualidade da classificação pode ser
validada por meio do resultado da etapa CLA05,
apontado no item C. Neste local são exibidos os
coeficientes de validação oriundos da matriz de
confusão. De acordo com os resultados obtidos a
classificação obteve uma EG de 94,64% e um índice
kappa de 0,938, o que conceituaria a classificação
como “Excelente”.
No item A da Figura 5, pode ser visualizado o
"prompt" de comando, onde encontra-se o trecho de
script onde são executadas as etapas CLA01 a
CLA05 referentes à classificação das imagens do
período de 2019. No item B da Figura 5, assim como
na Figura 4, é possível ver a interface gráfica
dividida em 3 displays.
No primeiro display (B1) consta o resultado da
etapa PRE12 onde é exibida a composição colorida
R6G3B2 do mosaico de imagens do satélite Landsat
8.

B1 B2
Figura 5: Interface da plataforma do GEE na classificação das imagens de 2019.
Assim como na composição escolhida para as
imagens do satélite Landsat 5, a composição
R6G3B2 para o Landsat 8 permite diferenciar
claramente a vegetação nativa da exótica por meio
dos tons de verde e textura, sendo que o eucalipto
apresenta tonalidade verde-limão com textura lisa
ou rugosa e a vegetação nativa apresenta tonalidade
verde oliva com textura rugosa. O solo exposto
apresenta tons variando entre o ocre ao amarelo e as
áreas destinadas a atividades agropecuárias como
pasto e agricultura apresenta tonalidades variando
entre o de verde claro com textura rugosa ao verde-
limão com textura lisa. Neste display é possível
verificar a localização das amostras de treinamento
(pontos pretos) e as amostras de validação (pontos
vermelhos).
No segundo display (B2) da Figura 5, consta o
resultado da etapa PRE13 onde é exibida a imagem
de NDVI segmentada em superpixels e classificada
de acordo com o intervalo definido na metodologia
proposta. É possível observar que os intervalos
definidos realmente também delimitaram bem as
feições que se desejava observar, sendo que as
florestas exóticas apresentaram valores de NDVI
superiores ao de fragmentos de vegetação densa de
PUC Minas Virtual
17
C
A
B3
cerrado (cerradão e cerrado stricto senso) conforme
citado na literatura. Da mesma forma, vegetação
menos densa e rasteira como é o caso do campo
limpo e campo sujo apresentam valores de NDVI
inferiores ao de vegetação densa e superiores ao de
solo exposto.
No terceiro display (B2) da Figura 5,consta o
resultado da etapa CLA04, onde é exibido o
resultado da classificação supervisionada.
Visualmente é possível verificar que a classificação
foi bem assertiva ao identificar as áreas de
eucalipto, fragmentos de vegetação nativa, áreas
úmidas, solo exposto e pastagem. Nota-se também
que devido à metodologia de prévia segmentação
via método SNIC, evitou-se o efeito "salt-and-
pepper" mencionado anteriormente na metodologia.
A qualidade da classificação pode ser validada por
meio do resultado da etapa CLA05, apontado no
item C da Figura5. Neste local são exibidos os
coeficientes de validação oriundos da matriz de
confusão. De acordo com os resultados obtidos a
classificação obteve uma EG de 91,96% e um índice
kappa de 0,9073, o que também conceituaria a
classificação como “Excelente”.
 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

leste do Mato Grosso do Sul condizer com a
tendência de crescimento apresentada pelos órgãos
de pesquisa como REFLORE/MS e IBGE, os
valores de área plantada encontrados ficaram abaixo
dos informados pelos mesmos.
De acordo com dados divulgados pela REFLO-
RE/MS e IBGE, nos anos de 2009 e 2018 o Mato
Grosso do Sul apresentou uma quantidade de área
plantada com eucalipto de 209mil hectares e de 1,1
milhões de hectares, respectivamente. No entanto,
os dados são obtidos pelo IBGE por meio de
pesquisas censitárias onde as empresas produtoras
informam a área plantada por meio de entrevistas ou
formulários enviados a agentes censitários.
Já em trabalhos de monitoramento via sensoria-
mento remoto as mensurações são realizadas sobre
informações reais que podem ser extraídas a partir
das imagens de satélite. Por este motivo, e em
função da grande quantidade de variáveis que
influenciam no comportamento espectral dos
diferentes alvos, nem sempre os métodos de
classificação de imagens digitais conseguem
identificar todas as variações dentro de cada uma
das classes.
No caso do presente estudo, por exemplo, apesar de
ter sido coletada grande quantidade de amostras de
treinamento, de usar métodos robustos de
aprendizagem de máquina para classificação das
imagens e de na avaliação da qualidade da
classificação ter sido obtido conceito "Excelente"
para ambos os períodos, ainda assim, houve
situações em que o algoritmo não conseguiu
identificar corretamente áreas com possíveis
plantios de eucalipto.
Dentre as situações em percebeu-se que o algoritmo
não conseguiu detectar corretamente a existência de
plantios de eucalipto estão áreas com plantios muito
jovens cujo comportamento espectral acaba se
assemelhando ao de áreas de atividade agropecuária
(Figura 8) ou áreas com altas taxas de mortalidade
ou desfolha (Figura 9) cujo comportamento
espectral acaba se assemelhando ao de áreas com
vegetação nativa, provavelmente pela formação de
sub-bosque.
Sendo assim, provavelmente a diferença entre a área
obtida no presente estudo e os valores divulgados
PUC Minas Virtual
19
está na diferença metodológica de obtenção das
informações.
Para confirmar esta suposição, os valores obtidos
neste estudo foram comparados com os obtidos pelo
projeto MAPBIOMAS 4.0 lançado em 29/08/2019
com o mapeamento de uso do solo de todo o Brasil
no período de 1993 a 2018, também por meio de
técnicas de sensoriamento remoto e classificação
supervisonada.
O Projeto de Mapeamento Anual da Cobertura e
Uso do Solo do Brasil (MAPBIOMAS) é uma
iniciativa que envolve uma rede colaborativa com
especialistas nos biomas, usos da terra,
sensoriamento remoto, SIG e ciência da
computação que utiliza processamento em nuvem e
classificadores automatizados desenvolvidos e
operados a partir da plataforma Google Earth
Engine para gerar uma série histórica de mapas
anuais de cobertura e uso da terra do Brasil.
O MAPBIOMAS é uma iniciativa do SEEG/OC
(Sistema de Estimativas de Emissões de Gases de
Efeito Estufa do Observatório do Clima) e é
produzido por uma rede colaborativa de co-
criadores formado por ONGs, universidades e
empresas de tecnologia organizados por biomas e
temas transversais.
De acordo com o mapeamento realizado pelo
projeto MAPBIOMAS no ano de 2009 existiam
285mil hectares de florestas plantadas, e em
2018existiam 734mil hectares. Considerando que a
porcentagem de plantio de Pinus em 2009 e 2018,de
acordo com a REFLORE/MS, foi de 7% e 4%
respectivamente, pode-se inferenciar que os valores
de área plantada de eucalipto foram de 265mil
hectares no ano de 2009 e 704 mil hectares para
2018, valores bem coerentes com os obtidos no
presente estudo.
Sendo assim, apesar dos valores encontrados de área
plantada no presente estudo divergirem dos dados
divulgados pelos órgãos de pesquisa, as
informações produzidas mostraram-se consistentes
e podem ser utilizadas como referência para o
entendimento da dinâmica do uso da terra no estado
Mato Grosso do Sul.
 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.

______________________________________________________________________

5. Conclusão entanto, a metodologia apresentou certa confusão na

O presente estudo permitiu, por meio de técnicas de
PDI, aprendizado de máquina e geoprocessamento,
efetuar o estudo da expansão da eucaliptocultura em
uma região de grande extensão, como o leste do
Mato Grosso do Sul, de forma rápida e acurada. No
classificação das imagens em função da variação
das respostas espectrais provocada pelas diferentes
fases de desenvolvimento e sanidade dos plantios de
eucalipto, o que acabou provocando uma
subestimativa da área plantada de eucalipto para
ambos os períodos.

Os resultados poderiam ser melhorados caso a
plataforma do GEE permitisse aplicar técnicas mais
avançadas de PDI, como a aplicação de filtros,
realce e ajuste de histograma, e técnicas mais
avançadas de classificação, como a classificação
orientada a objetos (GEOBIA).No entanto estes
recursos ainda não estão disponíveis na plataforma.
De todas formas, as técnicas de segmentação via
método SNIC e de inclusão de informações de
relevo e índices vegetativos na parametrização do
algoritmo de classificação, merecem destaque no
presente estudo e promoveram melhorias
significativas nos resultados.
Merecido destaque também à plataforma GEE,
ferramenta revolucionaria no processamento de
imagens e sensoriamento remoto, que tornou pro-
cessos demorados e onerosos (em processamento e
orçamento) em processos rápidos e de acesso livre.
Referências
ANTUNES, R.A.; FRANCO, A.M.; OLIVEIRA,
T.O.P. Evolução temporal da Silvicultura no uso e
ocupação do solo no município de Três Lagoas/MS.
Anais 7º Simpósio de Geotecnologias no
Pantanal.Embrapa Informática Agropecuária/INPE.
Jardim/MS, 2018
ARAÚJO, R. M. S. Impactos socioeconômicos das
atividades agroindustriais no estado de Mato Grosso
do Sul decorrentes do quadrinômio econômico
“soja-boi-eucalipto-cana-de-açúcar”. 2018. 121 f.
Tese (Doutorado) - Faculdade de Filosofia, Letras e
Ciências Humanas da Universidade de São
Paulo/SP, 2018.
BARROS, B. S. X. Estimativa de parâmetros
estruturais de áreas de produção de eucalipto através
de imagens de satélite na região de Botucatu /SP.
2013. ix, 90 f. Tese (Doutorado) - Universidade
Estadual Paulista “Julio de Mesquita Filho” ,
Faculdade de Ciências Agronômicas de Botucatu,
Botucatu /SP, 2013.
BORGES, M. G.; LEITE, M. E.; LEITE, M. R.
Mapeamento do Eucalipto no Estado de Minas
Gerais Utilizando o Sensor MODIS. ESPAÇO
ABERTO, PPGG - UFRJ, v. 8, p. 53-70, 2018.
CRÓSTA, A. P. Processamento digital de imagens
de sensoriamento remoto. ed. rev. Campinas:
UNICAMP/Instituto de Geociências, 170 p, 1992.
PUC Minas Virtual
21
D'ANDRIMONT, R; LEMOINE,G; VAN DER
VELDE, M. Targeted Grassland Monitoring at
Parcel Level Using Sentinels, Street-Level Images
and Field Observations. Remote Sens. 2018, 10,
1300; doi:10.3390/rs10081300
ESPINHOSA, M. C. Utilização de sensoriamento
remoto orbital e redes neurais artificiais no
mapeamento de macrófitas aquáticas emersas em
grandes reservatórios. Dissertação (Mestrado em
Ciências Cartográficas) – UNESP, Presidente
Prudente/SP, 2004.
ESTRABIS, N. V. ; MARTINI, D. R. ; MARCATO
JUNIOR, J. . Google Earth Engine Applied to Land
Cover Mapping in Mato Grosso do Sul - Brazil. In:
GRSS-YP & ISPRS SS, 2018, Campo Grande.
GRSS-YP & ISPRS STUDENT CONSORTIUM
SUMMER SCHOOL. Campo Grande - MS: Editora
UFMS, 2018.
FIGUEIREDO, G. C.; VIEIRA, C. A. O. Estudo do
comportamento dos índices de Exatidão Global,
Kappa e Tau, comumente usados para avaliar a
classificação de imagens do sensoriamento remoto.
Anais XIII Simpósio Brasileiro de Sensoriamento
Remoto, Florianópolis/SC, 2007
FREITAS JUNIOS, R. L. Segmentação e classifi-
cação de imagens destinadas ao mapeamento digital
do parque nacional da serra dos órgãos.1° Edição.
Rio de Janeiro/RJ, 2015
JIN, Y.; LIU, X.; CHEN, Y.; LIANG, X. Land-
cover mapping using Random Forest classification
and incorporating NDVI time-series and texture: A
case study of central Shandong. Int. J. Remote Sens.
2018
LELIS, L. R. M; AVELINO JUNIOR, F. J. Terri-
torialização do complexo eucalipto-celulose-papel e
resistência camponesa em Três Lagoas - MS.
Caminhos de Geografia, Uberlândia/MG, v. 17, n.
58, p. 81-102, 2016.
LICHTLÉ, N. (2018) – Superpixel
Segmentationand Color Transfer, Internship
Report, Laboratoire Bordelais de Rechercheen
Informatique, 2018
http://nathanlct.me/docs/report_internship_labri.pd
f

MACIEL, A; VINHAS, L.; CÂMARA, G.
Aplicação de técnicas de processamento digital de
imagens usando a extensão espacial PostGIS Raster
em imagens de sensoriamento remoto.Anais XVII
Simpósio Brasileiro de Sensoriamento Remoto -
SBSR, João Pessoa-PB, 2015
MAHDIANPARI, M; SALEHI,B.;
MOHAMMADIMANESH,F.; HOMAYOUNI,S.;
GILL,E. The First Wetland Inventory Map of
Newfoundland at a Spatial Resolution of 10 m
Using Sentinel-1 and Sentinel-2 Data on the Google
Earth Engine Cloud Computing Platform. Remote
Sensing. 2019, 11, 43; doi:10.3390/rs11010043
MARANHA, L. G.; SANCHES, I. D. A.; MELO,
L. F. S. Análise do comportamento espectro-
temporal do Eucalipto na região do município de
São Bento do Tocantins. In: SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO
REMOTO, 18. (SBSR), 2017, Santos. Anais... São
José dos Campos/SP. 2017.
MESQUITA JUNIOR, H, N. Análise temporal com
sensor orbital de unidades fisionômicas decerrado
na Gleba Pé-de-Gigante (Parque Estadual de
Vassununga/SP). Dissertação apresentada ao
Departamento de Ecologia do Instituto de
Biociências da Universidade de São Paulo, para
obtenção do grau de mestre em Ecologia dos
Ecossistemas Terrestres e Aquáticos. 1998
NA, X., ZHANG, S., LI, X., YU, H. and Liu, C.
Improved land cover mapping using Random
Forests combined with Landsat Thematic Mapper
imagery and ancillary geographic data.
Photogrammetric Engineering and Remote Sensing,
76: 833–840. 2010
OLIVEIRA, J. V. T. M. Potencial de utilização de
atributos espaciais no processo de classificação
digital de plantios de seringueira no Mato Grosso do
Sul. Dissertação (Mestrado em Agronomia -
Sustentabilidade na Agricultura) - Universidade
Estadual de Mato Grosso do Sul, Fundação de
Apoio e Desenvolvimento do Ensino, Ciência e
Tecnologia do MS, 2018.
SÃO MIGUEL, A. E.; MEDEIROS, R. B.; OLI-
VEIRA, W. Análise do uso e cobertura da terra em
decorrência da expansão do cultivo de eucalipto no
município de Selvíria/MS.Geoambiente on-line,
Brasil, 2016.
PUC Minas Virtual
22
SÃO MIGUEL, A; MEDEIROS, R. B.; GOMES,
W. M. A Expansão do cultivo do eucalipto no
município de Brasilândia/MS entre os anos de 2000
E 2014. Revista Geoaraguaia, v. 9, n. 1, 2019.
SILVA, I; VALE, J. R. B; SOUZA, L. F; ADAMI,
M. Análise da dinâmica do uso e ocupação da terra
do municipio de Sapeza/MT, através do Google
Earth Engine. In: Anais do XIX Simpósio Brasileiro
de Sensoriamento Remoto, 2019, Santos. Anais
eletrônicos... Campinas, GALOÁ, 2019.
SILVEIRA, H. L. F. Uso de dados do sensor
MSI/Sentinel-2 e de LiDAR aerotransportado para
mapeamento de fitofisionomias de Caatinga e
estudo das relações com atributos físico-químicos
dos solos.Dissertação (Mestrado em Sensoriamento
Remoto) - Instituto Nacional de Pesquisas
Espaciais, São José dos Campos, 2018.
SOUZA, C.C. Técnicas de sensoriamento remoto
como subsídios aos estudos de florestas implantadas
no Brasil – uma revisão bibliográfica. Ciência
Florestal, [S.l.], v. 17, n. 4, p. 409-417, dez. 2007.
SOUZA, L. F.; ADAMI, M.; VALE,J.R.B.; SIL-
VA, I. Classificação de uso e cobertura da terra em
áreas de não floresta do sudeste paraense através da
plataforma Google Earth Engine (GEE). In: Anais
do XIX Simpósio Brasileiro de Sensoriamento
Remoto, 2019, Santos. Anais eletrônicos...
Campinas, GALOÁ, 2019.
SUAREZ, A.F.; CANDEIAS, A.L.B. Avaliação de
acurácia da classificação de dados de sensoriamento
remoto para o município de Maragogipe. IV
Simpósio Brasileiro de Ciências Geodésicas e
Tecnologias da Geoinformação. Recife/PE, 2012.
TANGERINO, D.F.; LOURENÇO, R.T.
Comparação da exatidão de métodos de
classificação supervisionada e não-supervisionada a
partir do índice kappa na microbacia do Ribeirão
Duas Águas em Botucatu/SP.Anais XVI Simpósio
Brasileiro de Sensoriamento Remoto - SBSR, Foz
do Iguaçu/PR, 2013.
VIEIRA,D.C; PRUDENTE,V. H.R; SILVA, N.
R.F; OLIVEIRA, W.V. Identificação de áreas
agrícolas de ciclo anual no estado do Paraná a partir
de métricas temporais de EVI2 e NDVI utilizando o
Google Earth Engine. In: Anais do XIX Simpósio
Brasileiro de Sensoriamento Remoto, 2019, Santos.
Anais eletrônicos... Campinas, GALOÁ, 2019.
 PUC Minas Virtual
23

VIRTUOSO, M.A.; O,L.; CÚRCIO, S.M.; BER-

NARDO,R.L; HOHN, C.P.; AGUIAR, D.A.
Sensoriamento Remoto para a avaliação da aptidão
ao plantio de Eucalipto em Três Lagoas - MS. Anais
XVII Simpósio Brasileiro de Sensoriamento
Remoto - SBSR, João Pessoa/PB, 2015

WRI BRASIL. As lições do eucalipto para a

pesquisa e o desenvolvimento de árvores nativas.
Acesso em 22/07/2019.

https://wribrasil.org.br/pt/blog/2019/07/licoes-do-
eucalipto-para-pesquisa-e-o-desenvolvimento-de-
arvores-nativas.