Você está na página 1de 23

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.


PUC Minas Virtual
2

1. Introdução variáveis preditoras as informações obtidas a partir


das bandas das imagens segmentadas pela
Atualmente o Brasil é considerado uma referência metodologia SNIC e a partir de dados de relevo
mundial no setor de florestas plantadas por sua também disponíveis na plataforma GEE.
atuação pautada na sustentabilidade, Posteriormente, após a classificação das imagens e
competitividade e inovação, sendo que o estado do avaliação da qualidade do produto gerado, serão
Mato Grosso do Sul (MS) se destaca pela crescente utilizadas técnicas de geoprocessamento aplicadas
participação no mercado. Em 2009, tendo em vista no software QGIS para quantificar e gerar o material
o grande potencial produtivo da região, o governo cartográfico da área ocupada por cultivo de
estadual criou o Plano Estadual de Florestas eucalipto nos períodos de 2009 e 2019 na área de
(PEF/MS), com o objetivo de orientar o estudo.
desenvolvimento do setor florestal, maximizando os
benefícios econômicos, sociais e ambientais. A metodologia proposta é inovadora e de grande
relevância para o setor florestal sul-matogrossense
No entanto, apesar de periodicamente órgãos pois nenhum trabalho do tipo foi realizados para
públicos e associações emitirem relatórios toda a extensão do PEF/MS. Ao compará-la com as
apresentando a evolução da área ocupada com metodologias utilizadas pelos autores que
plantios de eucalipto no estado do MS, poucos são realizaram os estudos anteriores envolvendo o
os trabalhos acadêmico-científicos que apresentam mapeamento das áreas de eucalipto nos três
efetivamente a expansão de florestas plantadas no municípios sul-matogrossenses, é possível verificar
estado. Dentre os estudos existentes, podem ser que a principal diferença se dá com relação ao
citados os de SÃO MIGUEL et al (2016), SÃO método de classificação utilizado. SÃO MIGUEL et
MIGUEL et al (2019), LELIS & AVELINO al (2016), SÃO MIGUEL et al (2019), ANTUNES
JUNIOR (2016), ANTUNES et al (2018) e et al (2018) e VIRTUOSO et al (2015) utilizaram
VIRTUOSO et al (2015), no entanto, estes se algoritmos de classificação não-supervisionada
restringem aos municípios de Selvíria, Brasilândia e como o ISOCLUSTER e o CLUSTER para
Três Lagoas. classificar imagens de satélite, os quais resultam em
produtos com qualidade inferior aos obtidos por
Sendo assim, considerando a importância das classificação supervisionada, como comprovam
informações geográficas nos processos de tomada MATSU-KUMA (2002) e TANGERINO &
de decisão, sejam eles econômicos, sociais ou LOURENÇO (2013). Além disso, nenhum dos
ambientais, o presente estudo tem por objetivo, autores realizou avaliação da qualidade da
analisar a distribuição espacial e quantificar as áreas classificação por meio de coeficientes derivados da
de eucalipto nos períodos de 2009 e 2019, para matriz de confusão.
evidenciar o processo de expansão da
eucaliptocultura na região leste do Mato Grosso do Com relação à utilização dos algoritmos SNIC e RF
Sul. para segmentação e classificação de imagens no
mapeamento de florestas plantadas, as aplicações
Para isto, serão utilizadas técnicas de são praticamente inexistentes, principalmente
processamento digital (PDI) e classificação de utilizando a plataforma GEE. Estas técnicas vem
imagens utilizado os recursos da plataforma Google sendo cada vez mais aplicadas em outras áreas como
Earth Engine (GEE) e técnicas de agricultura e meio ambiente, no entanto, para a área
geoprocessamento associadas ao software QGIS. florestal o presente estudo é um dos raros casos. Na
Dentre as técnicas de PDI utilizadas, será realizada área de agricultura podem ser citados os trabalhos
a segmentação de imagens de satélite disponíveis no de PAREDES et al. (2019), VIERA et al. (2019) e
GEE por meio da metodologia SNIC, utilizando o D'ANDRIMONT et al. (2018). Na área de meio
conceito de superpixels, e serão utilizadas imagens ambiente podem ser citados os trabalhos de
de índice de vegetação (NDVI) com valores ESTRABIS et al. (2018), VIEIRA et al. (2019),
classificados de acordo com intervalos, definidos SILVA et al. (2019) e MAHDIANPARI et al.
em literatura, para facilitar a localização de (2019).
amostras de treinamento. Com relação às técnicas
de classificação, será utilizado o algoritmo Random O presente estudo de caso está estruturado em cinco
Forests (RF) para realizar a classificação seções. Além dessa introdução, a seção 2, o
supervisionada das imagens, utilizando como referencial teórico, apresenta o cenário da
PUC Minas Virtual
3

eucaliptocultura no Brasil e no estado do Mato industrial de alta qualidade, em áreas florestais


Grosso do Sul, bem como conceitos e definições altamente produtivas (WRI BRASIL, 2019).
sobre geoprocessamento, processamento digital de
imagens e sensoriamento remoto. A seção 3 Em meados da década de 1980, com o fim dos
apresenta a metodologia da pesquisa, incluindo a incentivos fiscais, as empresas florestais
representação cartográfica da área de estudo e solidificadas fizeram investimentos para manter a
destacando as ferramentas, softwares e produção própria, conforme determinava alei. Com
procedimentos utilizados na pesquisa. Os resultados isso, se associaram a universidades públicas para o
são apresentados na seção 4, sendo a conclusão desenvolvimento tecnológico, sendo criadas então,
apresentada na seção 5. as associações apoiadas pelas empresas florestais
nas universidades, as quais prestaram, e ainda
2. O cenário da eucaliptocultura no Brasil prestam, relevantes serviços ao desenvolvimento da
eucaliptocultura nacional (CABRAL, 2017).
Atualmente o Brasil é considerado uma referência
mundial no setor de florestas plantadas por sua Em 1990, a área estimada das plantações com
atuação pautada na sustentabilidade, eucalipto no Brasil era de aproximadamente
competitividade e inovação (Ibá, 2018). 3.580.000 ha e produziam em torno de 69,7milhões
de m³ de madeira e lenha, correspondendo a 24,4%
A indústria brasileira de árvores plantadas está entre do consumo na época(CABRAL, 2017).
os principais produtores de celulose, papel e painéis
de madeira no mundo, com exportações que trazem Nas últimas cinco décadas, projetos de
inegável contribuição para a balança comercial e melhoramento genético e aprimoramento de
gera muitos empregos e renda em todas as regiões práticas de manejo triplicaram o ganho volumétrico
do País (Ibá, 2018). das árvores de eucalipto, que atualmente chegam a
valores médios de 38m³/ha/ano, podendo chegar a
De acordo com o relatório da Produção da Extração 60 m3/ha/ano dependendo da região, e reduziram o
Vegetal e da Silvicultura (PEVS), realizado em ciclo de cultivo para apenas 6 anos.
2017 pelo IBGE, as áreas de florestas plantadas
totalizaram 9,9 milhões de hectares na data de 2.1. O cenário da eucaliptocultura no estado do
referência da pesquisa, tendo como destaque as Mato Grosso do Sul
áreas com cobertura de eucalipto, que totalizaram
7,4 milhões de hectares, e corresponderam a 75,2% Atualmente o Mato Grosso do Sul ocupa posição de
das florestas plantadas para fins comerciais no País destaque na produção de florestas plantadas,
(IBGE, 2017). principalmente de eucalipto.

As primeiras de eucalipto sementes chegaram ao Segundo dados da Associação Sul-Mato-Grossense


Brasil no século 19, mas seu desenvolvimento se dos Produtores e Consumidores de Florestas
deu no século seguinte, em São Paulo. Espalhou-se Plantadas – Reflore MS (2015), entre os anos de
com a força de uma locomotiva: para o escoamento 2004 e 2015, o estado apresentou um crescimento
da produção cafeeira, a economia pujante contou de 475% na área plantada com espécies dos gêneros
com a lenha de eucalipto para movimentar os trens Pinus e Eucalyptus. Considerando apenas a área
e expandir trilhos (WRI BRASIL,2019). plantada com o gênero Eucalyptus, o crescimento
foi de 730% (AMARAL, 2016).
Em 1956 a Companhia Suzano de Papel e Celulose,
da família Feffer, se tornou pioneira na fabricação O estado de Mato Grosso do Sul tem a segunda
de papel com 100% de celulose de eucalipto, e a maior área cultivada com eucalipto, 12,75%, do
partir desse momento começam os trabalhos para total do país. Em 2017, de acordo com dados do
desenvolver um eucalipto com maior produção de IBGE (2017), existiam 892.000 hectares de
biomassa e com rápido crescimento (WRI BRASIL, florestas plantadas – 886.000 hectares de eucalipto
2019). (99,36%) e 5.700 hectares de Pinus (ARAUJO,
2018).
Em 1966, a Lei de Incentivos Fiscais ao
Reflorestamento turbinou o setor e motivou a De acordo com os dados apresentados em relatório
criação do Ipef, mirando a produção de madeira elaborado pela Federação da Agricultura e Pecuária
PUC Minas Virtual
4

de MS (FAMASUL) em 2018, o Estado do Mato empresas pequenas do setor e de produtores rurais


Grosso do Sul é o segundo maior produtor de (ARAUJO, 2018).
produtos florestais e o maior exportador do país.
Segundo o relatório apresentado pelo órgão, o Valor A industrialização do setor florestal no estado foi
Bruto da Produção (VBP) referente aos produtos impulsionada principalmente a partir de 2009, com
florestais, teve um crescimento de 22% com relação a construção de grandes indústrias produtoras de
ao ano de 2017 e de 60% com relação ao ano de papel e celulose em Três Lagoas, e continua em
2016. expansão (AMARAL, 2016).

Em 2017, os municípios sul mato-grossenses de Segundo ARAUJO (2018), o principal atrativo da


Três Lagoas e Ribas do Rio Pardo apresentaram as região para as indústrias de celulose foram os
maiores áreas de florestas plantadas do País, com benefícios da Lei Kandir (lei complementar
245 mil hectares e 215 mil hectares, brasileira nº 87 de 13/9/1996), a qual isenta a
respectivamente (IBGE, 2017). empresas dos tributos estaduais relativos ao
Imposto sobre Circulação de Mercadorias e
No Mato Grosso do Sul, o cultivo de eucalipto em Serviços (ICMS) para os produtos destinados à
grande escala acabou sendo implantado no leste do exportação.
estado devido a incentivos fiscais, destinados
principalmente às empresas produtoras de papel e Sendo assim, A partir do ano de 2007 duas grandes
celulose, ao arcabouço ambiental encontrado na empresas do setor de papel e celulose iniciaram a
região, como recursos hídricos, solo e relevo, que construção de suas plantas industriais na
acabam favorecendo o plantio e a mecanização microrregião de Três Lagoas, o que motivou o
(SÃO MIGUEL, 2016) e também à viabilidade plantio de eucalipto. Em decorrência disso,
logística de exportação pois a região está localizada inúmeros produtores rurais pertencentes ao binômio
a 700 km do porto de Santos/SP (ARAUJO, 2018). econômico “soja-boi” investiram no plantio do
eucalipto em suas terras ou as arrendaram para
O desenvolvimento da monocultura da espécie empresas de reflorestamento (ARAUJO, 2018).
florestal de eucalipto se deu inicialmente na
microrregião de Três Lagoas, composta pelos O aumento da capacidade produtiva das indústrias
municípios de Três Lagoas, Água Clara, Ribas do já instaladas, assim como a chegada de novos
Rio Pardo, Brasilândia e Santa Rita do Pardo, em empreendimentos, promoveu o aumento da
virtude do 2º. Plano Nacional de Desenvolvimento demanda por madeira (AMARAL, 2016), e assim
(II PND). Com o objetivo de desenvolver e ocupar fez-se necessário que o crescimento do setor fosse
a região dos cerrados no Centro-Oeste brasileiro, o feito de forma ordenada e sustentável.
governo federal implantou no ano de 1974uma
política de desenvolvimento com o plantio de um Para isto, em 2009, o Governo do Estado de Mato
maciço florestal de espécies de eucalipto e pinus Grosso do Sul, em conjunto com outros órgãos
naquela microrregião (ARAUJO, 2018). como SEBRAE/MS, REFLORE/MS, FAMASUL,
e FIEMS, avaliaram como de suma importância
No entanto, durante o período de economia adotar o planejamento estratégico como ferramenta
inflacionária brasileira, durante as décadas de 1980 para o desenvolvimento sustentável do Setor
e 1990, houve uma retração das indústrias de papel Florestal de Mato Grosso do Sul e contrataram a
e celulose que não proporcionou investimentos para empresa de consultoria STCP Engenharia de
o estabelecimento de plantas industriais do setor no Projetos Ltda. , especializada no setor florestal, para
Estado de Mato Grosso do Sul. Durante estas apoiasse a estruturação do Plano Estadual para o
décadas as áreas de florestas plantadas foram Desenvolvimento Sustentável de Florestas
conservadas com seus respectivos tratos culturais Plantadas de Mato Grosso do Sul.
adequados (ARAUJO, 2018).
O Plano Estadual para o Desenvolvimento
De acordo com os dados da REFLORE/MS, no ano Sustentável de Florestas Plantadas, tem como
de 2005, existiam 90.000 hectares plantados de objetivo principal a orientação das autoridades
eucalipto no Mato Grosso do Sul – 60.000 hectares governamentais, dirigentes de empresas e entidades
eram de florestas plantadas pela empresa privadas, no processo de desenvolvimento do setor
International Paper e 30.000 hectares pertenciam a florestal (floresta e indústria de PMS) de forma a
PUC Minas Virtual
5

maximizar os benefícios econômicos, sociais e importância desse setor na economia nacional,


ambientais. surge a necessidade de se conhecerem e avaliarem,
cada vez mais e com maior frequência, os
O resultado do diagnóstico realizado, apoiado pelo empreendimentos florestais, de forma rápida e
Zoneamento Ecológico-Econômico (ZEE) do segura, como passo prévio para seu manejo e
Estado, bem como as análises conduzidas a partir da exploração eficientes.
sobreposição de fatores como clima, solos,
localização das Unidades de Conservação, atual Sendo assim, o uso de técnicas de sensoriamento
tendência de localização de florestas plantadas e remoto aplicadas no estudo da vegetação apresenta
empreendimentos industriais do setor, permitiram várias vantagens, tais como o monitoramento
definir as áreas adequadas para o desenvolvimento temporal, visão espacial abrangente, facilidade no
e implementação do Plano Estadual de Florestas cruzamento de dados, dentre outros
(PEF/MS). (BORGES,2018).

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.

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,
Figura 1: Localização da Região para a Implantação do BARROS (2013) cita o trabalho de BOLFE et al.
PEF/MS (2003), que fizeram o levantamento de
povoamentos florestais a partir de técnicas de
De acordo com SOUZA et al. (2007), devido ao classificação digital supervisionada de imagens
dinamismo das atividades florestais e pela
PUC Minas Virtual
6

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

possibilitando o treinamento do algoritmo de cartesiano. Essa etapa é essencial para a realização


classificação. Normalmente, as abordagens de de uma classificação por região, agrupando os
classificação supervisionada baseiam-se no uso de pixels sem regiões distintas (SILVA, 2015).
amostras para estimar os parâmetros estatísticos
para cada classe. Essas amostras são chamadas de A grande vantagem da utilização de classificações
padrões de treinamento, sendo que a totalidade das baseadas em regiões se dá em função do grande grau
amostras define o conjunto de treinamento. O de controle sobre o número de polígonos no
processo pelo qual um conjunto de treinamento é momento inicial da segmentação que elimina
usado para obter as funções de decisão é previamente do efeito “salt-and-pepper”, uma vez
denominada aprendizagem ou treinamento que os segmentos são considerados como as
(GONZALES e WOODS, 2000, citados por amostras de treinamento e não pixels individuais
ESPINHOZA, 2004). dentro de cada amostra. O efeito “salt-and-pepper”
caracteriza-se por pequenos polígonos disse-
No que tange à questão da classificação por pixels minados por toda a área mapeada e que acabam por
ou por regiões, a maioria dos classificadores executa demandar operações de pós-processamento, como
a classificação por pixel, que se utiliza somente da filtragens, para a sua eliminação (MENESES &
informação espectral de cada pixel para encontrar ALMEIDA, 2012).
regiões homogêneas, a partir de medidas de
distâncias ou de probabilidades de um pixel Dentre os algoritmos mais comuns para realizar a
pertencer a uma classe específica(MENESES & segmentação inicial necessária para a classificação
ALMEIDA ,2012). por regiões, geralmente de forma não-
supervisionada, podem ser citados: o ISOSEG, o
A eficiência da classificação “pixel a pixel” ocorre ISODATA, o CLUSTER, o ISOCLUSTER, o SLIC
principalmente em imagens de média e baixa e o SNIC.
resolução. Contudo, com o aparecimento de
sensores de alta resolução no sensoriamento remoto, O SLIC (Simple Linear Iterative Clustering) é um
a eficiência da classificação “pixel a pixel” é algoritmo baseado no conceito de segmentação de
questionada, pois o alto grau de detalhe destas imagens em superpixels que utiliza uma estratégia
imagens torna evidentes as variações espectrais baseada no algoritmo K-means, porém com um
entre os objetos que antes, com resolução espacial espaço de busca limitado ao tamanho desejado do
mais grosseira (SILVA, 2015). superpixel, o que reduz a complexidade do
algoritmo.
Por outro lado, a classificação por região utiliza,
além de informação espectral de cada "pixel", a A segmentação de superpixels é uma técnica de pré-
informação espacial que envolve a relação com seus processamento de imagens cada vez mais popular
vizinhos. Procurando simular o comportamento de na divisão de uma imagem em pequenos
um fotointérprete, reconhecendo áreas homogêneas aglomerados de pixels conectados chamados
de imagens, baseados nas propriedades espectrais e superpixels. Eles capturam redundância de imagens
espaciais de imagens (INPE, 2014 citado por agrupando os pixels em regiões perceptivelmente
SILVA, 2015). significativas da imagem, simplificando-o de
milhões de pixels para algumas centenas ou
Na classificação por regiões o processo de decisão milhares de clusters de pixels (LICHTLÉ,2018).
leva em consideração um agrupamento de pixels
que é usado como unidade de classificação O SNIC (Simple Iterative Clustering) é uma versão
específica(MENESES & ALMEIDA, 2012). melhorada do SLIC. Tem a vantagem de rodar em
uma única iteração, o que evita ter que definir o
Neste processo de classificação por regiões, número de iterações. Também requer menos
ALVES (2010),citado por SILVA (2015), enfatiza memória uma vez que não armazena um mapa de
duas etapas: primeiro as imagens são divididas em distância entre cada pixel e seu centro de cluster
regiões homogêneas (segmentação), depois cada como o SLIC. Além disso, o SNIC reforça
região é associada a uma classe. A fase de explicitamente a conectividade dos superpixels
segmentação é o processo de separação desde o início, o que torna inútil usar um método de
automatizada da imagem em áreas que englobem pós-processamento para fazer isso e torna-o mais
“pixels” semelhantes nas direções X e Y do plano rápido que o SLIC (LICHTLÉ,2018).
PUC Minas Virtual
8

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.

Segundo OLIVEIRA (2018), dentre as principais 3. Metodologia


LMs utilizadas podem ser citadas as Artificial
Neural Networks (ANNs), conhecidas como redes O presente trabalho apresenta um estudo de caso,
neurais, que foram extensamente discutidas e onde são apresentados produtos cartográficos e suas
analisadas por MAS & FLORES (2008), as DTs (do respectivas análises para a verificar a expansão da
inglês Decision Trees, que significa árvores de eucaliptocultura, nos anos de 2009 e 2019, nas
decisão) desenvolvidas e discutidas por BREIMAN regiões classificadas como “Áreas Primárias
(1984), as SVMs (do inglês Support Vector Adequadas” no PEF/MS, utilizando técnicas de
Machines, que significa máquinas de apoio a processamento digital de imagens e sensoriamento
decisão) analisadas por MOUNTRAKIS et al. remoto.
(2011) e a utilização de classificadores em conjunto,
prática iniciada por BREIMAN (1996). Para isto, o trabalho foi realizado nas etapas
descritas no item 3.2, utilizando a plataforma
De acordo com SILVEIRA (2018), outro algoritmo Google Earth Engine (GEE), e o software QGIS
que tem se destacado em trabalhos de classificação v3.8.1para trabalhar complementos de técnicas de
de uso do solo é o Random Forest (RF). Trata-se de geoprocessamento e cartografia.
algoritmo baseado na combinação de árvores de
decisão, de modo que cada árvore dependa dos As imagens de satélite utilizadas nas análises foram
valores de um vetor randômico, amostra do extraídas do catálogo de imagens do GEE e os os
independentemente e com a mesma distribuição de limites da área de estudo foram obtidos a partir da
todas as árvores na floresta. Desta forma, o RF base de dados georreferenciada do IBGE,
constrói cada árvore usando um algoritmo disponível em formato geodatabase no site do
determinístico, que seleciona um conjunto casual de órgão, que contém o limite dos municípios e estados
variáveis com uma amostra aleatória a partir dos do Brasil.
dados de calibração. Depois que um grande número
de árvores é gerado, cada uma delas classifica o
PUC Minas Virtual
9

O GEE é uma nova plataforma computacional 3.1. Área de estudo


desenvolvida pela Google, empresa multinacional
de serviços online e software dos Estados Unidos, O estudo foi realizado na região classificada como
que combina um catálogo de petabytes de múltiplas “Áreas Primárias Adequadas” no PEF/MS
imagens de satélite e conjuntos de dados conforme indicado na Figura 2. A região
geoespaciais com recursos para análise em escala classificada como “Áreas Primárias Adequadas” no
planetária e os disponibiliza livremente a cientistas, PEF/MS abrange os municípios sul-mato-
pesquisadores e desenvolvedores para detectar grossenses de Água Clara, Anaurilândia, Aparecida
mudanças, mapear tendências e quantificar do Taboado, Bandeirantes, Bataguassu, Batayporã,
diferenças na superfície da Terra (PEREIRA, 2018). Brasilândia, Camapuã, Campo Grande, Figueirão,
Inocência, Jaraguari, Nova Alvorada do Sul, Nova
De acordo com PEREIRA (2018), o GEE é um Andradina, Paranaíba, Ribas do Rio Pardo, Santa
serviço de computação intrinsecamente paralelo de Rita do Pardo, Selvíria e Três Lagoas. Não foram
alto desempenho. Ele é acessado e controlado por inclusas as “Áreas Secundárias Adequadas” pois a
meio de uma interface de programação de priori, à época da elaboração do PEF/MS, eram
aplicativos (API) acessível pela Internet e por um destinadas a outros segmentos do agronegócio,
ambiente de desenvolvimento interativo (IDE) como produção de lenha para a secagem de grãos.
associado à Web que permite a criação de protótipos
e a visualização rápida dos resultados. Os municípios inseridos na área de estudo
coincidem com os pertencentes à mesoregião do
O QGIS é um software livre com código-fonte Leste de Mato Grosso do Sul. Sendo assim, para
aberto, multiplataforma, de sistema de informação realizar a caracterização edafoclimática da área de
geográfica (SIG) que permite a visualização, edição estudo foi utilizado o trabalho de SILVEIRA
e análise de dados georreferenciados. Similar a (2008), que fez uma análise da rentabilidade
outros softwares GIS, o QGIS permite ao usuário potencial de investimentos em reflorestamentos de
criar mapas, usando diferentes projeções eucalipto na região leste do mato grosso do sul e
cartográficas, a partir de camadas do tipo raster e/ou norte do Paraná.
vetorial. É totalmente integrável com outras
plataformas GIS gratuitas de código aberto como o Segundo o autor, o clima predominante na região é
PostGIS, GRASS e MapServer para dar ao usuário o tropical úmido com temperatura média anual de
a capacidade de estender suas funcionalidades, além 25°C e precipitação média anual entre 900 a
de permitir o desenvolvimento de extensões e 1800mm. O bioma predominante é do tipo cerrado,
scripts por meio de linguagem Python ou C++. mas é possível encontrar fragmentos de mata
atlântica. Os solos predominantes na região são os
Argissolos, Latossolos, Neossolos Quartzarênicos e
Planossolos Hidromórficos.
PUC Minas Virtual
10

Figura 2: Mapa da área de estudo


3.2. Procedimento metodológico PRE5 – Com bandas selecionadas calcula o índice
de vegetação NDVI
Para realização do presente trabalho primeiramente, (NormalizedDifferenceVegetation Index) e adiciona
a partir da base de dados do IBGE que contém o a informação à coleção como mais uma banda;
limite dos municípios e estados do Brasil, por meio
do software QGIS foram selecionados os PRE6 – Com bandas selecionadas calcula o índice
municípios que estão inseridos na área de estudo e de vegetação NDMI
gerou-se um arquivo do tipo shapefile, etapa esta (NormalizedDifferenceMoisture Index) e adiciona a
denominada EXP1. Posteriormente, após criar uma informação à coleção como mais uma banda;
conta de e-mail no site da Google para poder acessar
a plataforma GEE, foi realizada a etapa de upload PRE7 – Importa do servidor da Google a imagem
(UPL) do arquivo shapefile na pasta de ALOS DEM, calcula a declividade do terreno e a
armazenamento do GEE, denominado “Asset”. informação como uma banda adicional;

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

As etapas de pré-processamento foram elaboradas radiométrica e geométrica, estes processos não


para criar os produtos cartográficos necessários para foram inseridos no fluxo de trabalho.
coleta de amostras, treinamento e classificação
supervisionada das imagens de satélite. Na etapa PRE2, os períodos de avaliação
selecionados foram de 01/04 a 26/08 para os anos
Para a análise da dinâmica da expansão da de 2009 e 2019, buscando o período com menor
eucaliptocultura entre os anos de 2009 e 2019, na ocorrência de chuvas na região de estudo e
etapa PRE1, foram utilizadas as coleções consequentemente, de nuvens.
LANDSAT/LT05/C01/T1_SR e
LANDSAT/LC08/C01/T1_SR respectivamente. Na etapa PRE3, a tolerância de cobertura de nuvens
na seleção de cenas foi de 1% para o ano de 2009 e
A primeira coleção refere-se a imagens digitais de de 0,5% para o ano de 2019, ou seja, cenas com
refletância de superfície corrigidas cobertura superior a esses valores, foram
atmosfericamente do sensor Landsat 5 ETM. Estas automaticamente excluídas da seleção. A diferença
imagens contêm 4 bandas visíveis e de entre tolerâncias se deu por causa da disponibilidade
infravermelho próximo (VNIR) e 2 bandas de imagens sem nuvens.
infravermelhas de ondas curtas (SWIR) processadas
para refletância de superfície ortorretificada, e uma Na etapa PRE4, foram escolhidas as bandas dos
banda térmica infravermelha (TIR) processada para satélites Landsat 5 e Landsat 8 mais adequadas para
a temperatura de brilho ortorretificado. As bandas estudos de vegetação. De acordo com o United
VNIR e SWIR têm uma resolução espacial de 30m. States Geological Survey (USGS), para o satélite
Estes dados foram corrigidos atmosfericamente Landsat 5 as mais indicadas para estudos de
usando o algoritmo LEDAPS (Landsat Ecosystem vegetação são as bandas 1 a 5 e 7. Para o satélite
Disturbance Processing) e incluem uma máscara de Landsat 8 são as bandas 2 a 7.
nuvem, sombra, água e neve produzida usando o
algoritmo CFMASK (C Function of Mask), bem As etapas PRE5, PRE6, PRE7 e PRE8 foram
como uma máscara de saturação por pixel. As faixas inseridas no fluxo de trabalho pois existem diversos
de dados coletados são empacotadas em "cenas" trabalhos que mostram que a inserção de dados
sobrepostas, cobrindo aproximadamente 170 km x geográficos e índices de vegetação como variáveis
183 km, usando uma grade de referência complementares no algoritmo de classificação do
padronizada. tipo Random Forest podem trazer ganhos
significativos na qualidade da classificação de uso
A segunda coleção refere-se a imagens digitais de da terra. Como exemplo da utilização desta técnica
refletância de superfície corrigida atmosférico dos podem ser citados os trabalhos de NA et al (2010) e
sensores LANDSAT 8 OLI/TIRS. Essas imagens JIN et al (2018).Segundo NA et al (2010), a
contêm 5 bandas visíveis e de infravermelho introdução de informações como declividade do
próximo (VNIR) e 2 bandas de infravermelho de terreno, relevo e índices de vegetação promoveram
ondas curtas (SWIR) processadas para refletância uma redução no desvio da classificação de
de superfície ortorretificada, e duas bandas de aproximadamente 65%.
infravermelho termal (TIR) processadas para a
temperatura de brilho ortorretificado. Estes dados O NDVI foi calculado a partir dos valores de
foram corrigidos atmosfericamente usando o refletância de superfície das bandas que
algoritmo LaSRC (Landsat Surface Reflectance correspondem aos comprimentos de onda do
Code) e incluem uma nuvem, sombra, água e vermelho (0.63 a 0.69μm) e do infra-vermelho
máscara de neve produzida usando o algoritmo próximo (0.76 a 0.90 μm) por meio da seguinte
CFMASK (C Function of Mask), bem como uma equação.
máscara de saturação por pixel.As faixas de dados
coletados são empacotadas em "cenas" sobrepostas, (𝑁𝐼𝑅 − 𝑅𝐸𝐷)
𝑁𝐷𝑉𝐼 =
cobrindo aproximadamente 170 km x 183 km, (𝑁𝐼𝑅 + 𝑅𝐸𝐷)
usando uma grade de referência padronizada.
O NDWI foi calculado a partir dos valores de
Sendo assim, como os produtos importados do refletância de superfície das bandas que
servidor da Google já possuem correções 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 imagens do satélite Landsat 8.
áreas úmidas.
Na etapa PRE13, para facilitar a identificação do
(𝑆𝑊𝐼𝑅1 − 𝑁𝐼𝑅) tipo de vegetação existente na área de estudo, a
𝑁𝐷𝑊𝐼 = imagem de NDVI foi classificada de acordo com as
(𝑆𝑊𝐼𝑅1 + 𝑁𝐼𝑅)
classes utilizadas no trabalho de MESQUITA
O conjunto de dados ALOS Landform, disponível JUNIOR (1998), que avaliou o NDVI em diferentes
na plataforma GEE, fornece valores de classes de fitofisionomias do bioma cerrado,e o trabalho de
relevo criadas pela combinação do índice de carga MARANHA et al (2017), que avaliou o
de insolação contínua por calor (ALOS CHILI) e os comportamento do NDVI em plantios de eucalipto
conjuntos de dados do índice de posição topográfica de diferentes idades ao longo do ano em área
em várias escalas (ALOS mTPI) e foi criada em inserida no bioma cerrado. As classes utilizadas
2011 pela JAXA (Japan Aerospace Exploration para segmentar os valores de NDVI estão
Agency) usando como base o modelo digital de apresentados na Tabela 01.
elevação ALOS DEM de 30 metros de resolução
espacial. 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 si, aplicando o modelo treinado a todos os
Pasto 605 605 superpixels da imagem segmentada. Como
parâmetro do classificador foram utilizadas 10
Agricultura 500 530 arvores de decisão. O produto resultante, e uma
Veg. Nativa 580 560 imagem dividida nas classes definidas na etapa de
Eucalipto 685 796 criação das amostras de treinamento.
Sombra 49 91
Total 4.166 4.380 A etapa CLA05, refere-se à etapa de avaliação da
qualidade da classificação obtida pelo algoritmo.
Segundo CONGALTON (1991), citado por
Posteriormente à etapa de localização das amostras SUAREZ & CANDEIAS (2012), uma das técnicas
de treinamento criou-se um trecho de script em mais utilizadas na realização de avaliação de
linguagem Java Script que executou as etapas de acurácia da classificação de dados de sensoriamento
Classificação, sendo elas: remoto é o emprego da matriz de erro, também
conhecida como matriz de confusão. A matriz de
CLA01 – Separação aleatória de 70% das amostras
para treinamento e de 30% para validação; confusão é uma matriz quadrada de números
definidos em linhas e colunas que expressam o
CLA02 - Coleta amostras dos valores numéricos de número de unidades da amostra (pixels, grupos de
todas as bandas das imagens segmentadas; pixels ou polígonos) atribuído a uma categoria
particular relativo à categoria real.
CLA03 – Treinamento do algoritmo de
classificação; Segundo FIGUEREDO& VIEIRA (2007),a
avaliação da qualidade dos produtos derivados de
CLA04 – Execução da classificação utilizando o
algoritmo Random Forest; classificação de imagens digitais, pode ser obtida
por meio de coeficientes de concordância derivados
CLA05 - Avaliação da qualidade da classificação da matriz de confusão, sendo que estes podem ser
expressos como concordância total ou para classes
Na etapa CLA01, o script seleciona aleatoriamente individuais.
70% das amostras criadas e as define como amostras
de treinamento. Posteriormente, seleciona 30% das Segundo FERREIRA et al. (2007), a partir da matriz
amostras e as define como amostras de validação. O
de confusão pode desenvolver-se uma série de
sub-conjunto de treinamento será utilizado para o
ajuste do modelo preditivo aos dados, enquanto que medidas estatísticas que concluem o processo de
o sub-conjunto de teste é utilizado para verificar a validação, sendo descritas por diversos autores
capacidade de generalização do modelo diante de como CHUVIECO (1990), CONGALTON(1991),
novas observações. Ao longo do ajuste e avaliação FIDALGO (1995) e LILLESAND et al. (2004).
do modelo preditivo, apenas o sub-conjunto de Entre estas, a Exatidão Global (EG) é a medida mais
treinamento é apresentado ao modelo, ficando como simples e relaciona os elementos da diagonal com o
último passo a aplicação do conjunto de teste, para
total de pontos amostrados.
a obtenção de uma estimativa mais precisa sobre o
desempenho da predição futura do modelo.
A Acurácia do Produtor (AP) expressa para cada
Na etapa CLA02, o script coleta os valores classe o grau em que a classificação concorda com
numéricos encontrado no superpixel de cada banda a referência. Ela é calculada através da divisão do
que coincide com cada amostra de treinamento. número total de amostras corretas de uma classe
pelo total número total de amostras desta classe de
Na etapa CLA03, o script realiza o treinamento do referência. Já a Acurácia do Usuário (AU)
algoritmo, estabelecendo-se dessa forma um
representa a probabilidade de uma amostra
modelo preditivo a ser utilizado na predição da
variável dependente a partir de novos dados. associada a uma classe pertencer realmente a esta
classe. Ela e computada através da divisão do
PUC Minas Virtual
14

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.

Tabela 3 – Índice Kappa e o correspondente Posteriormente, realizou-se a etapa de pré-limpeza


desempenho da classificação. (PRL) visando excluir polígonos com área inferior
a 5 hectares, uma vez que raramente é viável realizar
Índice Kappa Desempenho plantios comerciais em áreas inferiores a esta. Para
Péssimo < 0,0 isto, utilizou-se a ferramenta “Selecionar por uma
Ruim 0,0 a 0,2 expressão” e em seguida a ferramenta “Eliminar
polígonos selecionados”. Posteriormente, foi
Razoável 0,2 a 0,4 realizada foi realizada a etapa de limpeza final
Bom 0,4 a 0,6 (LPF) feita manualmente, visando eliminar erros de
Muito Bom 0,6 a 0,8 classificação grosseiros usando como plano de
Excelente 0,8 a 1,0 fundo os mosaicos exportados na etapa EXP2.

Em seguida procedeu-se com a quantificação da


Posteriormente às etapas de classificação foi área total por município ocupada por eucalipto por
realizada a etapa de quantificação, na qual por meio período, denominada QUA. Para isto foi utilizada a
de técnicas de geoprocessamento, quantificou-se a ferramenta “Interseção” e em seguida o cálculo de
área ocupada pela classe "Eucalipto" nos anos 2009 área foi atualizado por meio da ferramenta
e 2019, para poder avaliar quantitativamente o “Calculadora de campo”.
fenômeno de expansão da eucaliptocultura na área
de estudo. Finda a quantificação procedeu-se com a elaboração
dos produtos cartográficos finais (MAP). O
Para isto, foi criada mais um trecho de script em fluxograma das etapas da metodologia pode ser
linguagem Java Script que exporta em formato visto na Figura 3.
raster para a plataforma Google Drive (serviço de
armazenamento e sincronização de arquivos da
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.


PUC Minas Virtual
16

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

Figura 5: Interface da plataforma do GEE na classificação das imagens de 2019.

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.

______________________________________________________________________

5. Conclusão entanto, a metodologia apresentou certa confusão na


classificação das imagens em função da variação
O presente estudo permitiu, por meio de técnicas de das respostas espectrais provocada pelas diferentes
PDI, aprendizado de máquina e geoprocessamento, fases de desenvolvimento e sanidade dos plantios de
efetuar o estudo da expansão da eucaliptocultura em eucalipto, o que acabou provocando uma
uma região de grande extensão, como o leste do subestimativa da área plantada de eucalipto para
Mato Grosso do Sul, de forma rápida e acurada. No ambos os períodos.
PUC Minas Virtual
21

Os resultados poderiam ser melhorados caso a D'ANDRIMONT, R; LEMOINE,G; VAN DER


plataforma do GEE permitisse aplicar técnicas mais VELDE, M. Targeted Grassland Monitoring at
avançadas de PDI, como a aplicação de filtros, Parcel Level Using Sentinels, Street-Level Images
realce e ajuste de histograma, e técnicas mais and Field Observations. Remote Sens. 2018, 10,
avançadas de classificação, como a classificação 1300; doi:10.3390/rs10081300
orientada a objetos (GEOBIA).No entanto estes
recursos ainda não estão disponíveis na plataforma. ESPINHOSA, M. C. Utilização de sensoriamento
remoto orbital e redes neurais artificiais no
De todas formas, as técnicas de segmentação via mapeamento de macrófitas aquáticas emersas em
método SNIC e de inclusão de informações de grandes reservatórios. Dissertação (Mestrado em
relevo e índices vegetativos na parametrização do Ciências Cartográficas) – UNESP, Presidente
algoritmo de classificação, merecem destaque no Prudente/SP, 2004.
presente estudo e promoveram melhorias
significativas nos resultados. ESTRABIS, N. V. ; MARTINI, D. R. ; MARCATO
JUNIOR, J. . Google Earth Engine Applied to Land
Merecido destaque também à plataforma GEE, Cover Mapping in Mato Grosso do Sul - Brazil. In:
ferramenta revolucionaria no processamento de GRSS-YP & ISPRS SS, 2018, Campo Grande.
imagens e sensoriamento remoto, que tornou pro- GRSS-YP & ISPRS STUDENT CONSORTIUM
cessos demorados e onerosos (em processamento e SUMMER SCHOOL. Campo Grande - MS: Editora
orçamento) em processos rápidos e de acesso livre. UFMS, 2018.

Referências FIGUEIREDO, G. C.; VIEIRA, C. A. O. Estudo do


comportamento dos índices de Exatidão Global,
ANTUNES, R.A.; FRANCO, A.M.; OLIVEIRA, Kappa e Tau, comumente usados para avaliar a
T.O.P. Evolução temporal da Silvicultura no uso e classificação de imagens do sensoriamento remoto.
ocupação do solo no município de Três Lagoas/MS. Anais XIII Simpósio Brasileiro de Sensoriamento
Anais 7º Simpósio de Geotecnologias no Remoto, Florianópolis/SC, 2007
Pantanal.Embrapa Informática Agropecuária/INPE.
Jardim/MS, 2018 FREITAS JUNIOS, R. L. Segmentação e classifi-
cação de imagens destinadas ao mapeamento digital
ARAÚJO, R. M. S. Impactos socioeconômicos das do parque nacional da serra dos órgãos.1° Edição.
atividades agroindustriais no estado de Mato Grosso Rio de Janeiro/RJ, 2015
do Sul decorrentes do quadrinômio econômico
“soja-boi-eucalipto-cana-de-açúcar”. 2018. 121 f. JIN, Y.; LIU, X.; CHEN, Y.; LIANG, X. Land-
Tese (Doutorado) - Faculdade de Filosofia, Letras e cover mapping using Random Forest classification
Ciências Humanas da Universidade de São and incorporating NDVI time-series and texture: A
Paulo/SP, 2018. case study of central Shandong. Int. J. Remote Sens.
2018
BARROS, B. S. X. Estimativa de parâmetros
estruturais de áreas de produção de eucalipto através LELIS, L. R. M; AVELINO JUNIOR, F. J. Terri-
de imagens de satélite na região de Botucatu /SP. torialização do complexo eucalipto-celulose-papel e
2013. ix, 90 f. Tese (Doutorado) - Universidade resistência camponesa em Três Lagoas - MS.
Estadual Paulista “Julio de Mesquita Filho” , Caminhos de Geografia, Uberlândia/MG, v. 17, n.
Faculdade de Ciências Agronômicas de Botucatu, 58, p. 81-102, 2016.
Botucatu /SP, 2013.
LICHTLÉ, N. (2018) – Superpixel
BORGES, M. G.; LEITE, M. E.; LEITE, M. R. Segmentationand Color Transfer, Internship
Mapeamento do Eucalipto no Estado de Minas Report, Laboratoire Bordelais de Rechercheen
Gerais Utilizando o Sensor MODIS. ESPAÇO Informatique, 2018
ABERTO, PPGG - UFRJ, v. 8, p. 53-70, 2018.
http://nathanlct.me/docs/report_internship_labri.pd
CRÓSTA, A. P. Processamento digital de imagens f
de sensoriamento remoto. ed. rev. Campinas:
UNICAMP/Instituto de Geociências, 170 p, 1992.
PUC Minas Virtual
22

MACIEL, A; VINHAS, L.; CÂMARA, G. SÃO MIGUEL, A; MEDEIROS, R. B.; GOMES,


Aplicação de técnicas de processamento digital de W. M. A Expansão do cultivo do eucalipto no
imagens usando a extensão espacial PostGIS Raster município de Brasilândia/MS entre os anos de 2000
em imagens de sensoriamento remoto.Anais XVII E 2014. Revista Geoaraguaia, v. 9, n. 1, 2019.
Simpósio Brasileiro de Sensoriamento Remoto -
SBSR, João Pessoa-PB, 2015 SILVA, I; VALE, J. R. B; SOUZA, L. F; ADAMI,
M. Análise da dinâmica do uso e ocupação da terra
MAHDIANPARI, M; SALEHI,B.; do municipio de Sapeza/MT, através do Google
MOHAMMADIMANESH,F.; HOMAYOUNI,S.; Earth Engine. In: Anais do XIX Simpósio Brasileiro
GILL,E. The First Wetland Inventory Map of de Sensoriamento Remoto, 2019, Santos. Anais
eletrônicos... Campinas, GALOÁ, 2019.
Newfoundland at a Spatial Resolution of 10 m
Using Sentinel-1 and Sentinel-2 Data on the Google SILVEIRA, H. L. F. Uso de dados do sensor
Earth Engine Cloud Computing Platform. Remote MSI/Sentinel-2 e de LiDAR aerotransportado para
Sensing. 2019, 11, 43; doi:10.3390/rs11010043 mapeamento de fitofisionomias de Caatinga e
estudo das relações com atributos físico-químicos
MARANHA, L. G.; SANCHES, I. D. A.; MELO, dos solos.Dissertação (Mestrado em Sensoriamento
L. F. S. Análise do comportamento espectro- Remoto) - Instituto Nacional de Pesquisas
temporal do Eucalipto na região do município de Espaciais, São José dos Campos, 2018.
São Bento do Tocantins. In: SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO SOUZA, C.C. Técnicas de sensoriamento remoto
REMOTO, 18. (SBSR), 2017, Santos. Anais... São como subsídios aos estudos de florestas implantadas
José dos Campos/SP. 2017. no Brasil – uma revisão bibliográfica. Ciência
Florestal, [S.l.], v. 17, n. 4, p. 409-417, dez. 2007.
MESQUITA JUNIOR, H, N. Análise temporal com
sensor orbital de unidades fisionômicas decerrado SOUZA, L. F.; ADAMI, M.; VALE,J.R.B.; SIL-
na Gleba Pé-de-Gigante (Parque Estadual de VA, I. Classificação de uso e cobertura da terra em
Vassununga/SP). Dissertação apresentada ao áreas de não floresta do sudeste paraense através da
Departamento de Ecologia do Instituto de plataforma Google Earth Engine (GEE). In: Anais
Biociências da Universidade de São Paulo, para do XIX Simpósio Brasileiro de Sensoriamento
obtenção do grau de mestre em Ecologia dos Remoto, 2019, Santos. Anais eletrônicos...
Ecossistemas Terrestres e Aquáticos. 1998 Campinas, GALOÁ, 2019.

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

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.