AliaSantos VersãoFinal 07 05 2022

FACULDADE DE CIÊNCIAS
Departamento de Matemática e Informática
Trabalho de Licenciatura em
Ciências de Informação Geográfica
Análise Comparativa dos satélites Landsat

(OLI e TM) e Sentinel B2 na avaliação do
Desmatamento na Reserva Florestal de
Mecuburi entre os anos 1991-2020
Autora: Alia Fernando Santos
[Nome completo do autor]

Maputo, Junho de 2022

FACULDADE DE CIÊNCIAS
Departamento de Matemática e Informática
Trabalho de Licenciatura em
Ciências de Informação Geográfica
Análise Comparativa dos satélites Landsat

(OLI e TM) e Sentinel B2 na avaliação do
Desmatamento na Reserva Florestal de
Mecuburi entre os anos 1991-2020
Autora: Alia Fernando Santos
Supervisor: Mestre Márcio Fernando Mathe, UEM
.

Dedicatória
Eu, Alia Fernando Santos, dedico o presente trabalho aos meus pais, Fernando José Santos e Mária
Eugénia Sitoé, à minha irmã Maida Fernando Santos, à minha avó Eugénia Matusse, aos meus tios
Quitéria Vicente Manhiça e Sérgio Adriano Sitoé e aos demais familiares.
i
Declaração de Honra
Eu, Alia Fernando Santos, declaro por minha honra que o presente Trabalho de Licenciatura é resultado
da minha investigação e que o processo foi concebido para ser submetido apenas para a obtenção do
grau de Licenciada em Ciências de Informação Geográfica, na Faculdade de Ciências da Universidade
Eduardo Mondlane.
_______________________________________
(Alia Fernando Santos)
ii
Agradecimentos
Quero deixar meus agradecimentos, em primeiro lugar à Deus por me permitir realizar este sonho, por
me ter dado forças para ultrapassar todos os obstáculos encontrados pelo caminho ao longo do curso, e
posso afirmar que não foram poucos. Agradeço por me ter dado determinação para continuar.
Aos meus pais, Maria Eugênia Sitoé e Fernando José Santos, por terem contribuído desde o início para
a realização deste sonho. Às minha irmã Máida Fernando Santos e Basalisa Crisanto Rufino, pelo suporte
e pelo apoio quando diversas vezes me ví sem saída.
Aos meus tios Quitéria Vicente Manhiça, Sérgio Adriano Sitoé e Francisco Fernando Santos pela
motivação, pela força por me terem ensinado a acreditar que tudo é possivel, pela fé que depositaram em
mim quando eu mesma não acreditava e por terem olhado para mim como uma vencedora.
À família que a faculdade deu me de presente, agradeço-vos pelas lutas, pelas falhas, pelos dias em que
não sabíamos mais o que fazer e mesmo assim seguíamos com a nossa fé inabalável. É graças a vocês
que estou aqui, meu muito obrigada por tudo. Obrigada Agnaldo Huate, à Cláudia Salomone, ao
Matandire Maite, ao Dário Cumbana, Lucinilde Bembele, ao Luís Marucutsane, à Michelle Bila, ao
Rivaldo Rolando, ao Tomás Valoi, à Lénia Matsinhe, ao Maurício Niquice e à Neela dos Santos.
As minhas amigas: Máida Modesto Parruque e Benilde Yara Leal, o vosso carinho e irmandade foi de
extrema importância para que eu pudesse chegar aqui, agradeço-vos eternamente por tudo.
Ao Departamento de Matemática e Informática da UEM, a todos docentes por todo ensinamento ao

longo do curso.
Ao meu orientador Msc. Márcio Fernando Mathe, que incansavelmente foi costurando as linhas que
resultaram na presente dissertação. Obrigada pelo apoio, pelos ensinamentos, contribuições, pela força e
por sempre ter incutido em mim o espírito de resiliência, meu muito obrigada por me ter dado direcção
e ter tornado o meu sonho realidade.
iii
Resumo
O uso da Detecção Remota (DR) apresenta-se como um meio que se dispõe para acelerar e reduzir custos
na aquisição de imagens para a detecção de mudanças no uso e cobertura do solo sendo esta uma das
suas principais aplicações. A aplicação conjunta de sensores multiespectrais das plataformas dos satélites
Landsat e Sentinel, possibilitam a obtenção de melhores resultados nos estudos das mudanças ambientais.
As técnicas de DR em conjunto com os Sistemas de Informação Geográfica (SIG) integrados na análise
do desmatamento, podem ser confiáveis no fornecimento de informações sobre a cobertura florestal e
suas alterações. Deste modo, o presente trabalho visa realizar uma análise comparativa das classificações
da cobertura vegetal pelas duas plataformas de satélite: Landsat 5 e 8 (TM e OLI) e Sentinel (MRS-2) na
Reserva Florestal de Mecuburi situado na Província de Nampula. A metodologia partiu da obtenção de
imagens orbitais da área, passando por etapas de pré-processamento, cálculo de NDVI e classificação
supervisionada por máxima verossimilhança, aplicação do método de detecção de mudanças, bem como
a validação da classificação dos resultados a partir do índice Kappa e posterior produção dos mapas
temáticos. Observa-se que após a divisão das classes (5 classes) os mesmos apresentaram diferenças
visuais, principalmente na representação de solo exposto e terra seca. A classificação da imagem
OLI/Landsat-8 (2020) apresentou índice Kappa de 0,924 indicando um excelente desempenho, e a
classificação da imagem MSI/Sentinel-2 (2020) apresentou índice Kappa de 0,915, que atesta também
uma excelente classificação. Pelos seus resultados pode-se concluir que quando comparadas, as duas
imagens OLI/Landsat-8 e MSI/Sentinel-2 mostram que são óptimas ferramentas para mapeamento de
uso e cobertura da terra e posterior detecção de mudanças da cobertura vegetal na reserva, pois ambas
apresentaram resultados satisfatórios, que são confirmados pelos coeficientes Kappa.
Palavras – chaves: DR, SIG, NDVI, Detecção de Mudanças, Reserva Florestal Mecuburi.
iv
Abreviaturas
CENACARTA Centro Nacional de Cartografia e Teledetecção
DEM Digital Elevation Model
DNFFB Direcção Nacional de Florestas e Fauna Bravia
DR Detecção Remota
ETM+ Enhanced Thematic Mapper Plus
FAO Organização para Alimentacção e Agricultura
MITADER Ministério da Terra, Ambiente e Desenvolvimento Rural
MLME Modelo Linear de Mistura Espectral
MSS Multispectral Scanner
NASA National Aeronautics and Space Admiministration
NDVI Índice de Vegetação por Diferença Normalizada
OLI Operational Land Imager
ONU Organização das Naçães Unidas
RFM Reserva Florestal de Mecuburi
SADC Comunidade para o Desenvolvimento da África Austral
SIG Sistemas de Informação Geográfica
TM Thematic Mapper
TIRS Thermal Infrared Sensor
UNFCC Convenção-Quadro das Nacões Unidas sobre Mudanças Climáticas
USGS United Geological Survey
WRI World Resources Institute
MSI MultiSpectral Instrument
v
Índice
Dedicatória ................................................................................................................................................................ i
Declaração de Honra .............................................................................................................................................. ii
Agradecimentos ...................................................................................................................................................... iii
Resumo .................................................................................................................................................................... iv
Abreviaturas ............................................................................................................................................................. v
Lista de Figuras....................................................................................................................................................... vi
Lista de Tabelas ..................................................................................................................................................... vii
Introdução ................................................................................................................................................................ 1
1.1. Contextualização .................................................................................................................................... 1
1.2. Definição do problema.......................................................................................................................... 2
1.3. Justificativa .............................................................................................................................................. 2
1.4. Relevância ................................................................................................................................................ 3
1.5. Objectivos ............................................................................................................................................... 4
Área de Estudo ........................................................................................................................................................ 5
2.1. Localização Geográfica.......................................................................................................................... 5
2.2. Clima e Hidrografia ................................................................................................................................ 6
2.3. Solo ........................................................................................................................................................... 6
2.4. População ................................................................................................................................................ 6
2.5. Vegetação ................................................................................................................................................ 6
Revisão de Literatura .............................................................................................................................................. 7
3.1. Florestas ................................................................................................................................................... 7
3.1.1. Recursos Florestais ........................................................................................................................ 8
3.1.2. Florestas de Miombo ..................................................................................................................... 9
3.1.3. Divisão do Miombo....................................................................................................................... 9
3.2. Desmatamento ...................................................................................................................................... 10
3.2.1. Desmatamento em Moçambique............................................................................................... 11
vi
3.2.2. Causas do Desmatamento na Reserva Florestal de Mecuburi .............................................. 12
3.3. Detecção Remota ................................................................................................................................. 13
3.3.1. Resolução de imagens na Detecção Remota............................................................................ 14
3.3.2. Aplicação da Detecção Remota ................................................................................................. 15
3.3.3. Radiação Electromagnética e Espectro Electromagnético .................................................... 16
3.4. Classificação Supervisionada de Imagem de Satélite....................................................................... 17
3.4.1. Validação da Classificação .......................................................................................................... 17
3.5. Detecção de Mudanças ........................................................................................................................ 18
3.5.1. Agentes de mudança .................................................................................................................... 18
3.5.2. Abordagens ................................................................................................................................... 19
3.6. Sistemas de Informação Geográfica .................................................................................................. 19
3.7. Índice de Vegetação por Diferença Normalizada ........................................................................... 21
3.8. Sensores Orbitais .................................................................................................................................. 22
3.8.1. Satélite Landsat ............................................................................................................................. 22
3.8.2. Características do Satélite LANDSAT 5 TM ........................................................................... 23
3.8.3. Características do Satélite Landsat 8 OLI................................................................................. 24
3.8.4. Características do Satélite Sentintel-2 ........................................................................................ 25
3.9. Detecção Remota na avaliação do desmatamento .......................................................................... 26
Material e Métodos ............................................................................................................................................... 28
4.1. Material .................................................................................................................................................. 28
4.2. Metodologia .......................................................................................................................................... 29
4.2.1. Metodologia para análise do desmatamento por meio de sensores orbitais ....................... 29
4.2.2. Pré-Processamento ...................................................................................................................... 31
4.2.3. Cálculo do Índice De Vegetação Por Diferença Normalizada ............................................. 32
4.2.4. Classificação Digital ..................................................................................................................... 32
4.2.5. Validação da Classificação .......................................................................................................... 33
Resultados e Discussão ........................................................................................................................................ 34
5.1. Resultados obtidos com a extracção do Índice De Vegetação Por Diferença Normalizada .... 34
vii
5.2. Resultado da detecção de mudanças ao longo dos anos 1991-2020 ............................................. 44
Conclusões e Recomendações ............................................................................................................................ 51
5.1. Conclusão .............................................................................................................................................. 51
5.2. Recomendações .................................................................................................................................... 52
Referências Bibliográficas .................................................................................................................................... 53
Anexo...................................................................................................................................................................... 59
Anexo 1: Imagens satélite Landsat 5 TM de 1991, 2000 e 2010 e Landsat 8 OLI 2020 da Reserva
Florestal de Mecuburi. ................................................................................................................................... 60
viii
Lista de Figuras
Figura 1: Mapa de localização geográfica da Reserva Florestal de Mecuburi. Elaborado pela autora. ...... 5
Figura 2: Sistema de aquisição, transmissão e colecta de dados de satélites, Florenzano (2007). ............. 15
Figura 3: Onda Electromagnetica. Fonte: Aggarwal, 2004. ............................................................................ 16
Figura 4: Espectro electromagnético. Fonte: Yadav et al, 2013. .................................................................... 16
Figura 5: Diferença espectral entre uma vegetação saudável e outra queimada. Fonte: USFS, 2015. ...... 18
Figura 6: Aplicação de SIG. Fonte: (Ferreira et al. 2014)................................................................................ 20
Figura 7: Cronologia de Lançamento e período dos Satélites Landsat. Fonte: Wulder et al. 2016. ......... 23
Figura 8: Faixas Espectrais das Bandas do Landast 5. Fonte: NASA, 2018. ............................................... 24
Figura 9: Faixas Espectrais das Bandas do satélite Landsat 8. Fonte: NASA, 2018. .................................. 24
Figure 10:Missões Sentinel e suas aplicações. Fonte: ESA (2013). ................................................................ 25
Figura 11: Características do Satélite Sentinel-2. Fonte: ESA (2017). ........................................................... 25
Figura 12: Fluxograma metodológico. Fonte: Elaborado pela autora........................................................... 30
Figura 13: Gráfico da quantificação da áreas com Vegetação Densa, Arbustos e Paisagem, Solo
exposto/área construída, Terra seca e Água. .................................................................................................... 35
Figura 14:NDVI da Imagem Landsat 5 TM de 1991. ..................................................................................... 36
Figura 15: NDVI da Imagem Landsat 5 TM de 2000. .................................................................................... 37
Figura 16: NDVI da Imagem Landsat 5 TM de 2010. .................................................................................... 38
Figura 17: NDVI da Imagem Landsat 8 OLI de 2020. ................................................................................... 39
Figura 18: NDVI da Imagem Sentinel 2 do ano 2015. .................................................................................... 42
Figura 19: NDVI da Imagem Sentinel 2 do ano 2015. .................................................................................... 43
Figura 20: Gráfico da quantificação da mudança da cobertura vegetal. ....................................................... 45
Figura 21: Detecção de mudanças dos anos 1991-2000. ................................................................................. 46
vi
Lista de Tabelas
Tabela 1: Dados a serem usados no trabalho. .................................................................................................. 28
Tabela 2: Divisão da classificação. Fonte: (Jackson & Huete, 2015). ............................................................ 32
Tabela 3: Qualidade da classificação segundo intervalos do Índice Kappa. Fonte: (Viela, 2014). ............ 33
Tabela 4: Quanticacção das áreas com Vegetação Densa, Arbustos e Paisagem, Solo exposto/área
construída, Terra seca e Água. ............................................................................................................................ 34
Tabela 5: Valores de Índice Kappa da classificação do TM/OLI-Landsat e sua respectiva qualidade de
classificação. ........................................................................................................................................................... 40
Tabela 6: Valores de Índice Kappa da classificação do MSI/Sentinel 2 e sua respectiva qualidade de
classificação. ........................................................................................................................................................... 44
Tabela 7: Quantificação da mudança da cobertura vegetal. ............................................................................ 44
vii
1
Introdução
Neste primeiro capítulo apresentam-se a contextualização deste tema, definição do problema, justificativa
e sua relevância, bem como os objectivos do trabalho realizado.
1.1. Contextualização
Moçambique é um dos poucos países da África Austral que contém uma área considerável de florestas
nativas, sendo os seus principais tipos: o Miombo, o Mecrusse e o Mopane (Magalhães T. , 2018). Estas
florestas estão sujeitas a uma elevada taxa de desmatamento e degradação florestal devido à alta demanda
por bens e serviços e por constituírem o principal meio para abrir novas áreas de cultivo pelos agricultores
(Soares, 2017).
A disposição geográfica e extensão territorial de Moçambique confere-lhe uma considerável riqueza em

termos de diversidade biológica. Em qualquer direcção cardeal, é notória uma variedade de ecossistemas
e habitats que vão desde extensas florestas de Miombo, florestas de galeria e ecossistemas lacustres (FAO,
2015). As províncias mais desmatadas no país são Nampula, Zambézia e Manica. Para além da perda da
área florestal resultante do desmatamento, verifica-se a degradação florestal1.
As informações adquiridas por meio da Detecção Remota (DR), em especial aqueles gerados por
plataformas orbitais, tem sido requisitadas em diversas aplicações. A DR consiste uma das técnicas mais
importantes de aquisição de dados existentes actualmente para os estudos ambientais (Kawakubo et al.
2003).
A utilização de técnicas de DR e SIG nas análises ambientais tem se tornado uma prática cada vez mais
frequente entre as diversas áreas de pesquisa. No caso da cobertura vegetal, a detecção de mudanças do
seu estado pode ser determinada por meio de métodos que utilizam, por exemplo, à diferença dos Índices
de Vegetação a partir de duas ou mais datas diferentes, estas técnicas contribuem de forma eficiente e
com confiabilidade para as análises que envolvem os vários tipos de alterações antrópicas, como o
desmatamento de áreas de vegetação nativa para a produção agrícola, expansão urbana, corte ilegal de
madeira, entre outras (Freires, 2009).
1Degradacção Florestal é a perda da capacidade que uma floresta possui de fornecer bens e serviços ambientais chave para o
bem-estar no Planeta (Falcão e Noa, 2016).
1
Por meio de imagens de satélite é possível observar o ambiente e sua transformação, destacando
elementos de paisagem, tais como o relevo, a vegetação, a água e o uso do solo em diversos períodos de
tempo e de extensas áreas da superfície da terra, sendo possível, assim, observar as áreas que obtiveram
maiores transformações, sejam elas positivas ou negativas (USGS, 2013). Nesta perspectiva, o presente
trabalho visa realizar uma análise comparativa das classificações multiespectrais geradas por imagens dos
satélites Landsat 5 TM e 8 OLI e o Sentinel 2B na avaliação do desmatamento na Reserva Florestal de
Mecuburi(RFM).
1.2. Definição do problema
A RFM, torna-se alvo para a exploração ilegal de madeira assim como a prática de agricultura (diferentes
tipos de cultura), por ser a maior reserva florestal e por conter uma das mais preciosas florestas (do tipo
Miombo). A exploração e utilização massiva desses recursos florestais, ameaça a conservação destes
recursos a médio e longo prazo (Issufo, 2020).
A principal motivação dos estudos em vegetação envolvendo a aplicação das técnicas de Detecção
Remota, fundamenta-se na compreensão da resposta espectral que uma dada cobertura vegetal assume
em um determinado produto, a qual é fruto de um processo complexo que envolve muitos parâmetros e
factores ambientais. Com a aplicação conjunta de diferentes sensores, torna-se possível fazer um estudo
mais detalhado de uma determinada área (Rosa, 2009).
Devido a existência não só da diversidade da fauna e da flora, mas também pelo principal tipo de
vegetação, as autoridades moçambicanas proíbem por lei2, por isso, que esta riqueza seja explorada de
forma desordenada o que não impede que de forma furtiva, seja frequentada por indivíduos que aliciam
os residentes locais para que cortem por exemplo a madeira e a vendam a preços considerados irrisórios.
Este estudo aparece como uma medida das preocupações apresentadas acima, com vista a dar subsídios
ao monitoramento e planeamento de acções de combate ao desmatamento na Reserva Florestal de
Mecuburi, reconhecendo-se as limitações de tempo e orçamento associados.
1.3. Justificativa
O objectivo da gestão de recursos florestais é encontrar uma forma de garantir sua sustentabilidade,
Nampula lidera no país tanto em área como em percentagem de perda, com cerca de 850.000 hectares
perdidos até 2016, representando 42% da sua cobertura florestal de 2001 (MITADER, 2018). A escolha
do tema deve-se ao facto das explorações dos recursos naturais (especificamente em reservas florestais
2 Lei de Florestas e Fauna Bravia (2002).
2
de Moçambique), serem convertidas de forma massiva para vários fins, como por exemplo: exploração
do carvão vegetal, para exportação, construção, móveis, madeira de menor valor (lenha), e prática de
agricultura itinerante, que assume um papel preponderante na planificação do desenvolvimento rural e
da economia rural em Moçambique. E pela preocupação generalizada sobre a forma como é feita a
exploração dos recursos naturais, dada a escassez de estudos, sobretudo actuais torna difícil o
acompanhamento da real situação. Portanto um estudo actual de análise da cobertura vegetal desta
reserva florestal pode servir de instrumento que auxilia no desenvolvimento de estratégias e medidas de
controle e preservação da reserva, proporcionando um ganho social, económico e ambiental.
1.4. Relevância
Os estudos de monitorização das alterações da cobertura vegetal têm-se focado principalmente na

detecção de classes particulares, com maior incidência para queimadas, o mau uso e aproveitamento de
terra e entre outros factores (Ceagre & Winrock., 2015).
A avaliação e análise da cobertura vegetal e sua mudança é uma questão essencial para manejo florestal,
auxiliando no desenvolvimento de métodos para apoiar os formuladores de políticas a tomar uma decisão
que pode assegurar e conter a exploração descontrolada dos recursos florestais.
Neste âmbito é indispensável um estudo sobre a distribuição e estado de conservação das florestas, pois
deste modo, o estudo contribuirá para a conservação da biodiversidade e dos ecossistemas endémicos na
Reserva Florestal Mecuburi em particular para um maior conhecimento da espécies que são encontradas
na floresta de Miombo.
3
1.5. Objectivos
Objectivo Geral
Analisar o desmatamento na Reserva de Florestal de Mecuburi comparando as respostas espectrais dos

sensores orbitais OLI e TM (Landsat 5 e 8) e Sentinel (MSI-2).
Objectivos Específicos
 Calcular o Índice de Vegetação por Diferença Normalizada (NDVI) das imagens Landsat (5 TM
e 8 OLI) e Sentinel (MSI-2) da área de estudo;
 Verificar a acurácia da classificação supervisionada por máxima verossimilhança das imagens
através do índice Kappa;
 Avaliar o desmatamento aplicando o método de detecção de mudanças para os 3 diferentes
períodos;
 Produzir mapas ilustrativos do desmatamento entre os anos 1991-2020 na da área de estudo.
4
2
Área de Estudo
Este capítulo caracteriza a área de estudo, descrevendo sua localização, clima, hidrografia e solo.
2.1. Localização Geográfica
A Reserva Florestal de Mecuburi situa-se no norte da província de Nampula no distrito de Mecuburi,

esta é a maior reserva florestal do país, criada pela portaria 8459, boletim oficial. No. 29, I série, de 22 de
julho de 1950 delimitada pelas coordenadas geográficas. O distrito de Mecuburi tem como limites, a
Norte o rio Lúrio, que separa da província de Cabo Delgado, a Este os distritos de Erati-Namapa e
Muecate, a Sul o distrito de Nampula e a Oeste os distritos de Lalaua e Ribaué (MAE, 2005). Contava
inicialmente com uma área de 230.000 ha, passando a contar com uma área de 195.000 ha (Müller et al.
2005).
Figura 1: Mapa de localização geográfica da Reserva Florestal de Mecuburi. Elaborado pela autora.
5
2.2. Clima e Hidrografia
Dados do Instituto Nacional de Meteorologia – Estação de Mecuburi, indicam temperaturas médias

anuais de 25º C, sendo Janeiro e Fevereiro os meses mais quentes (com 26,6 ºC e 25,8ºC, respectivamente)
e Julho o mês mais frio e seco (com 21,2ºC) (Ribeiro et al. 2002). Climaticamente a região é dominada
por climas do tipo semiárido e sub-húmido seco. A precipitação média anual varia de 800 a 1200 mm,
enquanto a evapotranspiração potencial de referência (ETo) está entre os 1300 e 1500 mm (MAE, 2005).
O distrito é rico em rios e lagoas, inserindo-se na Bacia Hidrográfica de Mecuburi. É atravessado pelos
rios Lúrio, Mecubúri, Monapo e Muite. Os seus cursos de água seguem na direcção Oeste-Este seguindo
a orientação do relevo que se inclina em direcção ao Oceano Índico. São rios de regime periódicos e de
navegabilidade reduzida (MAE, 2005).
2.3. Solo
A RFM insere-se numa região de relevo que varia das planícies de aluvião nas proximidades dos cursos
de água e nas zonas adjacentes, áreas de média altitude (200 m e 500 m), às zonas montanhosas de Imala,
entre 500 e 1 200 m de altitude. Predomina o clima quente, oceânico, seco (na zona norte da região) a
chuvoso (no restante) (MAE, 2005). Fisiograficamente a área é constituída por uma zona planáltica baixa
que, gradualmente passa para um relevo mais dissecado com encostas mais declives intermédias, da zona
subplanáltica de transição para a zona litoral (Idem).
2.4. População
Estima-se que vivam na área da reserva cerca de 40 mil pessoas integradas em 12 mil agregados familiares
e distribuídos por 15 regulados. A agricultura itinerante e exploração de madeira é a principal actividade
de subsistência. É praticada maioritariamente em regime de consociação de culturas e em áreas com
menos de 1 hectare (MAE, 2005).
2.5. Vegetação
De acordo Costa (1998), o Miombo é o principal tipo de vegetação da reserva, e denota a presença e
dominância de uma ou mais espécies do género Brachystegia e Julbernardia, e da espécie Isoberlina angolensis
(Fabaceae, Subfamilia Caesalpinioideae) na região. Ao longo do rio Mecuburi encontra-se floresta de galeria,
com dominância de espécies como Spirostachys africana, Schinziophyton rautaneniie, Milletia stuhlmanni e ainda
algumas pequenas árvores como Friesodielsia obovatae e várias espécies do género Strychnus (Ribeiro et
al. 2002).
6
3
Revisão de Literatura
Neste capítulo são abordados os temas de maior relevância neste estudo, dentre eles o Desmatamento e
Detecção Remota.
3.1. Florestas
As florestas podem ser consideradas os pulmões do Planeta. Estas cobrem um terço da área terrestre e
são o lar de 80 por cento da biodiversidade terrestre. São cruciais para enfrentar inúmeros imperativos
de desenvolvimento sustentável, desde a erradicação da pobreza à segurança alimentar, desde a mitigação
e adaptação às alterações climáticas e à redução do risco de desastres (Marzoli, 2007).
Em África há cerca de 68 definições de floresta a serem utilizadas pelos países africanos, dezasseis países
têm mais de uma definição e utilizam uma definição secundária para UNFCC. Das definições da UNFCC,
15 definições são baseadas no nível de cobertura, com excepção do Ghana que utiliza o potencial florestal
como base. Cerca de 14 países africanos não possuem nenhuma definição de floresta adoptada, sendo de
destacar Angola, Chade, Benin, e outros (Falcão e Noa, 2016).
Segundo a FAO (2010) florestas são terras que ocupam mais de 0,5 hectares com árvores de altura
superior a 5 metros e uma cobertura de copa de mais de 10%, ou árvores capazes de alcançar esses limites
in situ3. Esta definição inclui plantações usadas primariamente para produção de fibra ou fins de
protecção; áreas com bambus e palmas, desde que os critérios de altura e cobertura de copa sejam
atendidos; caminhos na floresta, aceiros e outras pequenas faixas de terrenos abertos; quebra-ventos,
cinturões de protecção e corredores de árvores com área de mais de 0,5 hectares e largura de mais de 20
metros.
Em Moçambique, a lei de Florestas e Fauna Bravia, define floresta como uma área com cobertura vegetal,
capaz de fornecer madeira ou produtos vegetais, albergar fauna e exercer um efeito directo ou indirecto
sobre o solo, clima ou regime hídrico. Esta definição legal enfatiza as funções ecológicas para fins
comerciais. Por isso, não se aplica para efeitos de monitoria, quantificação ou mapeamento realístico de
biomassa florestal. Para isso, uma definição operativa deve ser utilizada, esta definição deve ser funcional
3 In Situ é uma expressão que significa no lugar
7
(a função que exerce este recurso para a sociedade, natureza e ao ambiente (solo, água e clima) (Falcão e
Noa, 2016).
O país é constituído por treze (13) reservas florestais (Müller et al. 2005), destas 13 reservas florestais
tem-se a Reserva Florestal do Licuáti na província de Maputo, Reserva Florestal de Inhamitanga,
Mucheve e Nhapacue na província de Sofala, Reserva Florestal de Maronga, Regula Zomba e Moribane
na província de Manica, Reserva Florestal de Ribáué, Mupalue, Mtibane, do Baixo Pindo e Mecuburi na
província de Nampula e a Reserva Florestal do Derre na província de Zambézia. Que são definidas
segundo a lei número 10/99 de 07 de Julho artigo 12 como sendo “zonas de protecção total, destinadas
a protecção de certas espécies de flora e fauna raras, endémicas, em vias de extinção ou que denunciem
declínio e os ecossistemas frágeis tais como zonas húmidas, dunas, mangais e corais” (Muller et al. 2005).
3.1.1. Recursos Florestais

A DNFFB (1999) define recursos florestais como florestas e outras formas de vegetação, incluindo os
produtos florestais, a fauna bravia, os troféus e despojos, que tenham ou não sido processados. Cerca de
70% do território Moçambicano (54,8 milhões de hectares) está coberto de Floresta e outras formações
lenhosas. A cobertura florestal actual corresponde a 51% da superfície do país e confere uma riqueza de
vegetação, com destaque para as províncias de Zambézia, Sofala, Niassa, Cabo Delgado, Inhambane e
Nampula (ME, 2013).
Moçambique é um dos países da SADC que ainda possui consideráveis recursos florestais e faunísticos.
Estes recursos são de especial importância para o país, pela sua dimensão ambiental, social e económica.
A agricultura itinerante, a exploração de madeira, lenha e a produção de carvão, as queimadas
descontroladas e a caça furtiva são apontadas como as principais ameaças dos recursos florestais e
faunísticos no país (Bila, 2005).
Mais de 50% do território nacional é coberto por Florestas com potencial para estabelecimento de
plantações florestais de cerca de 3 milhões de hectares. Capacitados para explorações de Produtos
florestais como: papel, mobiliário, folheados, contraplacados, painéis, postes e alberga espaço para um
maior e melhor desenvolvimento da indústria transformadora (Awasse e Mushove, 2000).
A exploração de recursos florestais para diferentes fins, não tem sido realizada com base num
conhecimento da ecologia e requisitos das espécies nativas. Isto resulta na degradação dos ecossistemas,
pondo em causa a sustentabilidade do recurso florestal. Assim sendo, é imprescindível que se adquira um
conhecimento destes processos fundamentais para que se desenvolvam programas de maneio que
garantam a capacidade de regeneracção e desenvolvimento das espécies e que identifiquem tecnologias
silviculturais adequadas às diferentes formações florestais (Magalhães T. M., 2014).
8
3.1.2. Florestas de Miombo
Miombo é um termo coloquial usado para descrever as florestas centrais, meridionais e orientais africanas,
dominadas pelos géneros Brachystegia, Julbernardia e/ou Isoberlinia. Estes três géneros de árvores,
estreitamente relacionados, da família das leguminosas (Fabaceae, subfamília Caesalpinioideae) apresentam
uma altura de 6 a 20 metros, folhas compostas-pinadas e caducas, pelo menos durante um curto período
do ano, o que está relacionado com a carência de água ou com temperaturas baixas. São plantas resistentes
ao fogo e dominantes em solos pobres. Nas florestas de Miombo existem 21 espécies de Brachystegia e
três espécies de cada um dos outros dois géneros, as quais constituem a flora dominante na África
(Timberlake e Chidumayo, 2011).
As florestas de Miombo apresentam um sistema radicular bem desenvolvido com raízes profundas e
muitas raízes laterais, permitindo-lhes capturar os nutrientes lixiviados das camadas superiores do solo.
Muitos nutrientes são devolvidos ao solo através da perda de folhas e decomposição das mesmas. Estes
processos que envolvem a retirada de nutrientes do solo, a produção de húmus e a decomposição são
provavelmente a base para a produção sustentada no ecossistema de Miombo apesar da baixa fertilidade
dos solos (Uetela, 2014).
Em Moçambique dois terços das florestas naturais pertencem a uma formação de savanas tropicais
semiárida, conhecida por Miombo. A floresta de Miombo pela sua extensão é muito importante para o
sustento da população local. É usada principalmente como fonte para obtenção plantas medicinais,
agricultura, caça, exploração de madeira, entre outros benefícios (Chidumayo, 1997).
Ao longo do tempo essas florestas têm sofrido perturbações decorrentes do processo de ocupação da
terra, devido essencialmente ao aumento de fronteiras agrícolas e exploração de madeira. A exploração
florestal em Moçambique tem alcançado um ponto em que a colecta supera a capacidade de regeneracção
natural de algumas espécies, como consequência da demanda verificada nos últimos tempos (Issufo,
2020).
3.1.3. Divisão do Miombo

De acordo com Ribeiro et al. (2002) o Miombo subdivide-se em húmido e seco. A variante húmida é
mais frequente no oeste de Angola, norte de Zâmbia, sudoeste da Tanzânia e a zona central de Malawi,
em áreas com precipitação média anual superior a 1000 mm. Esta subdivisão também ocorre em
Moçambique, embora muito pouco frequente, pode ser encontrado em Gurué na província de Zambézia
e em algumas províncias como Nampula e Cabo Delgado. Floristicamente é mais rico que o Miombo
seco, e nele podem ser encontradas quase todas as espécies do Miombo. A variante seca ocorre no sul de
9
Malawi, Zimbabwe e Moçambique, em áreas com uma precipitação média inferior a 1000 mm/ano,
apresentando uma diversidade florística menor que a variante húmida.
A cobertura vegetal é estimada em 2.7 milhões de km2 é o tipo de vegetação mais extensivo em África
(Giliba et al. 2011), esta integrada na eco-região do Miombo com uma cobertura de 3.6 milhões de km2
e suporta das mais importantes e prosperas populações de grandes mamíferos em África (Timberlake e
Chidumayo, 2011).
Em Moçambique, o Miombo estende-se desde o extremo norte do País no Rio Rovuma ao Rio Limpopo,
sendo mais predominante no norte do País cobrindo extensas áreas da província de Niassa, Nampula e
Cabo Delgado(Ribeiro et al. 2002).
Conforme as variações do clima, solos e altitude, o Miombo de Moçambique pode ser dividido em três
tipos (Costa, 1996 citado por Frost, 1996; Pereira 2000):
a) Miombo denso: Constituído por árvores de 15 a 22 metros de altura, com copas juntas e sobrepostas
e pouco capim no solo, e precipitação ao redor de 1200-1800 mm, como é o caso do Miombo das terras
altas de Manica e Zambézia.
b) Miombo médio: ocorre em zonas com altitudes acima dos 500 m e precipitação entre 900 e 1400
mm/ano, apresentando árvores com uma altura média de 10 a 15 m. Este tipo de Miombo pode ser
encontrado em Pindanyanga- Manica.
c) Miombo pobre: ocorre em zonas com altitude entre 50-800 e precipitação 800-900 mm/ano. As
árvores estão dispersas, formando florestas abertas cuja altura média varia entre 7 e 12 m. Encontra-se
na província de Tete, zonas de influência do rio Zambeze, e zonas da província de Inhambane e Gaza
3.2. Desmatamento
Desmatamento é entendido como operação/processo que objectiva/resulta na supressão total da

vegetação nativa de determinada área para o uso alternativo do solo (implantação de projectos de
assentamento de população, agropecuários; industriais; florestais; de geração e transmissão de energia; de
mineração; e de transporte. Este é um processo que começa com degradação, sendo por isso difícil de
separar os dois processos, pois pode ocorrer em sequência numa mesma área e de forma combinada de
vários processos (Marzoli, 2007).
Por sua vez, para (Falcão e Noa, 2016) definem o Desmatamento como sendo a conversão, directamente
induzida pelo homem, de terra com floresta para terra sem floresta e a Degradação Florestal como a
redução a longo prazo da cobertura da copa e/ou stock da floresta que leva a diminuição do fornecimento
de benefícios a partir da floresta, os quais inclui madeira, biodiversidade e outros produtos e serviços.
10
A incorreta gestão das áreas de floresta e dos recursos florestais ao longo dos séculos, devido
principalmente à necessidade de disponibilizar terra para cultivar alimentos, levou a uma situação em que
a floresta está. As pressões para o desflorestamento surgem de uma combinação de factores, enraizados
em causas de natureza económica e incluem: Novas terras para fins agrícolas; Novas terras para fins
pecuários; Corte das florestas para extracção de madeira; Aumento da pressão populacional humana;
Procura aumentada de madeira para combustível; Fogos florestais(Soares e Motta, 2010).
Vários estudos foram realizados sobre as alterações no cobertura florestal mundial pelas organizações e
instituições como a FAO, UNEP (United Nations Environment Programme), WRI (World Resources Institute),
entre outras. Pese embora tais estudos divergirem quanto à metodologia e às conclusões específicas, mas
no essencial todos afirmam uma constatação geral da diminuição e contínua degradação das florestas,
especialmente nos países em desenvolvimento. O mundo perdeu mais de 3% da sua cobertura florestal
entre 1990 e 2005 e cerca de 96% da desflorestação recente teve lugar nas regiões tropicais e a mais
significativa perda líquida de cobertura florestal registou-se entre 2000 e 2005 em dez países - Brasil,
Indonésia, Sudão, Mianmar, Zâmbia, República Unida da Tanzânia, Nigéria, República Democrática do
Congo, Zimbabué e Venezuela (FAO, 2010).
3.2.1. Desmatamento em Moçambique
Na terminologia Moçambicana, desmatamento e desflorestamento referem-se ao mesmo significado.

Esta equivalência deriva da designação comum de florestas como “mato” e, ao longo deste trabalho,
usam-se de forma igual. O desmatamento refere-se ao processo de mudança de cobertura florestal numa
direcção degradativa em que áreas classificadas como florestas (densas ou abertas) são convertidas para
outro tipo de cobertura ou uso não florestal (Sitoe et al. 2013).
Apesar do grande potencial florestal, Moçambique enfrenta enormes desafios na gestão destes recursos
florestais, em parte devido a grande demanda da indústria florestal e pelo facto de cerca de 85% das
necessidades energéticas serem satisfeitas pela energia de biomassa. Segundo o estudo desenvolvido pelo
MITADER (2016) demonstra que cerca de 220 000 hectares de floresta perdem-se anualmente devido
ao desmatamento, a conversão de áreas de florestas em áreas de cultivo pela prática de agricultura
itinerante é apontada como uma das causas dominantes do desflorestamento.
O desmatamento é um fenómeno comum em Moçambique e é resultado do corte selectivo de árvores

(exploração madeireira), queimadas descontroladas ou abertura de pequenas áreas de machambas dentro
de áreas de vegetação densa ou esparsa (Sitoe et al. 2012).
O desflorestamento é mais frequente nas florestas semi-decíduas e semi-sempre-verdes onde

predominam as formações do Miombo. As principais causas deste fenómeno são: a agricultura (86%) do
11
desflorestamento anual, e a conversão de florestas para planície (13%), devido à exploração florestal para
fins de combustíveis lenhosos e madeira. A conversão de florestas em assentos humanos foi de 0,1%.
Estes resultados são consistentes com os estudos anteriores, que mostraram que a agricultura e a
exploração florestal foram as principais causas do desflorestamento (MITADER, 2018).
O desmatamento é um processo acompanhado de diminuição do valor dos parâmetros, tais como o

número de árvores, volume e biomassa. Dentro deste processo estão os casos de conversão de florestas
para agricultura ou para outras formações lenhosas, tais como arbustos ou matagais (Sitoe et al. 2013).
Em Moçambique, a cobertura florestal reduz continuamente ao longo do tempo. Entre 2001 e 2016,
observou-se uma perda de cerca de 2,97 milhões de hectares. Reduções acentuadas observaram-se nas
províncias de Nampula (853.208 hectares), Zambézia (506.171 hectares), Niassa (435.678 hectares) e
Manica (406.236 hectares) (Falcão e Noa, 2016).
Estudos recentes sobre o desmatamento em Moçambique demonstram uma tendência cada vez mais
crescente deste problema causado principalmente por dois processos: 1) expansão da agricultura
itinerante e 2) exploração de madeira, carvão vegetal e lenha (Ceagre e Winrock., 2015).
3.2.2. Causas do Desmatamento na Reserva Florestal de Mecuburi
As causas de desmatamento na Reserva Florestal de Mecuburi são múltiplas e complexas. Estas incluem
causas directas e indirectas. Estudos anteriores reportam como causas directas a agricultura (itinerante e
comercial), a colheita/colecta de lenha, o fabrico de carvão e a expansão de zonas habitacionais, como
os principais motivos de mudança no uso e cobertura florestal (FAEF, 2013).
Nota-se que as comunidades locais tem utilizado a área da floresta para a prática de agricultura de
sequeiro, caça com aplicação de métodos primitivos (fogo) e armadilhas, colecta frequente de lenha
(ramos e árvores mortas ou abate de árvores) e, colecta de produtos florestais não madeireiros (mel,
plantas medicinais, e palha para cobertura de palhotas). De acordo com as entrevistas informais a 12
membros das comunidades locais no terreno, a floresta sofre queimadas descontroladas todos os anos,
sendo esta uma das razões de praticamente não possuir ramos e troncos mortos no solo (Mueia, 2018).
As autoridades tem pouca capacidade de fiscalização dada a insuficiência de fiscais Florestais. De 2009
até os finais de 2017, a reserva florestal de Mecuburi conheceu uma acentuada devastação por parte dos
furtivos. A população local conta que os mesmos extraíam espécies madeireiras no período noturno, e
no período diurno os locais onde eram extraídas as espécies convertiam em campos(terrenos) agrícolas.
A cada dia que passa muitas espécies de árvores são abatidas tanto pelos furtivos quanto pela população
local (Idem).
12
3.3. Detecção Remota
De acordo com Florenzano (2002), Detecção Remota é a tecnologia que permite obter imagens e outros
tipos de dados, da superfície terrestre, mediante a captação e do registo de energia reflectida ou emitida
pela superfície incluindo as fotografias aéreas e as imagens de satélite.
Pinto (2001) refere-se à Detecção Remota como a utilização conjunta de modernos sensores,
equipamentos para o processamento de dados, equipamentos de transmissão de dados, aeronaves, entre
outros com objectivo de estudar o ambiente terrestre através do registo e de análise das interacções entre
a radiação electromagnética e as substâncias componentes do planeta terra.
Para Silva e Sousa (2011) define DR como sendo uma técnica de obter informações sobre um objecto
sem entrar em contacto directo com ele. Matos e Baio (2007) também define numa mesma abordagem,
dizendo que DR é o processo de aquisição de informações de um objecto, através de análise de dados
obtidos de forma não directa.
Sendo assim podemos definir Detecção Remota como sendo um conjunto de técnicas usadas para
aquisição, processamento e análise de dados da superfície terrestre, obtidas através de imagens satélite ou
imagens aéreas.
A utilização da DR com imagens de satélite, teve início nas décadas de 60 e 70. O SIG (Sistemas de
Informação Geográfica) e a DR podem ser usados para acessar variáveis espaciais e temporais,
proporcionando melhor integração e organização dos dados, avaliação e prognóstico de problemas com
auxílio de modelos matemáticos de simulação (Pinto, 1991).
A Detecção Remota usa uma parte ou várias partes do espectro electromagnético. Ele registra a energia
electromagnética reflectida ou emitida pela superfície da Terra. A quantidade de radiação de um objecto
(chamada radiância) é influenciada pelas propriedades do objecto e pela radiação que atinge o objecto
(irradiância). Os olhos humanos registram a luz solar reflectida por esses objectos e nossos cérebros
interpretam as cores, os tons de cinza e as variações de intensidade (Aggarwal, 2004).
Vários tipos de ferramentas e dispositivos são usados para tornar a radiação electromagnética fora desta
faixa de 400 a 700 nm visível ao olho humano, especialmente o infravermelho próximo, infravermelho
médio, infravermelho térmico e microondas (Aggarwal, 2004). Pode ser dividido em Detecção Remota
"activo" (ou seja, quando um sinal é emitido por um satélite ou aeronave e seu reflexo pelo objecto é
detectado pelo sensor) e Detecção Remota "passivo" (ou seja, quando o reflexo da luz solar é detectado
pelo sensor) (Acharya et al. 2018).
13
3.3.1. Resolução de imagens na Detecção Remota
A resolução pode ser definida como sendo uma medida de capacidade de distinguir a sinais de
proximidade espacial e similaridade espectral e está dividido em 4 classes: espacial, espectral, radiométrica
e temporal (Santos, 2013).
Amorim (2015) define a resolução espacial obtida por um sensor, como a quantificação da superfície
terrestre representada por cada célula ou pixel da imagem, designada por IFOV4, que está directamente
relacionada a distância em que o sensor está em relação a terra.
Mas para Ferrão (2003) a resolução espacial pode ser definida pelo tamanho do pixel, que corresponde à
unidade mínima de informação de uma imagem. As imagens de satélite são constituídas por pontos
elementares com um determinado valor abaixo do qual não é possível diferenciar os objectos. Este ponto
elementar designa-se por pixel e integra o valor de cada uma das respostas espectrais (vegetação, solo,
água).
Segundo os autores Silva e Sousa (2011) a resolução espectral de um sensor está relacionada ao número
de bandas que este sensor pode observar no espectro electromagnéticos. Essas bandas podem ser
observadas por meio de sensores ópticos, térmicos, e para que um objecto/elemento seja observado é
necessário que o seu tamanho seja de tamanho igual ou maior que a célula de resolução.
Ferrão (2003) define resolução espectral como o alcance das bandas espectrais do sensor. Isto é, a medida
em relação à largura das faixas espectrais nas quais o sensor opera, ou seja, quanto mais estreitas as bandas
(canais) maior será a capacidade do sensor de registrar pequenas variações do comportamento espectral.
A resolução radiométrica é definida pelo processador portado pelo satélite, refere-se a quantidade de
bits (n) com que a energia electromagnética é quantificada definindo quantidade de níveis de cinza = 2n
níveis de cinza. Quanto mais elevada a radiação radiométrica de um sensor maior é sua capacidade de
distinguir pequenas variações radiação emitida ou reflectida. Resolução radiométrica é o nível de tons de
cinzento entre o preto e o branco que podem ser distinguidos e o número máximo de tons de cinza que
pode ser distinguido é 28 = 256 digitais que variam de 0 a 255 (Silva & Sousa, 2011).
Resolução temporal é a periodicidade com que o sensor capta a imagem da mesma porção da superfície
terrestre. Esta resolução depende das características orbitais da plataforma: altura, velocidade e inclinação
e do próprio desenho do sensor: ângulo de observação e ângulo de cobertura (Ferrão, 2003).
Pode-se assim concluir, que a resolução temporal diz respeito a cobertura temporal do programa de
aquisição, ou seja, diferença entre o início e o fim de uma cobertura.
4Campo de Visão Instantâneo
14
3.3.2. Aplicação da Detecção Remota
Tal como acontece com seus diversos tipos de dados, as aplicações específicas da Detecção Remota
também são diversas. No entanto, a Detecção Remota é realizada principalmente para processamento e
interpretação de imagens.
Usando a interpretação de imagens em Detecção Remota, uma área pode ser estudada sem estar
fisicamente presente nela. Em geologia, a DR pode ser aplicada para analisar e mapear grandes áreas
remotas. A interpretação da DR também torna mais fácil para os geólogos, neste caso, identificar os tipos
de rocha, geomorfologia e mudanças de eventos naturais de uma área (Bakker et al. 2001).
A interpretação de imagens da Detecção Remota permite que físicos e biogeógrafos, ecologistas,

estudiosos da agricultura e engenheiros florestais detectem facilmente qual vegetação está presente em
certas áreas, seu potencial de crescimento e, às vezes, quais condições favorecem sua presença. Além
disso, aqueles que estudam aplicações urbanas e outras aplicações de uso do solo também se preocupam
com a Detecção Remota, pois permite que eles identifiquem facilmente quais usos do solo estão presentes
em uma área. Finalmente, a DR desempenha um papel significativo no SIG. Suas imagens são usadas
como dados de entrada para os modelos de elevação digitais baseados em raster (abreviados como
DEMs) - um tipo comum de dados usado em SIG. As fotos aéreas tiradas durante aplicações de DR
também são usadas durante a digitalização SIG para criar polígonos mapas (Yadav et al. 2013).
Para a obtenção de imagens em DR, está condicionado à vários factores, o principal factor para se ter
imagens em DR é a radiação proveniente do sol que é maioritariamente usada por sensores ópticos
(passivos) (Jensen, 2009).
Figura 2: Sistema de aquisição, transmissão e colecta de dados de satélites, Florenzano (2007).
15
Pode-se observar na imagem que há primeiro a emissão da radiação para a superfície terrestre que esta
por sua vez pode desenvolver dois processos (absorção e reflexão) que esta mesma após ser reflectida
chega aos satélites e que este por sua vez envia essas informações à estação de recepção onde essa
informação é analisada, requalificada e usada para a produção de mapas, contendo informações da
superfície da terra (Pinto, 1991).
3.3.3. Radiação Electromagnética e Espectro Electromagnético
EMR é uma forma dinâmica de energia que se propaga como movimento de onda a uma velocidade de
c = 3 x 1010 cm/seg. Os parâmetros que caracterizam o movimento de uma onda são comprimento de
onda (λ), frequência (ν) e velocidade (c) (Aggarwal, 2004).
A relação entre o acima é:
𝐶=𝜆 (1)
onde : C é a velocidade da luz.
λ é o comprimento de onda (m).
ν é a frequência (ciclos por segundo, HZ).
Figura 3: Onda Electromagnética. Fonte: Aggarwal, 2004.
O espectro electromagnético é a distribuição da intensidade da radiação electromagnéctica em todo o seu

intervalo, com relação ao seu comprimento de onda ou frequência, se extende dos raios gama até as
ondas de rádio (Bakker, et al., 2001).
Figura 4: Espectro electromagnético. Fonte: Yadav et al, 2013.
16
Existem na atmosfera zonas que absorvem parte da radiação electromagnética, mas existem também
zonas livres dos absorventes em que a radiação passa livremente, designadas por janelas atmosféricas
(Silva e Sousa, 2011).
3.4. Classificação Supervisionada de Imagem de Satélite
A classificação supervisionada usa o conhecimento das localizações das classes informativas para agrupar
pixels. Requer muita atenção ao desenvolvimento de dados de treinamento. Normalmente, resulta em
mapas melhores do que classificações não supervisionadas, se você tiver bons dados de treinamento
(USGS, 2013). As mais usadas são:
O algoritmo de máxima verossimilhança – assume que os histogramas das bandas de dados têm
distribuições normais. Se este não for o caso, pode-se obter melhores resultados com a regra de decisão
paralelepípedo ou de distância mínima, ou executando uma classificação paralelepípedo de primeira
passagem. É baseada na probabilidade de um pixel pertencer a uma determinada classe. Ele calcula a
probabilidade de um pixel estar em uma determinada classe e o atribui à classe com a maior probabilidade.
A regra de decisão de distância mínima (também chamada de distância espectral) – calcula a distância
espectral entre o vector de medição para o pixel candidato e o vector médio para cada assinatura. O pixel
candidato é atribuído à classe com a média mais próxima.
Na regra de decisão paralelepipédica, os valores do arquivo de dados do pixel candidato são

comparados aos limites superior e inferior. Esses limites podem ser um dos seguintes:
 Os valores mínimo e máximo do arquivo de dados de cada banda na assinatura;

 A média de cada banda, mais e menos uma série de desvios padrão;
 Quaisquer limites que você especificar, com base em seu conhecimento dos dados e assinaturas.
Esse conhecimento pode vir das técnicas de avaliação de assinatura discutidas acima. Existem limites
altos e baixos para cada assinatura em cada banda. Quando os valores do arquivo de dados de um pixel
estão entre os limites de cada banda em uma assinatura, o pixel é atribuído à classe dessa assinatura.
3.4.1. Validação da Classificação
Avaliações de precisão determinam a qualidade das informações derivadas de dados da Detecção Remota
(Congalton & Green, 1999).
Existem muitos motivos para realizar uma avaliação de precisão. Em primeiro lugar, talvez o motivo mais
simples seja a curiosidade - o desejo de saber o quão bom você fez um mapa. Em segundo lugar, além
da satisfação obtida com esse conhecimento, também precisamos ou queremos aumentar a qualidade das
17
informações do mapa, identificando e corrigindo as fontes de erros. Terceiro, os analistas frequentemente
precisam comparar várias técnicas, algoritmos, analistas ou intérpretes para testar qual é a melhor. Além
disso, se a informação derivada dos dados da Detecção Remota deve ser usada em algum processo de
tomada de decisão (ou seja, análise SIG), então é crítico que alguma medida de sua qualidade seja
conhecida. Finalmente, é cada vez mais comum que alguma medida de precisão seja incluída nos
requisitos contractuais de muitos projectos de mapeamento. Portanto, uma precisão válida não é apenas
útil, mas pode ser exigida (USGS, 2013).
3.5. Detecção de Mudanças
O monitoramento de mudanças com sensor remoto por satélite e sensores aéreos fornecem medições
consistentes e repetíveis. Os sensores captam imagens da Terra em várias resoluções espaciais e espectrais
em diferentes resoluções temporais e, portanto, há um arquivo de dados disponível para identificar
mudanças na paisagem, procurando por mudanças espectrais entre as imagens. Mudanças na paisagem
podem ser detectadas usando informações espectrais de imagens de satélite. Por exemplo, uma área com
vegetação mostra assinatura espectral diferente em comparação com uma área sem vegetação (USGS,
2013). Na imagem abaixo podemos observar a diferença espectral entre uma vegetação saudável e uma
vegetação queimada.
Figura 5: Diferença espectral entre uma vegetação saudável e outra queimada. Fonte: USFS, 2015.
3.5.1. Agentes de mudança

Natural – incêndios florestais, surtos de insectos, sucessão, seca ou mudança climática, regeneracção,
tempestades, entre outros. são agentes naturais que afectam a área florestal;
Antropogénico – colheita, manejo, desenvolvimento agrícola, espécies invasoras entre outros. são
agentes antrópicos que afectam a área florestal (USFS, 2015).
18
3.5.2. Abordagens
Bi-temporal – comparando a mesma área em dois pontos no tempo. Requer que o analista defina um
limite separando a mudança real do "ruído". Este método é bom para avaliar a mudança em torno de
um evento de mudança, como um distúrbio, entre outros (Atzberger et al. 2020).
Análise de trajectória temporal – comparando a mesma área em intervalos de tempo mais longos com
imagens múltiplas. Esses métodos aproveitam ao máximo os dados de longo prazo para extrair tendências
de longo prazo (por exemplo, efeitos das mudanças climáticas e lentidão). Esses métodos podem ser
totalmente automatizados e podem minimizar a importância do pré-processamento de imagem e o limite
pode ser baseado na "qualidade de ajuste" estatística e, assim, evitando etapas de interpretação manual.
Estão disponíveis ferramentas para conduzir este tipo de análise de tendências, mas são um pouco mais
complicadas e requerem software e conhecimentos adicionais (USGS, 2013).
Resumindo tempo e custo estão envolvidos na selecção das abordagens apropriadas. A selecção da
imagem de satélite adequada é uma etapa importante para concluir todo o processo sem problemas.
Experiência no respectivo campo também é necessária para extrair os dados e analisar a detecção de
alterações (USGS, 2013).
Várias abordagens tentam estratificar a floresta por tipo ou intensidade de degradação, ou usam proxies
como um indicador de mudança. Perturbações florestais, decorrentes da extracção de madeira,
queimadas, doenças ou infestações de insectos, podem ser monitoradas por abordagens de detecção
remota que detectam mudanças na cobertura do dossel. Os métodos actuais analisam as mudanças na
resposta espectral, fracções e índices espectrais e tentam separar florestas degradadas e intactas. A
extracção selectiva ou de alta intensidade leva à fragmentação do dossel florestal, e os métodos de
detecção remota visam detectar clareiras e clareiras no dossel (Atzberger et al. 2020).
3.6. Sistemas de Informação Geográfica
Para Huisman e By (2009) Sistemas de Informação Geográfica (SIG) são ferramentas usadas para unir a
informação geográfica (onde as coisas estão) e a sua descrição (o que elas são). É mais fácil usar um mapa
baseado em SIG do que um mapa no papel, em SIG toda informação (onde se localizam os pontos, as
ruas e distâncias entre pontos) é armazenada no computador.
Os SIG são vistos como casos especiais de sistema de informação generalizada, onde a informação é
derivada da interpretação dos dados que são a representação simbólica de recursos. O valor da
informação depende da linha temporal, do contexto da sua aplicabilidade e o custo da colecta,
armazenamento, manipulação e sua apresentação (Arranof, 1995).
19
Há quatro abordagens básicas que difere os SIG das outras ciências de Informação: o processamento ou
função orientada, a aplicação, as ferramentas, e a base de dados. A abordagem sobre a aplicação divide
os sistemas de informação na base do problema que se pretende resolver (como por exemplo sistema de
informação de transporte), o SIG pode ser dividido de acordo com a sua aplicação em (Ferreira et al. 2014):
 Sistema de informação cadastral;

 Sistema de informação baseado em imagens;
 Sistema de dados terrestre;
 Cadastro multifinalitário;
 Sistema de informação de planeamento;
 Sistema de informação urbano, entre outros.
Podemos observar algumas destas aplicações do SIG na imagem a seguir:
Figura 6: Aplicação de SIG. Fonte: (Ferreira et al. 2014).
A utilização de técnicas de geoprocessamento constitui um instrumento de grande potencial para o

estabelecimento de planos integrados de conservação do solo e da água. Nesse contexto, os Sistemas de
Informações Geográficas (SIGs) se inserem como uma ferramenta capaz de manipular as funções que
representam os processos ambientais em diversas regiões de uma forma simples e eficiente, permitindo
economia de recursos e tempo. Estas manipulações permitem agregar dados de diferentes fontes (por
exemplo: imagens de satélite, mapas topográficos, mapas de solo, entre outros) e diferentes escalas. O
resultado destas manipulações, geralmente, é apresentado sob a forma de mapas temáticos com as
informações desejadas (Mendes, 1997).
20
O termo Sistemas de Informação Geográfica é frequentemente aplicado a computação orientada
geograficamente e é integrado em sistemas com as mais diversas aplicações e tratando-se de um conceito
ou assunto que está em uso generalizado por um grupo heterogêneo de usuários é difícil de definir o
termo (Eldon, 2014).
Câmara & Medeiros (1998), consideram que devido à aplicação de um SIG em várias áreas como
agricultura, floresta, cartografia, cadastro urbano e redes de concessionárias (água, energia e telefonia),
podem-se utilizá-lo de, pelo menos, três grandes maneiras: Ferramenta para produção de mapas; Suporte
para análise espacial de fenômenos; Banco de Dados Geográficos, com funções de armazenamento e
recuperação de informação geográfica.
O principal objectivo dos Sistemas de Informação Geográfica é representar e analisar informação

geográfica. As suas principais funções são: a captura e recolha de dados; armazenamento dos dados de
acordo com os diferentes modelos (dados alfanuméricos, vectorial e matricial); pesquisa de elementos
pelas suas características (geográficas e não espaciais); análise e edição de dados; visualização espacial e
geração de um produto final, o mapa (Olaya, 2018).
3.7. Índice de Vegetação por Diferença Normalizada
O Índice de Vegetação por Diferença Normalizada (NDVI) foi introduzido por (Rouse et al.,1974) para
separar a vegetação verde de seu brilho de fundo do solo usando dados digitais. É expresso como a
diferença entre as bandas do infravermelho próximo e do vermelho normalizadas pela soma dessas
bandas. A vegetação saudável absorve a maior parte da luz visível que a atinge e reflecte uma grande parte
da luz infravermelha próxima. A vegetação pouco saudável ou esparsa reflecte mais luz visível. Cálculos
de NDVI para um determinado pixel sempre resultam em um número que varia de -1 a +1; no entanto,
nenhuma folha verde fornece um valor próximo a zero. Um zero significa ausência de vegetação e
próximo de +1 (0,8 - 0,9) indica a maior densidade possível de folhas verdes (USGS, 2013).
Áreas compostas por recursos hídricos ou com presença de nuvens têm maior refletância na banda no
vermelho em relação à banda do infravermelho próximo e, portanto, apresentam valores próximos a -1
(Berlato et al. 2017). Segundo (Lima et al. 2013) em solo exposto ou vegetação mais rala obtêm-se valores
positivos, em um intervalo entre 0,10 a 0,20, pois nesta condição ocorre maior absorção da radiação na
faixa do infravermelho próximo, o que explica os baixos valores de NDVI nestas áreas.
O NDVI baseia-se neste princípio, o qual combina informações espectrais da banda do vermelho e do
infravermelho próximo, conforme apresentado na expressão abaixo (Rouse et al. 1974):
𝑁𝐼𝑅−𝑅𝐸𝐷
𝑁𝐷𝑉𝐼 = (2)
𝑁𝐼𝑅+𝑅𝐸𝐷
21
Sendo:
NDVI - valor do índice de vegetação da diferença normalizada;
NIR - reflectância na faixa do infravermelho próximo;
RED - valor da reflectância na faixa do vermelho.
O NDVI é um dos índices mais utilizados como indicador das alterações na cobertura vegetal
principalmente por apresentar alta sensibilidade tanto para a vegetação esparsa quanto para a vegetação
mais densa. A assinatura espectral da vegetação verde e sadia mostra evidente contraste entre a região do
visível, principalmente na banda do vermelho, e do infravermelho próximo. Quanto maior for este
contraste, de maneira geral, maior o vigor da vegetação (Moreira, 2012).
3.8. Sensores Orbitais
Actualmente, um grande número de sensores orbitais está disponível para o monitoramento global da
superfície terrestre, cada um deles com diferentes características espectrais, espaciais e radiométricas. À
vista disso, é útil combinar e analisar estes dados e, assim, aproveitar suas diferentes características para
melhorar o processo de extracção de informações em imagens de satélite (Fonseca e Manhjunath, 2017).
Para um melhor entendimento dos sistemas sensores utilizados nesse trabalho, se faz necessário
aprofundar o conhecimento acerca dos conceitos fundamentais e características gerais de cada satélite
(Landsat e Sentinel).
3.8.1. Satélite Landsat
O Satélites Landsat teve sua primeira versão lançada em 1972, no entanto, grande parte dos trabalhos
desenvolvidos a partir das imagens deste satélite são da versão Landsat 5 sensor Thematic Mapper (TM),
por apresentar abrangência temporal maior, e do Landsat 8 sensor Operational Land Imager (OLI), a versão
mais recente deste satélite. Ambos os satélites apresentam resolução espacial de 30 m e temporal de 16
dias, com orbita polar síncrona (Wulder et al. 2016).
O Landsat 7 sensor Enhanced Thematic Mapper Plus (ETM+) continua em operação e oferece imagens no
período de defasagem temporal entre o Landsat 5 e 8, pois grande parte das regiões do globo possuem
imagens de Landsat 5 até 2012. No entanto, o sensor Scan Line Corrector (SLC) desse satélite apresentou
falha em 2003, ocasionando falhas nos dados obtidos, o que muitas vezes inviabiliza a sua utilização (Li
et al. 2013). Destaca-se, ainda, que o Landsat 6 apresentou problemas logo após o seu lançamento, não
sendo possível a sua utilização para colecta de dados, e os satélites Landsat 1, 2 e 3 utilizavam apenas o
sensor MSS (Muiltispectral Scanner), que realizava a colecta dos dados com uma resolução espacial de 60
m (NASA, 2018).
22
Figura 7: Cronologia de Lançamento e período dos Satélites Landsat. Fonte: Wulder et al. 2016.
A interpretação de imagens Landsat tem como principais aplicações: o acompanhamento do uso agrícola
das terras; o monitoramento das unidades de conservação, e terras indígenas, áreas desmatadas; a
cartografia e atualizacção de mapas; a estimativa de fitomassa a partir da caracterização da cobertura
vegetal a identificação de focos de queimadas, secas, inundações; entre outros (Batistella, 2004).
Actualmente diversos satélites disponibilizam dados derivados de detecção remota, com uma vasta
gama de resolução espacial e temporal, sendo que dentre eles destaca-se o Landsat, que fornece uma
base de dados de imagens em escala temporal mais longa disponível para a comunidade científica, com
40 anos de dados produzidos em escala global (Roy et al. 2015).
3.8.2. Características do Satélite LANDSAT 5 TM
O Landsat 5, uma duplicata do Landsat 4, foi lançado em 1984 e retornou dados cientificamente viáveis
por 28 anos - 23 anos além de sua vida útil de 5 anos (USGS, 2016). O sensor TM (Thematic Mapper) do
satélite Landsat 5 e possui sete bandas, com numeração de 1 a 7, sendo que cada banda representa uma
faixa do espectro electromagnético captada pelo satélite.
Em uma imagem Landsat/TM cada pixel pode abranger diversos tipos de cobertura, e a radiância
resultante contém a integração de todos os alvos contidos nessa área abrangida. A técnica denominada
Modelo Linear de Mistura Espectral (MLME) permite a geração de imagens fracção, estimando a
proporção de componentes previamente definidos dentro de cada pixel. O modelo utiliza a informação
do comportamento espectral dos chamados “pixels puros” (endmembers) de cada um desses elementos,
para estimar suas proporções dentro de cada um dos pixels da imagem (Timberlake & Chidumayo, 2011).
23
Figura 8: Faixas Espectrais das Bandas do Landast 5. Fonte: NASA, 2018.
3.8.3. Características do Satélite Landsat 8 OLI
O Landsat 8 foi lançado pela NASA no dia 11 de Fevereiro de 2013 e é o mais novo satélite de observação
da terra. A expectativa é que tenha uma vida útil de 40 anos de observação da superfície terrestre vista
do espaço. A plataforma espacial do Landsat 8 fornece energia suficiente para o controle da órbita,
altitude, comunicação e armazenamento de dados. O satélite é composto basicamente por um subsistema
mecânico (estrutura primária e 5 mecanismos de implantação), um subsistema de gestão e controle de
dados, um subsistema de controlo de altitude, um subsistema de energia eléctrica, um subsistema de
frequência de rádio (RF), um sistema de propulsão e um subsistema de controlo térmico (USGS, 2013).
A plataforma Landsat-8 opera com dois instrumentos: Operacional Terra Imager (OLI) e Thermal Infrared
Sensor (TIRS). Os produtos OLI consistem de nove bandas multiespectrais com resolução espacial de 30
metros (bandas de 1 a 7 e 9). As faixas térmicas do instrumento TIRS são úteis no fornecimento de
temperaturas de superfície mais precisas e os dados são colhidos no pixel de 100 metros. A banda 8 do
instrumento OLI é a pancromática e possui uma resolução espacial de 15 metros como mostra a tabela
2. A banda 1 (ultra-azul) é útil para estudos costeiros. A banda 9 é útil para a detecção de nuvens (USGS,
2013). O tamanho aproximado da cena Landsat-8 é de 170 km ao norte-sul por 183 km a leste-oeste.
Figura 9: Faixas Espectrais das Bandas do satélite Landsat 8. Fonte: NASA, 2018.
24
3.8.4. Características do Satélite Sentintel-2
O Sentinel-2, é um satélite com sensor multiespectral de resolução espacial média produzido pela Agência
Espacial Europeia (ESA), foi arquitetado para assegurar a continuidade da cobertura de dados globais da
Terra realizada pelas séries de satélites Landsat e SPOT. Esta missão foi lançada em 2015 e o sensor
MultiSpectral Instrument (MSI) apresenta uma larga faixa imageada (290 km), boa resolução temporal
(cinco dias, com dois satélites), resolução espacial alta e média (10, 20 e 60 m) e um número alto de
bandas (13 bandas espectrais), e o tamanho da cena disponibilizada é de 100 /100 km (Drusch, 2012).
As missões são divididas em 5 famílias de satélites: a missão Sentinel-1, equipada com radar imageador
na banda C; a missão Sentinel-2 com um imageador multiespectral; a missão Sentinel-3 dotada de
diferentes instrumentos para medir diversos parâmetros da terra e do mar; e as missões Sentinel-4 e
Sentinel-5 para a aquisição de dados da composição atmosférica (Aschbacher & Milagro-Perez, 2012).
Na figura que se segue possível observar as várias missões Sentinel e as suas principais aplicações.
Figura 10:Missões Sentinel e suas aplicações. Fonte: ESA (2013).
A figura abaixo apresenta as características do sistema satélite Sentinel-2.
Figura 11: Características do Satélite Sentinel-2. Fonte: ESA (2017).
25
3.9. Detecção Remota na avaliação do desmatamento
De modo a monitorizar e quantificar, de uma forma rápida e economicamente viável, as alterações que
ocorrem dentro do ecossistema florestal, é necessário recorrer às novas tecnologias de informação para
o desenvolvimento de metodologias automáticas de monitorização. As imagens de satélite, por
possibilitarem uma fácil aquisição multitemporal a baixo custo, e pelas características espaciais e espectrais
que apresentam, devem ser equacionadas como suporte ideal para estudos de processos contínuos e
detecção automática de alterações, que de outra forma seriam impossíveis de realizar(Singh, 1989).
Considerando a detecção de alterações como o processo de identificar diferenças de estado de um objecto

ou fenómeno, observando-o em diferentes momentos temporais (Idem), considera-se que a DR é uma
ferramenta privilegiada para observar as diferentes fontes do problema e os seus efeitos em diferentes
escalas de análise. No entanto, a sua aplicabilidade está condicionada a diversos factores, nomeadamente
o tipo de alteração que se pretende registar, às características das imagens e da área de estudo. No que
respeita ao tipo de alteração, Lu et al., (2004), na sua revisão sobre técnicas de detecção de alterações,
fazem os seguintes agrupamentos:
 alterações na ocupação e uso do solo;

 alteração na vegetação ou na floresta;
 mortalidade, desfoliação e levantamento de prejuízos na floresta; entre outras aplicações.
Onde se inclui a monitorização de culturas agrícolas, alteração de massas de glaciares, entre outras.
Independentemente da área de aplicação, as questões de pré-processamento das imagens são uns dos
aspectos de maior importância e um dos mais focados por diversos autores como Townshend et al.
(1992); Jensen (1996); Vogelmann (2001); Lu et al., (2004); Mather (2004); Schroeder (2006).
A DR tem vindo a apresentar-se como uma ferramenta privilegiada para observar as fontes do
desmatamento e os seus efeitos. A observação oportuna e exacta destas alterações à superfície da Terra,
através de imagens de DR, providencia a base para melhor entendimento das relações e interacções entre
os fenómenos naturais e humanos, possibilitando um melhor planeamento e uso dos recursos (Lu et al.
2004). Os desenvolvimentos tecnológicos têm permitido o lançamento de um maior número de satélites
a custos cada vez menores, levando a bordo sensores com diferentes características (Nunes, 2007).
Existem vários exemplos da aplicação do DR na avaliação do desmate na cobertura vegetal, como por
exemplo:
Ferreira & Pasa (2015) desenvolveram um trabalho cujo o objectivo foi realizar uma análise do
monitoramento de desmatamento do bioma Pantanal no período de 2002 e 2008 com o uso de
26
geotecnologias. Com a utilização de imagens do satélite TM Landsat 5 no software ArcGis, foi possível
realizar avaliações ambientais, destacando o desmatamento para obtenção de maiores informações sobre
a real situação da cobertura vegetal de todo o Pantanal. Estes concluiram que em seis anos, 1.354,27 Km2
da área do município de Corumbá no Pantanal foram desmatados, isto confirma que o uso de imagem
de satélites e aplicação de geotecnologias, como o ArcGis, são eficientes na obtenção de informações
precisas sobre toda a região do Pantanal, nos levando à um cenário de avanço tecnológico cada vez mais
promissor para as análises ambientais.
Craveiro (2013) propôs-se a aplicar uma geotecnologia no processo de detecção do desmatamento da

Reserva Extractivista Cazumbá-Iracema, num período de 10 anos, localizada nos municípios de Sena
Madureira e Manoel Urbano, com área de 750.794,70 ha. Para isto, foram cruzados no software Arcgis
9.3 dados georreferenciados em formato shapefile (.shp) dos limites municipais do Estado do Acre, a
base de Unidades de Conservação (ZEE) e polígonos de desmatamento originados pelo IMAC em
cooperação com o IMAZON, utilizando como subsídio as imagens do satélite de mais contínuo
imageamento e disponibilidade de imagens, o Landsat 5 TM. Como resultado identificou-se períodos de
acentuado desmatamento, principalmente após o processo de criação da Reserva, mostrando também,
que, os anos de 1999, 2003 e 2007 responderam pelos anos de maior percentual de desmatamento com
15,29%, 16,87% e 22,39% do total da área desmatada. Por outro lado os anos de 2002, 2005 e 2006
corresponderam aos anos de maior incremento de áreas desmatadas em todo o período observado com
520,98 ha, 577,44 ha e 263,83 ha, respectivamente.
Pôssa (2014) fez um estudo que objectivou avaliar por meio de um mapa de densidade a relação entre
eventos de degradação florestal e desflorestamento e polos madeireiros no Estado do Pará. Para isso
aplicou-se o determinador de densidade Kernel, método muito útil por viabilizar uma visão holística do
padrão de distribuição de primeira ordem dos eventos. A análise dos resultados indicou que apenas alguns
municípios sustentaram a hipótese de que o desflorestamento e degradação florestal estão relacionadas
com a atividade madeireira. Três factores podem ter influenciado no resultado: os diversos tipos de
atividades ligadas ao desflorestamento, o tipo de representação dos polos adotado no estudo e as
incertezas a cerca da abrangência e a representatividade dos mesmos.
Silva et al. (1998), desenvolveram um trabalho que envolveu 138.183 km2 de área referente ao Pantanal
localizado no Brasil, com o objectivo de mapear e quantificar as áreas desmatadas até 1990/91, na escala
de 1:250.000. A pesquisa foi desenvolvida a partir da interpretação de imagens de satélite, observações
no campo (terrestre e aérea), e do uso de dois Sistemas de Informações Geográficas (SIG’s) e do Sistema
de Posicionamento Global (GPS). Destas interpretações extraíram-se as áreas com padrões característicos
de desmatamento e as áreas onde a vegetação nativa foi substituída por vegetação exótica.
27
4
Material e Métodos
Neste capítulo é descrita a metodologia a ser empregue, bem como os materiais necessário para que seja
alcançado o objectivo do trabalho.
4.1. Material
Buscando alcançar o objectivo do presente estudo foram obtidas imagens orbitais do sensor Multispectral
Instrument (MSI), do satélite Sentinel-2B. Assim como as imagens do sensor OLI do satélite Landsat-8
e do sensor TM do satélite Landsat-5. As imagens foram adquiridas por meio do Serviço Geológico dos
Estados Unidos (USGS) no endereço: http://earthexplorer.usgs.gov e os dados vectoriais referentes a
divisão administrativa nos foram fornecidos pela Centro Nacional de Cartografia e Detecção Remota
(CENACARTA). As análises foram realizadas com imagens sem a presença de nuvens com intuito de
obter melhores resultados.
Na tabela abaixo vemos de forma sucinta as características dos dados a serem usados.
Imagens de Satélite Divisão Administrativa

Satélite Landsat 5 Landsat 8 ----------------------------
Sensor TM OLI ----------------------------
Resolução Espacial (m) 30 30 ----------------------------
Resolução Temporal (dias) 16 16 ----------------------------
Resolução Radiométrica (bits) 8 16 ----------------------------
Dados Resolução Espectral (μm) 0.45 – 2.35 0.43 – 2.30 ----------------------------
1999
Data de aquisição 2000 2020 ---------------------------------
2010
Tipo Matricial Vectorial
Formato GeoTiff Shapefile
Fonte USGS CENACARTA
Tabela 1: Dados a serem usados no trabalho.
28
4.2. Metodologia
4.2.1. Metodologia para análise do desmatamento por meio de sensores
orbitais
A metodologia a ser adoptada foi baseada nas metodologias empregues pelos autores 6-Ferreira & Pasa
(2015) e Patras (2017) que A partiu da obtenção de imagens orbitais da área, passando por etapas de pré-
processamento, geração de NDVI e classificação supervisionada, bem como a validação da classificação
a partir do índice Kappa e Acurácia usuário e acurácia produtor, além da produção dos mapas temáticos
com o objectivo de identificação e delimitação das diferentes classes uso e cobertura da terra do da Ilha
do Maranhão, buscando comparar a resposta das imagens provenientes dos sensores orbitais
OLI/Landsat-8 e MSI/Sentinel-2.
Após a classificação da imagem, comparou-se os mapas resultantes em uma base pixel a pixel usando
uma matriz de detecção de mudança.
A detecção de mudanças envolve o uso de conjunto de dados multitemporais para discriminar áreas de
mudanças de cobertura entre datas de mapeamento, podendo ser desde fenómenos de curta duração
como uma cobertura de neve ou uma inundação ou de longa duração como uma frente de urbanização
ou desertificação (Foody, 2002).
As etapas de fluxograma podem ser divididas na seguinte ordem:
 Pré-processamento;
 Cálculo do índice biofísico ( NDVI);
 Classificação Digital;
 Validação da classificação através do índice Kappa;
Abaixo podemos observar o fluxograma metodológico aplicado no trabalho.
29
Figura 12: Fluxograma metodológico. Fonte: Elaborado pela autora.
30
4.2.2. Pré-Processamento
Inicialmente, todas as bandas MSI do Sentinel-2 foram importadas para a plataforma SNAP
disponibilizada pela ESA para a correcção atmosférica e radiométrica. Esta correcção é realizada pelo
processador Sen2Cor , cuja saída do processamento é um produto de reflectância de superfície (Bottom-
Of-Atmosphere - BOA) Level 2B, reamostrado para uma resolução espacial de 10 m. Para imagens
pertences a série Landsat, procedeu-se a reprojecção de todas as imagens colocando-as no sistema de
referência - Universal Transverse Mercator (UTM), zona 37 sul, Datum WGS84 usando o programa
computacional ArcGIS versão 10.4.
A correcção atmosférica, foi feita aplicando o ATCOR (Correcção Atmosférica e Topográfica). Este
normaliza imagens com base em valores de radiância e tempo de aquisição da imagem, usando apenas as
informações necessárias da imagem (Scatozza, 2013). Oferece vantagens pois todo o potencial dos
espectrómetros de imagem só pode ser explorado com essa abordagem. Além disso, quando se trata de
dados multi-temporais e quando uma comparação de diferentes sensores é necessária. (Richter e
Schlapfer, 2016). Neste processo, foi especificado o ATCOR-2 para gerar a imagem atmosfericamente
corrigida que passou antes por uma calibração do sensor a partir da inserção dos coeficientes de calibração
radiométrica, offset (c0) e slope (c1), como mostra a equação a seguir.
𝐿 = 𝑐0 + 𝑐1 ∗ 𝐷𝑁 (3)
Onde:
L – Radiância do sensor (𝑚𝑊𝑐𝑚−2 𝑠𝑟−1𝜇𝑚−1 )
c0 – Ganho; c1 – Compensação; DN – Número digital.
O coeficiente de calibração radiométrica c0 pode ser calculado multiplicando por 0.1 a radiância aditiva
e c1 multiplicando por 0.1 a radiância multiplicativa respectivamente, como ilustram as equações. A
radiância aditiva e multiplicativa bem como outros dados (dada de aquisição, sistema de coordenadas,
datum da imagem entre outros) necessários para a execução da correcção atmosférica das imagens
Landsat podem ser obtidos no ficheiro de metadados fornecidos na aquisição das mesmas imagens.
𝑐0 = 0.1 ∗ 𝑅𝐴𝐷𝐼𝐴𝑁𝐶𝐸_𝐴𝐷𝐷 (4)
𝑐1 = 0.1 ∗ 𝑅𝐴𝐷𝐼𝐴𝑁𝐶𝐸_𝑀𝑈𝐿𝑇 (5)
Onde:
𝑅𝐴𝐷𝐼𝐴𝑁𝐶𝐸_𝐴𝐷𝐷 – Radiância aditiva; 𝑅𝐴𝐷𝐼𝐴𝑁𝐶𝐸_𝑀𝑈𝐿𝑇 – Radiância multiplicativa.
31
4.2.3. Cálculo do Índice De Vegetação Por Diferença Normalizada
O cálculo do NDVI foi feito a partir da ferramenta RASTER CALCULATOR , colocando a expressão
algébrica onde deve ser seleccionada a imagem e indicado quais são as bandas do infravermelho próximo
e vermelho, que no caso do sensor TM são as bandas 4 e 3 respectivamente, para o sensor OLI são as
bandas 5 e 4. Para o sensor MSI as bandas 8 e 3, assim que algoritmo inicia, ele só para quando retorna
uma nova imagem transformada de NDVI.
Os dados obtidos foram divididos em cinco intervalos de reflectância, pois essa quantidade de intervalos
exibiu o melhor agrupamento das classes de acordo com a resposta espectral dos alvos. As classes foram
agrupadas com o auxílio do algoritmo Natural Breaks (Jenks), método de reclassificação padrão do ArcGIS.
Esse método baseia-se em agrupamentos naturais inerentes nos dados. Assim, são divididos em classes
cujos limites são definidos onde existem relativamente grandes diferenças nos valores de dados.
4.2.4. Classificação Digital
A classificação supervisionada é um tipo de classificação controlada pelo usuário, na qual aponta os alvos
a serem classificados baseando-se na definição de assinaturas espectrais (padrões) para cada uma das
classes em estudo obtidas a partir de amostras de treinamento (Crósta, 1992). Escolhido o algoritmo de
Classificação Máxima Verossimilhança Gaussiana para a produção dos mapas temáticos, a classificação
de imagem foi feita usando o programa ArcGIS 10.4 com a ferramenta Maximum Likelihood Classification,
com amostras das classes Vegetação do NDVI de 1991, 2000, 2010 e 2020 respectivamente. Este
algoritmo assume uma normalidade nas distribuições das classes em cada banda e as separa com base em
suas médias. Todos os pixels são classificados, de acordo com a maior probabilidade de pertencer a uma
classe.
A tabela a seguir apresenta a divisçao das classes e seus intervalos espectrais.
Classe Intervalo espectral

Água -0.28 – 0.015
Solo exposto/área construída 0.015 – 0.14
Terra seca 0.14 – 0.18
Arbustos e Paisagem 0.18 – 0.36
Vegetação Densa 0.36 – 0.74
Tabela 2: Divisão da classificação. Fonte: (Jackson & Huete, 2015).
32
4.2.5. Validação da Classificação
A validação da qualidade dos mapas realizou-se com base em matrizes de erro, algumas vezes denominada
de matrizes de confusão ou tabela de contingência e o índice Kappa proposto por Landis & Koch (1977).
O índice Kappa foi calculado a partir de erros que expressam a concordância entre a imagem classificada
e o conjunto de amostras de referência, isto é, a probabilidade de concordância entre os dados de
referência e a classificação aleatória.
A validação das classificações foi estabelecida programa ArcGIS 10.4 a partir da ferramenta Compute
Confusion Matrix (Spatial Analyst). A validação da exactidão da classificação visa avaliar o grau de
concordância dos resultados da classificação obtidos pela interpretação de imagens de satélite. Uma das
formas mais usadas para avaliar a exactidão da classificação temática de cobertura de terra é a matriz de
confusão também denominada matriz de erro ou tabela de contingência (Jensen, 2009). O índice Kappa
é calculado pela equação a baixo indicada:
𝑁 ∑𝑙𝑖=𝑙 𝑋𝑖𝑖 −∑𝑙𝑖=1(𝑋𝑖+ ∗𝑋+𝑖 )

𝐾= (6)
𝑁 2 −∑𝑙𝑖=1(𝑋𝑖+ ∗𝑋+𝑖 )
Onde:
K - Índice Kappa
L - Número de categorias analisadas na matriz
Xii- Número de parcelas correctamente classificados na linha i coluna i
Xi+ - Total marginal da linha i
X+i - Total marginal da coluna j
N - Número total de parcelas contempladas na matriz
O resultado da estatística Kappa normalmente é comparado aos valores contidos na tabela a seguir a fim
de indicar a qualidade do mapa temático (Viela, 2014).
Índice Kappa Desempenho

<0 Péssimo
0 < k ≤ 0,2 Ruim
0,2 < k ≤ 0,4 Razoável
0,4 < k ≤ 0,6 Bom
0,6 < k ≤ 0,8 Muito Bom
0,8 < k ≤ 1,0 Excelente
Tabela 3: Qualidade da classificação segundo intervalos do Índice Kappa. Fonte: (Viela, 2014).
33
5
Resultados e Discussão
Neste capítulo apresentam-se os resultados e a sua discussão após aplicada a metodologia descrita no
capítulo anterior.
5.1. Resultados obtidos com a extracção do Índice De Vegetação Por

Diferença Normalizada
As imagens utilizadas ( Landsat 5 TM e de Landsat 8 OLI) depois de reprojectadas e corrigidas, foram

submetidas ao cálculo do NDVI e a sua posterior classificação em cinco (5) classes: Vegetação Densa,
Arbustos e Paisagem, Solo exposto/área construída, Terra seca e Água. Podemos avaliar o
desenvolvimento destas classes através dos mapas das figuras 11, 12, 13, 14 para os anos 1991, 2000,
2010, 2020 e da tabela 3.
Ano
Área (ha)
Classe 1991 % 2000 % 2010 % 2020 %
Água 100,35 0,04 118,53 0,04 19,26 0,01 162,18 0,06
Arbustos e 135 601,04 57,01 166 809,87 70,14 132885,26 55,87 148818,24 62,57
Paisagem
Solo 100,01 0,04 576,81 0,24 165,96 0,07 52,02 0,02
exposto/área
construída
Vegetação Densa 101 005,03 42,47 60 801,03 25,57 100 851,2 42,40 85 806,72 36,08
Terra seca 104 3,50 0,44 9543,69 4,01 3928,23 1,65 3010,77 1,2
Total 237 849,93 100 237 849,93 100 237 849,93 100 237 849,93 100
Tabela 4: Quanticacção das áreas com Vegetação Densa, Arbustos e Paisagem, Solo exposto/área construída, Terra seca e
Água.
34
180000
160000
140000 148818,24
120000
100000 1991
2000
80000 85 806,72 2010
60000 2020
40000
20000
162,18 52,02 3010,77
0
Água Arbustos e Solo exposto/área Vegetação Densa Terra seca
Paisagem construída
Figura 13: Gráfico da quantificação da áreas com Vegetação Densa, Arbustos e Paisagem, Solo exposto/área construída,
Terra seca e Água.
Observando o gráfico, pode-se interpretar a mudança temporal da vegetação na Reserva Florestal de

Mecuburi, avaliando o padrão do desmatamento no local. No ano de 2020, 162,18 ha (0,06 %) são
ocupados por recursos hídricos, 148 818,24 ha (62,57 %) são ocupados por arbustos e paisagens, 52,02
ha (0,02 %) são ocupados por solo exposto ou área construída, 85 806,72 ha (36,08 %) são ocupados por
vegetação densa e 3 010,77 ha (1,02 %) por terra seca.
Podemos concluir que houve uma variacção espácio-temporal significativa, onde a maior parte da
ocupação do solo na reserva não é da vegetação densa, tenho em conta que na classificação de arbustos
e paisagens, assume-se que nestas áreas estão também incluídas as práticas da agricultura na reserva.
Nos próximos mapas podemos observar a variacção espácio-temporal das classes existentes na reserva.
35
Figura 14:NDVI da Imagem Landsat 5 TM de 1991.
36
Figura 15: NDVI da Imagem Landsat 5 TM de 2000.
37
Figura 16: NDVI da Imagem Landsat 5 TM de 2010.
38
Figura 17: NDVI da Imagem Landsat 8 OLI de 2020.
39
Abaixo temos a tabela 4 que ilustra os valores do índice Kappa obtidos nas classificações supervisionadas
por Máxima Verossimilhança e a qualidade da classificação segundo a tabela 2 acima descrito.
Ano Índice Kappa Qualidade

1991 0,741 Muito Bom
2000 0,827 Excelente
Tabela 5: Valores de Índice Kappa da classificação do TM/OLI-Landsat e sua respectiva qualidade de classificação.
O NDVI contribuiu para melhorar a separação entre as classes na cobertura do solo. Os cursos de água
assim como uma parte da terra seca que podem corresponder a afloramentos rochosos encontram-se
circundados por algum tipo de vegetação, sendo assim a exposição poderá ter sido influenciado pela
fenologia da vegetação circundante. Este aspecto pode dar origem a questões como a transição da floresta
densa à floresta aberta ou arbustos.
Quanto ao NDVI – MSI, pode-se observar que no ano de 2020, 14 868,66 ha (0,04 %) são ocupados por
recursos hídricos, 76 482,91ha (70,14 %) são ocupados por arbustos e paisagens, 40 603,72ha (0,24 %)
são ocupados por solo exposto ou área construída, 49 810,27ha (25,57 %) são ocupados por vegetação
densa e 3 010,77 ha (4,01 %) por terra seca.
Podemos concluir que com a clasificacção feita pelo NDVI do sensor MSI, a área desmatada é maior em
relação a classificação feita pelo sensor OLI.
Ano Área(ha)
Classe 2015 % 2020 %

Água 29626,6 0,04 14868,66 0,04
Arbustos e 69931,09 57,01 76482,91 70,14
Paisagem
Solo exposto/área 40973,31 0,04 40603,72 0,24
construída
Vegetação Densa 66505,15 42,47 49810,27 25,57
Terra seca 30835,52 0,44 56106,11 4,01
Total 237 849,93 100 237 849,93 100
40
90000
80000
70000
60000
50000
40000
30000
20000
10000
0
Água Arbustos e Paisagem Solo exposto/área Vegetação Densa Terra seca
construída
2015 2020
Conforme descreve Ponzoni et al. (2012), valores negativos de NDVI correspondem a água; valores
muito próximos de 0 correspondem a superfície não vegetada; e quanto mais próximo de 1, mais densa
é a vegetação. Na representação da superfície não vegetada, que pode corresponder a aglomeração
urbana, a carta do NDVI-MSI representou com mais detalhes a superfície não vegetada e NDVI-
OLI/TM com menor riqueza de detalhes.
Cunha et al. (2012) observou a influência do aumento da elevação, como factor influente para o
desenvolvimento da vegetação. Silva e Galvíncio (2012) afirmam durante o período seco os valores
NDVI são subestimados e durante período chuvoso os altos índices indicam um aumento de biomassa.
Gandhi et al. (2015) afirmam que os valores de NDVI variaram de um máximo de 0,5 a um mínimo de
0,1, no qual constataram que os valores mais baixos são encontrados nos solos menos vegetados,
justificado pela maior reflexão no solo que possui baixos valores na faixa do infravermelho próximo e
altos na faixa do vermelho.
Jensen (2011) afirma que valores positivos crescentes indicam aumento de vegetação verde, enquanto
valores negativos indicam superfícies sem vegetação como água, solo exposto e neve ou nuvens. Classes
como rochas, solos expostos e pastagens degradadas têm refletâncias similares e o resultado no índice de
vegetação é aproximadamente zero.
Nos próximos mapas podemos observar a variacção espácio-temporal das classes existentes na reserva.
41
Figura 18: NDVI da Imagem Sentinel 2 do ano 2015.
42
Figura 19: NDVI da Imagem Sentinel 2 do ano 2015.
43
Abaixo temos a tabela 4 que ilustra os valores do índice Kappa obtidos nas classificações supervisionadas
por Máxima Verossimilhança e a qualidade da classificação segundo a tabela 2 acima descrito.
Ano Índice Kappa Qualidade

Tabela 6: Valores de Índice Kappa da classificação do MSI/Sentinel 2 e sua respectiva qualidade de classificação.
5.2. Resultado da detecção de mudanças ao longo dos anos 1991-2020
Com o auxílio dos mapas das mudanças da cobertura vegetal na Reserva Florestal de Mecuburi geradas
pelas imagens do Landsat é possível quantificar a perda da vegetação (por diversos motivos), o ganho da
vegetação bem como as áreas com vegetação e sem vegetação mantidas constantes no período de 1991-
2000, 2000-2010, 2010-2020 e 1991-2020 como mostra a tabela 6. Ao fazermos um análise visual é
possível perceber que a perda da vegetação não ocorre de forma padronizada ao longo dos anos, porém
podemos afirmar que houve grande perda para demasiados fins. A desflorestação localiza-se próximo das
principais estradas que delimitam a reserva. Apesar desta não ocorrer de forma padronizada é possível
observar que tende a se aproximar ao centro da reserva, onde se localiza a floresta densa.
Período 1991-2000 2000-2010 2010-2020 1991-2020

Área Hectares/%
Alta 40204 16,90 40050,19 16,83 16075,88 6,76 15246,3 6,41
Média 157441,93 66,20 157749,57 66,32 205702,15 86,48 222603,63 87,18
Baixa 40204 16,90 40050,17 16,83 16071,9 6,76 15246,3 6,41
Total 237 849,93 100 237 849,93 100 237 849,93 100 237 849,93 100
Tabela 7: Quantificação da mudança da cobertura vegetal.
44
Alta Média Baixa
222603,63
205702,15
157749,57
157441,93
40050,19
40050,17
40204
40204
16075,88
16071,9
15246,3
15246,3
1991-2000 2000-2010 2010-2020 1991-2020
Figura 20: Gráfico da quantificação da mudança da cobertura vegetal.
Nesta avaliação podemos observar que a maior parte da área da reserva teve menor alteração, e que as
áreas correspondentes a vegetação densa teve maior alterações.
A exploração de madeiras nativas é uma das causas do desmatamento nesta reserva e no país no geral
constituem uma das mais importantes actividades do sector florestal. As estatísticas de licenciamento
florestal indicam que a exploração de madeira em toros aumentou de cerca de 100 mil metros cúbicos
em 2006 para pouco mais de 300 mil metros cúbicos até o ano de 2012. O volume licenciado, apesar do
acréscimo, estima-se que se encontra ainda abaixo da capacidade de corte anual nacional de cerca de 500
mil m3. No entanto, as estatísticas do licenciamento de madeiras têm sido referidas como incompletas, e
podem não reflectir o volume real explorado, dado o elevado índice de exploração ilegal de madeiras
(Egas, 2013; EIA, 2013).
Nos mapas seguintes é possível visualizar as áreas com maior mudanças da cobertura florestal ao longo
dos anos.
45
Figura 21: Detecção de mudanças dos anos 1991-2000.
46
47
48
Assim, sensores que tenham uma relativa diferença entre suas resoluções espaciais, como na comparação
entre OLI/Landsat-8 e MSI/Sentinel-2, apresentam diferenças visíveis entre as classes de detecção de
mudanças, justamente pela melhor capacidade de definição dos alvos do sensor MSI, sendo capaz de
diferenciar duas ou mais classes numa mesma área, onde no sensor OLI seria normalmente uma classe.
49
Quando comparadas, as duas imagens TM/OLI-Landsat-5/8 e MSI/Sentinel-2 mostram que são

óptimas ferramentas para mapeamento de uso e cobertura da terra e posterior detecção de mudanças,
ambas apresentaram resultados satisfatórios, que são confirmados pelos coeficientes Kappa apresentados
nas tabelas 4 e 5.
50
5
Conclusões e Recomendações
Neste capítulo apresentam-se a conclusão do trabalho e algumas recomendações.
5.1. Conclusão
A aplicação de todas as etapas baseadas nas ferramentas de Sistemas de informação geográfica em

correlação com Detecção Remota integrando modelo de cálculo, possibilitou a obtenção de dados que
facilitam uma interpretação mais fácil do estrutura florestal ao nível de toda reserva florestal. O estudo
resultou na quantificação e análise da cobertura do solo, distribuição, mudanças na cobertura florestal,
cobertura de terra de reposição em áreas desmatadas e identificação de áreas críticas de desmatamento.
A classificação da imagem OLI/Landsat-8 (2020) apresentou índice Kappa de 0,924 indicando um
excelente desempenho. E a classificação da imagem MSI/Sentinel-2 (2020) apresentou índice Kappa de
0,915, que atesta também uma excelente classificação.
A utilização de imagens LANDSAT e Sentinel foi satisfatória no processo de identificação de

desmatamentos, pois apresentou bons resultados para o monitoramento a longo prazo. É possível
concluir e observar através dos resultados dos dois sensores que a maior porção da floresta densa situa-
se na zona central da reserva. E que anualmente existe uma perda de 1,4% da floresta.
O NDVI provou ser um método confiável e serve de meio para o monitoramento de mudanças na
vegetação. Com base nas metodologias aplicadas, foi possível mapear a localização de áreas propensas ao
desmatamento no horizonte temporal de 1991-2020.
A análise do mapeamento dos índices NDVI mostrou que há diferenças espectrais e espaciais dos
produtos gerados entre os sensores ópticos TM/OLI/Landsat-8/5 e MSI/Sentinel-2 e que o satélite
Sentinel-2 permitiu, um maior delineamento dos alvos. Esses mapas podem servir de base para a definição
de acções específicas para minimizar o desmatamento nas áreas identificadas, servindo desde modo como
um alerta para que a preservacção da Reserva seja ainda mais consistente.
51
5.2. Recomendações
Em várias outras regiões tropicais, autores destacam a importância da participacção das comunidades
locais na gestão dos recursos naturais, notadamente na conservação das florestas. Na área de estudo, um
programa de Maneio Comunitário dos Recursos Naturais (MCRN), iniciado em 1997 pela FAO, envolveu
algumas comunidades da reserva de Mecuburi através de comités locais de gestão de recursos naturais e
grupos de interesse. Com este programa, a reserva passou a contar com fiscais comunitários de recursos
naturais para além de se ter verificado um aumento da consciência ambiental no seio das comunidades.
O plantio de árvores (nativas ou exóticas) em áreas degradadas ou em áreas que foram desmatadas no
passado podem contribuir para o aumento das reservas de carbono florestal, bem como catalisar a
recuperação de uma parte da biodiversidade perdida (plantas e animais). Ao mesmo tempo, as plantações
podem reduzir a taxa de desmatamento através de provimento de bens e serviços florestais alternativos
às florestas naturais, reduzindo assim, a pressão sobre as florestas naturais. É neste contexto que quando
as plantações florestais são feitas com observação a certas regras (sem converter florestas naturais, sem
causar perda de biodiversidade e corredores biológicos, entre outras), podem ser vistas como uma acção
favorável para o REDD+.
Medidas urgentes são necessárias na área de conservação localizada na província de Nampula, norte do
país. Além do restauro é preciso que mais de 40 mil habitantes, residentes no interior da floresta,
abandonem aquela zona, além da existência de muitos furtivos no interior da mesma (Mueia, 2017).
Feito isto poder-se-á recomendar a Reserva Florestal de Mecuburi:
 Criação de projectos de manejo e fiscalização severa da exploração ilegal da Madeira com apoio
de imagens de satélites;
 O plantio de árvores (nativas ou exóticas) em áreas degradadas ou em áreas que foram desmatadas
ao longo do tempo;
 Que sejam feitas sensibilizações as comunidades sobre os reais benefícios de uma floresta em pé
e que no desenho das politicas florestais estejam inclusas as comunidades de forma participativa;
 Que se desenvolvam novos estudos em relação ao valor das florestas, numa vertente não só
financeira mas também social através de métodos de valorização económica em que o preço seja
determinado para reflectir o verdadeiro valor dos recursos ambientais.
Aos trabalhos futuros:
 Aplicação de metodologias diferentes para o mesmo tipo de estudo;

 Uso de diferentes tipos de satélites índices de vegetação para estudos semelhantes.
52
Referências Bibliográficas
 Acharya, S., Pawar, S., & Wable, N. (2018). Application of Remote Sensing & GIS in Agriculture.
Pune.
 Aggarwal, S. (2004). Principles of Remote Sensing. Em Satellite Remote Sensing and GIS
Applications in Agricultural Meteorology (pp. 23-38). Dehra Dun.
 Arranof, S. (1995). Geographic Information Systems: a management perspective. Otawa.
 Aschbacher, J., & Milagro-Perez, M. P. (2012). The european Earth monitoring (GMES) programme:
status and perspectives. Remote Sensing of Environment.
 Atzberger, C., Zeug, G., Defourny, P., Aragão, L., Hammarström, L., & Immitzer, M. (2020).
Monitoring of Forests through Remote Sensing.
 Awasse, A., & Mushove, P. (2000). Um modelo de co-gestão de uma reserva florestal. Curso dos Ramais.
Maputo. Maputo.
 Bakker, W., Gorte, B. G., Horn, J. A., Janssen, L. L., Pohl, C., Prakash, A., . . . Woldai, T.
(2001). Principles od Remoting Sensing. The Netherlands: ITC.
 Batistella, M. (2004). Satélites de Monitoramento. Campinas: Embrapa Monitoramento por Satélite.
 Berlato, M. A., Cordeiro, A. P., & Fontana, D. C. (2017). Regiões homogêneas de vegetação utilizando a
variabilidade do NDVI.
 Bila, A. (2005). Estratégia para a Fiscalização Participativa de Florestas e Fauna Bravia em Moçambique-
No âmbito do projecto TCP/MOZ/2904 (A) Support for the implementation of forest and wildlife legislation.
Moçambique: DNFFB/FAO.
 Ceagre, & Winrock. (2015). Identificação e análise dos agentes e causas directas e indirectas de desmatamento
e degradação florestal em Moçambique. Maputo.
 Chidumayo, E. N. (1997). Miombo ecology and management: an introduction. Intermediate Technology

Publications Ltd (ITP).
 Coppin, P. e. (2004). Digital Change Detection Methods In Ecosystem Monitoring: a review. .
 Costa, F. (1998). Reservas Florestais de Nampula: Situação actual e Perspectivas. . Moçambique.
53
 Craveiro, I. C. (2013). Uso de geotecnologias na detecção do desmatamento na Reserva Extrativista
Cazumbá-Iracema no estado do Acre. Curitiba.
 Crósta, Á. P. (1992). Processamento Digital de Imagens de Sensoriamento Remoto. Campinas.
 Cunha, J. E., Rufino, I. A., Silva, B. B., & Chaves, I. D. ( 2012). Dinâmica da cobertura vegetal para a
Bacia de São João do Rio do Peixe, PB, utilizando-se sensoriamento remoto. .
 DNFFB. (1999). Lei de Florestas e Fauna Bravia. Maputo.
 Dobson, J. E. (1995). NOOA Coastal Change Analysis Program: Guidance for Regional Implementation.
.
 Drusch, M. (2012). Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services.
Remote Sensing of Environment.
 Egas, A. (2013). Assessment of harvested volume and illegal logging in Mozambican natural forest. Maputo.
 EIA. (2013). First class connections: log smuggling, illegal logging, and corruption in
Mozambique.Environmental Investigation Agency. Londres.
 Eldon, J. (2014). Modelação do Nicho Ecológico dos Elefantes (Reserva de Maputo).
 FAEF. (2013). Avaliação da Exploração Madeireira na Floresta Nativa em Moçambique. Relatório

Preliminar. Maputo: Universidade Eduardo Mondlane. Moçambique. 57p.
 Falcão, M. P., & Noa, M. (2016). Definição de Florestas, Desmatamento e Degradação Florestal no âmbito
do RREDD. Maputo.
 Falcão, M., Bila, A., & Remane, I. (2015). Avaliação das perdas de receitas devido a exploração e comércio
ilegal de madeira em Moçambique no período 2003, 2013. Maputo.
 FAO. (2015). The Growing by Rural People. Roma.
 FAO, T. S. (2010). Addressing Food and insecurity in protracted crises. Rome, Italy.
 Ferrão, M. (2003). Apontamentos de Teledetecção-Fascículo I: Satélites e Princípios Físicos de Teledetecção.

Maputo.
 Ferreira, A. L., & Pasa, M. C. (2015). O uso de geotecnologia aplicada ao monitoramento de desmatamento
do Pantanal Mato-grossense. Mato Grosso.
54
 Ferreira, M. M., Santos, S. L., Costa, A. B., Pedroza, D. L., & Freitas, R. S. (2014). O uso do SIG,
para a gestao e monitoramento ambiental de Bacias Hidrográficas em Porto Velho - O Caso do Igarapé
Belmont-Porto Velho-RO .
 Fonseca, L. M., & Manhjunath, B. S. (2017). Photogrammetric Engineering & Remote Sensing,.
 Foody, G. M. (2002). Status of land cover classification accuracy assessment. Obtido de Remote Sensig
of Environment: http://www.yale.edu/ceo/OEFS/ClassificationArticle_by_Foody_2002.pdf
>
 Freires, E. V. (2009). Detecção de Mudanças na Cobertura Vegetal no Município de Maracanaú.

Fortaleza.
 Huisman, O., & By, R. A. (2009). Principles of Geographic Information Systems (GIS) . Munich
/Germany.
 Issufo, C. I. (2020). A reserva Florestal de Mecuburi. Maputo: Julho.
 Jackson, R. D., & Huete, A. R. (2015). Interpreting vegetation indices. .
 Jensen, J. R. (2009). Sensoriamento Remoto do Ambiente. São José dos Campos, SP.
 KAWAKUBO, F. S., MORATO, R. G., & LUCHIARI, A. (2003). ANÁLISE

COMPARATIVA DAS IMAGENS TM/LANDSAT 5 EHRV-SPOT NO MAPEAMENTO
DA COBERTURA VEGETALNO LITORAL SUL DO ESTADO DE SÃO PAULO. SÃO
PAULO.
 Lima, G. C., Oliveira, A. H., & Silva, M. L. (2013). Avaliação da cobertura vegetal pelo índice de
vegetação por diferença normalizada.
 MAE, M. d. (2005). Perfil do Distrito de Mecubúri. Maputo.
 Magalhães, T. (2018). Inventário florestal nacional, Direcção Nacional de Florestas. Ministério da Terra,
Ambiente e Desenvolvimento Rural. Maputo, Moçambique.
 Magalhães, T. M. (2014). Análise do Sistema de Exploração dos Recursos Florestais em Moçambique.

Maputo: Eduardo Mondlane University.
 Marzoli, A. (2007). AVALIAÇÃO INTEGRADA DAS FLORESTAS DE MOÇAMBIQUE:

Inventário Florestal Nacional. Maputo.
55
 Marzoli, A. (2007). Relatório do inventário florestal nacional. Direcção Nacional de Terras e Florestas.
Maputo, Moçambique: Ministério da Agricultura.
 ME, M. d. (2013). Estratégia de Conservação e uso Sustentável da Energia da Biomassa.
 Mendes, C. A. (1997). Planejamento nacional de recursos hídricos baseado no uso de técnicas de

geoprocessamento. Porto Alegre.
 Meneses, P. R. (2011). Princípios De Sensoriamento Remoto. In: Introdução ao processamento de imagens de

sensoriamento remoto. Brasília.
 MITADER. (2018). Desflorestamento em Moçambique (2003 – 2016). Maputo.
 Moreira, M. A. (2012). Fundamentos De Detecção Remota e Metodologias de Aplicação. São Paulo.
 Mueia, M. (2017). Produção de carvão vegetal acelera destruição das florestas moçambicanas. Quelimane.
 Mueia, M. (04 de Dezembro de 2018). Reserva Florestal de Mecuburi esta a desaparecer. Obtido de
DW- Deutsche Welle: https://www.dw.com/pt-002/reserva-florestal-de-mecuburi-
est%C3%A1-a-desaparecer/g-46577445
 Müller, T., Sitoe, A., & Mabunda, R. (2005). Assessment of the Forest Reserve Network in Mozambique.
Maputo.
 NASA. (29 de Janeiro de 2018). History Landsat Science. Disponível em: . Obtido de
<https://landsat.gsfc.nasa.gov/about/history/> .
 Nhantumbo, I., Sitoe, A. A., & Guedes, B. S. (2013). Linha de Referência, Monitoria, Relatório e
Verificação para o REDD+ em Moçambique. Maputo.
 Nunes, A. C. (2007). Detecção Automática de Alterações do Coberto Florestal com Imagens de Satélite de
Grande e Muito Grande Resolução Espacial.
 Olaya, V. (2018). Introduction to GIS. London, England.
 Pacheco, A. P. (2000). Aplicação Multitemporal de Sensoriamento Remoto e Geoprocessamento à Mata do

Zumbi.
 Pinto, S. A. (1991). Sensoriamento Remoto e Integração de dados aplicados no estudo da Erosão dos solos:
Contribuição Metodológica. . São José dos Campos.
56
 PonzoniI, F. J., Shimabukuro, Y. E., & Kuplich, T. M. ( 2012.). Sensoriamento Remoto da vegetação.
São Paulo.
 Pôssa, É. M. (2014). Análise da Densidade de Eventos de Degradação Florestal e Desflorestamento e sua

Relação com os Polos Madeireiros no Estado do Pará. São Paulo.
 Ribeiro, N., Mushove, P., & Awasse, A. S. (2002). Caracterização Ecológica da Floresta de Galeria do
Rio Mecubúri na Reserva Florestal de Mecuburi. Província de Nampula. Maputo.
 Ribeiro, N., Sitoe, A. A., Guedes, B. S., & Staiss, C. (2002). Manual de Silvicultura Tropical.
Maputo.
 Ribeiro, N., Sitoe, A. A., Guedes, B. S., & Staiss, C. (2002). Manual De Silvicultura Tropical.
Maputo: UEM/FAEF/DEF.123p.
 Rosa, R. (2009). Introdução a Detecção Remota. https://doi.org/10.14393/edufu-978-85-7078-219-

9.
 Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Monitoring vegetation systems in the
Great Plains with ERTS. Proceedings of the Third Earth Resources Technology Satellite - 1 Symposium.
 Roy, D. P., Kovalskyy, V., Zhang, H. K., & Vermote, E. F. (2015). Land use intensity trajectories on
Amazonian pastures derived from Landsat time series. International Journal of Applied Earth Observation
and Geoinformation.
 Santos, A. R. (2013). Apostila do Sensoriamento Remoto. Alegre.
 Shimizu, J. Y. (2006). Pesquisa e Desenvolvimento Florestal em Moçambique. Colombo, Brasil:

Embrapa Floestas.
 Silva, J. d., Abdon, M. d., Silva, M. P., & Romero, H. R. (1998). Levantamento do Desmatamento no
Pantanal Brasileiro até 1990/91.
 Silva, L., & Galvíncio, J. D. (2012). Análise comparativa da variação dos índices NDV e SAVI no sítio
PELD –22 em Petrolina – PE, na primeira década do século XXI.
 Sitoe, A. A., Guedes, B. S., & Nhantumbo, I. (2013). Linha de Referência, Monitoria, Relatório e
Verificação para o REDD+ em Moçambique.
 Sitoe, A. A., Guedes, B. S., & Nhantumbo, I. (2013). Linha de Referência, Monitoria, Relatório e
Verificação para o REDD+ em Moçambique. Moçambique.
57
 Sitóe, A. A., Guedes, B., & Nhantumbo, I. (2013). Linhas de Referência, Monitoria, Relatório e
Verificação para o REDD+ em Moçambique. Maputo.
 Sitoe, A., Ribeiro, N., Falcão, M., Mate, R., Nhamirre, J., Walker, S., & Melo, J. (2016).
Identificação e análise dos agentes e causas directas e indirectas do desmatamento e degradação florestal em.
Moçambique. Maputo.
 Sitoe, A., Salomão, A., & Wertz-Kanounnikoff, S. (2010). O contexto de REDD+ em Moçambique:
Causas, actores e instituições:. Bogor, Indonesia.
 Sitoe, A., Salomao, A., & Wertz-Kanounnikoff, S. (2012). O contexto de REDD+ EM

Mocambique: Causas, Actores e Inatituicoes. Maputo.
 Soares, M. (2017). Desmantamento em Moçambique 2003-2016. Maputo.
 Timberlake, J., & Chidumayo. (2011). Timberlake, J., & Chidumayo, E. (2011). Miombo ecoregion
vision report.Biodiversity Foundation for Africa, Famona, Bulawayo. Zimbabwe, 20, 1-76.
 Townshend, J., Justice, C., Gurney, C., & McManus, J. (1992). The impact of misregistration on
change detection .
 Uetela, A. E. (2014). Dinâmica E Prognose De Produção De Uma Floresta De Miombo Utilizando

Matriz De Transição. Curitiba- São Paulo.
 USGS. (2013). Frequently Asked Questions about the Landsat Missions.
 USGS. (2016). Department of the interior u.s. Geological survey.
 Viela, G. d. (2014). Coeficiente Kappa.
 White, F. (1983). The vegetation of Africa, a descriptive memorie to accompany the

UNESCO/AETFAT/UNSO vegetation map of África , a descriptive memorie to accompany the
UNESCO/AETFAT/UNSO vegetation map of África (3 Plates, Northwestern Africa, Northeastern
Africca,.
 Wulder, M. A., White, J. C., Woodcock, C. E., Belward, A. S., & Cohen, W. B. (2016). The global
Landsat archive: Status, consolidation, and direction. Remote Sensing of Environment.
 Yadav, S. K., Raj, S., & Roy, S. S. (2013). Remote Sensing Technology and its applications.
Bhubaneswar.
58
 Zanzarini, F. V., Pissarra, T. C., Brandão, F. J., & Teixeira, D. D. (2013). Correlação espacial do
índice de vegetação (NDVI) de imagem Landsat/ETM+ com atributos do solo. Campinas Grnade.
Anexo
59
Anexo 1: Imagens satélite Landsat 5 TM de 1991, 2000 e 2010 e Landsat 8 OLI 2020 da Reserva Florestal
de Mecuburi.
60
61
62
63

AliaSantos VersãoFinal 07 05 2022

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

AliaSantos VersãoFinal 07 05 2022

Enviado por

Direitos autorais:

Formatos disponíveis

FACULDADE DE CIÊNCIAS

Departamento de Matemática e Informática

Análise Comparativa dos satélites Landsat

Autora: Alia Fernando Santos

[Nome completo do autor]

[Nome completo do autor]

Análise Comparativa dos satélites Landsat

Autora: Alia Fernando Santos

Supervisor: Mestre Márcio Fernando Mathe, UEM

[Nome completo do autor]

Maputo, Junho de 2022

(Alia Fernando Santos)

Ao Departamento de Matemática e Informática da UEM, a todos docentes por todo ensinamento ao

CENACARTA Centro Nacional de Cartografia e Teledetecção

DEM Digital Elevation Model

DNFFB Direcção Nacional de Florestas e Fauna Bravia

ETM+ Enhanced Thematic Mapper Plus

FAO Organização para Alimentacção e Agricultura

MITADER Ministério da Terra, Ambiente e Desenvolvimento Rural

MLME Modelo Linear de Mistura Espectral

MSS Multispectral Scanner

NASA National Aeronautics and Space Admiministration

NDVI Índice de Vegetação por Diferença Normalizada

OLI Operational Land Imager

ONU Organização das Naçães Unidas

RFM Reserva Florestal de Mecuburi

SADC Comunidade para o Desenvolvimento da África Austral

SIG Sistemas de Informação Geográfica

TIRS Thermal Infrared Sensor

UNFCC Convenção-Quadro das Nacões Unidas sobre Mudanças Climáticas

USGS United Geological Survey

WRI World Resources Institute

MSI MultiSpectral Instrument

Declaração de Honra .............................................................................................................................................. ii

Agradecimentos ...................................................................................................................................................... iii

Lista de Tabelas ..................................................................................................................................................... vii

1.1. Contextualização .................................................................................................................................... 1

1.2. Definição do problema.......................................................................................................................... 2

1.3. Justificativa .............................................................................................................................................. 2

1.4. Relevância ................................................................................................................................................ 3

1.5. Objectivos ............................................................................................................................................... 4

Área de Estudo ........................................................................................................................................................ 5

2.1. Localização Geográfica.......................................................................................................................... 5

2.2. Clima e Hidrografia ................................................................................................................................ 6

2.3. Solo ........................................................................................................................................................... 6

2.4. População ................................................................................................................................................ 6

2.5. Vegetação ................................................................................................................................................ 6

Revisão de Literatura .............................................................................................................................................. 7

3.1. Florestas ................................................................................................................................................... 7

3.1.1. Recursos Florestais ........................................................................................................................ 8

3.1.2. Florestas de Miombo ..................................................................................................................... 9

3.1.3. Divisão do Miombo....................................................................................................................... 9

3.2. Desmatamento ...................................................................................................................................... 10

3.2.1. Desmatamento em Moçambique............................................................................................... 11

3.3. Detecção Remota ................................................................................................................................. 13

3.3.1. Resolução de imagens na Detecção Remota............................................................................ 14

3.3.2. Aplicação da Detecção Remota ................................................................................................. 15

3.3.3. Radiação Electromagnética e Espectro Electromagnético .................................................... 16

3.4. Classificação Supervisionada de Imagem de Satélite....................................................................... 17

3.4.1. Validação da Classificação .......................................................................................................... 17

3.5. Detecção de Mudanças ........................................................................................................................ 18

3.5.1. Agentes de mudança .................................................................................................................... 18