UNIVERSIDADE FEDERAL DO AMAZONAS - UFAM

FACULDADE DE CIÊNCIAS AGRÁRIAS - FCA

DEPARTAMENTO DE CIÊNCIAS FLORESTAIS - DCF
CURSO DE ENGENHARIA FLORESTAL

RELATÓRIO DE ESTÁGIO SUPERVISIONADO

Manaus
2019
 ADRIANO SOUZA SILVA

RELATÓRIO DE ESTÁGIO SUPERVISIONADO

Relatório de estágio supervisionado para

apreciação do Departamento de Ciências
Florestais (DCF/UFAM).

Manaus
2019

2
 1. DADOS DE IDENTIFICAÇÃO

Dados do Estagiário:
Nome: Adriano Souza Silva
E-mail: pyrolink94@gmail.com
Telefone: (92) 98473-5129
Matrícula: 21352998

Dados da Instituição:
Empresa: Universidade Federal do Amazonas
Endereço: Avenida Rodrigo Octávio, 3000, Setor Sul, Bloco FCA 02, 2º andar
Telefone: (92) 3305-1480
Setor de Estágio: Laboratório de Geotecnologias – LABGEO/UFAM

Estágio:
Início e término do estágio: 7 de outubro de 2019 a 7 de dezembro de 2019
Horário: Diurno
Carga horária semanal: 20 horas semanais
Carga horária total: 180 horas

Supervisor:
Nome: André Luiz Alencar de Mendonça
E-mail: andremalms@hotmail.com
Instituição: Universidade Federal do Amazonas – UFAM

Orientador:
Nome: André Luiz Alencar de Mendonça
E-mail: andremalms@hotmail.com
Instituição: Universidade Federal do Amazonas – UFAM

3
 André Mendonça
Supervisor do estágio
(LABGEO – UFAM)

André Mendonça
Orientador do estágio
(UFAM)

Adriano Souza Silva

estagiário
(UFAM)

Luiz Barros Filho

Coordenador de estágio
(DCF – UFAM)

4
INDICE
1. DADOS DE IDENTIFICAÇÃO ............................................................................... 3
2. RESUMO .................................................................................................................. 7
3. INTRODUÇÃO ........................................................................................................ 8
4. OBJETIVOS ................................................................................................................. 9
4.1 Geral ........................................................................................................................ 9
4.2 Específicos .............................................................................................................. 9
5. ATIVIDADES DESENVOLVIDAS ...................................................................... 10
Aerolevantamento ....................................................................................................... 10
Criação de um banco de dados no servidor da UFAM ............................................... 11
Noções básicas de Google Earth Engine .................................................................... 14
PACE: Aplicabilidade de GNSS, Estação Total e VANT de baixo custo no
monitoramento de plantios.......................................................................................... 20
6. CONCLUSÃO ........................................................................................................ 22
7. REFERÊNCIAS ...................................................................................................... 23
8. Anexos ..................................................................................................................... 24

5
LISTA DE FIGURAS

Figura 1: Prática de treinamento do drone. Praça da Matriz –

Manaus/AM.................................................................................................................... 11

Figura 2: Drone em voo, led acesa indicando a orientação. Praça da Matriz –

Manaus/AM.................................................................................................................... 11

Figura 3: Interface do postgreSQL, mostrando o campo de preenchimento para a

senha................................................................................................................................12

Figura 4: (A) Processo para criar um servidor. (B) Configurações gerais. (C)
Configurações de conexão...............................................................................................12

Figura 5: (A) Processo para criar um banco de dados. (B) Configurações gerais (C)
Seleção da ferramenta Query Tool...................................................................................13

Figura 6: Plataforma do Google Earth Engine...............................................................14

Figura 7: Esquema de aplicação do algoritmo na base de dados da Google..................15

Figura 8: Região de Manaus com uma área de interesse destacada no Puraquequera....16

Figura 9: Mapa de satélite da região com vários shapes indicando as classes................18

Figura 10: Classificação da área verde escuro é floresta, verde claro é vegetação não
florestal, laranja é urbano e azul é hidrografia..................................................................20

6
 2. RESUMO

O presente relatório é referente ao estágio supervisionado, disciplina critério para

conclusão de curso, ocorrido no período de 07 de outubro de 2019 a 07 de dezembro de
2019 cumprido no Laboratório de Geotecnologias – LABGEO, localizado no segundo
andar do FCA 02, setor sul da Universidade Federal do Amazonas, cumprindo carga
horária de 180 horas. Durante o estágio supervisionado foi possível realizar diversas
atividades referentes a Sistemas de informações geográficas, tais como índice de variáveis
por área, como as classificações de imagens, dados demográficos, censo, entre outros.
Conta com a aerofotogrametria uma metodologia empregada para obtenção de imagens
de resoluções superiores as de satélites, realizadas por VANTS. Utilização de banco de
dados, assim como gerenciá-los, atividades de extensão desenvolvidas pelo laboratório,
tais atividades que mostram bem a realidade do processamento de imagens para estudos
de determinadas áreas tanto na cidade de Manaus quanto ao seu redor. O laboratório conta
com atividades realizadas por alunos graduandos da UFAM, da UEA, e do PPG-CIFA.
Sempre buscando parcerias com outras instituições com o âmbito de difundir a
geotecnologia para desenvolvimento de pesquisa, extensão. Promovendo resultados para
o público em geral.

A partir dessas informações o laboratório é um ótimo lugar para realizar atividades

que envolva geoprocessamento, está sempre de portas abertas para qualquer aluno que se
interessar.

A experiência de campo é primordial para que se tenha uma ampla visão da área de
trabalho, pois muitas vezes não é possível identificar alguma ação que possa impactar
uma área protegida por exemplo, tendo essa visão de perspectivas diferentes se torna algo
muito importante para atualizar e para realizar trabalhos, pesquisas e extensões para
futuros resultados.

Palavras chave: estágio, geoprocessamento, pesquisa, extensão.

7
 3. INTRODUÇÃO

A experiência do estágio é essencial para a formação integral do aluno,

considerando que cada vez mais são requisitados profissionais com habilidades e bem
preparados. Ao chegar à universidade o aluno se depara com o conhecimento teórico,
porém muitas vezes, é difícil relacionar teoria e prática se o estudante não vivenciar
momentos reais em que será preciso analisar o cotidiano (MAFUANI, 2011).

O aprendizado baseado no contexto do trabalho estimula o desenvolvimento do

conhecimento, habilidades e atitudes de forma: autônoma, responsável, liberta, criativa,
compromissada, a dominar a prática e seu papel social, aprofundando e contextualizando
os conhecimentos, assumindo, dessa forma, uma prática transformadora. (GAV et al.,
2012) e (COLLISELLI L et al., 2017).

Visto desse modo, o estágio apresenta uma singularidade por se situar no mundo da
academia e se estender para o mundo do trabalho (REICHMANN, 2015), dando suporte
para o estabelecimento da relação entre teoria e prática. Tratar o estágio como o espaço
para essa relação é compreendê-lo como momento de reflexão sobre as aprendizagens no
contexto institucional, ou seja, com base nas disciplinas vivenciadas durante o curso de
formação.

A Geotecnologia através de suas ferramentas, possui um amplo leque, onde tem sua
aplicabilidade em diversas áreas, uma delas é na ciência e engenharia florestal, com isso,
torna-se um importante instrumento no setor e na área do mercado de trabalho, através
dessa concepção faz-se uma área de relevante nível para atuar no mercado de trabalho. A
utilização de equipamentos e o desenvolvimento de sofisticados algoritmos e a sua
incorporação ao conjunto de funções das Geotecnologias, permite o processamento rápido
e eficiente dos dados necessários para a caracterização das variáveis morfométricas do
terreno (OLIVEIRA, 2002).

A Geotecnologia adequa-se perfeitamente à abordagem territorial na medida em

que permite efetuar a distribuição espacial dos dados, a visualização de suas relações
espaciais, a detecção de processos de concentração e de dispersão de fluxos e
contrafluxos, bem como a identificação da série histórica dos dados (PINA, citado por
LOUZADA et al., 2009a).

8
4. OBJETIVOS

4.1 Geral
Compor e atuar em atividades executadas no laboratório de Geotecnologias – LABGEO
- UFAM

4.2 Específicos
- Coadjuvar na realização do PACE: Aplicabilidade de GNSS, Estação Total e VANT de
baixo custo no monitoramento de plantios;

- Elaborar um banco de dados, dos produtos gerados pelo laboratório;

- Auxiliar em trabalhos de análise sobre cobertura vegetal.

9
 5. ATIVIDADES DESENVOLVIDAS

Aerolevantamento
Foi realizado um voo de instrução de controle básico, nele foi instruído a
movimentação básica do drone, a montagem do mesmo, o princípio do software nativo
(DJI 4) e de terceiros (pix4d).

O planejamento do trajeto que o drone faz é programado no software, onde o voo

é realizado por várias faixas na área de interesse de acordo com o mapa e a localização
de GPS, fotografando toda a área e modulando um mapa convencional ou até mesmo uma
projeção da área ou objeto em 3D.

O planejamento também pode ser realizado manualmente da seguinte forma: o

drone sobe 120m, desta forma tem-se uma boa visão da área, após estabilizar a altura
deve-se direcionar o sentido para que facilite o entendimento da área para não se perder,
feito isso faz-se diversas faixas na área, obtendo fotos de 1,5 segundos de uma para a
outra. No laboratório as imagens são mosaicadas para unir todas as imagens de uma forma
que una a uma só, gerando um mapa de alta resolução.

A bateria do drone dura aproximadamente 30 minutos, é sempre necessário andar

com mais de 2 baterias para não correr risco de ter frustração no trabalho, pois assim que
ele atinge cerca de 20% é forçado a pousar imediatamente. A sua câmera possui uma
qualidade de resolução muito boa, com diversas funções para configurar as propriedades
de cor, contraste, brilho, entre outras, para obter uma melhor visualização e ter melhor
trabalhabilidade com seus produtos gerados.

O controle é de simples manuseio, há uma tela touch screen de tamanho razoável,

similar a um tablet com seu sistema operacional android. Conta com entrada usb, entrada
de cartão de memória para ter maior poder de armazenamento de dados e para
transferência de arquivos.

O drone em si possui luzes que indicam quando a está próximo da descarga da

bateria, além de indicar a parte traseira que possui a cor verde enquanto que a parte frontal
tem cor vermelha.

10
Figura 1: Prática de treinamento do drone. Praça Figura 2: Drone em voo, led acesa indicando a
da Matriz – Manaus/AM orientação. Praça da Matriz – Manaus/AM

Criação de um banco de dados no servidor da UFAM

O PostgreSQL é um sistema de gerenciamento de banco de dados objeto-
relacional. É um descendente de código fonte aberto deste código original de Berkeley,
que suporta grande parte do padrão SQL e oferece muitas funcionalidades modernas,
como:

- Comandos complexos

- Chaves estrangeiras

- Gatilhos

-Visões

- Integridade transacional

- Controle de simultaneidade multiversão

Além disso, o PostgreSQL pode ser ampliado pelo usuário de muitas maneiras
como, por exemplo, adicionando novos

- Tipos de dado

- Funções

- Operadores

11
- Funções de agregação

- Métodos de índice

- Linguagens procedurais

Devido à sua licença liberal, o PostgreSQL pode ser utilizado, modificado e

distribuído por qualquer pessoa para qualquer finalidade, seja particular, comercial ou
acadêmica, livre de encargos.

O pgAdmin é uma excelente ferramenta para administração do PostgreSQL, ela

permite fazer todas as tarefas necessárias de administração do banco de dados.

No processo de instalação cria-se uma senha para acessar os servidores de banco

de dados, também é criado um host para hospedar o banco de dados em um servidor
próprio.

Figura 3: Interface do postgreSQL, mostrando o campo de preenchimento para a

senha.

O segundo passo é criar um servidor que poderá ser aberto, ou restrito para o
gerenciamento do banco de dados.
Figura 4: (A) processo
para criar um servidor.
(B) configurações
gerais. (C)
A configurações de
conexão.

C
B

12
 Nomeia-se o servidor, nesse caso chamando-se de: Meu_computador, em seguida
é preenchido as lacunas Host e Port de acordo com as especificações definidas de acordo
com a instalação, nesse caso são o IP 127.0.0.1 ou localhost, a porta 5433 e a senha.
Pronto, tem-se um servidor criado e é possível gerenciar os bancos de dados.

Criando um banco de dados:

Figura 5: (A) Processo para criar um

banco de dados. (B) Configurações
gerais (C) Seleção da ferramenta
Query Tool.

Logo após o banco criado abrir o item TOOLS/QUERY TOOL e digitar:

CREATE EXTENSION POSTGIS

Para criar uma tabela vazia (todos os comandos SQL precisam ser colocados numa
janela SQL ou QUERY TOOL):

Ficará desta forma: CREATE TABLE PESSOAS_ESCOLA (nome_mun

character varying[100] NOT NULL, P_escola INT[10], geocode INT[100],
CONSTRAINT P_escola PRIMARY KEY (geocode));

Devido a codificação dos caracteres a tabela deverá ser ajustada, para que o
programa leia a tabela, nesse caso para UTF-8 e salva-la como tabela_escola.csv;

Depois copia-la pra dentro da tabela vazia: COPY

PESSOAS_ESCOLA(nome_mun,P_escola,geocode) FROM
C:\labgeo\tabela_escola.csv' DELIMITER ';' CSV HEADER;

13
 Após essa série de códigos, importar O SHAPEFILE de municípios usando o
SHP2SQL.exe;

Nomeando-o de MUNI_AM (nome da tabela) isso fará com que os itens da tabela
sejam compartilhados assim gerando um campo com as informações do shape e da tabela.

Para fazer a conexão com o postgreSQL no QGIS, ir no gerenciador de camadas,

e selecionar a opção postgreSQL e preencher a conexão.

No Qgis em banco de dados, na janela SQL, fazer o join no Qgis utilizando a

seguinte entrada:

Select nome_mun, P_escola from MUNI_AM, PESSOAS_ESCOLA where

GEOCODIG_M = geocode.

Essa é uma das funções do PostgreSQL, também é possível realizar a gerencia e a

navegação sobre os diversos dados referentes a geotecnologia, como por exemplo: mapas,
shapes, imagens, tabelas, gráficos, entre outros.

Noções básicas de Google Earth Engine

Figura 6: Plataforma do Google Earth Engine

O Google Earth Engine é um catalogo de vários petabyte de imagens de satélite,

conjunto de dados geoespaciais, que permite o usuário visualizar, manipular, editar, criar
dados espaciais e proporciona ao usuário uma abordagem altamente interativa para o
desenvolvimento de algoritmos e um ciclo rápido de testes e melhorias para o
processamento de dados em larga escala. (GORELICK et al., 2017).

14
 Figura 7: esquema de aplicação do algoritmo na base de dados da Google.

Tendo em vista o tempo relativamente curto, para realizar todas as funções do

GEE, foi realizado uma tarefa bastante importante e que pode gerar vários resultados para
análise e/ou monitoramento de uma determinada área, que é a classificação de uma
imagem. A classificação consiste em transformar os pixels que é a unidade de imagem
em classes, com cores destacadas, desta forma permite que o analista ou o usuário tenha
uma melhor visão de o todo de uma área, além de destacar as cores a classificação pode
gerar tabelas, gráficos que mostram a quantidade de pixels que cada classe constitui,
importante por exemplo a vegetação de uma área em que haja a comparação de uma em
períodos diferentes, através disso poderá ficar evidente se causou algum impacto, como
desflorestamento, desmatamento, antropização, crescimento de vegetação ou até
investigar se há alguma irregularidade em alguma área protegida esteja sofrendo alguma
ação.

Para classificar uma imagem no GEE, realiza-se uma composição de imagens,

nesse caso usou-se imagem do satélite landsat, além de ter um shape que pode ser criado
em qualquer software de SIG e até mesmo no GEE, esse shape se chama de
área_interessep, também realiza-se um filtro de imagem pra determinar o período de
obtenção da imagem.

Existe um problema em relação a nuvens que podem influenciar na classificação,

em resoluções de baixa qualidade, o programa talvez reconheça a nuvem como área
antropizada ou urbana, para amenizar esse problema, se torna bastante importante adquirir
imagens livre e nuvens.

Para os processos citados serem realizados, são escritos tais códigos para
realização dessa causa:

var area_interesse = ee.FeatureCollection('users/assflorestal/area_interessep')

15
var collection = ee.ImageCollection('LANDSAT/LC08/C01/T1')

.filterDate('2017-06-25', '2017-06-30');

var composite = ee.Algorithms.Landsat.simpleComposite(collection);

var customComposite = ee.Algorithms.Landsat.simpleComposite({ collection:

collection, percentile: 75, cloudScoreRange: 5 }); Map.setCenter(-59.86, -3.04, 12);
Map.addLayer(customComposite, {bands: ['B6', 'B5', 'B4'], max: 128},
'Composicao_landsat'); Map.addLayer(area_interesse);

O resultado gerado se encontra na figura, onde é mostrado a área de interesse na

região do Puraquequara em Manaus – AM, pode-se observar que há floresta, vegetação
que não é floresta, áreas urbanas e hidrografia, além de nuvens e sombreamento das
nuvens. O foco será na área de interesse.

Figura 8: região de Manaus com uma área de interesse destacada no Puraquequera

Após esse resultado é utilizado uma função para mascarar as nuvens usando a
banda Sentinel-2 QA:

function maskS2clouds(image) {var qa = image.select('QA60');

Os bits 10 e 11 são nuvens cumulus e cirros, respectivamente:

16
 var cloudBitMask = 1 << 10; var cirrusBitMask = 1 << 11;

Ambos os sinalizadores devem ser definidos como zero, indicando condições

claras:

var mask = qa.bitwiseAnd(cloudBitMask).eq(0)

.and(qa.bitwiseAnd(cirrusBitMask).eq(0));

return image.updateMask(mask).divide(10000); }

Mapeando a função em um ano de dados e faça a mediana e carregar os dados de

refletância do Sentinel-2 TOA:

var dataset = ee.ImageCollection('COPERNICUS/S2')

.filterDate('2019-07-24', '2019-07-28')

Feito um pré-filtro para obter grânulos menos nublados:

.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))

.map(maskS2clouds);

var composite = dataset.max();var rgbVis = { min: 0.0, max: 0.3, bands: ['B4', 'B3',
'B2'],};

Map.setCenter(-59.86, -3.04, 12);

Map.addLayer(composite, rgbVis, 'sentinel');

var area_interesse = ee.FeatureCollection('users/assflorestal/area_interessep')

Map.addLayer (area_interesse)

Usando as seguintes bandas para classificação:

var bandas = ['B2','B3', 'B4', 'B5', 'B6', 'B7','B8','B11','B12'];

Para realizar a classificação, precisa-se criar um polígono para cada tipo de classe,
nesse caso para floresta, vegetação não floresta, urbano e hidrografia, possível na
plataforma do GEE mesmo, através da ferramenta desenhar forma. Para esta metodologia
foi adotado 5 polígonos para cada classe.

17
Figura 9: Mapa de satélite da região com vários shapes indicando as classes.

Unindo todas as feições do treinamento em uma só com o comando merge:

var treino = agua.merge(urbano).merge(vegnflorest).merge(vegflorest);

var treina_kappa= agua2.merge(urbano2).merge(vegnflorest2).merge(vegflorest2);

Nome do atributo que contém as classes na geometria:

var prop_class = 'tipo';

A identificação das classes vem da variável prop_class

var treinamento = composite.select(bandas).sampleRegions({ collection: treino,

properties: [prop_class], scale: 10});

var valida = composite.select(bandas).sampleRegions({ collection: treina_kappa,

properties: [prop_class], scale: 10 });

Treinando o classificador do tipo CART ou randomForest

var classificador = ee.Classifier.randomForest().train({ features: treinamento,

classProperty: prop_class, inputProperties: bandas});

18
 Escrever no console informações sobre o treinamento efetuado e classificar a
composição.

var img_classificada = composite.classify(classificador);

Map.setCenter(-59.86, -3.04, 12);

Map.addLayer(img_classificada, {min: 1, max: 4, palette: ['blue', 'orange','chartreuse',

'green']});

Classificar a validação:

var validacao = valida.classify(classificador)

Print a matriz de confusão:

var confMatrix = validacao.errorMatrix(prop_class, 'classification');

print('RF testing error matrix', confMatrix);

print('RF testing accuraccy', confMatrix.accuracy());

var OA = confMatrix.accuracy()

var CA = confMatrix.consumersAccuracy()

var Kappa = confMatrix.kappa()

var Order = confMatrix.order()

var PA = confMatrix.producersAccuracy() var exportAcuracia = ee.Feature(null,

{matrix: confMatrix.array()})

Exportar a FeatureCollection:

Export.table.toDrive({ collection: ee.FeatureCollection(exportAcuracia), description:

'exportAccuracy', fileFormat: 'CSV' });

print(confMatrix,'Confusion Matrix') print(Kappa,'Kappa')

E exportar imagem, especificando-se o recorte e a escala:

19
Export.image.toDrive({ image: img_classificada, description:
'imagem_classificada_RF_2019_07', scale: 10, region: area_interesse});

Como resultado tem-se a classificação da imagem:

Figura 10: Classificação da área verde escuro é floresta, verde claro é vegetação não
florestal, laranja é urbano e azul é hidrografia.

PACE: Aplicabilidade de GNSS, Estação Total e VANT de baixo custo no

monitoramento de plantios

É uma atividade em andamento que tem como objetivo de gerar respostas nos
plantios para agricultura familiar no ramal ZF1, através de diagnósticos da situação de
desenvolvimento, do monitoramento da área, e de questionários aplicados aos moradores,
caseiros, donos das propriedades, ressaltando que não há o intuito de fiscalização e sim
de estudar a área junto com o histórico, os plantios e o potencial florestal, agrícola que a
área tem a oferecer.

É uma realidade fundamental no campo de Engenharia Florestal no estado do

Amazonas, pois é uma área que exige atenção, sempre há grande potencial para produzir
produtos florestais ou agrícola e que só vemos, durante a academia, em projetos e matérias
optativas.

A atividade em si ocorreu uma reunião para organizar as equipes de trabalho, logo

após foi realizado uma entrevista na área onde estávamos alocados com todas as equipes
para servir como modelo e tirar todas as dúvidas já que o coordenador do projeto estava
acompanhando, durante a entrevista, foi levantado um voo, para mapear via
aerofotogrametria e monitorar a área para observar se há algo como um desflorestamento,

20
ou se houve algum foco de incêndio ou até verificar que a área está sendo invadida, por
vizinhos, ou outras pessoas.

Assim que realizado essas atividades, as equipes se separaram e foram em

propriedades diferentes, cada. Realizando entrevistas, monitoramento da área com voo de
drone, pontos de GPS para cada plantio de algum produto que promova a agricultura
naquela região.

Durante 2 dias o estudo foi realizado em 6 propriedades, um numero até que bom
pelas condições de clima já que a chuva atrapalha, de distância pois as áreas ficam no
mínimo aproximadamente 2km e de locomoção pelo ramal, relacionando-se com a chuva
já que o ramal é de barro, e fica muito difícil a locomoção.

Tudo faz parte do aprendizado, e treinamento para melhorar, nas próximas

propriedades, nas próximas atividades de campo e na vida profissional.

21
 6. CONCLUSÃO

No dia a dia da academia, para a maioria das disciplinas temos maior contato com
a teoria aplicada às atividades que exercemos dentro da nossa profissão e uma visão bem
fraca da pratica dentro do mercado de trabalho e do que mostra a vida que da comunidade,
é diferente por exemplo, na grande área do manejo, silvicultura, tecnologia da madeira,
que nos é mostrado atividades industriais de grande escala, algo que se torna parecido
com algo surreal. Além do trabalho com sensoriamento remoto, já que se tratando de
imagens de satélites com resoluções fracas, que indo no campo se ver outra realidade, por
exemplo clareiras pequena que possam ter influência sobre o lugar, ou até invasões e
construções de pequenas propriedades.

Seguindo esse pensamento, o estágio foi de suma importância pra mostrar a

realidade de como se lidar com as pessoas, como ter um planejamento ótimo com uma
equipe, mostrar a diferença entre as realidades de laboratório e de campo. Isso aperfeiçoa
o conhecimento técnico, cientifico pois ganha uma visão mais ampla das atividades de
trabalhos com pessoas, com objetos, dados e etc.

No decorrer do tempo foi preciso lidar com variadas situações, como imprevistos
de campo como por exemplo a chuva, que não há como fazer voo de drone pois poderá
danificar o equipamento além de as imagens saírem com uma iluminação ruim de
analisar, outro imprevisto é a obtenção de imagens pra fazer pesquisa, estudo pois
algumas tem uma qualidade ruim cheia de nuvens e sombras. Porém há situações muito
boas e positivas, como gerar respostas pra comunidade, pois é algo gratificante, trabalhar
com imagens é muito importante para planejar um trabalho de campo, para comparar e
monitorar grandes áreas para comprovar a análise de vegetação, uso e cobertura de terra,
entre outros.

Como sugestões para o local do estágio, o laboratório, seria interessante os

computadores com melhores processadores e uma internet de melhor qualidade para que
os trabalhos possam ser feitos de formas mais agilizada, pois esse é um dos principais
problemas devido ao pouco tempo que os alunos e pesquisadores tem.

22
 7. REFERÊNCIAS

BENITO GAV, TRISTÃO KM, PAULA ACSF, SANTOS MA, ATAIDE LJ, LIMA
RCD. Desenvolvimento de competências gerais durante o estágio supervisionado. Rev
Bras Enferm [Internet]. 2012 Jan/Feb; [cited 2017 Sep 24]; 65(1):172-8. Available from:
http://www.scielo.br/scielo. php?script=sci_arttext&pid=S0034-
71672012000100025&lng=pt&tlng=pt

COLLISELLI L, TOMBINI LHT, LEBA ME, REIBNITZ KS. Estágio curricular

supervisionado: diversificando cenários e fortalecendo a interação ensino-serviço. Rev
Bras Enferm [Internet]. 2009 Nov/Dec; [cited 2017 Aug 17]; 62(6):932-7. Available
from:
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S003471672009000600023&ln
g=pt&tlng=pt

GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO, S.; THAU, D.;
MOORE, R. “Google Earth Engine: Planetary-scale geospatial analysis for everyone”.
Remote Sensing of Environment, volume (202), páginas (18–27), 2017.
LOUZADA, F. L. R. de O.; SANTOS, A. R.; MARINHO, C. C.; SATLER, M. A.
Delimitação automática das áreas de preservação permanentes da bacia hidrográfica do
ribeirão Estrela do Norte, ES. In: Encontro Latino Americano de Pós-Graduação, 9.,
2009, São José dos Campos. Anais... São José dos Campos: UNIVAP, 2009a. CD-ROM

MAFUANI, F. Estágio e sua importância para a formação do universitário. Instituto de

Ensino superior de Bauru. 2011. Disponível em:
http://www.iesbpreve.com.br/base.asp?pag=noticiaintegra.asp&IDNoticia=1259.
Acesso em: 01/10/19.

OLIVEIRA, M. J. Proposta metodológica para delimitação automática de áreas de

preservação permanente em topos de morro e em linha de cumeada. 2002. 53 p.
Dissertação (Mestrado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa,
2002.

REICHMANN, C. L. Letras e letramentos: a escrita situada, identidade e trabalho docente

no estágio supervisionado. Campinas: Mercado de Letras, 2015.

23
 8. Anexos

Atividades realizadas em campo

24