processamento de imagens landsat-5 tm no mapeamento do … · objetivo de realizar o mapeamento do...
TRANSCRIPT
1
UNIVERSIDADE FEDERAL DE ALFENAS
LYNEKER PEREIRA DA SILVEIRA
INTEGRAÇÃO DE MODELO DIGITAL DE
ELEVAÇÃO E IMAGENS MULTIESPECTRAIS
APLICADA AO MAPEAMENTO DO USO DA
TERRA NA REGIÃO DE GUAXUPÉ (MG)
Alfenas/MG 2013
2
LYNEKER PEREIRA DA SILVEIRA
INTEGRAÇÃO DE MODELO DIGITAL DE
ELEVAÇÃO E IMAGENS MULTIESPECTRAIS
APLICADA AO MAPEAMENTO DO USO DA
TERRA NA REGIÃO DE GUAXUPÉ (MG)
Trabalho de Conclusão de Curso apresentada como parte dos requisitos para conclusão do Curso de Geografia Bacharelado da Universidade Federal de Alfenas. Área de Concentração: Sensoriamento remoto e geoprocessamento
Orientador: Fernando Shinji Kawakubo
Alfenas/MG 2013
3
LYNEKER PEREIRA DA SILVEIRA
INTEGRAÇÃO DE MODELO DIGITAL DE
ELEVAÇÃO E IMAGENS MULTIESPECTRAIS
APLICADA AO MAPEAMENTO DO USO DA
TERRA NA REGIÃO DE GUAXUPÉ (MG)
A Banca examinadora abaixo-assinada, aprova o Trabalho de Conclusão de Curso apresentado como parte dos requisitos para obtenção do título de Bacharel em Geografia pela Universidade Federal de Alfenas.
Aprovado em: Professora: Dra. Rúbia Gomes Morato Instituição: Universidade Federal de Alfenas Assinatura: Professor: Dr. Fernando Shinji Kawakubo Instituição: Universidade Federal de Alfenas Assinatura: Professor: Dr. Clibson Alves dos Santos Instituição: Universidade Federal de Alfenas Assinatura:
4
Dedico à minha família,
meus amigos e algumas
pessoas especiais pelo apoio e
suporte na realização deste
trabalho.
5
RESUMO
Atualmente, o Sensoriamento Remoto e o Geoprocessamento têm se mostrado
ferramentas eficientes para o mapeamento do uso do solo devido à gama de
recursos disponíveis, como imagens de satélites e softwares conhecidos como
SIG’s. Os objetivos traçados neste trabalho foram alcançados utilizando estas
ferramentas, pois com o auxílio das mesmas foi possível gerar o mapa de uso
do solo da região de estudo e a matriz de erro correspondente. Uma
classificação sem uma matriz de erro torna os resultados abstratos. Dessa
forma, a matriz de erro se mostrou fundamental para validar os resultados
desta pesquisa. A correção do efeito topográfico foi de grande valia, uma vez
que a região de estudo possui relevo acidentado, tornando a classificação uma
tarefa laboriosa. Os resultados desta pesquisa mostraram a predominância de
café e solo exposto na região. A grande área destinada ao café na região se
explica pelas inúmeras propriedades familiares que cultivam esta cultura,
fomentadas pela presença da maior cooperativa de café do mundo no
município de Guaxupé-MG. As vastas áreas de solo exposto são reflexos da
época em que a imagem foi obtida, mês de agosto, período de início da
preparação do solo para realização do plantio de algumas culturas agrícolas,
como a cana-de-açúcar e milho.
6
LISTA DE FIGURAS E TABELAS
Figura 1- Localização da área de estudo.....................................11
Figura 2. Fluxograma das etapas desenvolvidas no
processamento digital das imagens............................................17
Figura 3 – Comparativo: imagem com e sem correção do efeito
topográfico.....................................................................................19
Figura 4. Modelo de elevação digital da área de
estudo.............................................................................................21
Figura 5. Mapa de uso do solo da região de
estudo.............................................................................................23
Tabela 1. Matriz de erro.................................................................24
7
SUMÁRIO
Introdução........................................................................................8
Objetivo..........................................................................................9
Justificativa....................................................................................10
Área de estudo...............................................................................11
Revisão bibliográfica.....................................................................13
Materiais e Metodologia................................................................17
Resultados e discussões..............................................................21
Conclusões....................................................................................25
Referências bibliográficas............................................................27
8
INTRODUÇÃO
O sensoriamento remoto é hoje uma ferramenta de extrema importância
para o geógrafo. Atualmente é possível adquirir imagens gratuitamente pela
internet assim como programas destinados ao processamento das imagens. O
sensoriamento remoto possuiu inúmeras vantagens em sua utilização: relativo
baixo custo das imagens, a precisão nas informações que serão extraídas, a
periodicidade, a fácil aquisição de informações de locais de difícil acesso e a
rapidez com que são geradas as informações.
Na edição 427ª da conceituada revista britânica “Nature”, Doug Richardson
descreve a geotecnologia como sendo uma área emergente. A ascensão da
geotecnologia se reflete em pesquisas acadêmicas e no mercado de trabalho.
Empresas privadas estão em busca de mão de obra qualificada, aquela que
saiba lidar com as informações e geoprocessá-las nos devidos sistemas de
informações geográficas profissional.
Tradicionalmente, a interpretação de imagens é feita utilizando os
elementos de reconhecimento da foto-interpretação (CERON: DINIZ, 1966).
Com os avanços da computação e das técnicas de processamento digital de
imagens, a interpretação de imagens de sensoriamento remoto tem sido feita
cada vez mais apoiada por análises numéricas.
Várias áreas do conhecimento tem se beneficiado com os avanços nas
técnicas de interpretação de imagens e de processamento dos dados, que tem
permitido tornar mais rápidos os processos de mapeamento e realce dos alvos
de interesse da imagens. Vários trabalhos publicados na literatura
especializada têm mostrado o potencial do sensoriamento remoto nas
pesquisas relacionadas à identificação de culturas agrícolas (DUARTE, 2007) e
na agricultura de precisão (RUDORFF, 2004).
9
OBJETIVO
Realizar a classificação do uso da terra na região da carta topográfica
1:50.000 (IBGE) de Guaxupé (MG) por meio de processamento digital de
imagens e avaliar a exatidão do mapeamento.
10
JUSTIFICATIVA
O desenvolvimento e o aprimoramento de técnicas de extração de
informação temática são de suma importância para a aplicação do
sensoriamento remoto porque diminui o custo do empreendimento e permite a
geração de mapas de uso da terra de maior confiabilidade.
11
ÁREA DE ESTUDO
A área em estudo localiza-se na porção sudoeste de Minas Gerais, mais
precisamente entre as cidades de Guaxupé, Muzambinho e Juruaia (figura 1).
Corresponde ao retângulo envolvente compreendido pela carta topográfica
Guaxupé (Folha SF-23-V-C-III-4) de escala 1: 50 000 do IBGE (1970). Entre as
coordenadas geográficas de 21º15’ e 21º30’ de latitude sul e 46º30’ e 46º45’ de
longitude oeste de Greenwich.
Figura 1. Localização da área de estudo.
A geomorfologia da região é caracterizada por um relevo acidentado,
com altitudes que variam entre 700 metros e 900 metros. O clima de região é
do tipo tropical de altitude, sofrendo influência da massa de ar tropical atlântica.
No inverno, geadas são comuns na região devido às frentes frias originadas da
massa polar atlântica.
Em relação à geologia, a região está localizada na Nappe Socorro-
Guaxupé, uma espessa lasca neoproterozóica, organizada em uma pilha
alóctone de três distintas unidades de crosta continental profunda: a Unidade
Granulítica Basal, a Unidade Diatexítica Intermediária e a Unidade Migmatítica
Superior. A estrutura alóctone encontra-se segmentada em dois lobos,
12
Guaxupé a norte e Socorro a sul, separados por rampas laterais de alto ângulo.
(NETO et. al., 2004).
O Maciço de Guaxupé é constituído por granulitos migmatizados e
intrudidos por granitos. Segundo MELO et al. (1993), corresponde a terrenos
antigos de alto grau metamórfico, de natureza predominantemente alóctone,
bordejados por uma faixa de dobramentos mais jovens. Suas rochas são
polideformadas e de evolução policíclica, estando afetadas por migmatização e
anatexia do Proterozóico Superior, e encaixam rochas granitóides intrusivas
tardi a pós-tectônicas do Proterozóico Médio a Eopaleozóico (NETO et. al.,
2004).
Atualmente, na área de estudo, o café é a cultura com a maior área
plantada, prevalecendo em relação às outras culturas como a cana-de-açúcar,
citrus e milho. Outra atividade marcante na região é a atividade pecuária, que
ocupa uma vasta extensão territorial.
O município de Guaxupé possui a maior Cooperativa de Café do mundo,
a Cooxupé (Cooperativa de Cafeicultores). É notável o papel do café na
economia da região. Em 2008 a Cooxupé recebeu mais de quatro milhões de
sacas de café e movimentou a cifra de 1, 747 bilhão de reais (ROLLO, 2009).
Contudo, outra cultura que vem dividindo espaço com o café é a cana-
de-açúcar. A produção desta cultura vem se expandindo rapidamente na região
sendo motivada pela instalação de uma usina de álcool e açúcar no município
de Guaranésia - MG. Praticamente toda a produção de cana-de-açúcar na
região está ligada a esta usina.
13
REVISÃO BIBLIOGRÁFICA
Vários estudos têm mostrado o potencial do sensoriamento remoto
orbital na extração de informações relacionadas ao uso da terra, como por
exemplo, Tardin e Assunção (1992), Azevedo e Mangabeira (2001), Vieira et al.
(2003), Moreira et al. (2004), e Moreira et al. (2007).
Numa tentativa de sistematizar o mapeamento de áreas cafeeiras no
Estado de Minas Gerais, Moreira et al. (2007) definiram quatro etapas que
devem ser seguidas no mapeamento desta cultura. O primeiro passo é a coleta
de dados censitários sobre o cultivo de café no estado e espacialização desses
dados por município numa base cartográfica. O segundo passo é a
estruturação do banco de dados geográfico; a terceira etapa consiste na
preparação das imagens para a interpretação; finalmente, o quarto passo é o
mapeamento das áreas de café e quantificação da área plantada por município.
Tardin et al.(1992) mapearam diferentes tipos de uso da terra numa área
experimental localizada no sul de Minas Gerais utilizando os canais 3, 4, 5 e 7
do Landsat TM numa área de aproximadamente 100Km2. Os autores (op cit),
concluíram que a melhor época para diferenciar a pastagem das culturas de
café e de citrus (em estágio de desenvolvimento intermediário) é o período
seco, pois é nesta época que as pastagens perdem o vigor vegetativo.
Em trabalho realizado no município de Santa Bárbara D’Oeste - SP, com
objetivo de realizar o mapeamento do uso da terra com o auxílio de imagens
orbitais TM/LANDSAT-5 nas bandas 3,4 e 5 e composição colorida 3B/4G/5R,
na escala 1: 100.00, BORGES et. al. (1993) concluíram que a banda 3 e a
composição colorida 3/4/5 (escala1: 100.000) do TM/LANDSAT-5, foram as
que melhor se apresentaram para o mapeamento do uso da terra, observando
que durante o período de 1978 a 1991, na região de estudo, a área de
ocorrência da cana-de-açúcar permaneceu a mesma, as áreas de mata e
pastagem diminuíram, enquanto que as áreas de reflorestamento e urbana
aumentaram.
Azevedo e Mangabeira (2001) realizaram estudos na região de
Campinas - SP utilizando imagens multiespectrais do sensor TM para
14
discriminar áreas com diferentes tipos de culturas. De acordo com os autores
(op cit), o café é uma cultura perene com resposta espectral muito próxima da
cultura de citrus, o que força uma checagem de campo muito rigorosa para
diferenciação destas culturas utilizando imagens de satélite. A cana – de –
açúcar é uma cultura com talhões bem definidos na imagem de satélite, com
atributos de textura facilmente interpretados em relação aos padrões de matas,
por ser mais homogêneo e contínuo.
Vieira et al. (2003) estudaram o comportamento espectral da cultura do
café nas regiões de Patrocínio e Machado - MG utilizando imagens Landsat
TM. Os estudos mostraram que os valores de reflectância na banda 5 (canal
infravermelho médio) foram mais altos nos cafezais em formação. Alem disto,
os valores de refletância variam de acordo com a capacidade de retenção da
água no solo.
Vieira et. al. (2003), afirmaram que a banda 3 (0,63-0,69 µm) tem a
sensibilidade para vegetação verde, densa e uniforme. Apresenta grande
absorção, ficando escura, permitindo bom contraste entre as áreas ocupadas
com vegetação e aquelas sem vegetação. Permite o mapeamento da
drenagem através da visualização da mata galeria e entalhe dos cursos dos
rios em regiões com pouca cobertura vegetal. A banda 4 (0,76-0.90 µm)
permite que a vegetação verde densa e uniforme reflita muita energia
aparecendo bem clara sendo portanto a mais recomendada para estudos de
resposta espectral de áreas vegetadas. A banda 5 (1,55-1,75 µm) permite
observar o teor de umidade nas plantas e detectar possíveis estresses na
vegetação causados por falta de água.
Moreira et al. (2004) ressalta a importância da aplicação de uma
retificação radiométrica quando imagens multitemporal são empregadas no
mapeamento de mudanças de culturas agrícolas. Ainda segundo o mesmo
autor, a melhor banda para diferenciar a cultura de café das áreas de mata e
pastagem corresponde a banda 4 do Landsat TM (infravermelho próximo) e a
melhor época é o período seco.
Rudorff et al. (2007) ressalta que para classificar uma área de cana-de-
açúcar é necessário adquirir duas imagens de satélite: uma entre os meses de
15
janeiro e fevereiro (período 1) e outra entre os meses de março e abril (período
2). A imagem do período 1 permite identificar as áreas de cana em expansão
plantadas no ano anterior, pois caracteriza-se por uma área sem o cultivo da
cana-de-açúcar e é possível identificar as soqueiras que foram colhidas do
início ao meio da safra do ano anterior e que nas imagens do período 1 já
estão bem desenvolvidas. As imagens do período 2 têm como finalidade
confirmar a presença da cana no início do ano-safra, quando todas as lavouras
de cana estão suficientemente desenvolvidas, para que sejam bem
identificadas nas imagens.
Através de uma pesquisa realizada em quatro municípios do Estado de
Minas Gerais, onde o objetivo foi delimitar áreas favoráveis ao
agroecossistema cafeeiro, BARROS et. al. (2007), utilizaram o processo
analítico hierárquico (AHP) como técnica para a obtenção do resultado e
concluíram que, em relação às variáveis drenagem e matas ciliares, o espaço
onde há drenagem ou área sob preservação permanente é desfavorável à
cafeicultura. Se tratando da variável solo, os de maior favorabilidade ao
agroecossistema cafeeiro são os Latossolos. A variável declividade foi
analisada considerando a possibilidade de mecanização e seguindo as
seguintes classes de declividade: 0-20%, favorável à mecanização e acima de
20%, impróprio à mecanização. No que se refere à orientação de vertentes,
recomenda-se o plantio de cafezais em vertentes orientadas a norte, nordeste
e noroeste, pois, no hemisfério sul, as vertentes a nordeste recebem maior
radiação solar durante a manhã, e vertentes a noroeste, maior radiação à
tarde, restringindo o plantio nas vertentes ao sul, sudeste e sudoeste, em razão
da maior suscetibilidade a ventos frios e eventos climáticos adversos. Em
relação à altimetria, recomenda-se o plantio de cafezais em Minas Gerais, em
faixa de altimetria entre 500m e 1.200m.
Campos et. al. concluíram através de um trabalho, cujo objetivo foi
analisar o uso das terras em dez microbacias ocorrentes na bacia hidrográfica
do Rio Capivara, Botucatu – SP e como resultado a predominância da classe
“Uso Agrícola”, que as imagens do satélite LANDSAT 5 – TM permitiram o
mapeamento do uso da terra da bacia de maneira rápida, além de fornecer um
banco de dados para a classificação supervisionada e para futuros
16
planejamentos nessa área, e, o uso de um SIG permite constatar a
classificação digital do uso da terra e modelo matemático com rapidez.
Campos et. al. comentam que em um trabalho cujo objetivo é estudar a
evolução do uso da terra tendo como fonte de dados imagens orbitais,
inicialmente é importante elaborar uma composição falsa-cor com a
combinação das bandas 3; 4 e 5, nas cores azul, verde e vermelha,
respectivamente, pois essa apresenta uma considerável discriminação visual
dos alvos, possibilitando a identificação dos padrões de uso da terra mais
facilmente. Essa composição apresenta os corpos d’água em tons azulados, as
florestas e outras formas de vegetação em tons esverdeados e os solos
expostos em tons avermelhados.
Através de um trabalho realizado no município de Araguari – MG, cuja
finalidade era a identificação e mapeamento das áreas ocupadas pela
cafeicultura no município de Araguari, utilizando técnicas de sensoriamento
remoto e geoprocessamento, DUARTE et. al. puderam concluir que, havendo
contraste entre as áreas de culturas anuais e café, é possível identificar os
talhões da cultura cafeeira através da classificação supervisionada por máxima
verossimilhança, havendo confusão entre as áreas de mata e café uma vez
que a assinatura espectral destes dois alvos é semelhante. E, a identificação
das áreas de café através da classificação não-supervisionada não apresentou
qualidade no mapeamento.
Segundo Congalton (1991), o uso de uma matriz de erro para
representar a acurácia de um mapeamento tem sido recomendado por muitos
pesquisadores, dado a sua capacidade de incluir uma grande variedade de
dados para a avaliação dos resultados. Até recentemente, a idéia de avaliar a
precisão da classificação de dados de sensoriamento remoto era tratada como
algo sem importância. Assim, muitos estudos apresentavam um único número
para expressar a exatidão da classificação, o que na maioria dos casos
superestimava a precisão dos trabalhos desenvolvidos no início da década de
1980. Tendo este problema sido reconhecido, muitas avaliações de precisão
foram realizadas usando um conjunto de dados, sendo a matriz de erro a
maneira mais comum de representação.
17
MATERIAIS E METODOLOGIA
O processamento das imagens foi feito utilizando os programas ILWIS
(ITC-Holanda), SPRING (INPE) e ENVI. Estes softwares encontram-se
disponível no laboratório de Geoprocessamento da Unifal-MG. Os
procedimentos adotados são apresentados na figura 2.
Figura 2. Fluxograma das etapas desenvolvidas no processamento digital das
imagens.
18
O mapeamento do uso da terra foi feito utilizando as seis bandas
refletivas do satélite Landsat TM (bandas 1 a 5 e 7 referente a órbita 219 ponto
75 adquirida no dia 18/08/2008 – período seco). Também foi utilizada a carta
topográfica folha Guaxupé, escala 1: 50 000 publicada pelo IBGE. Para a
validação do mapeamento, construiu-se uma matriz de erro. Matriz de erro é
uma matriz quadrada de números estabelecidos em linhas e colunas, que
expressam o número de unidades de amostras referentes às categorias
mapeadas. As colunas representam os dados de referencia, enquanto as linhas
indicam a classificação gerada a partir de uma imagem orbital. A matriz de erro
é necessária para avaliar a acurácia do mapeamento (Congalton, 1991).
Inicialmente, as informações como curva de nível, sistema viário e
drenagem (extraídas da carta topográfica do IBGE) foram digitalizadas
utilizando o programa de vetorização semi-automático R2V. Esse processo de
digitalização se fez necessário uma vez que os arquivos se encontravam no
formato raster. Estes arquivos foram implementados em forma de planos de
informação (PIs) e ajustados em relação a um sistema de coordenadas.
Para corrigir o efeito atmosférico, foi aplicado o método de subtração do
pixel escuro desenvolvido por Chaves (1988). Este método minimiza os efeitos
causados pelo espalhamento atmosférico, pois, considera que em cada cena
existem objetos escuros cuja radiância chega próxima de zero e devido ao
efeito atmosférico, ao invés do sensor captar sinal próximo de zero nessa área,
ele capta alguma radiância que é gerada por partículas da atmosfera. O
método do DOS (Dark Object Subtraction) identifica estes valores no
histograma e os subtrai.
A correção geométrica foi feita selecionando pontos de controle
identificados na imagem e na base cartográfica. Em seguida, as imagens foram
re-amostradas com o método de interpolação por vizinho mais próximo. Em
função do efeito topográfico bastante expressivo na região, foi aplicado um
simples modelo de correção do efeito topográfico (JENSEN, 1996) (Figura 3).
Para isto, a partir das curvas de nível extraídas da carta topográfica, foi gerado
um modelo digital do terreno (MDT). A partir deste modelo, a correção das
imagens foi feita com uma simples função do co-seno. Neste método, assume-
se que a superfície do terreno tem um comportamento de espalhamento
19
Lambertiano. Ou seja, a radiação se espalha em todas as direções da maneira
constante.
Figura 3 – Comparação entre imagens com e sem correção do efeito
topográfico. Os segmentos sobrepostos às imagens correspondem ao
resultado da segmentação utilizando os limiares de Similaridade = 14 e Área
(Pixel) = 16.
As imagens foram contrastadas com o aumento linear de contraste e
composições coloridas RGB foram criadas com diferentes arranjos de bandas.
A imagem classificada foi a resultante da composição 543 em RGB. Para
realizar a classificação, as imagens foram inicialmente segmentadas com o
algoritmo por crescimento de regiões. O método se baseia em agrupar pixels
com características semelhantes, formando regiões homogêneas. Assim, a
imagem foi segmentada em regiões que se caracterizam por apresentar pixels
similares e o resultado foram áreas diferentes umas das outras, devido às
características espectrais de cada uma. Após a segmentação, as regiões foram
agrupadas com o classificador não supervisionado por regiões batizado de
20
ISOSEG. Este classificador consiste em um algoritmo de agrupamento
(clustering) que procura regiões a partir de uma medida que comprove a
similaridade entre as regiões. Essa medida consiste na medida de
Mahalanobis, que é a distância entre uma região (a de maior área) e outras
regiões, que são ordenadas em ordem decrescente, candidatas a se
agruparem com esta de maior área. Para agrupar as regiões, foram tomados
os parâmetros estatísticos da região de maior área como sendo os parâmetros
da primeira classe e associa-se a esta classe todas as regiões cuja distancia
de Mahalanobis for inferior a distancia definida da primeira região. Os clusters
gerados em cada etapa foram identificados e rotulados visualmente na tela do
computador.
A última etapa do mapeamento consistiu na validação da classificação.
Pontos aleatórios foram identificados no ILWIS para determinar os diferentes
tipos de uso e cobertura vegetal. Esses pontos foram comparados com a
classificação realizada no SPRING. Em seguida, uma matriz erro foi montada
para avaliar o desempenho da classificação. Outro método que foi empregado
para realizar a validação da classificação foi o trabalho de campo. Pontos
previamente captados em laboratório foram visitados em campo para a
averiguação da informação obtida na imagem. Em um estudo realizado em
2010, MOREIRA et. al. destacaram a importância da ferramenta Google Earth,
onde é possível observar a área de estudo a partir de imagens de alta-
resolução, tornando a classificação mais próxima do real, pois, consultando
essa ferramenta é possível diferenciar com muita clareza áreas de café com
áreas de capoeira, e outros tipos de vegetação e culturas presentes na área.
21
RESULTADOS E DISCUSSÕES
A figura 4 ilustra o modelo de elevação digital ou modelo digital do
terreno da área de estudo. Conforme pode ser observado, a região apresenta
grande amplitude topográfica variando de 720 a 1240 metros. Esta rugosidade
topográfica influenciou de maneira significativa no comportamento de
iluminação da imagem. Este efeito, por sua vez, tornou a classificação da
imagem mais complexa.
Figura 4. Modelo de elevação digital da área de estudo.
22
A correção topográfica reduziu a variabilidade espectral causada pela
disposição do relevo. Conforme pode ser observado na figura 4, após a
correção, as imagens se tornaram menos rugosas, o que indica que o
procedimento surgiu efeito.
Através da avaliação do mapa de uso do solo (Figura 5) é possível notar
que na região de estudo, a área dedicada ao cultivo de café é indiscutivelmente
maior que as áreas de outras culturas. Solo exposto e pastagem também
ocupam grande área da região mapeada. A presença da pastagem se explica
pela atividade pecuária constante na região. A Fazenda Bela Vista ocupa
aproximadamente 1.400 hectares de terra entre Guaxupé e Tapiratiba (SP),
sendo a maior parte da propriedade destinada à criação de gado leiteiro
(Fazenda Bela Vista, 2013). Nos trabalhos de campo foi possível identificar
inúmeras pequenas propriedades destinadas à criação dos rebanhos, tanto
para o corte quanto para o leite.
Áreas com cana-de-açúcar também foram possíveis de serem
identificadas. Isso se explica pela presença da Usina Alvorada do Bebedouro,
que arrenda porções de terra de pequenos proprietários para o plantio da cana
e o período em que a imagem foi obtida coincidiu com o período de pré-colheita
da planta, possibilitando assim a identificação da cultura na imagem.
Outros tipos de culturas como citrus e leguminosas não foram
detectadas com clareza na classificação. Porém, não significa que na região
não haja esses tipos de culturas. A explicação para a ausência dessas culturas
no mapa é o fato da imagem utilizada ter resolução espacial de 30 metros no
terreno e as áreas cobertas por essas culturas serem muito pequenas. Assim,
a missão de conseguir identificar estes tipos de culturas se torna extremamente
difícil em virtude da escala adotada e confusão espectral com a classe
dominante que é pastagem.
23
Figura 5. Mapa de uso do solo da região de estudo.
Através da matriz de erro (Tabela 1), foi possível determinar a proporção
de acertos (exatidão e confiabilidade) e erro (exclusão e inclusão) obtidos na
classificação.
24
Café Cana Eucalip. Mata Pastag. Solo E.
Urban
o
Água Total Acurac
(%)
Café 39 1 4 4 15 11 0 0 74 53
Cana 9 3 0 0 0 2 0 0 14 21
Eucalip 0 0 6 0 1 0 0 0 7 86
Mata 36 4 1 13 21 4 0 0 79 16
Pastag 10 2 0 0 22 5 1 0 62 35
Solo E. 2 1 0 1 20 212 6 0 242 88
Urbano 0 0 0 0 0 6 10 0 16 63
Água 0 0 0 0 1 1 0 5 7 71
Total 96 11 11 18 80 263 17 5 501
Confiab
ilidade
41 27 55 72 27 81 59 100
Tabela 1. Matriz de erro.
Para a construção da matriz de erro, foi necessário coletar uma amostra
aleatória de 501 pontos na imagem 5, 4, 3 em RGB. Esse número se mostrou
suficientemente capaz de tornar a avaliação da precisão estatisticamente
válida.
Conforme observado na tabela 1, a exatidão global foi de 62%, enquanto
a média da exatidão e da confiabilidade foram respectivamente 54% e 58%.
Fatores como relevo acidentado, relativa baixa resolução da imagem TM e alta
variabilidade espectral das classes mapeadas foram os principais responsáveis
pela queda da exatidão.
A classe que teve a maior acurácia foi a de Solo Exposto com 88%,
seguido pela classe Eucalipto com 86%. Observou-se confusão principalmente
entre Solo Exposto e Pastagem. Com relação à classe Eucalipto, houve
pequena confusão com Pastagem. As classes com menor exatidão foram
Mata, Cana e pastagem.
Observou-se uma grande confusão entre Mata e Café. Isto se deve à
similaridade espectral entre as duas classes e em razão do efeito topográfico
que alterou a radiância dos alvos. A classe Cana foi confundida principalmente
com a classe Café em estágio inicial de desenvolvimento. A classe pastagem
foi confundida com Solo Exposto devido ao período do ano, que corresponde à
25
época seca, onde as áreas de Pastagem encontram-se secas e com
comportamento similar às áreas de Solo Exposto. Com isso, a classe
Pastagem teve sua confiabilidade reduzida.
Com relação à confiabilidade, as classes Água e Mata foram as que
apresentaram os melhores desempenhos. Os maiores erros de confiabilidade
foram encontrados com as classes Cana e Pastagem.
A classe Cana foi confundida com áreas de Mata, que se encontram
principalmente em áreas de relevo acentuado.
26
CONCLUSÕES
A imagem Landsat 5 TM se mostrou capaz de ser classificada, porém
não é isenta de erro. O uso de imagens com maiores resoluções talvez tornaria
o mapeamento mais eficaz.
O modelo de correção do efeito topográfico se mostrou bastante eficaz
para eliminar as sombras causadas pelo relevo acidentado nas áreas com
maiores altitudes. Assim, foi possível reduzir as confusões entre água, sombra
e mata.
O mapa mostra a dominância do cultivo de café na região, sendo a
maior parte composta por pequenas propriedades familiares e algumas poucas
fazendas de maior porte.
A construção da matriz de erro se fez necessária para avaliar a exatidão
e confiabilidade da classificação, validando os resultados.
Através da matriz de erro, constatou confusão considerável entre os
tipos de uso Pastagem e Solo Exposto e entre os usos Mata e Café.
O Google Earth teve papel importante na hora de identificar os pontos
coletados aleatoriamente na imagem, quando a identificação através da
imagem não era possível.
27
REFERÊNCIAS BIBLIOGRÁFICAS
AZEVEDO, E. A.; MANGABEIRA, J. A. C. Mapeamento de uso das terras
utilizando processamento digital de imagem de sensoriamento remoto.
Campinas, 2001.
BARROS, Marco A. et. al. Processo analítico hierárquico na identificação
de áreas favoráveis ao agroecossistema cafeeiro em escala municipal.
Pesq. agropec. bras., Brasília, v.42, n.12, p.1769-1777, 2007.
BORGES, M.H. et. al. Evolução e mapeamento do uso da terra, através de
imagens aerofotogramétricas e orbitais em Santa Bárbara D’Oeste (SP).
Sci. agric., Piracicaba, out./dez., 1993.
CAMPOS, Sérgio et. al. Evolução do uso da terra entre 1996 e 1999 no
município de Botucatu – SP. Eng. Agríc., Jaboticabal, v.24, n.1, p.211-218,
jan./ abr. 2004.
CAMPOS, Sérgio et. al. Sensoriamento Remoto e geoprocessamento
aplicados ao uso da terra em microbacias hidrográficas, Botucatu – SP.
Eng. Agríc., Jaboticabal, v.24, n.2, p.431-435, mai/ago. 2004.
CONGALTON, Russell G. A review of assessing the accuracy of
classifications of remotely sensed data. Berkeley-CA: University of
California, 1991.
CRÓSTA, A. P. Processamento digital de imagens de sensoriamento
remoto. Campinas: Unicamp, 1999.
DLUGOSZ, F. L. et. al. Uso da segmentação de regiões em imagem Ikonos
na discriminação de tipologias da Floresta Ombrófila Mista. Anais XII
SBSR, Goiânia, p. 1493-1500, 16-21 abril, 2005.
DUARTE, Wellington O. et. al. Mapeamento da Cultura do Café no
município de ARAGUARI-MG utilizando imagens do Sensor CCD do
satélite CBERS-2. Anais XIII SBSR, Florianópolis, p. 161-167, 21-26 abril,
2007.
28
JENSEN, J. Introductory digital image processing: a remote sensing
perspective. New Jersey: Prentice Hall, 1996.
MOREIRA, M. A. Geotecnologias para mapear lavouras de café nos
estados de Minas Gerais e São Paulo. Eng. Agríc., Jaboticabal, v.30, n.6,
p.1123-1135, nov./dez. 2010.
MOREIRA, M. A.; ADAMI, M.; RUDORFF, B. F. T. Análise espectral e
temporal da cultura do café em imagens Landsat. São José dos Campos:
INPE, 2004.
MOREIRA, Maurício A. et al. Imagens Landsat/TM restauradas para
mapeamento de lavouras cafeeiras no Estado de Minas Gerais. INPE.
MOREIRA, Maurício A. et al. Tecnologia de informação: imagens de satélite
para o mapeamento de áreas de café de Minas Gerais. Belo Horizonte:
INPE e CONAB, 2007.
NETO, Mario C. C. et al. Migração de orógenos e superposição de
orogêneses: Um esboço da colagem brasiliana no sul do Cráton do São
Francisco, SE – Brasil. São Paulo: USP, 2004.
RICHARDSON, Doug. Mapping opportunities. Nature, v. 427, p. 376-377, 22
january 2004.
ROLLO, M. A. P. As novas dinâmicas do território brasileiro no período
técnico-científico-informacional: o circuito espacial de produção do café e
o respectivo círculo de cooperação no sul de minas. Rio Claro: UNESP,
2009.
RUDORFF, B. F. T.; SUGAWARA, L. M. Mapeamento da cana-de-açúcar na
Região Centro-Sul via imagens de satélites. Informe Agropecuário, v. 28, p.
79-86, nov./dez., 2007.
RUDORFF, Bernardo F. T. et. al. Estimativas de área plantada com cana-de-
açúcar em municípios do estado de São Paulo por meio de imagens de
29
satélites e técnicas de geoprocessamento: ano safra 2004/2005. São José
dos Campos: INPE, 2004.
RUDORFF, Bernardo F. T. Produtos do sensoriamento remoto. São José
dos Campos: INPE.
TARDIN, A. T.; ASSUNÇÃO, G. V.; SOARES, J. V. Análise preliminar de
imagens TM visando a discriminação de café, citrus e cana-de-açúcar na
região de Furnas, MG. Brasília: INPE, 1992.
VENTURIERI, Adriano; SANTOS, João R. Técnicas de classificação de
imagens para análise de cobertura vegetal. Sistema de Informações
Geográficas: Aplicações na Agricultura, Embrapa, Brasília, 2ª Ed., cap. 18, p.
351-369, novembro, 1998.
VIEIRA, T. G. C.; ALVES, H. M. R.; LACERDA, M. P. C. Parâmetros culturais
para avaliação do comportamento espectral da cultura do café em Minas
Gerais. Belo Horizonte: INPE, 2003.
VIEIRA, Tatiana G. C. et. al. Parâmetros culturais para avaliação do
comportamento espectral da cultura do café (coffea arábica) em Minas
Gerais. Anais XI SBSR, Belo Horizonte, 05-10 abril, 2003, INPE, p. 247-254.