quantificação e identificação de vegetação arbórea ... · foram realizadas três amostras no...

Anais 2º Simpósio de Geotecnologias no Pantanal, Corumbá, 7-11 novembro 2009,

Embrapa Informática Agropecuária/INPE, p.720-729.

720

Quantificação e identificação de vegetação arbórea de cordilheiras do Pantanal do Negro, MS, por meio de amostragem em campo e classificação de imagem do satélite

Quick Bird

Luciene Andrade Barbosa1 Silvio Jacks dos Anjos Garnés2

Pérola Lopes Aquino Sanabria3 Valtecir Fernandes1

Celso Ramão Bernardes dos Santos4

1 Aluna(o) do Mestrado em Meio Ambiente e Desenvolvimento Regional – UNIDERP Rua Alexandre Herculano, 1400 – CEP 79037-280 - Campo Grande -MS

[email protected]

2 Prof. Dr. do DECART/CTG da Universidade Federal de Pernambuco - UFPE. Av. Acad. Hélio Ramos, s/n – CEP 50740-530 – Recife - PE, Brasil.

[email protected]

3 Aluna de Iniciação Científica do Curso de Ciências Biológicas - UNIDERP. Rua Alexandre Herculano, 1400 – CEP 79037-280 - Campo Grande - MS, Brasil.

[email protected]

4 Tec. Lab. Geoprocessamento – UNIDERP Rua Alexandre Herculano, 1400 – CEP 79037-280. - Campo Grande - MS, Brasil

[email protected] Resumo. Neste trabalho faz uma investigação nas cordilheiras do Pantanal Brasileiro, na sub-região do sistema ecológico médio rio Negro, quanto ao tipo de espécies arbóreas existentes. Foram realizadas três amostras no campo de 60x60m em locais distintos; duas nas proximidades do rio Negro e outra a leste do rio Correntoso. A vegetação foi identificada e quantificada nessas amostras, as quais serviram de parâmetros para uma tentativa de classificação mais geral realizada por meio de classificador digital de imagens dos sensores do satélite Quick

Bird na passagem de 7/04/2007 sobre a área da fazenda Santa Emilia, município de Aquidauana-MS. Foram extraídas das imagens feições contendo apenas as cordilheiras e aplicado o método de classificação não supervisionada isodata com quatro bandas espectrais de 2,40m de resolução espacial e 6 classes. O resultado mostrou incompatibilidade na quantificação da vegetação em campo com o uso da classificação digital da imagem nas bandas selecionadas. Palavras-chave: classificação de imagem; espécies vegetais; geoprocessamento; planície de inundação



721

Abstract. In this paper an investigation is done in the ridges of Brazilian Pantanal, at the sub region of ecological system médio rio Negro, about the type of existing arboreal species. Were performed three samples in the field of 60x60m in different locations; two at the proximity of Negro river and other east from Correntoso river. The vegetation has been identified and quantified in the sample, which served as a pattern for an attempt to make a general classification through the digital images classifier of the satellite sensors Quick Bird in the passing on 07/04/2007 over Santa Emilia farm, municipality of Aquidauana MS. Were extracted from the images shapes with the ridges and applied the method of unsupervised classification ISODATA with four spectral bands of 2.40m spatial resolution and 6 classes. The result showed incompatibility in the quantification of vegetation in field with the use of digital image classification with selected bands. Key-words: Digital classifier; flood plain; geoprocessamento; plant species

1. Introdução

O uso do sensoriamento remoto aliado às técnicas de processamento digital de imagem tem se tornando uma importante ferramenta na análise ambiental, pois por meio das comparações de classificações temáticas do uso do solo em diferentes períodos, é possível entender a dinâmica de ocupação e estrutura da paisagem de um ambiente, fornecendo subsídios aos gestores públicos na tomada de decisão para novas políticas ocupacionais e de uso da terra (Sales et al., 2005). Uma maneira de tornar a interpretação da imagem mais simples consiste em separar grupos de pixels com características espectrais similares em classes de uso e cobertura do solo. Partindo da hipótese de que pixels cobrindo um mesmo alvo devem ter características espectrais similares, algoritmos computacionais podem ser usados para dividir os pixels de uma imagem em grupos, segundo leituras em cada banda espectral. A classificação consiste em, a partir dos valores do contador digital de uma imagem em várias bandas, gerar uma nova imagem, onde cada pixel está associado a uma categoria (classe). O produto final pode ser considerado como um mapa temático em que a cena é representada por temas ou classes (Centeno, 2003). O emprego da classificação digital de imagens para análise multitemporal do uso e ocupação do solo, embora possa não refletir a total realidade do local tem se mostrado de primordial importância aos estudos ambientais, pois segundo Fernandes (2008), a Floresta Decidual Submontana e Semidecidual da Serra da Bodoquena teve uma redução em sua área de cobertura vegetal de 45,4% entre os anos de 1966 a 2007. Ao passo que o Cerrado Lato Sensu aumentou 30,1% neste mesmo período. Isto implica uma ação antrópica intensa na região, arriscando uma previsão, o autor afirma que em três décadas e meia a redução na vegetação nativa deverá atingir os 50%. Estudos de fragmentos de paisagem enfatizando o efeito de borda por meio da aplicação do sensoriamento remoto têm sido conduzidos por todo o Brasil, como por exemplo: Saatchi et al. (2001) emprega imagens de radar no estudo da degradação da Floresta Atlântica no Sudeste da Bahia; Jorge e Garcia (1997) fizeram seus estudos na região de Botucatu - São Paulo; Martins et al. (2002) trabalharam no município de Confusão em Tocantins; Ditt (2002) fez estudos no Pontal do Paranapanema-SP; e Ranta et el. (1998) voltaram seus estudos para floresta atlântica no estado de Pernambuco. Silva e Abdon (1998) fizeram uso de imagens de sensoriamento remoto na classificação das sub-regiões do Pantanal Brasileiro, com a definição de 11 sub-regiões: Cáceres, Poconé, Barão de Melgaço, Paraguai, Paiaguás, Nhecolândia, Abobral, Aquidauana, Miranda, Nabileque, Porto Murtinho. Na região do Pantanal brasileiro, compreendido pelo sistema ecológico médio rio Negro, as paisagens naturais e antrópicas, com a aplicação da classificação digital de imagem para o uso da terra, pode ser mapeada, e suas unidades quantificadas. Classificações temáticas realizadas nos diversos períodos permitiriam um planejamento ainda mais rigoroso, pois na seca a área de pastagem aumenta em relação à época da cheia (Garnés, 2004).



722

Os classificadores digitais são métodos estatísticos ou não, que têm por meta distinguir em imagens digitais com base no tom de cinza de um pixel ou de uma região de pixels, a classe, num conjunto finito de classes, a qual pertence o pixel sob análise. Duas são as formas de atuação de um classificador conhecidas, como classificação supervisionada e classificação não-supervisionada (Garnés, 2004). Dentre os classificadores que trabalham com classificação supervisionada são de uso comum: o classificador do paralelepípedo; o classificador da distância euclidiana; o classificador distância de mahalanobis e o classificador da máxima verossimilhança. Dentre os classificadores que trabalham com classificação não-supervisionada, segundo Centeno (2003), o mais utilizado é o isodata. Este classificador, por exemplo, está implementado no software Erdas Imagine 8.6 (ERDAS, 2002). Já o software Spring 4.3.3 faz a denominação do classificador não-supervisionado de mesmas características como k-médias (Spring, 2007).

2. Objetivo

Estimar percentuais de espécies arbóreas das cordilheiras do Pantanal do Negro por meio de classificador digital, das imagens de alta resolução do satélite Quick Bird.

3. Material e Métodos

A região de estudo, encontra-se no Sistema Ecológico Médio Rio Negro, pertencente à unidade geomorfológica Planícies e Pantanais Mato-grossense. A geologia com formação Pantanal possui manchas isoladas do grupo Cuiabá. Os cursos d’água são de pequeno porte entre 100 a 500km. A declividade é baixa. A hidrologia é caracterizada pela conectividade entre corixos, vazantes e baías com os rios de primeira e segunda ordem.O período de inundação é de até seis meses e ocorre de fevereiro a junho. A biota é caracterizada pela presença de formação savana (Cerrado), caracterizada por vegetação Gramíneo-Lenhosa e Floresta Estacional Decidual Aluvial (Bryer et. al., 2003). As cordilheiras foco do estudo deste trabalho estão situadas dentro do perímetro da fazenda Santa Emilia, que possui como confrontantes: o rio Negro a Oeste; a fazenda Bandeirantes a Leste; a fazenda Santa Marta ao Norte; e, a fazenda Santa Maria ao Sul. A fazenda Santa Emilia também sedia o Instituto de Pesquisa do Pantanal - IPPAN, da Anhanguera- UNIDERP e a Pousada Araraúna (coordenadas geográficas latitude 19°30’19’S; longitude 55°36’45”W). Três são as drenagens principais que passam pela propriedade com fluxo da água no sentido sudoeste (montante para jusante). O próprio rio Negro; um corixo denominado Tereré que nasce num banhado na fazenda Santa Marta e deságua no rio Negro, tendo uma extensão de aproximadamente 5 km; e, um outro corixo denominado rio Correntoso, que nasce também a partir de um banhado formado das águas do rio Negro, e deságua no próprio rio Negro, depois de percorrer aproximadamente 30km. A Figura 1 ilustra os locais das amostras na concepção espacial descrita.

A classificação e contagem da vegetação das cordilheiras foram feitas com base em três amostras (Figura 2): A1: 19°30'01,94179''S 55°36'09,69067''W – leste do rio Correntoso; A2: 19°30'14,32072''S 55°41'33,35820''W – entre o corixo Tereré e o rio Negro; A3: 19°29'59,68230''S 55°41'37,49095''W – entre o corixo Tereré e o rio Negro; Estas amostras consistiam de um quadrado medindo 60x60m, dividas em 4 quadrantes conforme pontos cardeais (N,S,E e W), locados em campo com auxilio do modo de navegação de um receptor GPS Garmin 12XL. Eram esticados 4 cabos de agrimensor de 30m no sentido centro para o norte, centro para o Leste, centro para sul e centro para oeste. Eram varridas duas faixas em cada quadrante geográfico em espaços de 15m, pela equipe de campo, que contavam e identificavam toda a vegetação arbórea que tivesse mais de 5cm do Diâmetro



723

Acima do Peito (DAP). Ao final da faixa de 15 metros completava-se a contagem para a extensão total do quadrante (30m). A espécie arbórea que não pudesse ser identificada no campo pelos membros da equipe, era fotografada e também retirada algumas folhas para identificação em laboratório segundo Lorenzi (1994) e Pott (1994) (Figura 2).

Figura 1. Áreas amostrais nas cordilheiras: A1; A2 e A3. Fazenda Santa Emília, município de Aquidauana, MS, Brasil.

Figura 2. Esquema para contagem e classificação da vegetação arbórea das cordilheiras situadas na fazenda Santa Emília, município de Aquidauana, MS.



724

O projeto do Grupo Interdisciplinar de Pesquisa da UNIDERP - GIP, GARNÉS et al. (2007), adquiriu para o Laboratório de Geoprocessamento da UNIDERP uma imagem do satélite Quick Bird, passagem de 7/04/2007, contendo as bandas multiespectrais separadas, com resolução de 2,40 metros e uma pancromática com resolução de 0,60 metros.

Foi formada a composição com as bandas 4, 3, 2 e 1 no software Erdas Imagine 8.6 (ERDAS, 2002), depois definidas áreas úteis das cordilheiras formadas por polígonos usando a ferramenta AOI do Erdas Imagine 8.6. Essas áreas úteis foram escolhidas para conter as amostras A1, A2 e A3, conforme o exemplo mostrado na Figura. 3. Os polígonos foram salvos em formato *.aoi.

Figura 3. Extração da região que contém a amostra A1 da cordilheira a partir da imagem Quick Bird. Composição colorida 4R 2G 1B para visualização, software Erdas Imagine 8.6 (ERDAS,2002),. O método de classificação usado foi não supervisionado com o classificador isodata do Erdas Imagine 8.6, fazendo uso da mínima distância euclidiana para o agrupamento das classes. Na prática foram usadas as quatro bandas disponíveis com resolução espacial de 2,40m. Conforme Garnés (2004), no classificador isodata verifica-se qual o ponto mais próximo e o mais afastado da origem do espaço de atributos, calcula-se a distância euclidiana (d) entre eles. Com o número total de classes fornecido (n) e a distância (d), calcula-se a distância que deverá ter um ponto médio do outro, para que a linha unindo o ponto mais próximo ao ponto mais afastado contenha (n+1) intervalos. Procede-se a classificação de todos os pixel da imagem agrupando-se os pixels (espaço de atributos) em torno do valor médio. Neste caso, por ser o mais rápido, geralmente é utilizado do classificador da distância euclidiana. Após uma primeira classificação em torno dos valores médios definidos ao longo da diagonal da imagem no espaço de atributos, calcula-se um novo valor médio para cada classe, que deverá ser diferente do valor médio inicialmente adotado. Procede-se então, uma nova classificação da imagem original para os novos valores médios. As iterações devem continuar até que alguma condição de parada seja cumprida. Por exemplo, a condição default do software Erdas Imagine 8.6 é considerar um máximo de seis iterações.

4. Resultados e Discussão

As Tabelas 1,2 e 3 apresentam os resultados da identificação e quantificação das espécies de vegetação arbórea, arbustiva e palmeira encontradas nas três amostras retiradas das cordilheiras da fazenda Santa Emilia. Na primeira amostra (A1) a diversidade foi a maior 11



725

famílias e 15 espécies, para as amostras subseqüentes as quantidades foram: A2 (6 famílias e 6 espécies); e A3 (13 famílias e 13 espécies). A abundância da primeira amostra 420 indivíduos, no entanto, foi menor que da segunda amostra com 564 indivíduos, mesmo tendo a amostra A1 o maior número de espécies. Significa que a predominância de Triplaris

americana (novato) pode ter coibido o desenvolvimento de outras espécies. A predominância dos indivíduos da espécie Scheelea phalerata (Acuri) no trecho da cordilheira (A1) é muito acentuada, com 82,4% contra 7,1% dos indivíduos da segunda espécie (Unonopsis lindmanii - carrapateira) que mais aparece. Tabela 1. Identificação e quantificação em campo das espécies vegetais da cordilheira (A1) Família Nome científico Nome

popular Porte Qde %

Anacardiaceae Myracrodruon urundeuva

(Engl.) Aroeira Arbóreo 1 0,2

Annonaceae Unonopsis lindmanii Fries Carrapateira Arbustivo 30 7,1 Xylopia aromática (Lam.) Pimenta de

macaco Arbóreo 3 0,7

Boraginaceae Cordia glabrata (Mart.) Louro Arbóreo 3 0,7 Cecropiaceae Cecropia pachystachya

Tréc. Imbaúba Arbóreo 1 0,2

Dilleniaceae Curatella americana L. Lixeira Arbóreo 1 0,2 Leguminosae-Mimosoideae

Anadenanthera colubrina

(v.cebil) Angico Arbóreo 2 0,5

Enterolobium

contortisiliquum (Vell.) Ximbuva Arbóreo 1 0,2

Albizia sp Arbóreo 1 0,2 Moraceae Ficus sp Figueira Arbóreo 16 3,8 Palmae Acrocomia aculeata

(Jacq.) Bocaiúva Palmeira 1 0,2

Scheelea phalerata (Mart.) Acuri Palmeira 346 82,4 Poaceae Guadua paniculata Munro Bambu Arbustivo 9 2,1 Rutaceae Fagara hassleriana Chod. Mamica de

porca Arbóreo 4 1,0

Sterculiaceae Sterculia apetala (Jacq.) Manduvi Arbóreo 1 0,2 Total 11 Total 15 Total 420 100 Na amostra 2 (Tabela 2) a espécie Triplaris americana (novato) tem destaque com 76,4% dos indivíduos e a espécie Scheelea phalerata (acuri) vem em seguida com 21,1% dos indivíduos. Tabela 2. Identificação e quantificação em campo das espécies vegetais da cordilheira (A2) Família Nome científico Nome

popular Porte Qde %

Annonaceae Unonopsis lindmanii Fries Carrapateira Arbustivo 1 0,2 Leguminosae- Caesalpinioideae

Hymenaea courbaril L. Jatobá Arbóreo 5 0,9

Moraceae Ficus sp Figueira Arbóreo 6 1,1 Palmae Scheelea phalerata (Mart.) Acuri Palmeira 120 21,1 Piperaceae Piper tuberculatum Jacq. Pimenta-do-

mato Arbustivo 2 0,4

Polygonaceae Triplaris americana L. Novato Arbóreo 434 76,4 Total 6 Total 6 Total 568 100



726

Na amostra 3 (Tabela 3) destaca-se as espécies Scheelea phalerata (Acuri) 32,5%, a espécie Unonopsis lindmanii Fries (carrapateira) 26,7% e a espécie Genipa americana (Genipapo) 24,5%. Tabela 3. Identificação e quantificação em campo das espécies vegetais da cordilheira (A3) Família Nome científico Nome

popular Porte Qde %

Annonaceae Unonopsis lindmanii

Fries Carrapateira Arbustivo

104 28,7 Bignoniaceae Tabebuia aurea (Manso) Ipê paratudo Arbóreo

1 0,3 Dilleniaceae Curatella americana L. Lixeira Arbóreo 1 0,3 Flacourtiaceae Casearia sylvestris

Sm.var. Chá-de-frade Arbóreo

1 0,3 Lauraceae

Nectandra megapotamica

(Spreng.) Canelinha Arbóreo

6 1,7

Leguminosae- Caesalpinioideae

Hymenaea courbaril L. Jatobá Mirim

Arbóreo 1 0,3

Leguminosae-Mimosoideae

Enterolobium

contortisiliquum (Vell.) Ximbuva Arbóreo

1 0,3 Moraceae Ficus sp Figueira Arbóreo 13 3,6 Myrtaceae Myrcia tomentosa (Aubl.) Jaboticaba-

brava Arbóreo

1 0,3 Palmae Scheelea phalerata

(Mart.) Acuri Palmeira

118 32,5 Polygonaceae Triplaris americana L. Novato Arbóreo 25 6,9 Rubiaceae Genipa americana L. Genipapo Arbóreo 89 24,5 Sterculiaceae Sterculia apetala (Jacq.) Manduvi Arbóreo 2 0,6 Total 13 Total 13 Total 363 100 Observando as espécies de grande porte encontradas nas Tabelas 1,2 e 3 optou-se por usar seis classes a fim de identificar possíveis correlações com os percentuais levantados em campo. Usou-se para a classificação as 4 bandas espectrais e o classificador isodata do software Erdas Imagine 8.6. A Figura 4 a seguir ilustra o polígono classificado contendo a região amostrada em campo (A1) e os valores percentuais para cada uma das seis classes.

Observa-se que a tonalidade magenta é que possui o maior índice percentual com 18,7% dos pixels da imagem, mas também observa-se homogeneidade entre as demais classes, sendo a de menor índice a tonalidade vermelha com 14,7%. Em contradição a amostra de campo (amostra 1), esperava-se a predominância de alguma tonalidade representativa do Acuri (Scheelea phalerata), o que não ocorreu. Desta forma investigou-se o tamanho do pixel para não incorrer em erros interpretativos. Procedeu-se a ampliação (zoom) na imagem até o pixel ficar com tamanho mensurável. Com a ferramenta distância do software Erdas Imagine 8.6 mediu-se a as dimensões lado e altura do pixel, obtendo-se os valores de 2,40m conforme prescrito pela resolução espacial da imagem. Ficou eliminada desta forma a hipótese de uma distorção devido ao registro (georreferenciamento) da imagem. Na Figura 5, área da amostra 2, novamente as classes foram distribuídas de forma muito homogêneas, quando se esperava destaque para apenas duas classes; uma que seria representativa da espécie novato (Triplaris americana) no campo 76,4% e outra para a espécie acuri (Scheelea phalerata) no campo 21,1%.



727

Figura 4. Região de cordilheira da amostra 1 (A1).Imagem classificada pelas bandas 4,3,2,1, método não supervisionado isodata, software Erdas Imagine 8.6. Figura 5. Região de cordilheira da amostra 2. Imagem classificada pelas bandas 4,3,2,1, método não supervisionado isodata, software Erdas Imagine 8.6.

No entanto, a classe de maior percentual é a tonalidade magenta (19,1%) bem distribuída na imagem. Mesmo com um esforço interpretativo, não se pôde assegurar que a tonalidade magenta é a representativa da espécie acuri (Scheelea phalerata) 32,5% em campo, já que apenas três tonalidades deveriam ser destacadas na imagem classificada, conforme os resultados apresentados na Tabela 3.



728

Figura 6. Região de cordilheira da amostra 3. Imagem classificada pelas bandas 4,3,2,1, método não supervisionado isodata, software Erdas Imagine 8.6.

5. Conclusão

A pesquisa permitiu uma ampliação do conhecimento das espécies vegetais existentes nas cordilheiras do Pantanal no tocante a região estudada, pois foram identificadas e quantificadas as espécies por meio de amostras em campo de 60x60m.

Em relação ao uso da metodologia do sensoriamento remoto associadas às técnicas de processamento digital, fazendo uso das imagens multiespetrais do satélite Quick Bird, com resolução espacial de 2,40m, e classificador não supervisionado isodata, não foi possível um resultado que permitisse quantificar com nível razoável de aceitação as diferentes espécies arbóreas.

Nesta pesquisa não se trabalhou com a imagem pancromática que possui resolução de 0,60m, ficando como sugestão para um próximo estudo fazer uso também dessa imagem, bem como aplicação de outros algoritmos com maior potencial em distinguir níveis de radiâncias próximas.

6. Agradecimentos

A Anhanguera-Uniderp por intermédio da PROPP pelo apoio financeiro do projeto e logística no IPPAN para o desenvolvimento das atividades de campo; A FMB pela gerencia dos recursos financeiros do Projeto e pela intermediação na aquisição da imagem do satélite Quick Bird;

Ao Mestrado em Meio Ambiente e Desenvolvimento Regional da Anhanguera-Uniderp pelo apoio junto ao Laboratório de Geoprocessamento pela concessão do uso de hardwares e softwares, bem como disponibilidade do espaço físico para os trabalhos e; a CAPES pela concessão de bolsa de estudo a autora do deste trabalho; as alunas do Curso de Ciências Biológicas Renata e Thais que compuseram a equipe de campo na contagem e identificação das Plantas nas cordilheiras.



729

7. Referências

Bryer, M.; Pinder, L.; Higgins, J.; Freitas, G. K. de; Matsumoto, M. ; Jiménez, B.; Padovani, C.; Silva, C. J. da; Figueiredo, D. M. de; Theodoro, E.; Fachim, E. Mereles, F.; Sonoda, F.; Borges, G.; Peixer, J. Lima, J. A. F. de; Fagundes, J. M.; Silva, M. M. da; Oliveira, M. D.; Montaño, M. E.; Landivar, R. Torrecilia, S.; Eberhard, W. Classificação dos ecossistemas aquáticos do pantanal e da bacia do alto Paraguai. Brasília: The Nature Conservancy, 2003. 108 p.

Centeno, J. A. S. Sensoriamento remoto e processamento de imagens digitais. Curitiba: Departamento de Geomática. Universidade Federal do Paraná, 2003. 210 p.

Ditt, E. H. Fragmentos florestais no Pontal do Paranapanema. Annablume: São Paulo, 2002. 140 p.

Erdas. Erdas Imagine version 8.6. Erdas Inc. Atlanta – Geórgia. 2002. 1 CD ROM.

Fernandes, V. Avaliação da perda da vegetação arbórea nativa da Serra da Bodoquena, Mato Grosso do Sul, Brasil, por meio de sensoriamento remoto. Campo Grande, 2008. 39 f. Dissertação (Mestrado em Meio Ambiente e Desenvolvimento Regional). Universidade para o Desenvolvimento do Estado e da Região do Pantanal.

Garnés, S. J. A. Implementação computacional de classificadores digitais: aplicação na caracterização de ambientes pantaneiros. In.: I SIMGEO – Simpósio de Ciências Geodésicas e Tecnologia da Geoinformação. Recife, 1 a 3 de set. Anais... Recife: Centro de Tecnologia e Geociências. Departamento de Cartografia. p. 1-17, 2004.

Garnes, S. J. A.; Figueiredo, R. S. de; Oliveira, A. K. M. de. Sistema de informações como apoio as pesquisas relacionadas ao desenvolvimento sustentável, a biodiversidade e à cultura no Pantanal do Negro – MS. Projeto GIP - Relatório Final, Campo Grande: Universidade para o Desenvolvimento do Estado e da Região do Pantanal, 2007.

Jorge, L. A. B.; Garcia, G. J. A study of habitat fragmentation in southeastern Brazil using reomote sensing and geographic information systems (GIS). Forest Ecology and Management. 1997. 98: p.35-47.

Lorenzi, H.. Arvores brasileiras: manual de identificação e cultivo de plantas arbóreas nativas do Brasil. Nova Odessa: Plantarum, p. 352. 1992.

Martins, I. C. M.; Soares, V. P.; Silva, E.; Brites, R. S. Diagnóstico ambiental no contexto da paisagem de fragmentos florestais “ipucas” no município de Lagoa da Confusão, Tocantins. Revista Árvore. 2002. 26(3): p. 299-300.

Pott, A.; Pott V. J. Plantas do pantanal. Brasilia: EMBRAPA-CPAP, p.320. 1994.

Ranta, P.; Blon, T.; Niemelã, J.; Joensuu, E,; Shtonen M. The fragmented atlantic rain forest of Brazil: size, shape and distribution of forest fragments. Biodiversity and Conservation. 1998. 7: p.385-403.

Sanabria, P.L. A; Garnés, S. J A.; Toniazzo, G. S. L.; Figueiredo, R. S. de. Avaliação do conhecimento sobre o Pantanal com alunos de uma escola do ensino fundamental de Campo Grande, Mato Grosso do Sul. Encaminhado para publicação na Revista Brasileira de Gestão e Desenvolvimento Regional, sd.

Silva, J. S. V.; Abdon, M. M. Delimitação do Pantanal brasileiro e suas sub-regiões. Pesquisa Agropecuária Brasileira. Brasília. V. 33. Número Especial. p.1703-1711, out. 1998.

Spring: Integrating remote sensing and GIS by object-oriented data modeling. Camara G, Souza RCM, Freitas UM, Garrido J Computers & Graphics, 20 (3) 395-403, May-Jun 1996. Acess. Disponível em: <http://www.dpi.inpe.br/spring > Acesso em: 9 nov. 2007.

Saatchi, S.; Agosti, D.; Alger, K.; Delabie, J.; Musinsky, J. Examining fragmentation and loss of primary forest in southern Bahian Atlantic florest of Brazil with radar imagery. Conservation Biology, 2001. 15(4): 867-875.

quantificação e identificação de vegetação arbórea ... · foram realizadas três amostras no...

Documents