Utilização de dados SAR multi-bandas na discriminação da vegetação secundária em uma área de hotspot de desmatamento na Amazônia Legal brasileira

Abstract

Contextualização: A Amazônia Legal ocupa uma área equivalente a 60% do território brasileiro, reunindo regiões com características paisagísticas similares com o intuito de melhor planejar o desenvolvimento local. Atualmente, essa área tem sofrido significativamente com o desmatamento e degradação de seus recursos naturais. No entanto, as áreas desmatadas por meio de práticas agrícolas, como corte e queima, mudança de cultivo e criação de pastagens, podem ser eventualmente abandonadas e cederem lugar à regeneração natural da floresta. De acordo com os dados levantados pelo TerraClass Amazônia 2014 do Instituto Nacional de Pesquisas Espaciais (INPE) e da Empresa Brasileira de Pesquisa Agropecuária (Embrapa), houve um aumento de 7.200 ha de vegetação em regeneração na região da Amazônia entre os anos de 2004 e 2014. As florestas tropicais em regeneração são um importante sumidouro terrestre de carbono atmosférico, que deve ser considerado nos estudos de mudanças e ciclagem global de nutrientes. Nesse contexto, é importante realizar o diagnóstico da floresta após o desmatamento para a avaliação dos respectivos impactos na diversidade de espécies, hidrologia local e taxa de acumulação de biomassa, dentre outros. Os sensores remotos ópticos são comumente utilizados no mapeamento e monitoramento das florestas, no entanto, a cobertura frequente de nuvens na região amazônica dificulta a obtenção de informações com base nesses sensores. Uma alternativa a essa limitação tem sido o uso de sensores de radar de abertura sintética (SAR). Objetivo: Discriminar áreas de vegetação secundária, baseando-se em dados SAR, do município de Colniza, Mato Grosso, considerada uma área de hotspot de desmatamento na Amazônia Legal Brasileira. Métodos: Esta pesquisa apresenta uma abordagem de classificação baseada nos algoritmos de aprendizagem de máquina de Floresta Aleatória (Random Forest - RF) e Máquina de Vetores de Suporte (Support Vector Machine - SVM) aplicados a imagens SAR dos satélites COSMOSkyMed (banda X), Sentinel-1 (banda C) e ALOS-2/PALSAR-2 (banda L). Foi dada ênfase às técnicas de SAR polarimétrico (PolSAR), SAR interferométrico (InSAR) e geração de atributos de textura baseados na matriz de coocorrência de níveis de cinza (gray-level co-occurrence matrix - GLCM). Resultados: Os melhores resultados foram obtidos pelo algoritmo RF, tendo como parâmetros de entrada a combinação da coerência interferométrica do COSMO-SkyMed com a decomposição polarimétrica de Yamaguchi dos dados polarimétricos ALOS-2/PALSAR-2, apresentando índice Kappa de 0,81 e acurácia global de 87,81%. A integração da coerência interferométrica da banda X com os atributos polarimétricos da banda L teve impacto positivo principalmente na discriminação das classes referentes à floresta primária, vegetação secundária e degradação. Conclusão: Os resultados demonstraram a viabilidade do uso do método de classificação baseado em algoritmos de aprendizagem de máquina aplicados a dados SAR, reforçando a habilidade desses sensores no monitoramento florestal em épocas de cobertura de nuvens.