Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS

• Autor(a) principal: Costa, Vinícius Lorini da
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/233822
• topic: Sensoriamento remoto; Computação em nuvem; Floresta secundária; Supervised classification; Cloud computing; Secondary forest

As florestas secundárias estão em constante aumento à medida que as florestas primárias são degradadas e as áreas produtivas são abandonadas. O mapeamento dos estágios de sucessão das florestas secundárias é importante para apoiar a previsão de impactos, o monitoramento e a conservação ambiental, permitindo avaliar quantitativa e qualitativamente os remanescentes florestais bem como sua distribuição espacial. Neste estudo objetivou-se avaliar o potencial de classificação de estágios sucessionais da Floresta Estacional Semidecídua em uma região da Serra do Sudeste do Rio Grande do Sul a partir de diferentes fontes de dados de sensoriamento remoto e suas sinergias. Foram utilizados dados ópticos Sentinel-2 de reflectância de superfície, dados SAR Sentinel-1 e texturas GLCM (Grey Level Co-Ocurrence Matrix) derivadas e dados geomorfométricos SRTM, os quais compuseram diferentes grupos que serviram como dados de entrada para os classificadores de aprendizagem de máquina Support Vector Machine (SVM), Classification and Regression Tree (CART) e Random Forest (RF). Os procedimentos foram realizados na plataforma Google Earth Engine. O RF apresentou as maiores exatidões globais (93 a 97%), independente do conjunto de dados utilizados como entrada, com o índice kappa variando de 0,89 (dados ópticos e SAR) a 0,95 (dados ópticos, SAR e geomorfométricos). O CART apresentou valores idênticos de exatidão global (92,5%) exceto para o conjunto de dados acrescido das camadas de textura SAR, que apresentou exatidão ligeiramente mais baixa (91,7%); o índice kappa variou de 0,89 a 0,91. O pior desempenho foi o da classificação de dados ópticos por SVM, resultando em 59% de exatidão e 0,37 de índice kappa, todavia, a sinergia de dados ópticos, SAR e geomorfométricos classificados por SVM atingiu 75% de exatidão. A inclusão de camadas de texturas GLCM promoveu aumento da confusão entre as classes para todos os classificadores. Os melhores resultados foram obtidos pela sinergia de dados ópticos, SAR e geomorfométricos classificados por RF, com exatidão global de 97% e índice kappa de 0,95.