• Alana Neves

A importância do uso de imagens ópticas para a conservação da vegetação do bioma Cerrado

Por Alana Kasahara Neves

PhD in Remote Sensing at National Institute for Space Research (INPE)

MSc in Remote Sensing (INPE)

Environmental Engineer (UFRA)


O bioma Cerrado, segundo maior bioma brasileiro, abrange uma área de 1.983.017km², aproximadamente 23,3% do território nacional. A flora deste bioma é composta por mais de 12 mil espécies, das quais quase 40% são endêmicas, ou seja, não ocorrem em mais nenhum outro lugar do mundo (JBRJ, 2015). Apesar dessa relevância ecológica, apenas 8,6% da vegetação natural do bioma está contida em Unidades de Conservação. Aproximadamente 47% da vegetação do bioma já foi convertida para outros usos, como pastagem e agricultura. Além disso, de 2008 a 2019, as taxas de desmatamento no Cerrado foram maiores do que na Amazônia em 9 desses 12 anos (INPE, 2020).


A importância da conservação da vegetação do Cerrado abrange diversos aspectos. Dentre eles, podemos destacar a manutenção da biodiversidade do bioma, considerado como a savana com maior biodiversidade do mundo. Além disso, a vegetação do Cerrado possui importantes papéis no estoque de carbono, devido à biomassa armazenada acima e abaixo do solo (RIBEIRO et al., 2011), e na proteção dos recursos hídricos que ocorrem nesse bioma e abastecem as três maiores bacias da América do Sul (dos rios Amazonas, Prata e São Francisco).


Para conservar a vegetação, é necessário conhecê-la e monitorá-la continuamente. Fazer isso indo a campo, em todo o bioma, seria uma tarefa extremamente custosa em tempo, dinheiro e recursos humanos. Nesse contexto, o uso de imagens ópticas obtidas por sensoriamento remoto é fundamental. As imagens ópticas são geradas por sensores que detectam a radiação eletromagnética refletida ou emitida pelos alvos terrestres. As principais características das imagens estão relacionadas com suas resoluções: espacial, temporal, espectral e radiométrica (NOVO, 2010). Dependendo do objetivo da análise, uma resolução pode ser mais relevante do que outra. Apesar de não substituir as idas a campo, o uso dessas imagens permite a realização de estudos e de observação em larga escala e em locais de difícil acesso.


Ao longo das últimas décadas, diversos estudos e projetos foram desenvolvidos com o objetivo de monitorar e mapear a vegetação do Cerrado. O INPE (Instituto Nacional de Pesquisas Espaciais) possui dois projetos de monitoramento contínuo do desmatamento no Cerrado: o PRODES e o DETER. Operacional desde 2018, o DETER (Sistema de Detecção de Desmatamento em Tempo Real) realiza o mapeamento de alertas de desmatamento em tempo quase real usando imagens de alta resolução espacial, dos sensores WFI/CBERS-4 e AWiFS/IRS (VALERIANO et al., 2016). A informação gerada é enviada para os órgãos de fiscalização e controle para orientar as ações em campo.


O projeto PRODES Cerrado mapeia a cada ano o desmatamento no bioma usando imagens do satélite Landsat (30m de resolução espacial) (MAURANO, et al., 2019; PARENTE et al., 2021). A série histórica de dados de taxa de desmatamento e incremento anual inicia no ano 2000 e continua sendo atualizada anualmente. Esses dados são fundamentais para analisar o avanço do desmatamento no bioma e para fundamentar a criação de políticas públicas voltadas ao combate dessa prática. Todos os dados gerados pelos projetos PRODES e DETER são públicos e estão disponíveis no site http://terrabrasilis.dpi.inpe.br/ (ASSIS et al., 2019).


Além de ser importante conhecer onde e quanto está sendo desmatado, também é necessário analisar para quais usos essas áreas desmatadas estão sendo convertidas. Nesse sentido, outros projetos realizam o mapeamento de uso e cobertura da terra no bioma Cerrado. Os projetos TerraClass Cerrado (INPE, 2015) e MapBiomas (SOUZA-JR et al., 2011) fazem o mapeamento do uso e cobertura da terra no bioma Cerrado usando também imagens Landsat. O TerraClass Cerrado, sob responsabilidade do INPE e da Embrapa, faz a segmentação seguida de interpretação visual das imagens. O MapBiomas é realizado por diversas universidades, ONGs e empresas e faz o mapeamento anual e automático no bioma. Apesar das diferenças metodológicas, os dados dos dois projetos permitem a observação da presença de grandes áreas, originalmente de savana, substituídas principalmente por pastagem e agricultura. O acesso aos mapas pode ser feito em http://www.dpi.inpe.br/tccerrado/dados/ (TerraClass Cerrado) e https://mapbiomas.org/ (MapBiomas).


Nos mapeamentos de uso e cobertura, geralmente a vegetação natural do Cerrado é mapeada como uma única classe ou diferenciada entre Campo, Savana e Floresta. Apesar da relevância dessa informação, a vegetação do cerrado é composta de diversos tipos de vegetação, conhecidos como fitofisionomias, que vão desde campos com predominância de vegetação herbácea até densas florestas. Cada fitofisionomia (ver Figura 1) possui uma biodiversidade intrínseca e é responsável pelo estoque de determinada quantidade de carbono. Portanto, para que exista um completo entendimento dessas questões, é necessário que seja feito o mapeamento detalhado dessas fitofisionomias.



Figura 1. Fitofisionomias do bioma Cerrado. Fonte: Ribeiro e Walter, 2008.

Para o mapeamento das fitofisionomias detalhadas, imagens de baixa ou média resolução espacial podem não ser suficientes. Na figura abaixo, podemos ver alguns exemplos de fitofisionomias em diferentes imagens de diferentes resoluções. A Mata de Galeria, nesse exemplo, pode ser identificada em alta e média resolução espacial. Entretanto, o Campo Limpo e o Campo Sujo possuem praticamente o mesmo padrão nas imagens Sentinel (10m de resolução espacial) e Landsat, enquanto são diferenciáveis na imagem de alta resolução (WorldView-2, 2m de resolução espacial).


Figura 2. Padrões de três fitofisionomias (Mata de Galeria, Campo Limpo e Campo Sujo) em imagens de resolução espacial diferentes.


Usar imagens ópticas obtidas por sensoriamento remoto para o mapeamento detalhado das fitofisionomias ainda é um desafio devido às altas similaridade espectral e variabilidade espacial e temporal que elas possuem. Ou seja, a sazonalidade interfere nos padrões das fitofisionomias ao longo do ano e esses padrões variam ao longo do bioma Cerrado. Além disso, em áreas de transição entre duas ou mais fitofisionomias, existe uma dificuldade muito grande em identificar onde um padrão termina e outro começa, mesmo que isto seja feito em campo. Nesse sentido, diversas iniciativas aplicaram técnicas semi-automáticas ou automáticas para o mapeamento detalhado das fitofisionomias do Cerrado.


Schwieder et al. (2016) usaram séries temporais de imagens Landsat e o algoritmo SVM (Support Vector Machine) para diferenciar 7 fitofisionomias e obtiveram 63% de acurácia global. Girolamo Neto (2018) usou o algoritmo Random Forest e imagem de alta resolução espacial (2m) e obteve 68.52% de acurácia na diferenciação de 10 fitofisionomias. Ao incluir o aspecto hierárquico das fitofisionomias e usar técnicas de GEOBIA (Geographic Object-Based Image Analysis), Neves et al. (2019) e Ribeiro et al. (2020) alcançaram 68.95% e 87.6% com imagens de alta resolução para diferenciar 7 e 11 fitofisionomias, respectivamente. O aspecto hierárquico pode ser observado na Figura 1, onde as fitofisionomias são divididas primeiramente em Campo, Savana e Floresta e, a partir dessas três grandes formações, são separadas em outras classes mais detalhadas.


Técnicas de aprendizado profundo (Deep Learning), que recentemente vêm alcançando resultados promissores no sensoriamento remoto, também já foram aplicadas no mapeamento das fitofisionomias. Nogueira et al. (2016) usaram redes convolucionais de Deep Learning para classificar imagens de Campo, Savana e Floresta. As amostras utilizadas podem ser obtidas em: http://www.patreo.dcc.ufmg.br/2017/11/12/brazilian-cerrado-savanna-scenes-dataset/ .


Para mapear 10 fitofisionomias, Neves (2021) usou redes de Deep Learning e incluiu o aspecto hierárquico, classificando primeiramente Campo, Savana e Floresta. Neste primeiro nível, obteve 92.8% de acurácia e, no nível detalhado, as acurácias foram de 86.1% e 85% para as fitofisionomias de Savana e de Campo, respectivamente.

Apesar dos avanços que vêm sendo alcançados no mapeamento da vegetação do Cerrado nos últimos anos, as classificações detalhadas não são feitas para todo o bioma. Isso ocorre basicamente por dois motivos. Primeiramente, mapear as fitofisionomias em todo o bioma, em alta resolução espacial, requer grande capacidade computacional e, na maioria das vezes, as imagens de alta resolução não são gratuitas. Porém, a maior limitação é a falta de um dado de referência. Não existe um conjunto de amostras das fitofisionomias detalhadas para todo o bioma. A falta deste dado dificulta o teste e aplicação de metodologias de mapeamento em grandes áreas. Portanto, a contribuição do uso de imagens ópticas de sensoriamento remoto na conservação do bioma é inegável, porém ainda existem muitas melhorias e avanços a serem conquistados nessa área de pesquisa.


REFERÊNCIAS

Assis, F.G.; Fernando, L.; Ferreira, K.R.; Vinhas, L.; Maurano, L.; Almeida, C.; Carvalho, A.; Rodrigues, J.; Maciel, A.; Camargo, C. 2019. TerraBrasilis: a spatial data analytics infrastructure for large-scale thematic mapping. ISPRS International Journal of Geo-Information. 8 (11), 513. https://doi.org/10.3390/ijgi8110513.

GIROLAMO-NETO, C. D. Identificação de fitofisionomias de Cerrado no Parque Nacional de Brasília utilizando random forest aplicado a imagens de alta e média resoluções espaciais. 186 p. Tese (Doutorado em Sensoriamento Remoto) — Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2018. Available from: <http://urlib.net/rep/8JMKD3MGP3W34R/3RU6Q68>.

INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE. Desmatamento Annual no Cerrado brasileiro. INPE – Instituto Nacional de Pesquisas Espaciais, 2020. Disponível em: http://www.obt.inpe.br/cerrado.

INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE. Projeto TerraClass Cerrado - Mapeamento do Uso e Cobertura Vegetal do Cerrado. INPE - Instituto Nacional de Pesquisas Espaciais, 2015. Disponível em: http://www.dpi.inpe.br/tccerrado/Metodologia_TCCerrado_2013.pdf.

JARDIM BOTÂNICO DO RIO DE JANEIRO - JBRJ. Reflora: Lista de espécies da flora do Brasil. JBRJ - INSTITUTO DE PESQUISAS JARDIM BOTÂNICO DO RIO DE JANEIRO, 2015. Disponível em: http://floradobrasil.jbrj.gov.br/.

MAURANO, L. E. P.; ALMEIDA, C. A.; MEIRA, M. B. Monitoramento do desmatamento do Cerrado brasileiro por satélite PRODES Cerrado. In: Simpósio Brasileiro de Sensoriamento Remoto, 19, 2019, Santos. Anais eletrônicos... São José dos Campos, INPE, 2019. Disponível em: <https://proceedings.science/sbsr-2019/papers/monitoramento-do-desmatamento-do-cerrado-brasileiro-por-sate--lite---prodes-cerrado?lang=pt-br>. Acesso em: 06 abr. 2021.

K. Nogueira, J. A. dos Santos, T. Fornazari, T. S. Freire, L. P. Morellato, R. da S. Torres. Towards Vegetation Species Discrimination by using Data-driven Descriptors. In: Pattern Recogniton in Remote Sensing. International Conference on Pattern Recognition Workshop, Cancun, Mexico, 2016.

NEVES, A. K. Hierarchical mapping of Brazilian Savanna (Cerrado) physiognomies based on Deep Learning. 2021. 96p. Tese (Doutorado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2021.

NEVES, A. K.; KÖRTING, T. S.; GIROLAMO-NETO, C. D.; SOARES, A. R.; FONSECA, L. M. G. Hierarchical classification of Brazilian Savanna physiognomies using very high spatial resolution image, superpixel and GEOBIA. In: IGARSS INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, 2019. Proceedings... IEEE, 2019. p. 3716-3719.

NOGUEIRA, K.; SANTOS, J. A. D.; FORNAZARI, T.; SILVA, T. S. F.; MORELLATO, L. P.; TORRES, R. d. S. Towards vegetation species discrimination by using data-driven descriptors. In: IAPR WORKSHOP ON PATTERNS RECOGNITION IN REMOTE SENSING, 9., 2016. Proceedings... IEEE, 2016. p.1-6.

NOVO, E. M. L. M. Sensoriamento Remoto: princípios e aplicações. 1 ed. Editora Blucher, 2010. 388p.

Parente, L.; Nogueira, S.; Baumann, L.; Almeida, C.; Maurano, L.; Affonso, A. G.; Ferreira, L. Quality assessment of the PRODES Cerrado deforestation data. Remote Sensing Applications: Society and Environment, v. 21, 2021.

RIBEIRO, F. F.; ROBERTS, D. A.; HESS, L. L.; DAVIS, F. W.; CAYLOR, K. K.; DALDEGAN, G. A. Geographic object-based image analysis framework for mapping vegetation physiognomic types at fine scales in neotropical savannas. Remote Sensing, v. 12, n. 11, p. 1–27, 2020.

Ribeiro, J. F & Walter, B. M. T. As Principais Fitofisionomias do Bioma Cerrado. In: SANO, S. M.; ALMEIDA, S. P. de; RIBEIRO, J. F. (Ed.). Cerrado: ecologia e flora v. 2. Brasília: EMBRAPA-CERRADOS, 2008. 876 p.

RIBEIRO, S. C.; FEHRMANN, L.; SOARES, C. P. B.; JACOVINE, L. A. G.; KLEINN, C.; GASPAR, R. de O. Above-and belowground biomass in a Brazilian Cerrado. Forest Ecology and Management, v. 262, n. 3, p. 491–499, 2011.

VALERIANO, D. M.; NARVAES, I. S.; MAIA, J. S.; GOMES, A. R.; DINIZ, C. G.; SOUZA, A. A. A. Metodologia do sistema DETER – B (sistema de detecção do desmatamento e alterações na cobertura florestal em tempo quase real). Mapeamento de alertas com imagens dos sensores AWiFS-Resourcesat-2 e WFI-Cbers-4. São José dos Campos: INPE, 2016. Disponível em: http://urlib.net/rep/8JMKD3MGP3W34P/3LQKMBL.

SCHWIEDER, M.; LEITÃO, P. J.; BUSTAMANTE, M. M. da C.; FERREIRA, L. G.; RABE, A.; HOSTERT, P. Mapping brazilian savanna vegetation gradientes with landsat time series. International Journal of Applied Earth Observation and Geoinformation, v. 52, p. 361–370, 2016.

SOUZA-JR, C.M.; Z. SHIMBO, J.; ROSA, M.R.; PARENTE, L.L.; A. ALENCAR, A.; RUDORFF, B.F.T.; HASENACK, H.; MATSUMOTO, M.; G. FERREIRA, L.; SOUZA-FILHO, P.W.M.; DE OLIVEIRA, S.W.; ROCHA, W.F.; FONSECA, A.V.; MARQUES, C.B.; DINIZ, C.G.; COSTA, D.; MONTEIRO, D.; ROSA, E.R.; VÉLEZ-MARTIN, E.; WEBER, E.J.; LENTI, F.E.B.; PATERNOST, F.F.; PAREYN, F.G.C.; SIQUEIRA, J.V.; VIERA, J.L.; NETO, L.C.F.; SARAIVA, M.M.; SALES, M.H.; SALGADO, M.P.G.; VASCONCELOS, R.; GALANO, S.; MESQUITA, V.V.; AZEVEDO, T. Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth Engine. Remote Sens. 2020, 12, 2735. https://doi.org/10.3390/rs12172735

90 visualizações1 comentário

Posts recentes

Ver tudo