Navegando por Assunto "Vegetação - Mapeamento"

Agora exibindo 1 - 4 de 4

Análise temporal do uso e cobertura da terra do município de Macaparana - Pernambuco
(2020-11-03T03:00:00Z) Moura, Lucas Araujo; Duarte, Simone Mirtes Araújo; Moreira, Giselle Lemos; http://lattes.cnpq.br/6171199372079024; http://lattes.cnpq.br/5876968040869585; http://lattes.cnpq.br/2567696308015910
As geotecnologias atreladas ao sensoriamento remoto se mostram como ferramentas essências, para compreender o uso e ocupação de um território, além de auxiliar de forma efetiva e econômica no monitoramento dos recursos naturais. Por meio de dados de diferentes anos, é possível criar um estudo dos principais fatores de degradação dos recursos naturais. Dessa forma, o presente trabalho objetivou em elaborar uma análise temporal do munícipio de Macaparana - PE para os anos de 2007 e 2018. Todas as atividades de geoprocessamento para a classificação supervisionada e a geração do índice de vegetação, foram computadas por meio do software Qgis versão 2.18.10 e 3.10.9, a classificação supervisionada foi realizada por meio do Semi Automatic Classification Plugin (SCP), onde foram selecionadas várias amostras na composição das bandas para os devidos anos, e por meio da Máxima Verossimilhança – MaxVer, foram computados as classes de solo exposto/área urbana, cultura agrícola, florestas e recursos hídricos. Para a acurácia dos dados foi realizado o índice kappa. O índice kappa para os anos de 2007 e 2018 ficou em 0.49 e 0.79 mostrando ser um bom mapeamento. E através dos mapas gerados e das classes quantificadas, em que o solo exposto da área aumentou em 48%, a vegetação teve um decréscimo de 35%, a cultura agrícola teve sua área reduzida em 10% e os recursos hídricos aumentaram cerca de 303%. Houve uma grande alteração nos resultados dos recursos hídricos devido a quantidade de nuvens na imagem de 2018, que atrapalhou a classificação, porem na ida ao campo foi possível observar, falta de vegetação na área ao redor dos recursos hídricos, podendo ocorrer um processo de assoreamento dos rios. Foi possível estabelecer uma relação entre o solo exposto e a cultura agrícola, a falta de manejo efetivo em busca de uma maior produtividade ao invés de cortar mais áreas para plantar, justificou com os dados da área de vegetação, que diminuiu para dar espaço a novas culturas agrícolas. E relacionando a área florestal obtida por meio da classificação supervisionada, com a área computada do IVDN, apresentaram homogeneidade nos resultados, variando menos de 5% para os dois anos. Portanto é possível concluir que as atividades antrópicas, sem nenhum plano de manejo para plantação e colheita, estão tendo efeitos diretos na diminuição da vegetação da área, sendo necessário um melhor controle na sua produção e alternativas que não necessitem na queima da cana para o corte, onde tem impactos diretos sobre o solo.
Desertificação - Uso de visualização geométrica para análise de risco
(2022-06-06T03:00:00Z) Paiva Neto, José Augusto de; Bocanegra, Silvana; Albuquerque, Jones Oliveira de; http://lattes.cnpq.br/1220553574304474; http://lattes.cnpq.br/4596111202208863; http://lattes.cnpq.br/0458859679894808
O processo de uso indevido da terra, falta de chuva e diversos outros fatores provoca a desertificação de uma região. Uma vez que uma região se torna deserta, acredita-se ser impossível reverter essa condição. Analisar frequentemente o risco de desertificação pode facilitar políticas públicas para mitigar esses efeitos. Esse trabalho tem por objetivo trazer uma proposta de análise de risco de regiões que estão no núcleo de desertificação do nordeste utilizando dados de vegetação. O trabalho apresentou alto risco de desertificação em 3 municípios do nordeste brasileiro.
Inteligência artificial na classificação de uso e cobertura da terra no semiárido de Pernambuco
(2020-11-03T03:00:00Z) Almeida, Gabriela Costa de; Silva, Emanuel Araújo; Moreira, Giselle Lemos; http://lattes.cnpq.br/6171199372079024; http://lattes.cnpq.br/2765651276275384
A Floresta Tropical Seca brasileira, conhecida como Caatinga, está presente na região nordeste do Brasil e possui características climáticas severas, com clima seco e chuvas mal distribuídas. Essas características climáticas dificultam a análise por sensoriamento remoto devido às grandes diferenças de vegetação entre os períodos seco e chuvoso. Para auxiliar a análise de sensoriamento remoto neste bioma, este trabalho tem como objetivo testar diferentes algoritmos de Inteligência Artificial por meio de classificação supervisionada e identificar padrões de uso e cobertura da terra na cidade de Petrolina, em Pernambuco. Três algoritmos foram testados: Random Forest, Artificial Neural Networks e K-Nearest Neighbors usando o software QGIS e RStudio baseado em imagens LANDSAT 8 do período seco. Foram selecionadas 20 amostras das classes: Água, Agricultura, Área Urbana, Floresta e Solo Exposto, e essas amostras serviram de base para o treinamento dos algoritmos de classificação das imagens. Dados de ocupação e avaliação de qualidade de precisão foram obtidos usando acurácia do mapeamento e índice de Kappa, respectivamente: 0,9878706 e 0,9653555 para Random Forest; 0,9199973 e 0,9454833 para Artificial Neural Networks, 0,9873741 e 0,9598640 para o K-Nearest Neighbors, todos considerados excelentes. Esses valores foram superiores aos encontrados nos algoritmos mais comumente utilizados, como no algoritmo de Máxima Verossimilhança. Observou-se que o uso de algoritmos de inteligência artificial pode gerar melhores resultados na classificação do uso da terra em regiões semiáridas.
Uso de machine learning e sensoriamento remoto para a identificação da floresta tropical sazonalmente seca no Parque Nacional do Catimbau
(2021-01-20T03:00:00Z) Monteiro Junior, José Jorge; Alba, Elisiane; El-Deir, Soraya Giovanetti; http://lattes.cnpq.br/3202139188457904; http://lattes.cnpq.br/1465154212352591; http://lattes.cnpq.br/0911037640720248
A classificação de florestas tropicais sazonalmente secas é um dos maiores desafios das análises ambientais por sensoriamento remoto, tendo em vista as características fitofisionômicas da floresta que se assemelham remotamente das características do solo exposto, gerando erros amostrais em estudos de monitoramento florestal. O objetivo deste trabalho foi utilizar-se do aprendizado de máquinas para entender a dinâmica de uso e cobertura da terra no Parque Nacional do Catimbau nos períodos de maior precipitação (úmido) e menor precipitação (seco) a partir do imageamento LANDSAT. O trato metodológico ocorreu a partir da obtenção de dados Landsat no ano de 2019 para o período úmido e período seco, os dados brutos foram pré processados em sistemas de informação geográficos a fim de (i) selecionar bandas; (ii) delimitar área de estudo; (iii) executar a correção atmosférica; e (iv) fazer a junção das bandas de satélite (bandset). Foi criado um shapefile para treinamento dos algoritmos de aprendizado de máquina contendo amostras das classes encontradas na área de estudo, estas sendo, as fitofisionomias arbórea-arbustiva e arbustiva-herbácea, áreas antropizadas, solo exposto, e outras áreas (i.e. nuvens, componentes hídricos, rodovias). No software R foram utilizados os algoritmos tanto para a classificação supervisionada (com base na validação cruzada, método k-fold e teste de Friedman e Nemenyi) quanto para a espacialização dos dados utilizando os algoritmos citados. Com os metodos descritos foi possível observar que os valores de NDVI fomentaram a ideia de que a fitofisionomia arbustiva-herbácea apresenta reflectância similiar ao solo exposto em algumas áreas no período seco. No período úmido, o algoritmo kNN apresentou melhor performance na diferenciação das classes e identificação da vegetação (Kappa = 0,9887). Já no período seco, os algoritmos kNN, SVM e ANN não apresentaram diferenças estatísticas significativas quanto a sua performance, sendo estes considerados bons classificadores para o período (Kappa = 0,9965;0,9973;0,9962, respectivamente). Portanto, o presente estudo trouxe inovação no uso de técnicas de Inteligência Artificial para a solução de problemas no monitoramento, manejo e administração de florestas tropicais sazonalmente secas com dados remotos. Sendo um método alternativo para identificar, de forma rápida e econômica, as mudanças na estrutura florestal.