Mapeamento de mudança de uso e cobertura da terra no bioma Cerrado entre 1975 e 2010 a partir da classificação de imagens Landsat

Transcrição

1 Mapeamento de mudança de uso e cobertura da terra no bioma Cerrado entre 1975 e 2010 a partir da classificação de imagens Landsat Elaine Barbosa da Silva¹ Genival Fernandes Rocha¹ Antonio Fernandes dos Anjos¹ Laerte Guimarães Ferreira Júnior¹ Adriano Silva de Faria¹ Janete Rego Silva¹ Arielle Elias Arantes¹ 1 Universidade Federal de Goiás UFG/IESA Laboratório de Processamento de Imagens e Geoprocessamento LAPIG Campus II, Cx. Postal 131, CEP , Goiânia - GO, Brasil {elainesilvaufg, antonio.dosanjos}@yahoo.com.br {gfernandesr, lapig.ufg, janetegt25}@gmail.com {adrianosilvagyn, arielle_ioiad}@hotmail.com Abstract. Land cover and land use in the Brazilian savanna (Cerrado biome) has been intensively modified since the early 70 s. Nevertheless, the analysis of such rapid transformations has been very limited due to the inexistence of historical mappings. In this work we present the methodology utilized for mapping, at every two years (from 1975 to 2010), four Landsat (MSS, TM, and ETM+) located over consolidated converted areas and along expanding agricultural frontiers. Image segmentation and the Bhattacharya classification were performed on the Spring GIS / Image Processing plataform and relied on field validation, followed by extensive visual interpretation. Our results, which indicate distinct spatial-temporal occupation patterns in the Cerrado, corroborate our multiple sensors, interpretation (i.e. automated processing, visual interpretation, and ground-truthing), and cumulative (i.e. previous year interpretation constrains the following year s mapping) approaches, as well as the ability of biannual Landsat like imagery for capturing rapid changes in the Cerrado landscapes. Palavras-chave: Land Cover and Land Use Change, Cerrado biome, Landsat, agricultural frontiers, mudança de uso e cobertura da terra, bioma Cerrado, Landsat, fronteira agrícola. 1 Introdução A distribuição espacial da vegetação natural do Cerrado, mapeada em 2002 por meio do Projeto de Conservação e Utilização Sustentável da Diversidade Biológica Brasileira (Probio) (Sano et al., 2010), indica que o bioma passou por processos de ocupação diferenciados no tempo e no espaço. Porções com mais de 60% de conversão, concentram-se ao sul do bioma, a exemplo do estado de Goiás, e áreas com mais vegetação remanescente, a exemplo do estado do Piauí, concentram-se ao norte do bioma. No entanto, dados do Sistema Integrado de Alertas de Desmatamentos (SIAD) (Ferreira et al., 2007) mostram que o processo de desmatamento no Cerrado continua ocorrendo, com intensidades desiguais em cada uma das frentes de ocupação existentes, sendo alarmante em algumas localidades, a exemplo do extremo Oeste Baiano, Mato Grosso e Maranhão (Rocha et al., 2011). Este cenário foi desencadeado pelo aumento da produção de commodities, a partir da década de 1970, voltada para o crescente mercado mundial de alimentos, matériasprimas e combustíveis. Devido ao avanço das atividades agropecuárias o Cerrado sofreu perdas significativas de biodiversidade, que levaram à sua classificação, em 2000, como 1626

2 um dos hotspots mundiais, i.e., uma área de alto endemismo de biodiversidade em elevado estágio de degradação (Myers et al., 2000). Visando auxiliar na compreensão da mudança de uso e cobertura da terra no Cerrado ocorrida desde a década de 1970, recorreu-se ao uso de imagens MSS, TM e ETM+ dos satélites Landsat para o mapeamento histórico de quatro áreas amostrais, para as quais foram selecionadas imagens Landsat a cada dois anos, entre 1975 e Escolha das cenas A escolha da cena do centro-sul de Goiás se deu em função do seu histórico de mudança de uso e cobertura da terra, pois é uma das mais antigas áreas de povoamento do Cerrado e onde a alta tecnologia de produção agropecuária chegou mais cedo, no início da década de As outras três cenas compõem a atual fronteira agrícola do Cerrado, onde a produção de commodities tem mudado rapidamente o ambiente, como se pode ver pelos mapeamentos do uso e cobertura da terra de 2002 (Probio) e dos alertas de desmatamento ocorridos entre 2002 e 2010 (figura 1). Figura 1. Mapeamento do uso e cobertura da terra realizado pelo Probio em 2002 e alertas de desmatamentos gerados pelo Siad para o período de 2002 a 2010, com destaque para a localização das cenas Landsat selecionadas para o presente estudo. 3 Etapas metodológicas do processamento das imagens O mapeamento da mudança de uso e cobertura da terra seguiu as etapas mostradas na figura

3 Figura 2. Fluxograma das etapas metodológicas do mapeamento de uso e cobertura da terra. Foram utilizadas imagens do satélite Landsat devido à boa resolução espacial, à disponibilidade de cenas para longo período e à gratuidade de sua aquisição. O recorte temporal deste trabalho foi de 1975 a 2010, tendo sido necessário utilizar imagens dos três sensores da série Landsat: MSS (80 m), TM (30 m) e ETM+ (30 m). As cenas de cada ano foram escolhidas entre os meses de junho a setembro, haja vista ser este o período de menor ocorrência de nuvens e aerossóis no Cerrado, ou seja, imagens com menos interferências atmosférica. Para o período de 1975 a 1981 foi necessário formar mosaicos com quatro cenas do sensor MSS para cobrir a área equivalente à de uma cena do sensor TM, uma vez que as órbitas-pontos destes sensores são diferentes. Devido à variação na posição das imagens TM, foi feito um recorte com a região da cena que aparecia em todos os anos, reduzindo a área da cena de 180 km2 para 160 km2, a qual também foi utilizada para as cenas MSS. De 1982 a 1985 não houve imagens disponíveis. Após esse período foram obtidas imagens com intervalo de dois anos (quadro 1). Quadro 1. Cenas Landsat utilizadas no estudo. Período Cenas por sensor Sensor Quantidade 1975 / 1981 MSS / 2000 TM ETM / 2010 TM 16 Total

4 A correção geométrica das imagens foi realizada por meio do processo imagem com imagem a partir do mosaico GeoCover S , adquiridas junto ao portal da National Aeronautics and Space Administration (Nasa) ( O erro médio admitido foi de 0,6 pixels. Neste processo, utilizou-se composição colorida RGB 543 por considerá-la melhor para identificar os usos da terra (figura 3 a). O processo de classificação de imagens foi o supervisionado com segmentação (fragmenta uma região e unidades homogêneas, considerando características como o nível de cinza dos pixels e a textura) por meio do algoritmo de agrupamento Bhattacharya (Moreira, 2011), no software Spring, que apresentou o melhor resultado. Os parâmetros usados para a segmentação foram: similaridade de 35% e área mínima de 20 pixels. Para a classificação utilizaram-se 15 temas e 25 interações (Inpe, 2010). Após o processo de segmentação, foi feito a coleta de amostras (treinamento) para realizar a classificação da imagem. O objetivo deste mapeamento foi o de gerar as classes vegetação, agricultura e pastagem. No entanto, para obter uma boa separação dos elementos presentes nas imagens foi necessária a criação de várias subclasses. Para a vegetação foi necessário criar mais de uma classe para cada fitofisionomia (i. e., cerrado denso_1; cerrado denso_2; cerrado_ralo1; cerrado_ralo2, etc.), devido ao complexo comportamento espectral de cada uma delas. O mesmo ocorreu com a agricultura, como pode ser verificada na letra b da figura 3. No final deste processo, estas várias subclasses de vegetação foram integradas em uma única classe e, o mesmo tendo sido feito para as subclasses de agricultura. a) imagem não classificada (RGB 543) b) imagem classificada Figura 3. Imagem antes e depois do processo de classificação no Spring versão Para subsidiar a interpretação dos alvos, foram utilizadas imagens de alta resolução disponibilizadas online pelo Google Earth. No entanto, nem todas as áreas que apresentavam dificuldades de interpretação estavam cobertas pelas imagens de alta resolução, o que dificultou a distinção dos alvos nestas áreas. Dentre as principais dificuldades destacam-se a confusão entre pastagem e cerrado ralo e entre cerrado ralo e agricultura, principalmente nas cenas 220/68 e 221/66. A similaridade do comportamento espectral desses alvos resultou na confusão entre pixels vizinhos de classes distintas. Assim, áreas próximas, mas com distintos usos foram classificadas como uma única classe. Para se melhorar a distinção desses alvos os arquivos vetoriais gerados passaram por criteriosa inspeção visual e foram validados com dados de campo. Nas letras a, b e c da figura 4 tem-se o exemplo de uma área de vegetação parcialmente classificada como agricultura, enquanto as letas d, e e f referem-se à confusão espectral entre vegetação rala e pastagem. Verificou-se em campo que esse tipo de confusão 1629

5 ocorre onde a vegetação é rala e está sobre solo arenoso, fato que influencia na segmentação e na classificação da imagem. Esses comportamentos foram verificados em toda a porção sul e leste da cena 220/68 e também na porção leste e oeste da cena 221/66, todas com significativa quantidade de solo arenoso. a) Imagem segmentada. Várias segmentações em áreas com mesmo uso. Coord S; O b) Imagem classificada. Confusão parcial de vegetação com agricultura. c) Foto da sequência a e b. Soja ao fundo e detalhes da vegetação rala sobre solo arenoso. d) Imagem segmentada. Várias segmentações em áreas com a mesma ocupação. Coord S; O e) Imagem classificada. Vegetação rala classificada como pastagem. f) Foto da sequência d e e. Figura 4. Demonstrativo de áreas classificadas erroneamente e validação em campo. Outra interferência no comportamento espectral dos alvos e na interpretação das imagens são as multiplicidades de usos em uma mesma área. É comum encontrar áreas de agricultura próximas de áreas ocupadas por pastagens. Isso se deve ao fato do crescimento do sistema de rotação entre pastagem e lavoura. Embora, esses alvos tenham sido bem separados no processo de segmentação, na etapa de classificação houve confusão entre esses alvos. Após a realização do trabalho de campo percebeu-se que os problemas mencionados anteriormente estavam presentes em todas as cenas. Portanto, para se chegar a uma escala próxima de 1/ , optou-se por utilizar apenas os polígonos gerados no processo de segmentação e classificação das imagens e através deles proceder a nova inspeção visual. Desta forma, todas as classes criadas foram consideradas como vegetação e sobrepondo os polígonos com a imagem bruta realizou-se a nova inspeção, polígono a polígono (figura 5). 1630

6 a) Polígonos obtidos após a classificação por segmentação. b) Polígonos sobrepostos a imagem bruta e nova etapa de inspeção visual c) Processo de inspeção e criação das novas classes concluído. Figura 5. Processo de inspeção visual realizada após processo de classificação por segmentação. Para minimizar o tempo gasto no processo de inspeção visual, a classe de uso de um ano foi exportada e inserida na imagem seguinte (e. g., o uso de 1975 foi inserido no ano de 1977) e conferido se não havia ocorrido alguma mudança de uso, pois uma área com pastagem em um ano pode ser convertida em agricultura no outro e vice-versa, por exemplo. 4 Resultados e Discussão Na figura 6 apresentam-se os resultados para a cena 222/72 (centro-sul goiano) e cena 220/68 (Extremo Oeste Baiano). A escala do mapeamento foi de aproximadamente 1/ , o que permitiu análises espaço-temporais mais detalhadas das mudanças de uso e cobertura da terra. Figura 6. Exemplo dos mapeamentos espaço-temporal realizados nas cenas 220/68 e 222/

7 (1975 a 2010). O resultado mostrou-se satisfatório, inclusive a comparabilidade entre as imagens MSS e as TM e ETM+. A escala aproximada do mapeamento final, de 1/ , mostrou-se apropriada para estudos microrregionais. 5 Conclusões A boa qualidade das imagens Landsat e sua longa cobertura temporal, além da gratuidade de aquisição, fazem delas um ótimo meio de estudo de mudanças de uso e cobertura da terra. O período de dois anos entre as imagens mostrou-se razoável para as cenas estudadas, que foram modificadas muito rapidamente nas últimas três décadas, em função da produção de commodities. Para o estudo de áreas de ocupação menos acelerada é possível adotar períodos maiores entre as imagens. Destaca-se a dificuldade do software Spring em trabalhar com grandes volumes de dados, sendo comum o travamento e a perda de dados durante a conversão de dados matriciais em vetoriais. Outro problema encontrado foi na segmentação das áreas que possuem muitos usos, com predominância de pastagem, onde o software teve grande dificuldade de separar os alvos pastagem, vegetação rala e agricultura, resultando na redução das demais classes à de pastagem ou agricultura. Isto demandou maior trabalho com a nova etapa de inspeção visual e redefinição das classes. Agradecimentos Este trabalho, desenvolvido no âmbito do Programa de Pós-Graduação em Geografia do Instituto de Estudos Sócio-Ambientais da Universidade Federal de Goiás (IESA / UFG), se insere entre as várias iniciativas do Laboratório de Processamento de Imagens e Geoprocessamento (LAPIG) voltadas ao monitoramento sistemático e gestão territorial do bioma Cerrado. Os autores agradecem ao Instituto Nacional de Pesquisas Espaciais (INPE) pela disponibilização das imagens e do software utilizados e ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelas bolsas concedidas (doutorado e produtividade em pesquisa). Suporte financeiro para esta pesquisa também foi obtido junto ao United States National Aeronautics and Space Administration (NASA) Land-Cover and Land-Use Change Program (LCLUC) (NNX11AE56G). Todas as publicações e dados finais gerados nesta pesquisa serão disponibilizados no portal do Lapig: < Referências bibliográficas Ferreira, N. C.; Ferreira Jr., L. G.; Huete, A. R; Ferreira, M. E. An operational deforestation mapping system using MODIS data and spatial context analysis. International Journal of Remote Sensing, n. 28, p , Instituto Nacional de Pesquisas Espaciais (Inpe). Tutorial Spring 10 aulas Spring 5.2. Disponível em: < >. Acesso em jan MOREIRA, M. A. Fundamentos do Sensoriamento Remoto e Metodologias de Aplicação. 4. ed. Viçosa: Ed. UFV, Myers, N.; Mittermeyer, R. A.; Mittermeyer, C. G.; Fonseca, G. A.; Kent, J. Biodiversity hotspots for conservantion priorites. Nature, n. 403, p ,

8 Rocha, G. F.; Ferreira, L. G.; Ferreira, M. E. Detecção de desmatamentos no bioma cerrado entre 2002 e 2009: padrões, tendências e impactos. Revista Brasileira de Cartografia, n. 63/03, p , Sano, E. E. ; Rosa, R.; Brito, J. L. S.; Ferreira Júnior, L.G. Land cover mapping of the tropical savanna region in Brazil. Environmental Monitoring and Assessment, v. 166, p ,