Detecção de desmatamento no município de Porto Esperidião MT através de uma árvore de decisão baseada em índices de vegetação. Denis Araujo Mariano 1

Transcrição

1 Embrapa Informática Agropecuária/INPE, p Detecção de desmatamento no município de Porto Esperidião MT através de uma árvore de decisão baseada em índices de vegetação Denis Araujo Mariano 1 1 Escola Superior de Agricultura Luiz de Queiroz - ESALQ/USP Av. Pádua Dias, 11 - Caixa Postal Piracicaba, SP, Brasil denismeia@gmail.com Resumo: Índices de vegetação e transformações têm sido largamente utilizados no estudo de detecções de mudanças em áreas florestais. O objetivo deste trabalho foi avaliar a acurácia de um classificador do tipo árvore de decisão baseada nos índices de vegetação NDVI e componente brightness da transformação tasseled cap e detectar, quantificar e caracterizar o avanço territorial da agricultura e pecuária no município de Porto Esperidião entre os anos de 1996 e Para avaliação da precisão foi calculada a matriz de erro contendo acurácia global e índice Kappa, este último classificado como excelente para ambas as imagens, obtendo índices acima de 0,8. Para verificação do desmatamento foram calculadas as estatísticas de detecção de mudanças, acusando um aumento nas áreas de agricultura e pastagem em 41 %, provenientes do desmatamento de aproximadamente ha de Floresta e ha de Floresta Baixa. A metodologia mostrou-se eficaz para o mapeamento e consequentemente a detecção do desmatamento. Palavras-chaves: tasseled cap, Pantanal, NDVI, desmatamento, Landsat, índice Kappa. 271

2 Embrapa Informática Agropecuária/INPE, p Abstract: Vegetation indices and transformations have been used extensively in forest change detection studies. This study aimed to assess a decision tree classifier based upon vegetation index NDVI and brightness compound of tasseled cap transformation, thus quantify and measure the expansion of pasture and agricultural land in the county of Porto Esperidião between the years of 1996 and In order to assess the classifier accuracy, confusion matrices were calculated returning overall accuracy and Kappa Coefficient, this one classified as excellent for both images, obtaining indices greater than 0.8. To the deforestation assessment, changing detection statistics were calculated showing an increase in pasture and agricultural areas near to 41 % derived from the deforestation of ha and ha of Forest and Low Density Forest, respectively. The methodology proved to be effective for mapping and thus the detection of deforestation Key Words: tasseled cap, NDVI, Pantanal, deforestation, Landsat, Kappa Coefficient 1. Introdução O Pantanal, que é considerado pela Unesco com sendo uma Reserva da Biosfera e Patrimônio Natural da Humanidade, é uma das maiores planícies inundáveis do planeta. Sua área de cerca de km² está situada na bacia do alto rio Paraguaidas e é composta por um complexo mosaico de tipos de solos e regimes de inundação responsáveis pela grande diversidade biotica aquática e terrestre. Pela grande importância deste bioma, o desmatamento e quaisquer alterações no Pantanal têm sido quantificados e denunciados por vários estudiosos. Segundo Adámoli (1995), até o ano de 1995, o equivalente a 1 % de toda a área pantaneira já havia sido desmatada. Dados mais alarmantes foram levantados por Padovani et al. (2004) que quantificaram a degradação do bioma entre os anos de 1990 a 2000 em 3,9 % da área total (incluindo o Pantanal Boliviano e Paraguaio), ou seja, ha, um desmatamento em ritmo duas vezes mais intenso que na década anterior. Os fatores que impulsionaram a configuração de tal situação são vários. A competição comercial pelo mercado da carne bovina criou um cenário que forçou a ocupação de novas áreas por parte dos pecuaristas. Como os pecuaristas da região do Pantanal alimentam seu rebanho com pastagens nativas, esta atividade é dependente do regime de cheias, Galdino e Clarke (1995). Assim, áreas de cordilheiras e áreas mais elevadas têm sido ocupadas e convertidas em pastagens cultivadas, tornando os pecuaristas menos dependentes da sazonalidade de cheias no Pantanal para a produção de carne bovina. A caracterização do uso e cobertura do solo é primordial na avaliação ambiental de uma região. Para isso, faz-se uso de técnicas de geoprocessamento associadas ao sensoriamento remoto, sem tal ciência, o mapeamento de áreas muito extensas torna-se inviável pela grande demanda de tempo e trabalho, Vasconcelos e Novo (2001). A utilização de índices de vegetação auxilia na interpretação das imagens e consequentemente no mapeamento da cobertura vegetal de uma área. A transformação tasseled cap tem sido largamente utilizada no mapeamento da vegetação e detecção de mudanças, Skakun et al. (2003). O conhecimento de índices de vegetação e características biofísicas da vegetação é base para a criação de sistemas de classificação automática baseados em características intrínsecas aos alvos. Desta forma, o mapeamento pode ser feito com alta precisão e agilidade. 272

3 Embrapa Informática Agropecuária/INPE, p Objetivos Este estudo teve como objetivos, avaliar a acurácia de um classificador do tipo árvore de decisão baseado em índices de vegetação e detectar, quantificar e caracterizar o avanço territorial da agricultura e pecuária numa área localizada no município de Porto Esperidião. 3. Materiais e métodos 3.1 Área de estudo A área analisada está localizada no município de Porto Esperidião, no estado do Mato Grosso, este totaliza ,13 ha sendo que ,86 ha (41,6 %) estão localizados dentro dos limites do bioma Pantanal (Figura 1). Segundo dados fornecidos pelo Programa Nacional para a Conservação e Utilização Sustentável da Diversidade Biológica (PROBIO), Embrapa (2004), a área pantaneira de Porto Esperidião era composta em 2002 por ,6 ha de áreas de pastagem e agricultura, 77254,5 ha de áreas de Savana e 14781,3 ha de matas ciliares. O município é dividido entre as sub-bacias do Rio Jauru e Rio de Los Patos, ambos dentro da bacia do Rio Paraguai. Figura 1. Localização da área de estudo. 3.2 Aquisição de dados e pré-processamento As imagens foram adquiridas por meio do banco de dados disponibilizado no site do Instituto Nacional de Pesquisas Espaciais (INPE) as imagens do satélite Landsat 5 - sensor TM (Thematic Mapper) da órbita/ponto 228/71 para as datas de 31/07/1996 e 25/07/2011. A escolha de imagens de Julho deveu-se a dois fatores, disponibilidade de imagens com baixa cobertura por nuvens e principalmente por se tratar do período no qual as pastagens encontram-se mais comprometidas apresentando baixo porte ou até mesmo solo exposto, 273

4 Embrapa Informática Agropecuária/INPE, p sendo assim, a diferenciação entre florestas, pastagens e solo se dá com maior facilidade. Os dados disponibilizados pelo satélite Landsat 5 - TM não têm valor físico, portanto, estes foram submetidos a uma correção radiométrica. Os valores expressos em número digital (DN), por meio de parâmetros propostos por Chander et. al (2009) foram transformados em reflectância, tornando as informações passíveis de análises mais aprofundadas entre diferentes datas, pois com este procedimento, os valores expressos por cada pixel tornam-se normalizados. As bandas foram agrupadas em um arquivo por data (Layer Stacking), totalizando seis bandas por arquivo (Azul, Verde, Vermelho, Infravermelho-próximo, Infravermelhomédio e Infravermelho-distante) e depois submetidas ao procedimento de correção geométrica (registro). A correção utilizou como base a imagem Global Land Survey (GLS) datada de 29/05/2005 fornecida pela National Aeronautics and Space Administration (NASA) obtida também pelo site do INPE. Em áreas de relevo plano a incidência solar é uniforme, permitindo um estabelecimento mais fácil de padrões de respostas espectrais. O mesmo não ocorre em áreas de relevo mais acidentado, onde as condições de iluminação variam de pixel para pixel em função da topografia, Rosa (1987). Por esse motivo, utilizando-se o Modelo Digital de Elevação (MDE), foi gerado um mapa de declividade para a área. As regiões com declividade superior a 20% foram excluídas da área de estudo para minimizar os erros de interpretação das informações espectrais causados pela topografia. Sendo assim, a área de estudo foi reduzida a ,5 ha, equivalente a 80,84 % do município de Porto Esperidião. 3.3 Cálculo das composições espectrais Foi calculada, para cada data, uma matriz de Índice de Vegetação da Diferença Normalizada (NDVI), proposto por Rouse et al. (1973) e descrito pela Equação 1. Este índice possui alta correlação com as condições da vegetação e permite distinguir uma ampla gama de alvos. Onde, R e NIR são os valores correspondentes às reflectâncias das bandas do vermelho (0,63 a 0,69 µm) e do infravermelho-próximo (0,76 a 0,90 µm), respectivamente. Foi também executada a transformação tasseled cap, que é um procedimento que não só reduz o volume de dados com um mínimo de perda de informação, como também associa as componentes espectrais geradas a importantes parâmetros biofísicos dos alvos em análise. O procedimento gera três composições: brightness (brilho), greenness (verdor) e wetness (umidade), Franklin et al. (2000). A transformação ocorre atribuindose pesos às bandas; no caso do Landsat 5 - TM, os pesos são os propostos por Crist e Cicone (1984) e estão expressos na Tabela 1. Tabela 1. Pesos para a transformação tasseled cap para dados do Landsat 5-TM, de acordo com Crist e Cicone (1984). (1) 274

5 Embrapa Informática Agropecuária/INPE, p Classificação por árvore de decisão A árvore de decisão (decision tree) utiliza de mecanismos de categorização baseados em divisões hierárquicas dos dados, onde um padrão desconhecido é classificado por meio de uma sequência de testes lógicos. Para dados multiespectrais, o desenvolvimento de uma árvore de decisão é alicerçado no conhecimento dos parâmetros biofísicos e consequentemente nas propriedades espectrais dos alvos, Tso e Mather (2001). Os alvos em análise foram agrupados em três classes baseadas no Sistema Brasileiro de Classificação Vegetal Brasileira, Brasil (1992). Floresta (FL): Composta por formações florestais dos tipos Aluvial (Mata e Mata Ciliar), Estacional Semi-decidual (Mata, Mata Seca e Mata Calcária) e Estacional Decidual (Mata, Mata Seca e Mata Calcária); Floresta Baixa (FB): Esta composta por formações de Savana (Cerrado), Savana Florestada (Cerradão) e Savana Arborizada (Campo Cerrado, Cerrado Aberto); Agricultura/Pastagem (AP): Esta classe é composta por Formações de Savana Gramíneo-lenhosas (Campo, Campo Limpo, Campo Sujo, Campo Alagado) e áreas submetidas à ação antrópica, tais como, Agricultura e Pastagens Plantadas. A árvore de decisão desenvolvida para este estudo (Figura 2) baseou-se na análise das amostras adquiridas para cada classe em ambas as datas. Para cada par classe/ componente, foram detectados então os limiares máximos e mínimos (Tabela 2) para os intervalos contendo 95% da distribuição de dados. O procedimento de classificação foi executado para as datas de 31/07/1996 e 25/07/2011 gerando dois mapas. Tabela 2. Limiares para estabelecimento de critérios para a árvore de decisão. Figura 2. Árvore de decisão para classificação da área de estudo. 275

6 Embrapa Informática Agropecuária/INPE, p Verificação da acurácia dos mapeamentos Para verificação da acurácia dos mapas gerados pela árvore de decisão, foi utilizada a matriz de erro das estatísticas derivadas. Este método permite avaliar a associação entre duas matrizes, analisando pixel a pixel, em suas respectivas posições espaciais, as coincidências entre elas. Uma medida de concordância total variando de 0 a 1 é calculada entre as matrizes baseada na diferença entre o mapa adotado como referência e o mapa atual, Skidmore (1999). O índice Kappa é obtido por meio das Equações 2, 3 e 4, estas retornam, também, a exatidão global e a exatidão por classes. (2) (3) Onde: é a exatidão global;, a proporção de unidades que concordam por casualidade; N, o número total de unidades amostrais contempladas pela matriz; M, o número de classes presentes na matriz de erro; nij, o número de observações na i-ésima e j-ésima linha e coluna, respectivamente; ni+ e nj+, os totais marginais da linha i e coluna j, respectivamente. Para o cálculo do índice Kappa e demais estatísticas de aferição da acurácia, foi gerada uma grade de amostras para cada data, na qual, os pixels foram classificados sendo submetidos a uma rigorosa interpretação visual. Para auxiliar, também foi utilizada a classificação do uso e ocupação do solo para o Pantanal, elaborada pelo projeto PROBIO. Por meio deste, foi possível examinar os padrões para cada tipo de vegetação e detectar pixels semelhantes nas imagens analisadas (1996 e 2011). (4) 3.6 Detecções de mudanças de classes A Análise de Detecção de Mudanças engloba uma ampla variedade de métodos usados para identificar, descrever e quantificar as diferenças entre as imagens da mesma cena em momentos ou em condições diferentes. Para tal, foi utilizada a rotina Estatísticas de Detecção de Mudanças (Change Detection Statistics) disponível no software ENVI 4.8. O método retorna um relatório quantitativo indicando a mudança de classes entre as áreas, identificando, as classes inicial e final de cada pixel. A rotina descrita foi executada entre mapas de classificação gerados pelo mesmo método. A Figura 3 apresenta um resumo esquematizado de toda a metodologia empregada neste estudo. 276

7 Anais 4º Simpósio de Geotecnologias no Pantanal, Bonito, MS, de outubro 2012 Embrapa Informática Agropecuária/INPE, p Figura 3.Fluxograma dos procedimentos realizados. 4. Resultados e discussão O classificador árvore de decisão gerou dois mapas de uso e ocupação do solo para o município de Porto Esperidião. A classificação, numa primeira interpretação visual, apresentou boa distinção entre os alvos. A Figura 4 apresenta um exemplo da atuação do classificador sobre a área de estudo. Figura 4. À esquerda, a imagem LANDSAT-5TM na composição RGB 453; à direita, um exemplo do resultado da classificação por árvore de decisão. Os testes de aferição da acurácia do mapeamento retornaram altos coeficientes Kappa, 0,917 e 0,838 para as imagens de 31/07/1996 e 25/07/2011, respectivamente. Estes resultados são classificados como excelentes, pois são superiores a 0,8, Landis e Koch (1977). As Tabelas 3 e 4 apresentam a matriz de erro do classificador para cada mapa gerado. 277

8 Embrapa Informática Agropecuária/INPE, p Tabela 3. Matriz de erro do mapa produzido pela árvore de decisão para a imagem de 31/07/1996. Tabela 4. Matriz de erro do mapa produzido pela árvore de decisão para a imagem de 25/07/2011. Os maiores erros ocorreram na distinção entre Floresta e Floresta Baixa para ambas as datas. Tal fato se deu pela heterogeneidade das mesmas, ou seja, manchas de Floresta Baixa estavam misturadas a áreas de Floresta. A componente NDVI se mostrou satisfatória na distinção entre estas duas classes, embora tenha sido verificado um erro de comissão de aproximadamente 20 % para a classe Floresta e omissão de 28 % para Floresta Baixa, os erros se deram entre estas mesmas classes. O fato se justifica pela inexistência de uma classe intermediária, sendo assim, as áreas de dúvida ficam sujeitas a este erro do classificador. Já a componente brightness foi capaz de distinguir com precisão as áreas de agricultura e pastagem (AP) das demais áreas, resultando em erros de comissão e omissão inferiores as 4 % e 5,5 %, respectivamente, isto se dá ao fato dela estar intimamente relacionada à variação espectral dos solos, Gleriani et al. (2002), ou seja, áreas de solo nu, pastagem e agricultura tem uma maior resposta espectral do solo em relação a áreas florestais. Com base nos mapas obtidos, foi feita a análise de detecção de mudanças de classes entre as datas de 31/07/1996 e 25/07/2011, cujos resultados estão apresentados na Figura 5. Os valores acima da linha vermelha indicam a situação inicial de onde partiram as análises (1996), imediatamente abaixo estão apresentadas as distribuições entre as novas classes após as mudanças no uso do solo, ou seja, a situação final (2011). Após a análise, considerando-se uma área total de ha, foi verificado que, num período de dezesseis anos, houve uma retração na área total de Floresta (FL), passando de ha para ha aproximadamente, ou seja, uma redução de 10,3 %. Para a classe Floresta Baixa (FB), apesar da drástica redução de 51 %, houve uma evolução para área de Floresta de 30,7 %, em parte decorrente do confundimento entre FL e FB. Os erros de comissão e omissão decorrentes da classificação das áreas de FL e FB para o ano de 2011 implicaram em falsas detecções, resultando em uma mudança de ha da área de Agricultura/Pastagem (AP) para FB e de ha de AP para FL. O aumento 278

9 Embrapa Informática Agropecuária/INPE, p da área de AP se deu pelo desmatamento de ha de Floresta e ha de Floresta Baixa, destes valores subtraem-se ha e ha de FL e FB, respectivamente, provenientes da conversão das áreas de AP em FL e FB. Portanto, a classe AP apresentou um aumento de cerca de ha, ou seja, 17,8 % da área total estudada, sendo estes originalmente ha e ha de FL e FB, respectivamente. Desta forma, fica evidenciado o avanço territorial da agricultura e pastagem no município de Porto Esperidião por meio da conversão de áreas de Floresta e Floresta Baixa, caracterizando o desmatamento. Figura 5. Resultados da análise de detecção de mudanças de classes entre as imagens de 1996 e Conclusões A classificação digital de imagens Landsat 5-TM por meio da árvore de decisão desenvolvida para este estudo demonstrou ser eficiente para o mapeamento da cobertura do solo, principalmente na distinção entre áreas de agricultura/pastagem e floresta/ floresta baixa, com exatidão acima de 80 % e 90 % para as imagens de 1996 e 2011, respectivamente. No entanto, a distinção entre Floresta e Floresta Baixa teve menor grau de acertividade. A confiabilidade dos dados aferidos permitiu fazer a detecção entre classes e desta forma mapear dentro de uma área total de ,5 ha o desmatamento em Porto Esperidião para um período de dezesseis anos, totalizado em ha convertidos em Agricultura e Pastagem, tendo sido este montante resultante da redução de ha de Floresta e ha de Floresta Baixa. 6. Referências Adámoli, J. Diagnóstico do Pantanal: características ecológicas e problemas ambientais. Brasília: PNMA, p. Brasil. Manual Técnico da Vegetação Brasileira. Instituto Brasileiro de Geografia e Estatística (IBGE). Rio de Janeiro. (Série Manuais Técnicos em Geociências, n. 1), Chander, G.; Markham, B.L.; Helder, D.L. Summary of current radiometric calibration coefficients for Landast MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, v.113, p , Crist, E.P.; Cicone, R.C. A physically-based transformation of Thematic Mapper data the TM Tasseled cap. IEEE Trans. on Geosciences and Remote Sensing, v. 22: p , EMBRAPA. Levantamento e mapeamento dos remanescentes da cobertura vegetal do bioma Pantanal, período de 2002 na escala de 1: Embrapa Informática Agropecuária: Campinas, SP,

10 Embrapa Informática Agropecuária/INPE, p Franklin, S.E.; Moskal, L.M.; Lavigne, M.B.; Pugh, K. Interpretation and classification of partially harvested forest stands in the Fundy model forest using multitemporal Landsat TM digital data. Canadian Journal of Remote Sensing, v. 26(4), p , Galdino, S.; Clarke, R.T. Levantamento e estatística descritiva dos níveis hidrométricos do rio Paraguai em Ladário, MS - Pantanal. Corumbá: Embrapa Pantanal, p. Gleriani, J.M.; Antunes, M.A.H.; Epiphanio, J.C.N. Coeficientes da transformação espectral tasseled cap para uma cena com predomínio de latossolo roxo. In: XI Simpósio Brasileiro de Sensoriamento Remoto, 2003, Belo Horizonte. Anais... São José dos Campos: INPE, Landis, J.; Koch, G.G. The measurements of agreement for categorical data. Biometrics, Washington, v. 33, n. 3, p , Padovani, C.R.; Cruz, M.L.L.; Padovani, S.L.A.G. Desmatamento do Pantanal Brasileiro para o ano In: IV Simpósio sobre Recursos Naturais e Sócio-econômicos do Pantanal, Corumbá. Anais, Rosa, R. Influência das condições de iluminação solar nos dados TM/Landsat. Dissertação de Mestrado em Sensoriamento Remoto, aprovada em 19 de outubro de INPE, São José dos Campos, Rouse, J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W. Monitoring vegetation systems in the Great Plains with ERTS. Proceedings of the third ERTS symposium, v.1, p , Skakun, R.S.; Wulder, M.A.; Franklin, S.E. Sensitivity of the Thematic Mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage. Remote Sensing of Environment, 86, p , Skidmore, A.K. Accuracy assessment of spatial information. In: Stein, A.; Meer, F.; Gorte, B. (Eds.). Spatial statistics for remote sensing. Dordrecht: Kluwer, p Tso, B.; Mather, P.M. Classification methods for remotely sensed data. London: Taylor & Francis, p. Vasconcelos, C.H.; Novo, E.M.L.M. Mapeamento da Cobertura da Terra Utilizando Técnicas de Segmentação e Classificação por Regiões em Imagens Fração, Obtidas do Sensor TM/LANDSAT, na Região do Reservatório de Tucuruí PA. In: X Simpósio Brasileiro de Sensoriamento Remoto, 2001, Foz do Iguaçu. Anais, São José dos Campos: INPE,