Lei - Epagri/Ciram
Transcrição
Lei - Epagri/Ciram
Fundação Universidade Regional de Blumenau Centro de Ciências Tecnológicas Programa de Pós-Graduação Mestrado em Engenharia Ambiental PROCESSAMENTO DIGITAL DE IMAGENS DE ALTA RESOLUÇÃO ESPACIAL COM ENFOQUE NA CLASSIFICAÇÃO DOS ESTÁGIOS SUCESSIONAIS INICIAIS DA FLORESTA OMBRÓFILA DENSA EM SANTA CATARINA GUSTAVO ANTONIO PIAZZA Blumenau 2014 GUSTAVO ANTONIO PIAZZA PROCESSAMENTO DIGITAL DE IMAGENS DE ALTA RESOLUÇÃO ESPACIAL COM ENFOQUE NA CLASSIFICAÇÃO DOS ESTÁGIOS SUCESSIONAIS INICIAIS DA FLORESTA OMBRÓFILA DENSA EM SANTA CATARINA Dissertação apresentada ao Programa de PósGraduação em Engenharia Ambiental da Fundação Universidade Regional de Blumenau, como requisito à obtenção do título de mestre em Engenharia Ambiental. Orientador: Dr. Alexander Christian Vibrans Blumenau 2014 Piazza, Gustavo Antonio, 1989Processamento digital de imagens de alta resolução espacial com enfoque na classificação dos estágios sucessionais iniciais da Floresta Ombrófila Densa em Santa Catarina / Gustavo Antonio Piazza. – Blumenau, FURB : 2014. 127 f. : il; Orientador: Alexander Christian Vibrans. Dissertação (mestrado) - Fundação Universidade Regional de Blumenau, Centro de Ciências Tecnológicas, Programa de PósGraduação em Engenharia Ambiental. Banca: Veraldo Liesenberg e Júlio Cesar Refosco. Bibliografia: 110-120 1. Sensoriamento remoto. 2. Aerofotografia de alta resolução. 3. Classificação orientada a objetos. 4. Mineração de dados. 5. Regeneração. PIAZZA, G. A. Processamento digital de imagens de alta resolução espacial com enfoque na classificação dos estágios sucessionais iniciais da Floresta Ombrófila Densa em Santa Catarina. 2014. 127p. Dissertação (Mestrado em Engenharia Ambiental). Centro de Ciências Tecnológicas. Fundação Universidade Regional de Blumenau, Blumenau, Santa Catarina. ii “I've got a feeling, a feeling deep inside ... ”, The Beatles iii AGRADECIMENTOS A Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pela bolsa de estudos e pelo auxílio financeiro nas campanhas de campo. Ao meu orientador Alexander Christian Vibrans por ter aceitado minha orientação, por acreditar em meu potencial e por me apoiar na realização deste trabalho. Obrigado por me guiar nessa caminhada. Aos membros da banca, Veraldo e Júlio, por aceitarem o convite e dar sua contribuição para o aprimoramento deste estudo. A Secretaria de Desenvolvimento Sustentável (SDS) de Santa Catarina, pelo fornecimento das imagens que vieram a ser à base deste trabalho. Aos meus colegas do IFFSC, Paolo, Laio, Débora, João (JP), Manoela, Murilo, Aron, Suelen, Luana, Camila, Taysa e Diego, por tornarem o ambiente de trabalho um local tranquilo e divertido. Ao pessoal do laboratório de Geoprocessamento e Sensoriamento Remoto, pela disponibilidade de utilização de suas instalações e pelo suporte técnico. Um agradecimento em especial aos meus colegas Laio Zimmeram, grande companheiro de campo; e Paolo Moser, o estatístico. Ao Prof. Alexandre Siminski pela contribuição e correção não obrigatória de minha dissertação. Ao pessoal da Universidade de Lavras, Prof. Luiz, Pedro e pessoal do LEMAF, pelas orientações no manejo do software eCognition®. A todo corpo docente do Programa de Pós-Graduação em Engenharia Ambiental, Adilson, Ivone, Juarez, Joel, pelo conhecimento compartilhado. Aos colegas de Pós-Graduação, Leandro, Rafael, Marlon, Thiago, Bruna, Maria Luiza e Neli, pela companhia nesta caminhada. A minha família pela insistência e pelo apoio dado ao longo de minha vida. Vocês são exemplo para mim. A minha amada Mariana por seu amor, colaboração, paciência, companheirismo, carinho e por ter me aguentado durante a elaboração deste estudo. Você é minha fonte de inspiração, me traz tranquilidade e alegria. Obrigado por existir na minha vida. A todas as pessoas que de alguma forma contribuíram para a realização deste trabalho. iv RESUMO A obtenção de imagens por sensores ópticos remotamente situados foi essencial para a evolução dos estudos ambientais. No caso do mapeamento florestal, esta tecnologia é utilizada para avaliar e quantificar a cobertura e sua dinâmica, permitindo também identificar usos e atividades antrópicas. No Estado de Santa Catarina, alguns mapeamentos já foram efetuados para quantificar remanescentes florestais por meio do sensoriamento remoto empregando imagens de média resolução espacial. Os resultados destes mapeamentos, no entanto, são muito discrepantes. Isto pode ter ocorrido devido aos critérios utilizados para definir classes de floresta e pela dificuldade de se classificar a vegetação nos seus estágios iniciais de regeneração por meio de imagens de média resolução espacial. Neste estudo foi abordada a classificação orientada a objetos (OBIA) e a técnica da mineração de dados a fim de classificar estágios sucessionais de florestas secundárias da Floresta Ombrófila Densa (FOD) em três distintas áreas testes do Estado de Santa Catarina. Parcelas em campo foram mensuradas visando fornecer verdade terrestre para a pré-classificação e para avaliar a acuracidade. No processamento utilizaram-se três imagens de alta resolução espacial (0,39 x 0,39 m) obtidas pelo sensor SAAPI, com três bandas no visível (0,38 - 0,70 µm), três bandas no infravermelho próximo (0,76 - 0,78 µm), um modelo de terreno e um modelo de superfície. A análise orientada a objetos utilizou o algoritmo de segmentação multiresolução para desenhar objetos e calcular os atributos estatísticos, espaciais e texturais. A tabela com os atributos foi utilizada para a mineração de dados, selecionando atributos relevantes e classificando a base de dados pelo algoritmo de árvore de decisão J48. O resultado da árvore J48 foi extraído no formato if-else e utilizado para classificação. A segmentação utilizada apresentou resultados satisfatórios em relação à resolução espacial da imagem e as feições terrestres presentes. Os dados de campo (e.g. DAP, AB, N e Htm), além de fornecer reconhecimento de padrões das imagens, foram utilizados em testes de correlação com os atributos calculados nas imagens. Os resultados gerados pela OBIA se mostraram satisfatórios para classificar estágios sucessionais iniciais da FOD, assim como outras classes de uso do solo. Os mapas temáticos apresentaram resultados de exatidão geral entre 0,89 e 0,91 e para o índice Kappa 0,87 a 0,90. Todos os índices por classe (produtor, usuário e Kappa) foram superiores a 0,79. Os melhores desempenhos, dos índices do produtor e do usuário foram para as classes: água, banana, pastagem, floresta em estágio inicial, edificações/urbano, rizicultura e sombra; e os piores: floresta plantada, floresta em estágio avançado, estágio médio, solo exposto e agricultura. As correlações dos diferentes atributos estatísticos e dados de campo foram altamente significativas. Por final, compararam-se os resultados obtidos pela análise orientada a objetos com metodologias tradicionais (Máxima Verossimilhança e K-means), corroborando a superioridade da OBIA. Estes resultados demonstram o potencial do uso da OBIA para melhorar a discriminação e mapeamento de estágios sucessionais da FOD e outras classes de uso e ocupação do solo. Palavras-chave: sensoriamento remoto, aerofotografia de alta resolução espacial, análise orientada a objetos, mineração de dados, florestas secundárias. v ABSTRACT The use of optical remote sensing images was essential to the evolution of environmental studies. Forest mapping benefits the remote sensing technology because it can be used to evaluate and to quantify forest coverage. Hence, their dynamics over time enabling therefore to identify human uses and activities. Mapping procedures were performed in the past in the State of Santa Catarina in order to quantify forest remnants through remote sensing techniques employing moderate spatial resolution images. However, the obtained results of these mapping procedures are controversies. These may have occurred due to different criteria used to define forest classes and the difficulty of classifying early successional forest stages using moderate spatial resolution images. In this study the object oriented image classification (OBIA) and the data mining techniques were used to classify successional stages of secondary forests of the Atlantic Forest (Dense Ombrophilous Forest - DOF) in three distinct test sites in Santa Catarina, south Brazil. Fields measurements were conducted in order to provide ground truth to the pre-classification and in a later stage to evaluate the overall classification accuracy. Three high spatial resolution images (0.39 x 0.39 m) obtained by the SAAPI sensor were processed with three visible layers (0,38 - 0,70 µm), three near infrared layers (0,76 - 0,78 µm), one digital terrain model (DTM), and one digital surface model (DSM). OBIA used multiresolution segmentation to delineate the objects and to calculate statistical, spatial and textural attributes. The attribute table was used in the data mining processes selecting relevant attributes and classifying the data base by the J48 decision tree algorithm. The result of the J48 tree was extracted in the if-else format and imported to classification. The field data (e.g. DBH, G, N, Htm) besides providing recognition of image patterns were also used to establish correlation coefficients with the image generated attributes. The results of the OBIA were satisfactory to classify initial stages of DOF as well as other land use classes. The thematic maps reached both global and Kappa accuracy ranges of 0.87 to 0.90 and 0.87 to 0.90. All indexes per class (producer, user and Kappa) were superior than 0.79. The best performances related to producer and user accuracy were: water, banana, pasture, forest in early stages, buildings/urban, rice cultivation and shade. The worst performance were observed for: planted forest, forest in advanced stage, intermediate stage, exposed soil and agriculture. High and significant correlation coefficients were found between statistical attributes and field data. A comparison between results of OBIA and traditional methodologies (e.g. Maximum Likelihood and K-means) corroborates the superiority of OBIA. The presented results show the potential of OBIA to upgrade mapping procedures and discrimination of sucessional stages and other land use classes in Atlantic Forest environments. Keywords: remote sensing, high spatial resolution, data mining, object-oriented classification, data mining, secondary forests. vi LISTA DE ILUSTRAÇÕES Figura 1. Área de domínio do Bioma Mata Atlântica no Brasil..............................................................17 Figura 2. Mapa fitogeográfico da vegetação de Santa Catarina baseado em Klein (1978) .................18 Figura 3. Exemplo de processo de sucessão secundária de acordo com a ocorrência de espécies ..27 Figura 4. Exemplo da primeira etapa do estágio inicial da Floresta Ombrófila Densa ......................28 Figura 5. Exemplo de rebrota por troncos parcialmente danificados ...................................................29 Figura 6. Exemplo de vegetação secundária em estado inicial com perda de camada superficial do solo na Floresta Ombrófila Densa................................................................................................................30 Figura 7. Exemplo do aparecimento de espécies tolerantes a sombra na etapa de fechamento do dossel da Floresta Ombrófila Densa ............................................................................................................31 Figura 8. Exemplo de sub-bosque bem desenvolvido com abundância de epífitas e xaxins na Floresta Ombrófila Densa .............................................................................................................................33 Figura 9. Comparativo de duas imagens na região de Gaspar (A) LANDSAT-5/TM (órbita/ponto: 220/79), adquirida em 2010 na composição 321 (RGB), escala 1:20.000 e aerofotografia de alta resolução espacial de um Sistema Aerotransportado de Aquisição e Pós-processamento de Imagens (SAAPI) adquirido em 2011, na composição 321 (RGB), nas escalas: (B) 1:20.000; (C) 1:6.000; e (D) 1:2.000 ...............................................................................................................................................................39 Figura 10. Classificação pixel-a-pixel com o software ENVI® na cidade de Itajaí a partir de uma imagem LANDSAT-5/TM (2000) (órbita/ponto: 220/79). (A) imagem na composição 453 (RGB); (B) imagem classificada pela técnica da máxima verossimilhança; (C) subset da imagem na composição 453 (RGB); e (D) subset da imagem classificada .................................................................43 Figura 11. Imagem de alta resolução espacial obtida pelo sensor SAAPI (2011) de uma área agrícola do município de Indaial, segmentada no programa eCognition® com os parâmetros: 0,5 forma, 0,5 compacidade e 200 escala (default) .................................................................................................................43 Figura 12. Diagrama de execução do algoritmo multiresolution segmentation ............................................45 Figura 13. Interpretação de imagem a partir de atributos em uma área agrícola de Indaial por meio de uma imagem de alta resolução espacial na composição 321, sensor SAAPI (2011) .......................47 Figura 14. Atributos disponíveis no software eCognition® ......................................................................48 Figura 15. Tipos de funções de pertinência utilizadas no software eCognition® ...............................53 Figura 16. Localização das três áreas teste .................................................................................................56 Figura 17. Estrutura de uma imagem do sensor SAAPI com: (A) 9 e (B) 12 cenas, para cobrir a UAP (amarelo) .................................................................................................................................................58 Figura 18. Estrutura da UA utilizada nos levantamentos em campo, baseada em Vibrans et al. (2010) .................................................................................................................................................................60 Figura 19. Fluxograma da metodologia utilizada no trabalho.................................................................65 Figura 20. Cenários de segmentação gerados com escala de segmentação de 100 (A) e 300 (B), sob os mesmos parâmetros de forma e compacidade (forma: 0.1 e compacidade: 0.1) em uma imagem de alta resolução espacial adquirida pelo sensor SAAPI (2011) ...............................................................67 Figura 21. Esquema estrutural do resultado de uma árvore de decisão pelo algoritmo J48 ..............71 Figura 22. Linguagem if-else da árvore de decisão da área teste A ..........................................................71 Figura 23. Regras de decisão convertidas do formato if-else (WEKA®) para o formato do eCognition®, para as classes estágio inicial (A) e avançado (B) ..............................................................72 Figura 24. Recorte das imagens de alta resolução espacial adquirida pelo sensor SAAPI (2011) na composição 321 (RGB) e com suas respectivas UA..................................................................................77 Figura 25. Análise de agrupamento com variáveis dendrométricas entre as UA (α=0,05) ................80 Figura 26. Análise de agrupamento com dados de composição de espécies entre as UA: medida de similaridade de Bray-Curtis (A) e Jaccard (B)..............................................................................................80 vii Figura 27. Resultados obtidos no período de teste de segmentação da área teste A e os respectivos parâmetros de utilizados para a imagem de alta resolução espacial obtida pelo sensor SAAPI (2011) na composição 321 (RGB) .............................................................................................................................86 Figura 28. Desenho das árvores de decisão J48 das áreas testes A (A), B (B) e C (C) .......................90 Figura 29. Grandes nós das árvores de decisão das áreas teste A (A) e C (B) .....................................91 Figura 30. Perfil espectral de amostrass de classes de uso do solo na área teste A .............................91 Figura 31. Perfil espectral de amostras das classes da vegetação da área teste A ................................92 Figura 32. (A) Imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB); e (B) classificação da área teste A pela OBIA, escala 1:38.000, próxima divsa dos municípios de Acurra e Indaial ..........................................................................................................................................93 Figura 33. (A) Imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB); e (B) classificação da área teste B pela técnica da analise orientada a objetos, escala 1:40.000, no município de Gaspar .................................................................................................................................95 Figura 34. (A) Imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB); e (B) classificação da área teste C pela OBIA, escala 1:40.000, próxima divsa dos municípios de Luiz Alves e Massaranduba ......................................................................................................................97 Figura 35. (A) Recorte do mapa temático da área teste A pela técnica da máxima verossimilhança e (B) recorte da imagem de alta resolução espacial do sensor SAAPI na composição 321 (RGB). A legenda das classes de uso do solo é referente a Figura 32 .................................................................... 100 Figura 36. (A) Imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB); Classificação pela: (B) OBIA; (C) máxima verossimilhança; e (D) classificação por K-means, da área teste A em Indaial/Ascurra, escala 1:40.000............................................................................... 102 viii LISTA DE TABELAS Tabela 1. Formas de classificação da dinâmica da vegetação entre as fases sucessionais das florestas tropicais .............................................................................................................................................................35 Tabela 2. Descrição de alguns atributos estatísticos e espaciais disponíveis no eCognition® ..........48 Tabela 3. Descrição de alguns atributos texturais disponíveis no software eCognition® ....................50 Tabela 4. Representação matemática da matriz de confusão..................................................................53 Tabela 5. Variáveis mensuradas e calculadas a partir dos levantamentos em campo e suas utilidades em relação à etapa de correlação ...................................................................................................................59 Tabela 6. Dados de entrada do sensor SAAPI por área teste.................................................................64 Tabela 7. Parâmetros utilizados na criação dos diferentes cenários de segmentação .........................66 Tabela 8. Exemplo de classes utilizadas e suas características de acordo com a imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB) ...............................................67 Tabela 9. Diferentes perspectivas de uma cena de acordo com o atributo analisado ........................69 Tabela 10. Número de amostras (objetos) por classe ..............................................................................70 Tabela 11. Exemplo de preenchimento de descritores e funções de pertinência por classe utilizado na OBIA............................................................................................................................................................72 Tabela 12. Número de amostras (objetos) de referência por classe para validação do mapa ............73 Tabela 13. Chave de interpretação de desempenho do índice Kappa de Landis e Koch (1977). .....74 Tabela 14. Estimativas das variáveis dendrométricas do estrato arbóreo das UA com intervalo de confiança (α = 0,05) ........................................................................................................................................76 Tabela 15. Resumo das variáveis analisadas pela ANOVA para as subunidades (α = 0,05) .............76 Tabela 16. Resumo das variáveis analisadas pela ANOVA entre as UA (α=0,05) ..............................78 Tabela 17. Resultados do teste de igualdade por Tukey-Kramer para as variáveis N, AB, DAP e H no estrato arbóreo (α=0,05) ...........................................................................................................................78 Tabela 18. Índice de Sørensen a partir da similaridade de Bray-Curtis no estrato arbóreo entre as UA ......................................................................................................................................................................81 Tabela 19. Riqueza e índices de diversidade por UA no estrato arbóreo .............................................81 Tabela 20. Número de espécies por subunidade no estrato arbóreo ....................................................81 Tabela 21. Ranking de abundância de espécies no estrato arbóreo por UA ........................................82 Tabela 22. Classificação das UA por variáveis dendrométricas em relação à resolução CONAMA 04/1994 .............................................................................................................................................................83 Tabela 23. Estimativas das variáveis dendrométricas por UA para indivíduos da regeneração com intervalo de confiança (α = 0,05) ..................................................................................................................83 Tabela 24. Resumo da ANOVA aplicado às subunidades (α=0,05) .....................................................83 Tabela 25. Resumo da ANOVA aplicada às UA (α=0,05) para a variável N na regeneração...........84 Tabela 26. Resultados do teste de Tukey-Kramer para a variável N na regeneração (α=0,05).........84 Tabela 27. Atributos selecionados para classificação por área teste ......................................................87 Tabela 28. Ranking dos 10 melhores atributos de acordo como método de avaliação Gain Ratio e pelo método de procura Ranker ....................................................................................................................89 Tabela 29. Arquitetura das árvores por área teste ....................................................................................89 Tabela 30. Número de regras de decisão por classe de acordo com a área teste ................................91 Tabela 31. Matriz de confusão da classificação da área teste A pela técnica da OBIA ......................94 Tabela 32. Matriz de confusão da classificação da área teste B pela técnica da OBIA ......................96 Tabela 33. Matriz de confusão da classificação da área teste C pela técnica da OBIA ......................98 Tabela 34. Matriz de confusão da área teste A pela técnica da máxima verossimilhança ..................99 Tabela 35. Matriz de confusão da área teste A pela técnica K-means .................................................. 100 ix Tabela 36. Resultados individuais das matrizes de confusão dos mapas temáticos da área teste A ......................................................................................................................................................................... 101 Tabela 37. Análise do índice Kappa para a comparação em pares dos resultados das matrizes de confusão dos mapas temáticos da área teste A ........................................................................................ 101 Tabela 37. Índices de produtor e usuário, exatidão geral e índice Kappa de acordo com cada classe de mapeamento e metodologia utilizada, por meio de um sensor SAAPI (2011) ............................. 102 Tabela 39. Comparação do resultado utilizando um sensor SAAPI (2011) com autores da literatura com resolução espacial e/ou metodologia semelhante .......................................................................... 103 Tabela 40. Intervalo médio de tempo utilizado para processar imagens do sensor SAAPI (2011) ......................................................................................................................................................................... 105 Tabela 41. Valores de correlação dos atributos estatísticos, espaciais e texturais em relação aos dados de campo (α=0,05) referentes ao sensor SAAPI (2011) ............................................................. 106 x LISTA DE ABREVIATURAS E SIGLAS ArcGIS® Sistema de Informação Geográfica desenvolvido pela empresa ESRI (Enviromental Systems Research Institute). CAP Comprimento a altura do peito, variável dendrométrica medida em centímetros na circunferência do tronco de uma árvore a 1,30 m do solo. DA Densidade Absoluta, expressa em indivíduos/ha. DAP Diâmetro a altura do peito, calculado pela relação entre o CAP e π. DoA Dominância Absoluta, expressa em m²/ha. DoR Dominância Relativa, expressa em porcentagem (%). DR Densidade Relativa, expressa em porcentagem (%). eCognition® Software de análise, extração e classificação de informações geoespacial de imagens desenvolvido pela empresa Definiens Developer. EEM Espectro eletromagnético. ENVI® “Environment for visualizing images” programa de visualização, exploração, análise e classificação de dados na área de sensoriamento remoto. FED Floresta Estacional Decidual. FIR “Far infrared”, intervalo do EEM referente ao infravermelho distante. FOD Floresta Ombrófila Densa. FOM Floresta Ombrófila Mista. ha Hectare, unidade de medida de área equivalente a 10.000 metros quadrados. Htm Altura média, expressa em metros (m). IBGE Instituto Brasileiro de Geografia e Estatística. IFFSC Inventário Florístico Florestal de Santa Catarina. IR “Infrared”, intervalo do EEM referente ao Infravermelho. LANDSAT Conjunto de satélites norte-americanos de pesquisas terrestres. LIDAR “Light Detection and Ranging”, tecnologia óptica de detecção remota que mede propriedades da luz retroespalhada para obter informações terrestres. MDT Modelo Digital de Terreno. MDS Modelo Digital de Superfície. N Variável que expressa o número de indivíduos. ND Número Digital. NIR “Near infrared”, Intervalo do EEM referente ao Infravermelho próximo. OBIA “Objected oriented image analisys”, metodologia de classificação de imagens de sensores remotamente situados. REM Radiação Eletromagnética. SAAPI Sistema Aerotransportado de Aquisição e Pós-processamento de Imagens. SAR “Synthetic Aperture Radar”, radar óptico de detecção remota que mede propriedades da luz refletida para obter informações de um objeto terrestre. SC Estado de Santa Catarina. SDS Secretaria Estadual de Desenvolvimento Econômico Sustentável. SIG Sistemas de Informação Geográfica. SPOT “Satellite Pour l'Observation de la Terre”, satélite francês óptico de imagens em alta-resolução espacial. SWIR “Short wave infrared”, intervalo do EEM do infravermelho de ondas curtas. VIS Intervalo do EEM referente ao visível. UA Unidade(s) Amostral(is) UAP Unidade Amostral da Paisagem. UV Intervalo do espectro eletromagnético referente ao Ultravioleta. VC Valor de cobertura, expresso em porcentagem (%). xi SUMÁRIO AGRADECIMENTOS ................................................................................................................................ iii RESUMO ......................................................................................................................................................... iv ABSTRACT ...................................................................................................................................................... v LISTA DE ILUSTRAÇÕES ...................................................................................................................... vi LISTA DE TABELAS ................................................................................................................................viii LISTA DE ABREVIATURAS E SIGLAS ............................................................................................... x SUMÁRIO ....................................................................................................................................................... xi 1 INTRODUÇÃO ..................................................................................................................................13 1.1 OBJETIVOS .................................................................................................................................16 1.1.1 Objetivo geral ..........................................................................................................................16 1.1.2 Objetivos específicos ............................................................................................................16 2 REFERENCIAL TEÓRICO ..........................................................................................................17 2.1 BIOMA MATA ATLÂNTICA ..................................................................................................17 2.2 REGIÕES FITOECOLÓGICAS DE SANTA CATARINA .............................................18 2.2.1 Visão aprofundada da Floresta Ombrófila Densa .......................................................19 2.3 DESMATAMENTO DA MATA ATLÂNTICA EM SANTA CATARINA ...................20 2.4 LEGISLAÇÃO BRASILEIRA ..................................................................................................22 2.4.1 Lei 11.428, de 22 de dezembro de 2006 ............................................................................22 2.4.2 Resolução CONAMA 4, de 4 de maio de 1994 (BRASIL, 1994) ..............................23 2.5 SUCESSÃO FLORESTAL .........................................................................................................24 2.6 FLORESTAS SECUNDÁRIAS ................................................................................................26 2.7 PANORAMAS DA SUCESSÃO ..............................................................................................27 2.7.2 Estágio médio (“Arbóreo pioneiro”) ...............................................................................30 2.7.3 Estágio avançado (“Arbóreo complexo”) ......................................................................32 2.7.4 Formas de apresentação dos estágios sucessionais ....................................................34 2.8 SENSORIAMENTO REMOTO ..............................................................................................36 2.8.1 Radiação eletromagnética e bandas espectrais ............................................................36 2.8.2 Tipos de Resoluções .............................................................................................................38 2.8.3 Sensoriamento remoto aplicado ao estudo da vegetação ..........................................39 2.8.4 Classificação de imagens e elaboração de mapas temáticos ...................................40 2.8.5 Métodos de classificação .....................................................................................................41 2.8.6 Segmentação de imagens ....................................................................................................42 2.8.7 Algoritmo Multiresolution Segmentation ......................................................................44 2.8.8 Atributos intrínsecos aos objetos ......................................................................................46 2.8.9 Classificação orientada a objetos (OBIA) por atributos ............................................47 2.8.9.1 Mineração de dados .............................................................................................................51 2.8.9.2 Funções de pertinência........................................................................................................52 2.8.10 Acurácia da classificação ................................................................................................53 3 MATERIAL E MÉTODOS .............................................................................................................56 3.1 ÁREA DE ESTUDO ..................................................................................................................56 3.2 BASE DE DADOS ......................................................................................................................57 3.2.1 Imagens de Aerolevantamento do estado de Santa Catarina ...................................57 3.2.2 Estrutura das imagens .........................................................................................................57 3.2.3 Materiais ...................................................................................................................................58 3.3 LEVANTAMENTO EM CAMPO...........................................................................................58 3.3.1 Processamento dos dados de campo ...............................................................................60 xii 3.3.2 Análise estatística dos dados de campo..........................................................................62 3.3.2.1 Análise de Variância (ANOVA) ........................................................................................62 3.3.2.2 Comparando diferenças pareadas: teste de Tukey-Kramer...........................................62 3.3.2.3 Similaridade e diversidade ...................................................................................................64 3.4 PROCESSAMENTO DOS DADOS DE SENSORES REMOTOS.................................64 3.4.1 Dados de entrada ...................................................................................................................64 3.4.2 Segmentação ...........................................................................................................................65 3.4.3 Caracterização das classes ..................................................................................................67 3.4.4 Seleção de atributos por meio da mineração de dados ..............................................69 3.4.5 Classificação do banco de dados pela mineração de dados .....................................70 3.4.6 Classificação dos mapas temáticos no eCognition® ..................................................72 3.4.7 Classificação dos mapas temáticos no ENVI® ...........................................................73 3.4.8 Avaliação da classificação ...................................................................................................73 3.4.9 Correlação dos dados de campo com atributos das imagens ..................................74 4 RESULTADOS E DISCUSSÕES ..................................................................................................76 4.1 INVENTÁRIOS DE CAMPO ..................................................................................................76 4.1.1 Estrato arbóreo .......................................................................................................................76 4.1.1.1 Variáveis dendrométricas ....................................................................................................76 4.1.1.2 Similaridade entre UA .........................................................................................................79 4.1.1.3 Similaridade e diversidade de espécies ..............................................................................80 4.1.1.4 Classificação das UA de acordo com a resolução CONAMA 04/1994 .....................83 4.1.2 Regeneração ............................................................................................................................83 4.1.2.1 Variáveis dendrométricas ....................................................................................................83 4.1.3 Discussão sobre os resultados de campo .......................................................................85 4.2 PROCESSAMENTO DAS IMAGENS...................................................................................85 4.2.1 Segmentação ...........................................................................................................................85 4.2.2 Mineração de dados ..............................................................................................................87 4.2.2.1 Seleção de atributos .............................................................................................................87 4.2.2.2 Arquitetura da árvore de decisão .......................................................................................89 4.2.3 Mapas temáticos pela OBIA ..............................................................................................93 4.2.4 Mapas temáticos da área teste A por metodologias pixel-a-pixel ..........................99 4.2.4.1 Supervisionada - Máxima Verossimilhança .....................................................................99 4.2.4.2 Não Supervisionada - K-means ......................................................................................... 100 4.2.5 Teste z de comparação das matrizes de confusão.................................................... 101 4.2.6 Comparação de resultados atingidos para com a literatura .................................. 103 4.2.7 Tempo de processamento por etapa............................................................................. 104 4.2.8 Correlação entre atributos e parâmetros estruturais da vegetação...................... 105 5 CONSIDERAÇÕES FINAIS ....................................................................................................... 108 6 REFERÊNCIAS ............................................................................................................................... 110 APÊNDICE ............................................................................................................................................ 121 13 1 INTRODUÇÃO Ecossistemas florestais apresentam elevada riqueza biológica e diversidade genética (HOLDRIDGE, 1947, 1967; DINERSTEIN et al., 1995). Eles são responsáveis por fornecer habitat para 70% das espécies de animais e plantas conhecidas (MATTHEWS et al., 2000), contribuir com a produção de biomassa terrestre (GROOMBRIDGE; JENKINS, 2002) e fornecer benefícios vitais para a economia, sociedade e meio ambiente (VIBRANS et al., 2013). Sua estrutura e composição são resultantes da interação, ao longo do tempo, de fatores bióticos, abióticos e antrópicos. O fator antrópico, entretanto, há muito tempo vem prevalecendo sobre os naturais, fazendo com que a cobertura florestal em várias partes do globo não seja mais contínua, constituindo-se de uma espécie de mosaico vegetal, composto por relictos de florestas em diferentes estágios de sucessão e de degradação florestal. As principais pressões antrópicas sobre as florestas naturais se dão a partir do avanço da fronteira agrícola, da industrialização e da urbanização (DEAN, 1997). Dos diferentes biomas florestais, as florestas tropicais compõem a parcela mais ameaçada devido à proximidade de regiões de alta taxa de crescimento demográfico e expansão econômica. De acordo com Viana e Tabanez (1996), a Mata Atlântica é um dos ecossistemas tropicais mais ameaçados no mundo. Restando entre 11 e 16% da área de domínio deste bioma no Brasil (RIBEIRO et al., 2009) e 28% no estado de Santa Catarina (VIBRANS et al., 2013). Maior parte de seus remanescentes está representada por fragmentos de formações florestais secundárias (SIMINSKI et al., 2004; SCHUCH, 2011, SIMINSKI et al., 2013), poucos núcleos ainda são classificados como florestas maduras, ditas “primárias”, sendo que para alguns autores estas florestas já não existem nas regiões temperadas, boreais, subtropicais e tropicais. Os remanescentes florestais maduros ou bem conservados que remanescem em Santa Catarina, conforme reportado por Reis et al. (1995) e Liebsch et al. (2008), podem estar concentrados em áreas de maior altitude, declividade e/ou de difícil acesso. Em consequência do desmatamento passado e atual de florestas tropicais primárias, um interesse crescente sobre a importância das florestas secundárias vem ocorrendo (BORMANN; LIKENS, 1979; SPURR; BARNES, 1980; OLIVER, 1981; WHITNEY; FOSTER, 1988; DUBOIS, 1990; ABRAMS; NOWACKI, 14 1992; SCHELHAS; GREENBERG, 1996; LUGO, 1997; RISWAN; KARTAWINATA, 1998; SMITH et al., 1999, EMRICH et al., 2000; CHOKKALINGAM; JONG, 2001). Ao iniciar uma pesquisa sobre florestas secundárias se faz necessário conhecer como estas se constituem, ou seja, como acontece sua regeneração. Uma forma de compreender estes processos de regeneração envolve a análise das mudanças florísticas e estruturais da vegetação nas diversas escalas de tempo (MANTOVANI, 1998), geralmente por meio de estudos simultâneos das fases de sucessão. Nestes casos, o acompanhamento em campo consiste da forma mais eficaz de análise da dinâmica florestal, pois contempla etapas de crescimento, mortalidade, rebrota e recrutamento de plantas de diferentes formas de vida no tempo (FOSTER; TILMAN, 2000; SHEIL, 2001). Porém, no campo a desvantagem aparece na quantidade de tempo demandada para a mensuração de tais informações, que podem ser de médio a longo prazo, dependendo da área analisada. O sensoriamento remoto óptico tornou-se, nas últimas décadas, com os avanços tecnológicos e o aperfeiçoamento da resolução espacial das imagens adquiridas uma fonte de dados de grande valia para a análise e a classificação da cobertura florestal, assim como o monitoramento de mudanças (JENSEN, 2005). Com as imagens destes sensores remotamente situados é possível extrair informações acuradas de objetos terrestres e gerar mapas de uso e cobertura do solo, que para Clark et al. (2010), são vitais para monitorar, entender e prever os efeitos da complexa interação homem-natureza em escala local, regional e global. Técnicas de processamento digital de dados de sensoriamento remoto e a classificação destas imagens foram inicialmente utilizadas para mapear áreas desmatadas (TUCKER; TOWNSHEND, 2000), enquanto que a identificação da regeneração, como florestas secundárias, não foi alvo principal das análises (VIBRANS et al., 2013). Isto aconteceu, pois métodos tradicionais de processamento de imagens podiam ser afetados por alguns fatores, como por exemplo, o tamanho das áreas analisadas e a resolução espacial, espectral, temporal ou radiométrica das imagens, que não eram adequadas para esta finalidade. Recentemente, entretanto, múltiplas fontes já se encontram disponíveis para extrair informações detalhadas dos objetos terrestres (GISLASON et al., 2006), como modelos digitais de elevação e seus subprodutos (BRADTER et al., 2011), dados de levantamentos florísticos, séries temporais (HÜTTICH et al., 2011) e, recentemente, sistemas SAR (Synthetic Aperture Radar) e de LIDAR (Light Detection and Ranging) (CASTILHO et al., 2012). De acordo com Wulder et al. (2004), Johansen e Pihnn (2006), 15 Wang et al. (2007) e Johansen et al. (2007), já é possível estimar parâmetros estruturais da vegetaçao a partir de imagens de alta resolução espacial e amostragens em campo. Mesmo com o melhoramento das ferramentas de análise digital, entretanto, observa-se que em Santa Catarina estudos sobre a utilização de dados de sensoriamento remoto para a classificação de florestas secundárias ainda se mostram incipientes e restritos a ferramentas tradicionais empregando imagens de média resolução espacial (VIBRANS et al., 2013). Não é de se espantar que mapeamentos da cobertura florestal e uso e ocupação do solo realizados em Santa Catarina entre os anos de 2005 e 2010 apresentaram resultados discrepantes em relação à área florestada, com valores entre 22% e 41% (VIBRANS et al., 2013). Estas discrepâncias são, possivelmente, causadas, entre outros fatores, pela dificuldade de classificar corretamente a vegetação nos estágios iniciais de sucessão devido às deficiências na caracterização espectral (como imagens de média resolução espacial) e da metodologia de classificação, e, por outro lado, pela falta de critérios comuns para definição da classe "floresta". Esta indefinição pode ocorrer sob ambas às perspectivas sensóricas bem como florísticas. Em ordem, podem ser citadas a, área mínima do fragmento, além da altura e área basal da vegetação. Segundo Vibrans (2003), a cobertura florestal de Santa Catarina não é homogênea nem contínua (mescla de florestas e remanescentes alterados) e a separabilidade espectral das comunidades vegetais nem sempre é notável, principalmente por meio de imagens de média resolução espacial. Além disso, áreas de remanescentes, geralmente, ocorrem em pequenas manchas, entremeadas por áreas agrícolas ou pastagens, tornando a classificação destes mosaicos de vegetação e outros usos um verdadeiro desafio (CASTILHO et al., 2012). A partir dessas considerações iniciais, surgem questionamentos que servem de base para a elaboração dessa dissertação: 1) A classificação de áreas florestadas por meio de imagens de alta resolução espacial pode melhorar a qualidade do mapa temático gerado? 2) As técnicas avançadas de classificação digital de imagens poderiam ser aplicadas para diferentes estágios de regeneração? 3) Como iria se comportar a classificação digital das imagens de alta resolução espacial para outras classes de uso e cobertura do solo? 4) Quais seriam as dificuldades no processamento digital destas imagens? 16 A fim de tentar responder tais perguntas foi formulada uma hipótese a partir de três premissas básicas. (1) Métodos de processamento digital de imagens, como a classificação pixel-a-pixel e a orientada a objetos, e a utilização de material adicional, como modelos de superfície e terreno, auxiliam no reconhecimento dos alvos terrestres contidos nas imagens. (2) A partir de imagens de alta resolução espacial haveria um aumento da capacidade de discriminação das informações acerca dos alvos terrestres, ampliando sobremaneira a possibilidade de estudos, assim como a complexidade do processamento. (3) Estágios de sucessão do bioma Mata Atlântica são caracterizados por um conjunto de variáveis dendrométricas e estruturais, podendo ser mensuradas em campo. Formulou-se a hipótese: A partir de imagens de alta resolução espacial e técnicas avançadas de processamento digital de imagens, ancoradas em dados dendrométricos da vegetação obtidos em campo, haveria uma melhora, em relação às metodologias tradicionais, na acurácia da classificação dos estágios iniciais de vegetação secundária. Decorrente destas considerações é objetivo deste trabalho caracterizar os estágios iniciais da vegetação e sua resposta espectral e textural em imagens de alta resolução espacial, a fim de construir uma metodologia que permita sua classificação. 1.1 OBJETIVOS 1.1.1 Objetivo geral Classificar os estágios sucessionais da Floresta Ombrófila Densa em três distintas áreas teste no Estado de Santa Catarina a partir de imagens multiespectrais aerotransportadas de alta resolução espacial. 1.1.2 Objetivos específicos Mensurar variáveis dendrométricas em seis unidades amostrais da vegetação; Classificar três imagens de alta resolução espacial por meio da classificação orientada a objeto (OBIA) e técnicas de mineração de dados; Verificar o resultado do mapa temático com base em dados de campo; Comparar o resultado obtido com metodologias tradicionais de classificação; Quantificar a eventual relação entre variáveis dendrométricas e atributos. 17 2 REFERENCIAL TEÓRICO 2.1 BIOMA MATA ATLÂNTICA O Brasil é formado por dois grandes blocos de florestas tropicais úmidas, Amazônica e Atlântica, dividas por um extenso “diagonal de formações abertas” (VANZOLINI, 1963) ou “corredor xérico” (BUCHER, 1982), composto pelo cerrado, chacos e caatinga. A Mata Atlântica é a segunda maior floresta pluvial tropical do continente americano. No sentido da definição legal (Lei 11.428/2006), também pode ser denominada Floresta Atlântica sensu lato (OLIVEIRA-FILHO; FONTES, 2000), Domínio Atlântico (AB'SÁBER, 2003) e Floresta Atlântica (EISENLOHR et al., 2011). Faz parte da área de domínio que, segundo Lei 11.428/2006, se estende por quase toda a faixa litorânea (Encosta Atlântica) do Brasil (Figura 1). Possui faixas de heterogeneidade climática e geomorfológica, que promovem diferentes conjuntos florísticos (PIOTTO, 2011), como por exemplo, a Floresta Ombrófila Densa. Figura 1. Área de domínio do Bioma Mata Atlântica no Brasil Fonte: Ministério do Meio Ambiente (MMA) e Fundação SOS Mata Atlântica (2008) 18 Para Leite e Klein (1990), a Floresta Atlântica possui características tropicais mesmo sendo situada em zona extratropical. Segundo Mittermeier et al. (1999) e Myers et al. (2000), a Floresta Atlântica é considerada um hotspot 1 em termos de biodiversidade e percentual remanescente de sua área original. 2.2 REGIÕES FITOECOLÓGICAS DE SANTA CATARINA As tipologias florestais catarinenses integrantes da área de domínio do Bioma Mata Atlântica recebem três denominações gerais: Floresta Ombrófila Densa (FOD); Floresta Ombrófila Mista (FOM) e Floresta Estacional Decidual (FED) (IBGE, 2012) (Figura 2). Figura 2. Mapa fitogeográfico da vegetação de Santa Catarina baseado em Klein (1978) A FOD ocorre preferencialmente nas regiões costeiras até altitudes de 1.200 m ou, de acordo com Siminski (2004), até a Serra Geral, Serra do Mar e Serra do Espigão. O clima de ocorrência da região é quente (média anual de 25°C) e com chuvas intensas (intervalos de precipitação anual de 1.500 a 2.000 mm) (SIMINSKI et al., 2011). Segundo 1 conceito utilizado por Norman Myers (Inglaterra) em 1988 para se referir a áreas importantes para biodiversidade. 19 Klein (1980) seu dossel é dominado por espécies arbóreas das famílias Lauraceae e Myrtaceae, e possui abundância de epífitas e palmeiras. A FOM ocorre no planalto e no Oeste Catarinense, em altitudes que variam de 500 a 1400 m, caracterizada originalmente pela presença da Araucaria angustifólia (KLEIN, 1978); e a FED ocorre predominantemente no Oeste Catarinense e se estende ao longo do curso e das encostas do rio Uruguai, em altitude que variam de 200 até 800 m (KLEIN, 1972). 2.2.1 Visão aprofundada da Floresta Ombrófila Densa O termo Floresta Ombrófila Densa foi criado por Mueller-Dombois e Ellenberg (1974), substituindo o antigo termo Floresta Pluvial ou “floresta das chuvas” (IBGE, 1992). Caracteriza-se pela formação de um dossel uniforme quanto a sua coloração, forma das copas e altura, representando uma fitofisionomia muito característica e com poucas variações sazonais durante todo o ano (REIS, 1995). A maior parte dessa fisionomia, no Estado de Santa Catarina, é impressa pela presença de grandes árvores, geralmente da família Lauraceae, que dificilmente se sobressaem no dossel (KLEIN, 1980). Apesar da ausência de espécies tipicamente tropicais esta formação apresenta alto grau de endemismos que estão relacionados à complexidade dos ecossistemas nela inseridos (SIMINSKI, 2004). Segundo Leite e Klein (1990), as características climáticas que regem esta tipologia são a ausência de período seco, alta umidade relativa do ar e temperaturas médias acima de 15°C. De acordo com Vibrans (2003), a FOD apresenta elevada riqueza, presença de vários estratos, altos valores de biomassa, alto grau de endemismo e espécies raras, e abundância de cipós, lianas e epífitas. Klein (1979, 1980) e Sevegnani (2003) descreveram detalhadamente a flora e a vegetação da Floresta Ombrófila Densa. Estes autores a dividem em quatro formações: terras baixas (nas planícies aluviais até uma altitude de 30 m), onde espécies importantes do seu estrato arbóreo superior são Callophyllum brasiliense (olandi), Clusia criuva (manguede-formiga), Ficus organensis (figueira-da-folha-miúda), Coussapoa microcarpa (figueira-matapau), Myrsine umbellata (caporocão) e Tapirira guianensis (cupiuva); a submontana (em altitudes entre 30 e 400 metros), que tem como espécies características típicas Sloanea guianensis (laranjeira-do-mato), Alchornea triplinervia (tanheiro), Ocotea catharinensis (canela preta), Aspidosperma parvifolium (peroba), Virola bicuhyba (bicuíba), Myrcia pubipetala 20 (guaramirim), Hieronyma alchorneoides (licurana) e Talauma ovata (baguaçu); a montana (entre 400 e 800 metros), cunhada pela presença de Duguetia lanceolata (pindabuna), Ormosia arborea (pau-de-santo-inácio), Cryptocarya moschata (canela fogo), Protium kleinii (almécega), Copaifera trapezifolium (pau óleo) e Pterocarpus violaceus (sangueiro); e altomontana (localizada acima de 800 m de altitude), com a presença marcante de Podocarpus sellowii (pinheiro bravo), Weinmannia pauliniifolia (gramimunha), Lamanonia speciosa (guaperê), Tibouchina kleinii (quaresmeira), Prunus sellowii (pessegueiro bravo) e Roupala brasilienss (carvalho brasileiro). Segundo Vibrans (2003), as formações de terras baixas, submontana e montana formam florestas altas e com grandes estoques de madeiras, já a altomontana é composta por uma vegetação arbórea e arbustiva mais baixa e menos densa devido às condições ambientais adversas de grandes altitudes. As formações secundárias dessa fisionomia, de acordo com Vibrans (2003), mostram importantes diferenciações em relação à sua composição de espécies: nas terras baixas e submontanas dominam Myrsine coriacea (capororoca), Cecropia glazioui (embaúba), Miconia cinnamomifolia (jacatirão) e as quaresmeiras (Tibouchina sp.), enquanto que, na faixa acima de 400 m, Solanum mauritianum (fumo-bravo), Mimosa scabrella (bracatinga), Piptocarpha angustifolia (vassourão branco) e Clethra scabra (carne-de-vaca) tomam o lugar dessas espécies. 2.3 DESMATAMENTO DA MATA ATLÂNTICA EM SANTA CATARINA O processo de desmatamento e degradação da Mata Atlântica, a exemplo dos demais ecossistemas florestais do domínio brasileiro, ocorreu a partir do início da colonização europeia, entretanto não apenas pelos europeus, com a ocupação das áreas litorâneas com a extração de madeiras nobres (SIMINSKI, 2004). Em Santa Catarina este processo não foi diferente. A degradação foi típica a partir do processo de colonização após a segunda metade do século XIX (VIBRANS, 2003). Os ecossistemas florestais catarinenses foram em grande parte suprimidos com o intuito de obter espaços cultiváveis para a agricultura (SEYFERTH, 1974), e nos locais onde essas atividades foram abandonadas surgiram florestas secundárias, formando uma paisagem de mosaicos de vegetação em vários estágios sucessionais (QUEIROZ, 1994) de diferentes idades e, em menor escala, remanescentes primários que muitas vezes encontram-se alterados. O fator 21 preponderante para a exploração madeireira no estado foi a grande quantidade e variedade de espécies de madeiras nobres ou de considerável valor comercial. No estado, as explorações de madeira podem ser divididas em ciclos de explorações relacionados à quantidade e a variedade de espécies das regiões fitoecológicas. Por exemplo, a FOM foi a área de maior significância para a indústria madeireira do Sul do país, pelo menos por 150 anos de exploração (REIS et al., 2007), no qual o pinheiro brasileiro (Araucaria angustifolia) e a canela imbuia (Ocotea porosa) foram as espécies mais exploradas. A partir da década de 60 notou-se que as florestas naturais haviam reduzido, assim como a disponibilidade de matéria-prima madeireira (REITZ et al., 1978). Em resposta a esta situação, houve, na década de 70, o início da introdução das florestas de Pinus spp., que substituíram as florestas naturais, aumentando a fragmentação e a degradação de áreas de preservação permanente (REIS et al., 2007). A FOD foi alvo de intensa exploração madeireira desde a colonização até a década de 80. Um dos motivos foi a alta biodiversidade e complexidade desta fitofisionomia, assim como o grande volume e a variedade de madeiras de valor, como as perobas (Aspidosperma sp.), canela (Ocotea sp.) e cedro (Cedrela fissilis) (VIBRANS, 2003). Diante do histórico de degradação e da falta de políticas de conservação e extensão florestal, os remanescentes florestais no Estado, apesar de cobrirem aproximadamente um quarto do território, são constituídos em sua grande parte por florestas secundárias, que possuem baixa biodiversidade e pouco estoque de biomassa (VIBRANS et al., 2011). A falta de conectividade entre as áreas florestadas, as quais, em sua maioria, são fragmentos com menos de 50 hectares (VIBRANS et al., 2011), prejudica a sanidade das florestas devido a perda de diversidade genética, mudança na estrutura interpopulacional e aumento da endogamia (YOUNG; BOYLE, 2000). O efeito de borda também ocasionado pela fragmentação gera impactos no que diz respeito às mudanças na composição de comunidades vegetais e animais (CAGNOLO et al., 2006; BROADBENT et al., 2008), no incremento da mortalidade de árvores (NASCIMENTO; LAURANCE, 2004), na alteração do microclima (LAURANCE et al., 2004) e na susceptibilidade ao fogo (COCHRANE; LAURANCE, 2002). Além disso, o baixo valor das terras cobertas com florestas nativas e a ineficiência das restrições legais em relação ao uso dos recursos contribuíram fortemente para a substituição das áreas florestadas por outros usos do solo (SIMINSKI; FANTINI, 2009). 22 Atualmente, a preocupação está relacionada à ocupação desordenada por obras públicas e pela especulação imobiliária. 2.4 LEGISLAÇÃO BRASILEIRA 2.4.1 Lei 11.428, de 22 de dezembro de 2006 Com objetivo de proteger, preservar e dispor sobre a utilização da vegetação nativa e dos remanescentes florestais da Mata Atlântica a Lei 11.428 foi criada, revogando o Decreto anterior n° 750, de 10 de fevereiro de 1993. Ela busca atingir o desenvolvimento sustentado por meio da preservação da biodiversidade, da saúde humana, de valores paisagísticos, do regime hídrico e da estabilidade social. O documento legal caracteriza as formações florestais e os ecossistemas associados inseridos no domínio Mata Atlântica, com as respectivas delimitações estabelecidas pelo Mapa de Vegetação do Brasil do IBGE de 2012, que englobam Floresta Ombrófila Densa (FOD), Floresta Ombrófila Mista (FOM), Floresta Ombrófila Aberta (FOA), Floresta Estacional Semidecidual (FES), Floresta Estacional Decidual (FED), manguezais, restingas, campos de altitude, brejos interioranos e encraves Florestais do Nordeste. Destas formações florestais citadas, todas podem se apresentar na forma de vegetação primária ou secundária em estágios inicial, médio e avançado. A caracterização biológica e florística de vegetação primária e secundária do Bioma Mata Atlântica fica de responsabilidade do Conselho Nacional do Meio Ambiente (CONAMA), sendo as resoluções específicas por estado. De acordo com a lei, são proibidas ações de corte, exploração e supressão de vegetação primária ou nos estágios avançado e médio de sucessão do Bioma. Ou seja, o corte, supressão e exploração da vegetação do Bioma Mata Atlântica acontecerá de maneira diferenciada conforme o tipo e estágio de sucessão da vegetação. Em suma, entende-se que a classificação da cobertura vegetal de uma área/região tem implicações sobre os recursos florestais que serão disponibilizados (ou não) a uma população. Essa determinação de classe do recurso precisa ser competente de forma a não comprometer ou beneficiar usuários, por isso, a classificação de uma região precisa ser “sem opinião pública”. 23 2.4.2 Resolução CONAMA 4, de 4 de maio de 1994 (BRASIL, 1994) Para o efetivo monitoramento da cobertura vegetal faz-se necessário a sua classificação segundo critérios mensuráveis em campo. A Resolução CONAMA n° 4/1994 é o documento legal que define as formas de vegetação primária e secundária da Mata Atlântica em Santa Catarina, em cumprimento da Lei 11.428, de 22 de dezembro de 2006. Ela descreve os parâmetros da vegetação e respectivos estágios de sucessão. Segundo Brasil (1994), vegetação primária é: “aquela de máxima expressão local, com grande diversidade biológica, sendo os efeitos das ações antrópicas mínimos, a ponto de não afetar significativamente suas características originais de estrutura e de espécies” e; Vegetação secundária (em regeneração): “aquela resultante dos processos naturais de sucessão, após supressão total ou parcial da vegetação primária por ações antrópicas ou causas naturais, podendo ocorrer árvores remanescentes da vegetação primária”. Os estágios de sucessão da vegetação secundária definidos nesta resolução podem ser inicial, médio ou avançado. Estágio inicial: nesse estágio a fisionomia é predominantemente herbácea/arbustiva de baixo porte, com diversidade biológica variável, poucas arbóreas, abundância de pioneiras, e podendo apresentar espécies características de outros estágios. A altura total média inferior das árvores é de até 4 metros, com cobertura vegetal variando de fechada a aberta (sem sub-bosque). A distribuição diamétrica é de pequena amplitude, com DAP médio inferior a 8 centímetros. Epífitas, quando existentes, são representadas principalmente por líquens, briófitas e pteridófitas com baixa diversidade e possui uma camada de serrapilheira fina pouco decomposta. Trepadeiras, se presentes, são geralmente herbáceas. Estágio médio: nesse estágio a fisionomia é arbórea e arbustiva, podendo constituir estratos diferenciados, com diversidade biológica significativa. A altura total média das árvores é de até 12 metros, com cobertura arbórea de aberta a fechada e ocorrência eventual de indivíduos emergentes (sub-bosque presente). Distribuição diamétrica é de 24 amplitude moderada, com DAP médio de até 15 centímetros. As epífitas aparecem em maior número de espécies em relação ao estágio inicial. Trepadeiras, quando presentes, são predominantes lenhosas. Possui uma camada de serrapilheira. Estágio avançado: nesse estágio a fisionomia é arbórea, com diversidade biológica elevada, formando um dossel fechado e relativamente uniforme no porte com copas superiores horizontalmente amplas. A altura total média das árvores é superior a 20 metros. A distribuição diamétrica é de alta amplitude, com DAP médio superior a 25 centímetros. As epífitas aparecem em grande número de espécies e com grande abundância, principalmente na FOD. Possui uma camada espessa de serrapilheira, com sub-bosque normalmente menos expressivo do que no estágio médio. Trepadeiras são geralmente lenhosas. Florestas nesse estágio podem apresentar fisionomia semelhante à vegetação primária. Pode haver espécies dominantes. Para Vieira et al. (2003), esta classificação da Resolução CONAMA tem sido comumente utilizada por pesquisadores que trabalham na área de sensoriamento remoto, por ser prática e objetiva. 2.5 SUCESSÃO FLORESTAL Antes de iniciar a discussão sobre florestas secundárias é necessário compreender um conceito diretamente ligado ao processo de formação das florestas, o de sucessão ecológica; que caracteriza etapas de desenvolvimento da vegetação e envolve modificações na estrutura e composição de espécies ao longo do tempo (ODUM, 1988). O interesse inicial em sucessão desenvolveu-se com Thoreau, filósofo e naturalista que viveu grande parte de sua vida em bosques devido à insatisfação com o modelo de vida capitalista da sociedade de 1800. Thoreau fez importantes observações sobre o comportamento de sucessão das florestas durante seu período de reclusão, que são encontradas no livro escrito por ele em 1845, Walden ou A vida nos bosques. Anos depois Clements, em 1904 e 1916, escreveu também sobre as perturbações humanas em larga escala que vinham acontecendo e que tinham afetado consideravelmente a situação natural das florestas. Num primeiro momento o processo de sucessão foi relacionado principalmente à influência humana, pois distúrbios humanos foram mais aparentes e, portanto, mais frequentemente lembrados (OLIVER; LARSON, 1990). Mas, causas naturais do processo 25 de sucessão, como incêndios e furacões, também foram reconhecidos ao longo do tempo (SKUTCH, 1929; HOUGH; FORBES, 1943; SPURR, 1956; BROWN, 1960; SPURR; BARNES, 1980; OLIVER, 1981; WHITMORE; BURNHAM, 1984; PERRY, 1994; RICHARDS, 1996). A sucessão florestal de forma geral pode acontecer a partir de duas formas, primária e secundária. Sucessão primária consiste do processo biológico inicial, tendo em vista que o local anteriormente não possuía vegetação, dependendo de mudanças ordenadas e previsíveis da abundância de espécies para ocorrer. Fatores que influenciam a sucessão primária são: geologia, morfologia, hidrografia, clima, solo e matéria orgânica (CLEMENTS, 1904, 1916). Sucessão secundária, por outro lado, envolve a devastação e o redesenvolvimento da vegetação a partir de eventos não são previsíveis pela natureza (CHAZDON, 2008), tendo em vista que o local anteriormente já possuia vegetação. A sucessão secundária caracteriza-se por processos estocásticos (não determinísticos) e origina um segundo processo de sucessão, por isso secundária. A sucessão secundária pode ser classificada em natural e antrópica. A natural ocorre a partir de processos naturais, como a abertura de uma clareira ocasionada pela queda de uma árvore pioneira que tem influência direta sobre fatores ambientais, tais como luz, umidade e temperatura (CHAZDON, 2008). Para Waide e Lugo (1992), Whitmore e Burslem (1984) e Chazdon (2003), furacões, enchentes, desmoronamentos, tempestades e ciclones também são exemplos de perturbações naturais. Já a sucessão secundária antrópica é aquela ocasionada pela ação do homem. Segundo Brown e Lugo (1990) e Guariguata e Ostertag (2001), impactos antrópicos são os principais responsáveis pela grande quantidade de florestas secundárias existentes hoje no planeta. De forma simplificada é possível concluir que sucessão secundária é o mecanismo pelo qual florestas se renovam naturalmente quando perturbadas (GÓMEZ-POMPA, 1971). Este processo constitui-se num mecanismo dinâmico e contínuo das florestas, responsável pelas mudanças na composição florística, fisionomia e estrutura da comunidade. Clements (1904), em sua definição clássica, não cometeu erros ao instituir a sucessão como um processo altamente ordenado, determinista em que a comunidade atua como uma unidade integrada, análoga ao desenvolvimento de um organismo individual, sendo o desfecho deste mecanismo uma comunidade estável (homeostase). 26 2.6 FLORESTAS SECUNDÁRIAS Floresta primária é o termo utilizado para denominar uma "floresta madura", associada a uma comunidade florestal com altos valores de biomassa, diversidade e complexidade, com dossel fechado e com baixo grau de atividades antrópicas recentes. Florestas secundárias, por outro lado, são unidades florestais em regeneração, que sofreram alguma perturbação natural e/ou humana recente na vegetação original em um único momento ou durante um período prolongado, e apresentam diferença na estrutura florestal e/ou na composição das espécies, em relação às florestas maduras próximas (CHOKKALINGAM; JONG, 2001). Na verdade, floresta primária e floresta secundária são termos empíricos associados à escala, intensidade e frequência das perturbações em uma floresta. De acordo com a FAO (2009), ao longo do tempo os remanescentes florestais secundários se tornaram o principal componente florestal natural da paisagem, tendo em vista a contínua redução nas áreas de florestas primárias. Segundo Zuidema et al. (1996), Mittermeir et al. (1998), Turner e Corlett (1999), Kammesheidt (2002), Brearley et al. (2004), estas florestas secundárias são responsáveis por importantes processos de regulação estrutural e funcional da biodiversidade. Outros autores destacam ainda seu papel sobre ações de desenvolvimento sustentado (REDFORD; RICHTER, 1999; BROWN; LUGO, 1990; KRAMER; VAN SCHAIK, 1997; BODMER et al., 1997; PINEDO-VAZQUEZ et al., 2001), atendimento das demandas por madeira e produtos não madeireiros (FINNEGAN, 1992; BAWA; SEIDLER, 1998; WHITMORE, 1998; FANTINI, 1999; NEUMAN; HIRSH, 2000, BALDAUF et al., 2007) e promoção de serviços ambientais (HOELSCHER, 1997; BORNER et al., 2007). Em relação aos serviços ambientais, florestas secundárias são responsáveis por prestação de serviços de regulação, principalmente no sequestro de carbono (ORTIZ et al., 1998; FEARNSIDE, 2000; VACCARO et al., 2003; RICHARDS; STROKES, 2004) e na produção de biomassa de primária (VIBRANS et al., 2013) devido ao acelerado desenvolvimento estrutural. Ressalta-se que a importância das formações florestais secundárias não interfere sobre a preocupação com as florestas primárias, pois florestas secundárias são detentoras de menor biodiversidade. Mas, reconhece-se que florestas secundárias exercem uma 27 função ecológica, econômica e social fundamental e que até agora pouco tem sido feito para conservá-las, principalmente no Estado de Santa Catarina. 2.7 PANORAMAS DA SUCESSÃO As etapas constituintes do processo de sucessão são chamadas de estágios sucessionais e se caracterizam pela predominância de tipos biológicos que determinam a fisionomia da vegetação (SIMINSKI, 2004) (Figura 3). De acordo com Klein (1980) o conjunto de transformações que uma vegetação secundária sofre ao decorrer do tempo é chamado de série sucessional e assim que superados os estágios iniciais e intermediários, podem eventualmente tornar-se florestas madura novamentes, com características possivelmente semelhantes à diversidade florística original. Figura 3. Exemplo de processo de sucessão secundária de acordo com a ocorrência de espécies Fonte: Enciclopédia Britânica (2006). A sequência e a duração dos estágios sucessionais varia substancialmente entre as tipologias florestais do globo (CHAZDON, 2008). Para isso, utilizam-se diferentes técnicas de classificação destes estágios. Siminski (2009), por exemplo, cita cinco diferentes abordagens de classificação de estágios sucessionais da vegetação secundária, sob ambas as perspectivas sensórias e florísticas: idade da vegetação, características fisionômicas, parâmetros estruturais, análises multivariadas e sensoriamento remoto. A classificação apresentada a seguir utilizou três abordagens, explicando estágios sucessionais de acordo com a idade da vegetação, características fisionômicas e parâmetros estruturais dos remanescentes florestais. 28 2.7.1 Estágio inicial (“Pioneiro arbustivo”) Uma área abandonada ou em pousio, com o passar do tempo, naturalmente inicia sua regeneração a partir de processos naturais de sucessão alogênica. Inicialmente aparecem as herbáceas, como samambaias e gramíneas (Figura 4). Porém, dependo das características do abandono, esta fase pode ter dominância por outras espécies, como arbustos, lianas, trepadeiras e cipós (BUDOWSKI, 1965; GÓMEZ-POMPA; VAZQUEZ-YANES, 1981; EWELL, 1983; FINNEGAN, 1996). Figura 4. Exemplo da primeira etapa do estágio inicial da Floresta Ombrófila Densa Primeira etapa de desenvolvimento do estágio inicial Esta fase de reconstrução florística é chamada de “estágio inicial suporte” (stand initiation stage) por Oliver e Larson (1990). Neste estágio, o estabelecimento de espécies arbustivas e/ou arbóreas acontece geralmente pela rebrota (UHL et al., 1981; KAMMESHEIDT, 1998; PEREIRA, 2001; SCHMIDT-VOGT, 2001), que nada mais é do que um mecanismo de cicatrização de florestas. Chazdon (2008) explica que a rebrota pode ocorrer de três formas: banco de sementes (autogênico), troncos parcialmente danificados (autogênico) ou por dispersão de sementes (alogênico). A rebrota por banco de sementes utiliza o mecanismo de encapsulamento das sementes (ou dormência), ficando protegidas até que condições favoráveis à germinação venham à tona. Em alguns casos, a vegetação regenerativa por banco de sementes é tão eficiente que “ignora” a fase suporte. Fato este que também acontece no processo por troncos parcialmente danificados (Figura 5). 29 Figura 5. Exemplo de rebrota por troncos parcialmente danificados A regeneração por troncos danificados é geralmente rápida, conforme reportado por Yih et al. (1991), Vandermeer et al. (1995) e Boucher et al. (2001) que estudaram o comportamento de uma floresta tropical após a passagem do furacão Joan no sudeste da Nicarágua. Em outros casos, a rebrota pode ocorrer também por sementes dispersas, tendo como vetores animais (pássaros e morcegos) e o vento (anemocoria). O vento garante a introdução de novas espécies em áreas onde a vegetação inicial não consegue manter níveis de interação capazes de atrair animais transportadores de propágulos (REIS, 1995). Estas sementes transportadas, primeiras a chegarem ao local degradado, sofrem influência direta da luz e da temperatura (UHL; JORDAN, 1984; VÁZQUEZ-YANES; OROZCO-SEGOVIA, 1984), características responsáveis pelo processo de maturação acelerada. Na fase suporte, entretanto, existem fatores negativos em relação à regeneração, inferindo no curto e longo prazo estrutural e florístico de uma floresta secundária. Por exemplo, a inserção de espécies invasoras, verificado por Chazdon (2008), altera a composição florística e a predação de sementes por animais, identificado por Uhl (1987), Hammond (1995) e Notman e Gorchov (2001), diminui a disponibilidade destas para a sucessão. Ainda como fator negativo cita-se a perda da camada superficial do solo (Figura 6), que agrega matéria orgânica e sementes, vital para rebrota, implicando sobre o processo de regeneração por banco de sementes e sementes dispersas. 30 Figura 6. Exemplo de vegetação secundária em estado inicial com perda de camada superficial do solo na Floresta Ombrófila Densa Aparecimento dos primeiros arbustos Local onde houve perda da camada superficial orgânica do solo Vegetação secundária em estádio inicial Depois do estabelecimento da vegetação suporte (herbáceas e gramíneas) acontece a segunda etapa da fase inicial suporte, o aparecimento dos arbustos, principalmente do gênero Baccharis sp., denominado vassourais (Figura 6). Neste momento o nível de interação entre espécies aumenta, assim como a qualidade do solo devido à fina camada de serrapilheira2. A partir deste momento ocorre um acelerado aumento de peso e diâmetro dos indivíduos (CHAZDON, 2008) e um desenvolvimento assimétrico da cobertura vegetal, também verificado por Schmidt-Vogt (2001). 2.7.2 Estágio médio (“Arbóreo pioneiro”) De acordo com a classificação de Siminski (2004) esta fase é conhecida como Estágio de Arvoretas e é caracterizada pela substituição dos vassourais por arvoretas (espécies lenhosas de pequeno porte com copas esparsas), que sequencialmente estendem-se para o estágio Arbóreo Pioneiro (dominância de árvores médias), formando microclimas úmidos e sombreados. Para Oliver e Larson (1990), esta etapa é conhecida como "fase de exclusão de caules" (stem exclusion phase) devido ao aumento da altura das árvores colonizadoras, que ocasionam o fechamento do dossel (estrato superior das árvores) e diminuem a disponibilidade de luz no sub-bosque. A luz, segundo Bazzaz (1979), é o fator determinante para o desenvolvimento de espécies pioneiras. Porém, com o fechamento do dossel a luz torna-se menos abundante, 2 deposição/acúmulo de matéria orgânica morta - folhas e galhos - em diferentes estágios de decomposição. 31 limitando o estabelecimento e o crescimento de espécies (DENSLOW, 1987). O dossel de florestas secundárias tropicais jovens geralmente é dominado por espécies arbóreas pioneiras que tendem a organizar suas folhas na forma de coroa plana, a fim de maximizar a interceptação da luz (BAZZAZ; PICKET, 1980) (Figura 7). Figura 7. Exemplo do aparecimento de espécies tolerantes a sombra na etapa de fechamento do dossel da Floresta Ombrófila Densa Com isso, ocorre a mortalidade de diversas espécies, aumentado à espessura da serapilheira e a quantidade de matéria orgânica no solo. De acordo com Piotto (2011), em alguns casos, sub-bosques e dosséis secundários possui um ambiente mais sombreado do que florestas maduras devido à densidade de indivíduos, gerando uma maior variabilidade espacial de luz (DENSLOW; GUZMAN, 2000). Estas variações têm efeitos importantes sobre a germinação e o crescimento das plantas (DENSLOW, 1987). A homogeneidade relativa das condições de baixa luminosidade no sub-bosque funciona como um filtro para o recrutamento das espécies de árvores tolerantes à sombra. Com o dossel fechado a dinâmica florestal muda, refletindo na mortalidade de arbustos, árvores e lianas intolerantes à sombra (CAPERS et al., 2005) e proporcionando o aparecimento de árvores tolerantes à sombra, como palmeiras e xaxins (CHAZDON, 2008). Chazdon (2008) aprofundou-se na caracterização de espécies de plantas neste segundo estágio, classificando-as em três grupos distintos: (1) espécies de vida curta intolerantes à sombra, (2) espécies de longa vida intolerantes à sombra e (3) espécies de 32 longa vida tolerantes à sombra. Segundo ele, espécies de "vida curta" geralmente não resistem ao dossel e morrem nos primeiros 10 a 15 anos, reportado também por Budowski (1965). Já as espécies de vida longa tolerantes a luz vão persistir e integrar o dossel num período posterior. Segundo Finnegan (1992), o grupo de longa vida que desempenha o papel mais importante da sucessão por ter maior representatividade em longo prazo. 2.7.3 Estágio avançado (“Arbóreo complexo”) Este estágio também é denominado Mata Secundária (KLEIN, 1980) ou Estágio Arbóreo Avançado (SIMINSKI, 2004). Nele, ocorre um ambiente florestal sob muitos aspectos fisionômicos semelhantes às florestas maduras. De acordo com Oliver e Larson (1990) esta fase de sucessão é denominada “fase de reintrodução de sub-bosque” (understory reinitiation stage) e é caracterizada pela regeneração do dossel, da composição e dos estratos da vegetação. Vale lembrar que entre as fases sucessionais processos ecológicos são responsáveis pela dinâmica da composição de espécies (CHAZDON, 2008), tanto que, durante a fase inicial, processos estocásticos de dispersão e recolonização de espécies são mais ativos sobre a estrutura da comunidade. No estágio avançado, entretanto, processos determinísticos como a seleção natural de espécies tornarem-se importantes para a organização da comunidade florestal (WALKER; CHAPPIN, 1987). Segundo Finnegan (1996), Guariguata e Ostertag (2001), a composição das espécies aparentemente varia, independentemente da riqueza de espécies, por meio de uma cronossequência. GómezPompa e Vasquez-Yanes (1984) foram uns dos primeiros a proporem que a sucessão de blocos florestais tropicais segue um modelo florístico no qual espécies alcançam abundância em momentos diferenciados, de tal forma que espécies dominantes podem aparecer em diversas escalas do tempo. Neste pensamento, é possível dizer que o processo de sucessão apresenta comportamentos irregulares, sendo considerados por alguns autores como “caóticos” (MAY 1989, MOSEKILD; MOSEKILD 1991), pois funcionam por meio de processos dinâmicos temporais sensíveis a variações externas, impossibilitando a definição de cenários de longo prazo. Finnegan (1984), neste sentido, reporta que espécies florestais da fase avançada podem não aparecer até que processos de facilitação ocorram, sendo estes, às vezes, provenientes de atividades antrópicas. Para 33 Finnegan (1996) e Myster (2004), existe pouca informação sobre o padrão de colonização de árvores na segunda e na terceira fase de sucessão, pois estas fases dependem de padrões florísticos locais, difíceis de generalizar, por isso, é mais comum encontrar estudos enfatizando a dinâmica da vegetação durante a fase inicial. Em suma, nota-se que durante o estágio avançado ocorre um aumento da riqueza de espécies de dossel, uniformidade das classes de vegetação e a estabilização da taxa de crescimento de volume e altura da vegetação. Ainda nessa fase ocorre à morte de árvores de vida longa intolerantes à sombra que estavam presentes no intuito de restituir propriedades básicas (fertilidade do solo, interações e microclima). Com a queda destas espécies abrem-se clareiras no dossel aumentando a disponibilidade de recursos (incidência solar) e, consequentemente, oportunidades de integração de novas espécies. Desta forma, espécies de plantas começam a se estabelecer em camadas inferiores do dossel, formando estratos da vegetação. Normalmente, uma comunidade florestal em estágio médio passa a possuir ao menos um estrato herbáceo-arbustivo bem desenvolvido (sub-bosque) com presença de lianas, epífitas, xaxins e trepadeiras na camada inferior (Figura 8). Em outros casos, como o estágio avançado, pode haver vários estratos. Figura 8. Exemplo de sub-bosque bem desenvolvido com abundância de epífitas e xaxins na Floresta Ombrófila Densa Xaxim Epífitas 34 Depois de estruturada e sobre efeito de perturbações naturais de menor intensidade, uma floresta secundária torna-se estruturalmente e floristicamente semelhante a uma floresta madura (BORMANN; LIKENS, 1979; WHITMORE; BURNHAM, 1984; RISWAN; KARTAWINATA, 1998; CORLETT, 1994; RICHARDS, 1996; SIPS, 1997; CHAZDON, 2008). 2.7.4 Formas de apresentação dos estágios sucessionais Conforme revisado na literatura, diferentes autores têm proposto diversas formas de classificação da vegetação em relação a estágios sucessionais levando em conta a idade da vegetação, características fisionômicas e parâmetros estruturais dos remanescentes florestais. Neste sentido, uma síntese destas ideias foi estruturada (Tabela 1). Mesmo com divergências em relação ao número de estágios, todas têm o princípio básico de desenvolvimento estrutural e florístico com o passar do tempo, tendo em vista processos de dinâmica da vegetação e evolução sucessional. No sentido de classes da vegetação este trabalho utilizou apenas três classes de sucessão de vegetação natural, como a classificação da resolução do CONAMA, o inicial, o médio e o avançado. A classe floresta primária foi descartada tendo em vista que uma diferenciação entre o estágio avançado e o primário seria muita audácia. Esse critério foi utilizado para facilitar a diferenciação das classes de sucessão nas imagens de alta resolução espacial nas três áreas teste. 35 Tabela 1. Formas de classificação da dinâmica da vegetação entre as fases sucessionais das florestas tropicais CHAZDON 2008 SIMINSKI 2004 Classificação Pioneiro: herbáceo Gên.: Pteridium, Baccharis sp. Pioneiro: hemicriptófitos pioneiros. Gên.: Pteridium, imperata. Capoeirinha: herbáceo/arbustivo Capoeira: arbustivo/arbóreo Gên.: Baccharis, Tibouchinea, Myrsine, Psychotria e Cytharexylum. Segunda Fase: hemicriptófitos, caméfitos e nanofanerófitos. Gên.: Solanum, Baccharis e Miconia Gên.: Myrsine, Leandra, Miconia. Terceira fase: nanofanerófitos e caméfitas (médio porte) até 3,0 m. Gên.: Vernonia que substitui Baccharis Gên.: Miconia, Didymopanax, Alchornea, Copaifera, Nectandra, Cryptocarya, Guapira, Euterpe. Gên.: Tibouchina e Miconia Estágio médio de regeneração: Fisionomia arbórea e arbustiva, altura média de 12 metros. DAP médio de até 15 cm e Área Basal de até 15 m²/ha. Apresenta epífitas, serapilheira, sub-bosque e diversidade biológica significativa. Esp.: Pteridium aquilium, Baccharis dracunculifolia, Senecio brasiliensis, Melinis minutiflora, Cortadelia sellowiana e Solanum erianthum. Esp.: Myrsine coriacea, Cupanea vernalis, Schinus therebenthifolius, Casearia silvestres, Inga marginata. Gên.: Hiernonyma, Vochysa, Cariniana, Virola, Xilopia. Estágio avançado de regeneração: Fisionomia arbórea dominante com dossel fechado e dominante. DAP médio de até 25 cm. Abundância de epífitas, serapilheira, sub-bosque e diversidade biológica. Esp.: Miconia cinnamomifolia, Psychotria longipes, Cecropia adenopus, Euterpe edulis, Hieronyma alchorneoides, Nectandra leucothyrsus, Ocotea catharinensis , Ocotea puberula, Piptocarpa angustifolia, Mimosa scabrella e Enterolobium contortisiliguum. Segunda fase: As pioneiras formam um dossel com sombra, afetando plantas colonizadoras da primeira fase que, progressivamente, desaparecerão. Pioneiro (0 a 5 anos): Presença de herbáceas Arbustivo (5 a 10 anos): Aparecimento dos arbustos. Esp.: Pteridium Melinis e Andropogon. Esp.: Baccharis elaeagnoides/ dracunculifolia e Dodonaea viscosa. Stand initiation phase - “Fase de Iniciação Suporte”: Dominância de herbáceas e arbustos. Surge da germinação do banco de sementes e sementes dispersas. Predominância de árvores pioneiras tolerantes e intolerantes à sombra. Rápido incremento de peso e diâmetro de espécies. Altas taxas de predação de sementes (0 a 10 anos) Gên.: Euterpe, Sorocea, Ocotea, Annonna, Cinnamomum, Nectandra, Slonea Maytenus, Gomidesia, Actinostemon. Quinta fase: mesofanerófitos Vegetação ultrapassa 15 m. Estágio eminente lenhoso, sem plantas emergentes. Bastante uniforme quanto à altura dos elementos dominantes. Quarta Fase: microfanerófitos, Vegetação variando entre 3 e 15 m. Estágio inicial de regeneração: Fisionomia herbáceo-arbustiva de baixo porte, altura média de 4m. DAP médio de até 8cm e Área Basal de até 8 m²/ha. Epífitas: líquens, briófitas e pteridófitas. Fina camada de serapilheira. Espécies pioneiras abundantes e ausência de sub-bosque. Primeira fase: Crescimento em alta densidade de herbáceas, arbustos e lianas. Plantas pioneiras de curto ciclo de vida e rápido crescimento. Floresta Secundária: Arbóreo com epífitas Capoeirão: Arbóreo Terceira fase: Pioneiras de curto ciclo de vida são substituídas por pioneiras de longo ciclo de vida. Durante esta mudança de dominância entre espécies pioneiras, a colonização de espécies tolerantes à sombra ocorre. Arvoretas (10 a 15 anos): Árvores de pequeno porte. Arbóreo Pioneiro (15 a 30 anos): Mesofanerófitos com epífitas Arbóreo Avançado (30 a 50 anos): Floresta Secundária. Presença de epífitas, xaxins, palmeiras. Esp.: Myrcine coriaceae, Miconia cinnamomifolia, Rapanietum ferrugineae. Esp.: Miconia cinnamomifolia, Didymopanax, Euterpe edulis e Ocotea aciphylla. Esp.: Tapira guianensis, Guapira opposita, Ocotea pretiosa, Cinnamomum glaziovii, Nectandra megapotamica, Sloanea guianensis e Ocotea catharinensis. Stem exclusion phase - “Fase de exclusão de caules”: Fechamento do dossel, causando uma diminuição da entrada de luz e consequentemente mortalidade de lianas e arbustos intolerantes à sombra no bosque e sub-bosque. Recrutamento de sementes e mudas tolerantes a sombra. Desenvolvimento de dossel e estrato de árvores de sub-bosque (10 a 25 anos) Understory initiation stage - “Fase início de sub-bosque”: Formação de clareiras no dossel. Recrutamento e maturidade reprodutiva tolerante a sombra e subdossel de espécies de árvores e palmeiras. Aumento da heterogeneidade de luz no sub-bosque. Morte de árvores pioneiras intolerantes à sombra (acima de 25 anos) Floresta madura FINNEGAN 1996 CONAMA Nº 4/1994. IBGE 1992 KLEIN 1979/80 Autor 36 2.8 SENSORIAMENTO REMOTO A abordagem a seguir utiliza o princípio do sensoriamento remoto para classificar a vegetação. Para fins explicativos Barrett e Curtis (1992) definem o sensoriamento remoto como o conjunto de técnicas de observação de alvos terrestres, seja ele um objeto, área ou fenômeno, por meio de um instrumento de captação no qual não há contato direto com o objeto de estudo. De acordo com Novo (1998) esta ciência utiliza a ação conjunta de sensores remotos, que registram as interações da radiação eletromagnética (REM) e equipamentos de processamento de dados geográficos, com objetivo de estudar os elementos da superfície terrestre. Moreira (2005), explica ainda que com os sensores utilizados é possível detectar e registrar a REM em determinada faixa do espectro eletromagnético e transformar essa informação em um produto passível de interpretação. De forma simplificada é a técnica de medição das propriedades dos objetos terrestres usando dados (e.g. fotografias e imagens) adquiridos em diferentes níveis de aquisição, a exemplo de aeronaves e sensores em nível orbital (SCHOWENGERDT, 2007). Estes dados adquiridos remotamente se tornaram uma fonte muito rica de informação para o estudo ambiental terrestre. Para Antunes (1996), a observação de objetos a partir de uma visão espacial proporciona uma abordagem mais favorável das áreas terrestres. Com um único produto é possível obter informações para diversas áreas, como cartografia, monitoramento, geografia, hidrologia, agricultura de precisão e paisagismo. A obtenção de dados por sensores remotos pode ser a partir de sensores ativos e passivos (JENSEN, 2005). Os ativos são aqueles que emitem e captam a REM retroespalhada, tal como, o radar de abertura sintética (SAR; do inglês, Synthetic Aperture Radar) e mais recentemente o perfilamento laser (LIDAR; do inglês, Light Detection And Ranging). Já sensores passivos, apenas captam a REM refletida e/ou reemitida pelos alvos terrestres, como por exemplo, fotografias aéreas e imagens de satélites. A principal fonte natural de REM utilizada no sensoriamento remoto óptico é o Sol. 2.8.1 Radiação eletromagnética e bandas espectrais A intensidade da REM varia senoidalmente e está diretamente relacionada com o comprimento de onda e a frequência (KRONBERG, 1984). O espectro eletromagnético 37 (EEM) óptico, da forma como é conhecido, categoriza os tipos de radiação pelo comprimento de onda, que podem ser expressos em nanômetro (ηm) e micrômetro (μm). Geralmente, no sensoriamento remoto, são utilizadas faixas do EEM que vão do ultravioleta (UV) até o infravermelho distante (far infrared - FIR). Entre o UV (abaixo de 400 ηm) e o infravermelho (IR) encontra-se o intervalo do visível (VIS) (400 - 700 ηm), que tem este nome, pois contempla a gama de cores visualizadas pelo olho humano. O VIS é divido em três faixas principais: azul (400 - 520 ηm), verde (520 – 630 ηm) e vermelho (630 – 690 ηm). Já o intervalo do IR se inicia após o VIS (acima de 700 ηm) e vai até 1 mm. Ele é dividido em infravermelho próximo (near infrared - NIR) de 700 ηm 1500 ηm, infravermelho de ondas curtas ou médias (short wave infrared - SWIR) de 1500 3000 ηm e infravermelho distante (FIR – far infrared) de 3000 ηm - 1 mm. Por sequência vem o intervalo das Micro-ondas e do Rádio. Os sensores aerotransportados são sensíveis aos diferentes intervalos do EEM, sendo que cada sensor, dependendo de sua configuração, pode captar diferentes faixas espectrais. Essas faixas, no sensoriamento remoto, são chamadas de banda espectral ou janela espectral. Silva (2012) explica que uma banda espectral é uma imagem no formato matricial (raster3), no qual valores de x e y representam as coordenadas e z a reflectância refletida pelo pixel 4 terrestre (z = número digital - ND). A reflectância (ou brilho) de cada pixel (ND), para 8 bits, é um valor na escala de cinza, que vai de 0 (preto) a 255 (branco). Um sensor óptico pode adquirir uma ou várias bandas espectrais de uma mesma área em diferentes comprimentos de onda. Quanto maior a quantidade de bandas espectrais, maior a quantidade de informação ao longo do EEM destacando importantes feições de absorção e espalhamento. Evidentemente, maior é a quantidade de dados para futuros processamentos. Cada alvo terrestre se apresenta espectralmente de maneira bem característica e distinta em relação à radiação que é refletida nos diferentes comprimentos de onda. Essa característica no sensoriamento remoto é dita “assinatura espectral”. Por exemplo, o intervalo do IR realça a assinatura espectral da vegetação devido à estrutura foliar enquanto que a parte do visível as propriedades fotossintéticas. Cabe ao operador utilizar seu conhecimento em relação às características dos diferentes alvos terrestres e as suas interações com os diversos comprimentos de onda do EEM para selecionar a 3 imagem raster (ou bitmap, mapa de bits), são imagens que contêm descrição espacial de cada pixel. de picture (“imagem”, abrev. pix) e element (elemento), referente ao menor elemento de uma imagem. 4 fusão 38 posteriori os intervalos de maior importância do EEM para a sua aplicação de interesse (PONZONI et al., 2012). 2.8.2 Tipos de Resoluções Quando se trata de imagens remotamente situadas, uma propriedade de importância no reconhecimento de padrões é a resolução. A resolução de uma imagem pode ser expressa em quatro dimensões: espacial, espectral, radiométrica e temporal. A resolução espacial é a menor unidade de resolução da imagem (i.e. pixel). É ela quem vai definir o nível de detalhe de uma imagem (WULDER, 1998). Navulur (2006) categoriza resoluções espaciais em (1) baixa resolução espacial, com pixels maiores ou iguais a 30 m; (2) média, com pixels de 2 - 30 m; (3) alta, com pixels de 0,5 - 2 m e (4) ultra, com pixels menores que 0,5 m. Apenas para exemplificar o efeito da resolução espacial em uma imagem, na figura 8 é apresentado um comparativo de resoluções de uma imagem LANDSAT5 (30 x 30 m) e uma aerofotografia alta resolução espacial (0,39 x 0,39 m). Imagens de alta resolução espacial fornecem mais detalhe das feições terrestres (Figura 9). Resolução espectral refere-se às variações dos valores espectrais de um alvo ao longo das regiões de interesse do EEM (BATISTA, 2006). Ou seja, este tipo de resolução depende da quantidade, localização no EEM e largura das bandas espectrais. A resposta de um determinado alvo varia de acordo com o EEM (PONZONI et al., 2012). Para Schowengerdt (2007), a localização das bandas espectrais de um dado sensor é limitada pelas janelas de absorção atmosféricas, centradas em 1,4 µm, 1,9 µm, 2.2 µm e 2.6 µm. A resolução radiométrica é a quantidade máxima de níveis de cinza do número digital em que a energia refletida ou emitida pode ser representada em um pixel. É expressa por uma forma binária. Por exemplo, em um satélite LANDSAT-5/TM que utiliza uma forma binária 28 (8 bits) terá 256 níveis de cinza (0-255). A resolução temporal consiste no tempo de revisita do sensor ao local. Ela não vai influenciar no processamento da imagem, mas têm influencia em estudos de séries temporais e detecção de mudanças. O sensor TM do satélite LANDSAT-5 tem uma resolução temporal de 16 dias. Alguns sensores, entretanto, podem reduzir a resolução 5 programa de satélites norte-americanos de observação da terra, com início na década de 1960, pela NASA. 39 temporal usando visadas laterais a exemplo dos sensores da série Satellite Pour l'Observation de la Terre (SPOT). Figura 9. Comparativo de duas imagens na região de Gaspar (A) LANDSAT-5/TM (órbita/ponto: 220/79), adquirida em 2010 na composição 321 (RGB), escala 1:20.000 e aerofotografia de alta resolução espacial de um Sistema Aerotransportado de Aquisição e Pósprocessamento de Imagens (SAAPI) adquirido em 2011, na composição 321 (RGB), nas escalas: (B) 1:20.000; (C) 1:6.000; e (D) 1:2.000 A B C D 2.8.3 Sensoriamento remoto aplicado ao estudo da vegetação No âmbito da análise da vegetação, o sensoriamento remoto começou a ser amplamente utilizado a partir de meados da década de 80. Entretanto, atividades da época exploravam principalmente ações de identificação da vegetação (SETTE, 2009), ou seja área florestada e não-florestada. Apenas com o passar do tempo e com o aparecimento de novas tecnologias e abordagens, como a matemática de bandas (MOREIRA, 2000) e construção de índices da vegetação (NDVI6 e o EVI7), forneceram novas oportunidades de análise da vegetação. 6 7 Normalized Difference Vegetation Index, índice de diferença normalizada da vegetação (Rouse et al., 1973). Enhanced Vegetation Index, índice de destaque da vegetação (Huete et al., 1997). 40 Porém, de todos os avanços tecnológicos do sensoriamento remoto nenhum foi mais importante do que o refinamento da resolução espacial. Porém, mesmo com a disponibilidade de abordagens e tecnologias, a discriminação de florestas secundárias por sensoriamento remoto ainda possui limitações (DONOGHUE, 2002; CASTRO et al., 2003; MYSTER, 2004; CASTILHO et al., 2012). Essas limitações ocorrem geralmente devido à semelhança espectral existente entre os diferentes estágios sucessionais (HELLER; ULLIMAN, 1983; LUCAS et al., 2000; NEEFF et al., 2006); incapacidade de índices de vegetação em detectar alterações de biomassa devido à saturação dos índices para valores crescentes de biomassa; e baixa separabilidade existente entre florestas secundárias e outras classes de uso e cobertura do solo (como pastagens, agricultura e reflorestamento) (CASTRO et al., 2003; CASTILHO et al., 2012). Ou seja, embora muito progresso tenha sido feito em termos de avanços tecnológicos de sensoriamento remoto e ferramentas de análise, a identificação dos estágios sucessionais de uma floresta tropical secundária ainda continua a ser um desafio (CASTILHO et al., 2012). Uma motivação para este estudo é que na área do sensoriamento remoto existem diferentes formas de se utilizar uma tecnologia disponível. Por exemplo, incorporar outras variáveis como textura e forma, ao invés daquelas que explicam apenas tons de brilho para melhorar a acurácia da classificação. Recentemente, o processamento digital de imagens de alta resolução espacial por meio da segmentação, mineração de dados e da classificação baseada em objetos (OBIA) com atributos estatísticos (espectrais) espaciais e texturais, tem se mostrado uma poderosa ferramenta de discriminação de objetos de aparência espectral semelhante. 2.8.4 Classificação de imagens e elaboração de mapas temáticos A elaboração de mapas de uso e cobertura do solo de grandes extensões territoriais a partir de levantamentos em campo é uma operação custosa (SILVA, 2012), principalmente quando se trata de levantamento da vegetação. Nestes casos, mapas temáticos provenientes de imagens aéreas ou de satélite têm sido cada vez mais utilizados (BRADTER et al., 2011), podendo-se citar projetos brasileiros como o Projeto de Monitoramento da Floresta Amazônica Brasileira por Satélite (PRODES) (INPE, 2008) e o Atlas dos Remanescentes Florestais da Mata Atlântica (INPE, 2012). Para Schowengerdt (2007), um mapa temático apresenta a distribuição espacial das 41 características identificáveis da superfície terrestre, assim como informações de área, extensão e comprimento. Ou seja, pode-se dizer que a elaboração de um mapa temático a partir de imagens de sensoriamento remoto nada mais é o processo de extração de informações por meio da interpretação dos contornos e alvos terrestre de imagens com base nos atributos de interpretação, como cor, textura, padrão, associação, etc. (XIE et al., 2008). 2.8.5 Métodos de classificação As primeiras classificações automáticas de imagens reportadas na literatura consideravam apenas o valor de cada pixel (FRANCISCO; ALMEIDA, 2012), intituladas pixel-a-pixel, porém, antes pixels eram suficientemente grandes para representar classes, como blocos florestais ou manchas urbanas. Sensores de alta resolução espacial, entretanto, fornecem imagens com uma alta variabilidade espectral em áreas relativamente pequenas, impondo dificuldades em relação à extração de informação, principalmente por metodologias tradicionais (CADENA, 2011). De forma geral, para fins explicativos, a extração de informação de imagens de sensores remotos tem sido realizada a partir de duas formas: interpretação visual e automática. A interpretação visual leva em conta a experiência de um ou mais operadores, sendo que estes têm por objetivo desenhar/associar um pixel ou objeto a uma determinada classe. Já a classificação automática se fundamenta em algoritmos que matematicamente definem padrões que caracterizam a classe. A classificação automática é subdividida em supervisionada e não supervisionada, que utilizam ou não dados de verdade de campo como referência (XIE et al., 2008). A classificação supervisionada (tal como o nome infere) depende de conhecimento prévio (SETTE, 2009), pois o algoritmo classificador encontra em meio aos dados de referência características de associação para cada classe pré-estabelecida (SILVA, 2012). Já na classificação não supervisionada um grupo de pixels é associado a uma classe espectral de acordo com padrões, algoritmos ou métodos estatísticos. O objetivo dos métodos não supervisionados é agrupar pixels com mesma resposta espectral em grupos semelhantes estatisticamente separáveis (NAVULUR, 2006), não havendo determinação de classes e sim do número de grupos. Schowengerdt (2007) subdivide ainda métodos de classificação em paramétricos e não paramétricos. Para Silva (2012), os métodos paramétricos, como a Máxima 42 Verossimilhança, pressupõem que os dados partem de uma distribuição estatística normal e utilizam este modelo de probabilidade para determinar os limites de decisão na classificação. Os algoritmos não paramétricos, por outro lado, são aqueles que não pressupõem de nenhuma distribuição estatística para descrever o comportamento de dados, podendo citar as Redes Neurais Artificiais (RNA)8, Random Forests9 (BREIMAN, 2001) e por “vizinhança próxima” (k-nn ou k-nearest neighboor 10) (SCHOWENGERDT, 2007). O método adotado para este estudo é a classificação automática, supervisionada e não paramétrica. 2.8.6 Segmentação de imagens A segmentação de imagens não é um processo inédito (BLASCHKE, 2010), desde 1980 sua aplicação já era comum na área da medicina e da engenharia de telecomunicações (SCHIEWE, 2002). No sensoriamento remoto, a segmentação passou a ser amplamente utilizada em face do aparecimento de novas metodologias que abordam objetos (OBIA, ou object oriented image analysis) e não pixels, ou seja, a classificação passou a ser feita sobre o resultado da segmentação. Os segmentos são gerados em um software específico com base em um algoritmo de diferenciação. Com a segmentação, o número de elementos a serem analisados diminui quando comparado com a metodologia pixel-a-pixel. Como visto, algoritmos convencionais de classificação por pixels podem gerar erros em relação heterogeneidade espectral das imagens (até mesmo para imagens de média resolução espacial) (Figura 10), não sendo aconselhados para imagens de alta resolução espacial. Nota-se na figura 10 (D) que pelo método de classificação por pixels, classes isoladas podem ocorrer mesmo em um conjunto muito pequeno de pixels, ou até mesmo, em pixels isolados. Silva (2012) explica que estes pixels geram o chamado efeito “sal e pimenta” (salt and pepper), que dá uma aparência salpicada ao mapa. técnicas computacionais que utilizam modelos matemáticos inspirados na estrutura neural de organismos e que adquirem conhecimento por meio da experiência (treinamento). 9 método de classificação por árvores de decisão, desenvolvido por Leo Breiman (1928-2005) e Adele Cutler. 10 técnica não paramétrica de classificação orientada a objetos que leva em conta classes vizinhas. 8 43 Figura 10. Classificação pixel-a-pixel com o software ENVI® na cidade de Itajaí a partir de uma imagem LANDSAT-5/TM (2000) (órbita/ponto: 220/79). (A) imagem na composição 453 (RGB); (B) imagem classificada pela técnica da máxima verossimilhança; (C) subset da imagem na composição 453 (RGB); e (D) subset da imagem classificada A B C D Para evitar este efeito “salpicado” se utiliza a segmentação ou criação de segmentos/objetos (agrupamento homogêneos e uniformes de pixels) (Figura 11). Figura 11. Imagem de alta resolução espacial obtida pelo sensor SAAPI (2011) de uma área agrícola do município de Indaial, segmentada no programa eCognition® com os parâmetros: 0,5 forma, 0,5 compacidade e 200 escala (default) Com esta nova abordagem de interpretação de imagens, o objeto é entendido como a instância (exemplo) de uma classe e a classe é representada por um conjunto de 44 objetos com características semelhantes. As características de um objeto são denominadas atributos e as funções para manipulá-los ou retratar seu comportamento são chamadas de métodos (FRANCISCO; ALMEIDA, 2012). Na abordagem tradicional o pixel não possuía relação direta com alvos de interesse, não sendo possível calcular atributos. Os algoritmos de segmentação são geralmente baseados em duas propriedades básicas dos ND: descontinuidade e similaridade. A descontinuidade verifica a ocorrência de mudanças bruscas no ND em relação aos pixels vizinhos e a similaridade define o limite das regiões. A operação de limiarização pode ser descrita matematicamente como uma técnica de processamento na qual uma imagem de entrada f(x, y) (original) de Y níveis de cinza produz uma imagem de saída g(x, y) (limiarizada), cuja quantidade de tons de cinza é menor que Y (CADENA, 2011). Desta forma, pixels são rotulados em 0 e 1 pelo comparativo g(x, y) = 1 se f(x, y) ≥ Y e g(x, y) = 0 se f(x, y) < Y, sendo Y um valor de nível de cinza predefinido (GONZALEZ; WOODS, 2000). Ou seja, a segmentação varre a imagem pixel-a-pixel, associando-os a um determinado objeto. González e Woods (2000), reportam que o algoritmo que melhor representa os parâmetros de descontinuidade e similaridade é o algoritmo de crescimento de regiões, disponível no software eCognition®, por meio da ferramenta “segmentação multiresolução” (multiresolution segmentation). 2.8.7 Algoritmo Multiresolution Segmentation Algoritmos tradicionais de segmentação consideram exclusivamente semelhanças espectrais, independentemente de suas ocorrências, ou seja, partem da hipótese de que elementos vizinhos pertencem à mesma classe e esta hipótese é confirmada ou rejeitada (CADENA, 2011). Para Antunes (2003), entretanto, a segmentação de objetos não deve se restringir às propriedades espectrais (i.e. tons de cinza) e deve considerar outros parâmetros, como textura, tamanho e forma. Estas informações de textura, tamanho e forma podem ser extraídas de sensores remotos de alta resolução espacial. O algoritmo multiresolution segmentation, proposto por Baatz e Schäpe (2000), considera várias propriedades, sendo hoje um dos principais algoritmos utilizados na segmentação de imagens de alta resolução espacial. Ele utiliza a técnica de fusão de regiões “emparelhadas” (pairwise), no qual pares ou regiões de pixels são fundidos em unidades maiores por meio de interações por meio do algoritmo de abordagem de 45 evolução de rede fractal11 (Fractal Net Evolution Approach – FNEA) (DEFINIENS, 2009). Segundo Baatz e Schäpe (2000) a segmentação multiresolução gera objetos a partir da fusão de pixels de acordo com três critérios pré-estabelecidos; escala, forma/cor e compacidade/suavidade. A escala é o parâmetro que determina a heterogeneidade máxima dos objetos (SILVA, 2012). Segundo Baatz e Schäpe (2000), ela que vai determinar o tamanho dos objetos a serem criados, ou seja, um valor alto vai gerar objetos maiores e um baixo valor vai gerar objetos menores (vários objetos). Além da escala, o método de segmentação leva em conta atributos de cor e forma, que são ponderados pelo tamanho dos objetos. A forma/cor é o critério que define a importância do valor espectral (ND) e a compacidade/suavidade define a forma de contornar os objetos, ou seja, a suavidade (próximo a 1) é responsável por gerar fronteiras suaves, enquanto que a compacidade (próximo a 0) relaciona-se com a geometria dos objetos (Figura 12). Figura 12. Diagrama de execução do algoritmo multiresolution segmentation Fonte: Silva (2012). Onde: COR = 1 – Forma; Forma = Compacidade + Suavidade; Suavidade = (1 –βcompacidade) * Forma; e Compacidade = βcompacidade * Forma. Francisco e Almeida (2012) explicam que um alto valor de compacidade produz segmentos menores e compactos, tipicamente relativos a alvos antrópicos, como construções. Por outro lado, um alto valor de suavidade gera segmentos com bordas suaves, relativos a alvos naturais (KRESSLER; STEINNOCHER, 2006). 11 estrutura geométrica que mantém suas características físicas mesmo quando repartida em partes menores. 46 A equação 2.1 mostra a relação entre coeficientes de heterogeneidade para o fator forma e cor dos objetos na composição do critério de similaridade f, sendo que wcor é o peso fornecido ao parâmetro cor, hcor é o coeficiente de heterogeneidade do atributo cor e hforma é o coeficiente de heterogeneidade do atributo forma. f = wcor . hcor + (1 – wcor) . hforma (2.1) Deste modo, o valor de f é comparado com o valor de escala fornecido pelo usuário e, caso o parâmetro escala seja menor que o quadrado da similaridade, os dois subobjetos são agrupados. A informação de borda é utilizada para separar regiões e propriedades espectrais para agrupar áreas similares (KURY; VIEIRA, 2002). Neste processo, a primeira segmentação é sempre realizada sobre o valor dos pixels (pixel level). Porém, quando aplicado sobre um nível de segmentação já existente (image object level) o processo irá fundir objetos em superobjetos em níveis superiores, ou então, subdividi-los em subobjetos em níveis inferiores, em ambos os casos respeitando fronteiras já existentes, construindo uma rede hierárquica entre os níveis de segmentação (FRANCISCO; ALMEIDA, 2012). 2.8.8 Atributos intrínsecos aos objetos A caracterização dos objetos segmentados em uma imagem é realizada por meio de atributos (BATISTA, 2006). Para melhorar o entendimento da interferência destes atributos no processo de reconhecimento, segue apresentado na figura 13 um exemplo prático. Analisando os objetos 1, 2 e 5, nota-se que estes são característicos de vegetação. Intuitivamente, visto sua composição e experiências de campo, o objeto 1 é uma vegetação secundária avançada, o objeto 2 de vegetação em estágio médio de regeneração e o 5 uma floresta plantada. Porém, para uma classificação automática a discriminação é feita por atributos como textura (homogeneidade, entropia, contraste), características estatísticas (brilho, média, desvio padrão do ND), geometria (forma), entre outros. 47 Figura 13. Interpretação de imagem a partir de atributos em uma área agrícola de Indaial por meio de uma imagem de alta resolução espacial na composição 321, sensor SAAPI (2011) Por exemplo, a textura pode ser usada para diferenciar os objetos 1 e 2 do objeto 5, assim como a forma, que em geral, para florestas plantadas possuem um formato geométrico. Outros atributos também podem ser utilizados, como, desvio padrão (objeto 3), brilho (objeto 4), densidade (objeto 6) e assimetria (objeto 7). O objetivo dos softwares de análise e interpretação de imagens consiste nas mesmas discussões levantadas acima, entretanto, por meio de algoritmos matemáticos. 2.8.9 Classificação orientada a objetos (OBIA) por atributos Com a imagem segmentada, objetos formados passam a apresentar especificação espectral e espacial, no qual são fundamentadas as classificações. O diferencial da OBIA é que os objetos são organizados em base de dados (MARPU, 2009), sendo possível calcular, para cada objeto, parâmetros estatísticos e coeficientes relacionados (Figura 14). 48 Figura 14. Atributos disponíveis no software eCognition® Segundo Navulur (2006), os atributos variam de caso a caso, porém os mais utilizados são os estatísticos (média, brilho e desvio padrão, menor valor de um pixel, razão) e espaciais (área, comprimento) e morfológicos (forma) (Tabela 2). Tabela 2. Descrição de alguns atributos estatísticos e espaciais disponíveis no eCognition® Atributos Descrição Fórmula Média Valor médio dos ND de uma banda espectral para cada objeto Desvio padrão Variação dos ND de cada objeto de uma banda espectral Mb = média espectral do objeto na banda b; n = número de pixels de um objeto; e NDbi = valor do número digital do pixel i na banda b σb = desvio padrão espectral do objeto; n = número de pixels de um objeto; NDbi = valor do número digital do pixel i na banda b; e Mb = média espectral do objeto na banda b. Continua Tabela 2 ... 49 Atributos Descrição Brilho ND do objeto em relação a todas as bandas espectrais Razão Razão entre a média do objeto de uma banda pelo somatório das médias de todos os objetos na mesma banda Máxima diferença Indica a máxima diferença do ND entre todas as variáveis espectrais de média Área Medida de quantidade de pixels de superfície Comprimento Densidade Assimetria ... continuação Tabela 2. Fórmula br = brilho; nb =número total de bandas espectrais; e Mj = média espectral do objeto j. rb = razão do objeto na banda b; Mb = média do objeto na banda b; j = identificação do objeto; e t = total de objetos na banda b. md = máxima diferença espectral; mmax = máxima média espectral do objeto j; mmin = mínima média espectral do objeto j; e br = brilho. A = área; a = área verdadeira de um único pixel; n = número de pixels de um objeto; e i = unidade de pixel. Extensão linear no espaço de uma extremidade a outra l = comprimento; Ap = área do retângulo inscrito ao objeto; e γ = razão comprimento por largura. em um objeto Descreve a compactação dos objetos. É descrito d = densidade; n = número de pixels de um objeto; pela razão da área var(X) = componente na direção de X; e var(Y) = que cobre um componente na direção de Y. objeto pelo seu raio. Representa a regularidade geométrica de um Ass = assimetria; l = comprimento; e w = largura. objeto. Fonte: Adaptado Batista (2006) e Definiens (2009) Além dos atributos clássicos, alguns autores citam também a importância da textura durante o processo de classificação. A textura, segundo Batista (2006), é a combinação entre a magnitude e a frequência da variação tonal numa imagem, produzida pelo efeito conjunto de todos os padrões no espaço. Para Marpu (2009), a textura dos 50 alvos terrestres, correspondente à distribuição espacial da variação do ND, é uma das características mais importantes para a identificação de objetos em uma imagem. Haralick12 (1979) descreve a textura pela quantidade de padrões de forma e de distribuição e organização espacial. Os algoritmos de textura são geralmente divididos em estruturais e estatísticos. Os estruturais consideram a textura como uma repetição de padrões primitivos básicos, definidos por regras específicas (CHICA-OLMO; ABARCA-HERNÁNDEZ, 2000). Já os estatísticos propõem-se a modelar a textura com base na distribuição dos números digitais (ND) (BATISTA, 2006). Os algoritmos estatísticos de textura são divididos em primeira e segunda ordem. Medidas de primeira ordem calculam variáveis de média, variância e de ocorrência em relação à vizinhança de um pixel (distribuição dos níveis de cinza), e as de segunda ordem, além de descreverem distribuição, apresentam também relação espacial. Um dos algoritmos estatísticos de segunda ordem mais utilizados são as “matrizes de coocorrência dos níveis de cinza” (Grey Level Coocorence Matrix – GLCM). Este método extrai a textura pela relação espacial existente entre ND em diferentes direções (FRANCISCO; ALMEIDA, 2012). Como as GLCM são dependentes da frequência de ocorrência, devem possuir uma função de indique relações angulares (θ) e relação de distância entre o par de ND. No que diz respeito aos relacionamentos angulares são utilizados quatro relacionamentos diferentes (0°, 45°, 90° e 135°) quando se sabe a priori a orientação de uma feição de interesse ou uma média de todas as direções (all directions) paras as demais situações. As variáveis mais utilizadas neste trabalho são: homogeneidade, contraste, entropia, dissimilaridade e desvio-padrão (Tabela 3). Tabela 3. Descrição de alguns atributos texturais disponíveis no software eCognition® Atributo Descrição Fórmula Homogeneidade Descreve homogeneidade local dos níveis de cinza de uma imagem. Resultado: Maior para as menores diferenças entre os ND. ho = homogeneidade; i = linha da matriz; j = coluna da matriz; Pi,j = valor normalizado do ND para os pixels i e j; N = número de linhas ou de colunas. Continua Tabela 3 ... Robert Martin Haralick (1945), personagem importante na área de reconhecimento de padrões e análise de imagens. Desenvolveu um modelo que analisa a textura usando coocorrência espacial de níveis de cinza. 12 51 Atributo Descrição Contraste Diferença entre os mais altos e os mais baixos valores de um conjunto de pixels adjacentes (frequência espacial) Dissimilaridade Quantifica a diferença interna entre os elementos. É semelhante ao contraste, porém apresentada com maior amplitude. Entropia Estima a desordem dos dados. A entropia está relacionada à energia da GLCM através de correlação linear negativa Desvio-padrão ... continuação Tabela 3. Fórmula co = contraste; i = linha da matriz; j = coluna da matriz; Pi,j = valor ND para os pixels i e j; N = número de linhas ou de colunas. diss = dissimilaridade; i = linha da matriz; j = coluna da matriz; Pi,j = valor ND para os pixels i e j; N = número de linhas ou de colunas. en = entropia; i = linha da matriz; j = coluna da matriz; Pi,j = valor ND para os pixels i e j; N = número de linhas ou de colunas. Fornece uma medida de dispersão em torno da média em uma determinada direção, a σ = desvio padrão; σ2i,j = variância dos certa distância ND na posição i,j. Fonte: Adaptado Batista (2006) e Definiens (2009) 2.8.9.1 Mineração de dados A ampla disponibilidade de imensas bases de dados (podendo-se citar neste caso o extenso banco de dados dos objetos segmentados) e necessidade de transformar tais dados em informação e conhecimento úteis para o suporte à decisão tem demandado uso de ferramentas e técnicas de análise automática e inteligente de “entendimento das informações dos bancos de dados” (Knowledge Discovery in Databases – KDD), também intituladas mineração de dados. As técnicas de mineração utilizam métodos de identificação de padrões no sentido de “entender” informações para uma tarefa em questão. Essas técnicas utilizam algoritmos de diferentes áreas de conhecimento, como programação computacional, inteligência artificial e estatística. Algoritmos de mineração geralmente possuem diversas funcionalidades, no entanto, apenas duas delas foram abordadas nesse trabalho, a Seleção de atributos e a Classificação. A seleção de atributos é utilizada quando se necessita encontrar atributos 52 que têm peso maior ou até determinante nas tarefas, separando-os dos atributos irrelevantes. Pode-se citar o Gain Ratio, Principal Components, Chi Square e CFS Subset. Já a classificação por mineração de dados por meio de algoritmos supervisionados determina o valor de um atributo por meio dos valores de um subconjunto dos demais atributos da base de dados. As formas mais comuns de representação de conhecimento dos algoritmos de classificação são a partir de árvores e regras. Os algoritmos Id3, C45, J48, AD Tree, Prediction Node, Classifier Tree, geram resultados no formato de árvores de classificação, enquanto que o Prism, Part e One R geram resultados em regras de classificação. 2.8.9.2 Funções de pertinência O modelo de interpretação e classificação de imagens evoluiu para o que se convencionou chamar árvore de processos, que nada mais é do que apresentar a sequência de processos/operações construída para a interpretação da imagem. O software eCognition® utiliza a “linguagem de rede de conhecimento” (cognition letwork language) que é uma linguagem de programação utilizada para traduzir o processo de reconhecimento humano por meio de uma série de regras, combinando algoritmos e características especificas (DEFINIENS, 2009). Um processo é um módulo elementar de um conjunto de regras e fornece uma solução para um problema específico. Segundo Francisco e Almeida (2012), a construção da base de conhecimento é uma das tarefas mais importantes, pois ela seleciona define os atributos que descrevem melhor as classes às quais os objetos pertencem. As regras no método de classificação escolhido para este trabalho baseiam-se em funções de pertinência, de modo que o valor de aderência de um objeto deve ser fornecido para cada classe. Francisco e Almeida (2012) colocam que essa metodologia pode ser utilizada de forma heurística pelo usuário, testando iterativa e interativamente os descritores, funções e seus limiares para a discriminação das classes, ou de forma automática, por meio de técnicas de mineração de dados que extraem informações de interesse de uma base de dados por meio de algoritmos de reconhecimento. Depois de definidos os limiares são inseridos os descritores nas funções de pertinência (Figura 15). 53 Figura 15. Tipos de funções de pertinência utilizadas no software eCognition® Fonte: Definiens (2009). As funções de pertinência fornecidas pelo software eCognition® são divididas em “rígidas” (crisp) ou “difusas” (fuzzy13), que, respectivamente, indicam o limiar ou o intervalo (grau de associação) de cada objeto a uma determinada classe. À esquerda está representada a lógica Booleana, na qual a relação de um elemento a um conjunto é definida por uma função “intervalo total” (full range, ex. maior do que o número, >30). Já à direita da figura 14, utilizando à lógica difusa, considera-se o intervalo/grau de pertinência (representado por uma aproximação de uma função gaussiana). Segundo Laba et al. (2002) com a lógica difusa o resultado pode não ser único, associado a diferentes graus de pertinência. 2.8.10 Acurácia da classificação Para Congalton e Green (1999), a acurácia temática está relacionada à acurácia das classes do mapa em relação à realidade. A forma mais comum de verificar a acurácia de um mapa temático é a partir da matriz de confusão14 (Tabela 4). Tabela 4. Representação matemática da matriz de confusão Colunas (amostras de referência) = +i Linhas (classificado) = i+ 1 2 ... k Total da coluna X+i 1 2 ... k X11 X21 ... Xk1 X12 X22 ... Xk2 ... ... ... ... X1k X2k ... Xkk X+1 X+2 ... X+k Total da linha Xi+ X11 X11 ... Xk+ A matriz de confusão é representada por uma matriz com igual número de colunas e linhas, dado que as colunas representam os dados de referência e, as linhas indicam o 13 14 conceito introduzido pelo azerbaijano Lotfali A. Zadeh (1921-), matemático e cientista da computação. técnica de aferição de desempenho de algoritmos supervisionados. 54 classificado (CONGALTON; GREEN, 1999; LILLESAND et al., 2004). Os elementos da diagonal principal indicam o nível de acerto entre os dois conjuntos de dados. Pela matriz de confusão, é possível calcular medidas descritivas, como exatidão geral, exatidão do usuário e exatidão do produtor. A exatidão geral é a razão entre a soma de todos os elementos classificados corretamente pelo total, calculada equação 2.2: (2.2) Onde: eg = exatidão geral; r = número de classes; xii = elementos da diagonal principal; N = número total de amostras. O resultado desse índice tende a superestimar o resultado da classificação, uma vez que considera apenas a proporção de concordância plena (correta) (CADENA, 2011). Por isso, índices como exatidão do usuário e do produtor também são calculados. A exatidão do usuário é expressa pela razão do número de elementos classificados corretamente de uma classe pelo número total de amostras classificadas na mesma, equação 2.3. (2.3) Onde: eu = exatidão do usuário; xii = elementos de elementos classificados corretamente; xi+ = total de elementos classificados para uma classe i. A exatidão do usuário reflete os erros de comissão que indicam a probabilidade de um elemento classificado em uma determinada classe realmente pertencer à mesma (LILLESAND et al., 2004), ou seja, incluir um objeto na classe que ele não pertence. A exatidão do produtor é a razão entre o número de elementos classificados corretamente de uma classe pelo número de elementos de referência amostrados na mesma classe (LILLESAND et al., 2004), equação 2.4. (2.4) Onde: ep = exatidão do produtor; xii = elementos de elementos classificados corretamente; xi+ = total de elementos de referência para uma classe i. 55 A exatidão do produtor reflete os erros de omissão da classificação, ou seja, a probabilidade de um objeto ser excluído (não classificado) da classe a que ele pertence. Outra medida bastante conhecida, embora questionada por vários autores (POWERS, 2012), é o coeficiente de concordância Kappa15. Seu diferencial consiste em incorporar elementos fora da diagonal principal. O Kappa é obtido pelas equações 2.5, 2.6 e 2.7. (2.5) (2.6) (2.7) Onde: K = índice de Kappa; Po proporção de concordância observada; Pc = proporção de concordância esperada ao acaso; M = número de classes presentes na matriz de erro; ni,j = número de observações na linha i e coluna j; ni+ e nj+ = totais marginais da linha da linha i e coluna j; N = número total de unidades amostrais contempladas pela matriz. Congalton e Green (1999), afirmam ainda que quando mais de um mapeamento é executado pode-se utilizar um teste para determinar se dois valores independentes Kappa e duas matrizes de confusão são significativamente diferentes, através do teste z. Por este teste é possível comparar estatisticamente duas análises, dois algoritmos ou até mesmo duas datas de imagens e ver qual delas que produz a maior precisão. A estatística para testar a diferença entre as duas matrizes de erro foi obtida pela equação 2.8: (2.8) e são as estimativas da estatística de Kappa para a matriz de erro #1 e #2, respectivamente; vâr( ) e vâr( ) são correspondentes as estimativas de variância; Z é o valor padronizado e normalmente distribuído (erro padrão normal). Dada à hipótese nula Ho: (K1-K2) = 0, e a alternativa H1: (K1-K2) ≠ 0; Ho é rejeitada se Z ≥ Zα/2, no qual α/2 é o nível de confiança do teste z de duas caudas e os graus de liberdade são ∞ (infinitos). 15 medida estatística de concordância (qualitativa), desenvolvida pelo americano Jacob Cohen (1923-1998). 56 3 MATERIAL E MÉTODOS 3.1 ÁREA DE ESTUDO Foi escolhido como objeto de estudo a Floresta Ombrófila Densa (FOD), mais especificamente na região do litoral centro norte do Estado (municípios de Ascurra/Indaial, Massaranduba/Luiz Alves e Gaspar). As três áreas teste foram escolhidas devido ao uso do solo predominante da região e pela proximidade da das áreas teste em relação à Universidade Regional de Blumenau (FURB). Na área teste de Ascurra/Indaial o uso do solo é predominantemente agrícola (rizicultura e pastagem), em Massaranduba/Luiz Alves o uso acentuado é por plantações de banana e em Gaspar ocorre uma mescla de rizicultura, pastagem e área urbana. As áreas testes escolhidas estão inseridas nas Unidades Amostrais da Paisagem (UAP), que são objetos de estudos da paisagem do IFFSC. A malha (grid) dos pontos centrais entre as UAP é de 40 km x 40 km, com a área de 10.000 ha. As áreas teste tiveram sua nomenclatura associada a sequencia numérica das UAP, ou seja, áreas testes A, B e C correspondem, respectivamente, as UA 634, 638 e 863 do IFFSC (Figura 16). Figura 16. Localização das três áreas teste 57 O tamanho de cada área teste é de aproximadamente 32 km². 3.2 BASE DE DADOS 3.2.1 Imagens de Aerolevantamento do estado de Santa Catarina Um aerolevantamento fotográfico no Estado de Santa Catarina foi executado com recursos da Secretaria de Estado do Desenvolvimento Econômico Sustentável (SDS-SC) no ano de 2011, contendo 57.000 ortofotografias aéreas, na escala nominal 1:5.000 (PEC/1984), altura média do voo 3.985 m e distancia focal 50 mm. O levantamento foi realizado com um Sistema Aerotransportado de Aquisição e Pós-processamento de Imagens Digitais (SAAPI), que possui sensor CCD (Charge Coupled Device, “dispositivo de carga acoplado”) com tamanho do pixel de 6 microns e um filtro UV-Sky que filtra a luz ultravioleta e compensa o efeito de bruma atmosférica. Os produtos gerados pelo aerolevantamento são: três ortofotos coloridas (azul: 0,38 – 0,52 µm/verde: 0,52 – 0,63 µm/ vermelho: 0,63 -0,70 µm) e três ortofotos no infravermelho próximo (NIR) (IR1: 0,76 µm; IR2: 0,77 µm; IR3: 0,78 µm). Além disso, o levantamento contém um modelo digital de terreno (MDT, ou digital terrain model - DTM), um modelo digital de superfície (MDS, ou digital surface model – DSM). As bandas VIS e NIR possuem resolução espacial de 0,39 m x 0,39 m e resolução radiométrica de 8 bits. Já o MDE e o MDT possuem uma resolução espacial de 1m x 1m e resolução radiométrica de 32 bits. Todo pacote de dados recebido pela SDS-SC foi entregue com a etapa de préprocessamento (ajuste radiométrico, níveis de contraste, tonalidade, homogeneização das imagens, balanceamento de cores, ortorretificação e mosaicagem) realizada (ENGEMAP, 2012). 3.2.2 Estrutura das imagens Para que houvesse a completa sobreposição da UAP e as imagens do aerolevantamento foram necessárias de 9 (área teste A e C) a 12 (área teste B) cenas, sendo que este número dependia da posição da UAP em relação ao plano de voo e do bloco de imageamento (Figura 17). Nem todas as imagens que cobriam a UAP foram utilizadas no estudo. Devido à alta resolução espacial das imagens o processamento destas torna-se demorado, impossibilitando a aplicação da metodologia para todas as cenas. Por 58 isso, dentro do conjunto de imagens que compreendiam a UAP foi escolhida apenas uma imagem que apresentava a maior área de florestas secundárias (definida área teste). Essa etapa foi intitulada pré-identificação e teve por objetivo identificar e filtrar informações das imagens passíveis de classificação e escolher aquelas que seriam as áreas teste. Figura 17. Estrutura de uma imagem do sensor SAAPI com: (A) 9 e (B) 12 cenas, para cobrir a UAP (amarelo) A B 3.2.3 Materiais Para o desenvolvimento da pesquisa foram necessários: - Ortoimagem aérea de alta resolução espacial (VIS, IR, MDS e MDT); - eCognition Developer® 8.0: utilizado na interpretação, segmentação, processamento e classificação das imagens; - ENVI 4.7: utilizado para classificar imagens pelo método de classificação tradicional (pixel-a-pixel) supervisionado (máxima verossimilhança) e não supervisionado (K-means); - WEKA® 3.6: seleção de atributos e mineração de dados; - ArcGIS® 10: manipulação e formatação de mapas temáticos. - Materiais de campo: utilizados nas etapas de coleta de campo, como facão, GPS, bússola, podão, cruzeta, trenas, fichas de campo e fita métrica. 3.3 LEVANTAMENTO EM CAMPO Com o objetivo de verificar a ocorrência e a resposta das áreas em regeneração nas imagens foram realizados levantamentos florísticos e estruturais em campo de áreas potenciais. Foram instaladas três UA na área teste A, uma UA na área teste B e duas UA 59 na área teste C. Estes levantamentos buscaram coletar variáveis dendrométricas e compará-las com a legislação brasileira e com a resposta espectral das imagens de alta resolução espacial, no sentido de conhecer a verdade de campo e posteriormente encontrar uma possível correlação com atributos estatísticos e texturais (Tabela 5). Tabela 5. Variáveis mensuradas e calculadas a partir dos levantamentos em campo e suas utilidades em relação à etapa de correlação Variáveis mensuradas Circunferência a altura do peito (CAP) Contagem de indivíduos, espécies e fustes Altura por espécie Descrição da área Variáveis calculadas Diâmetro a altura do peito (DAP) Utilizadas na correlação Diâmetro a altura do peito (DAP) Área Basal (AB) Área Basal (AB) Altura média (Htm) Número de indivíduos (N) Densidade absoluta (DA) Densidade relativa (DR) Dominância absoluta (DoA) Dominância relativa (DoR) Valor de cobertura (VC) Intervalo de confiança (IC) Número de indivíduos (N) Antes de iniciar o levantamento, áreas potenciais passaram por uma conferência prévia no sentido de verificar se as mesmas se apresentavam condizentes na imagem. A alocação das UA deu-se de forma aleatória dentro do limite de cobertura da imagem. A UA baseou-se na metodologia utilizada pelo IFFSC que utiliza o método de área fixa por meio de conglomerados compostos por quatro subunidades perpendiculares a um ponto central (VIBRANS et al., 2010). A UA utilizada, entretanto, é reduzida em tamanho em relação à metodologia original. A área total do conglomerado é de 1.600 m², com quatro subunidades de 400 m². As subunidades têm dimensões de 20 m x 20 m e são orientadas na direção dos pontos cardeais (norte, sul, leste e oeste). Cada subunidade encontra-se a 10 m do centro e é divida em quatro quadrantes de 10 m x 10 m (100 m²) (Figura 18). Em cada quadrante foram anotadas informações, como família ou gênero16 (nome científico), número sequencial, quadrante, circunferência a altura do peito (CAP) e altura média, de todas as espécies que atendiam o critério de CAP ≥ 9,42 cm (ou diâmetro a altura do peito (DAP) ≥ 3 cm). O CAP de cada indivíduo foi medido a 1,30 m da altura 16 As espécies que não foram identificadas foram coletadas para identificação posterior. 60 do solo com uma fita métrica. Esta primeira seleção determina o estrato 1, ou seja, o estrato da vegetação superior. Nos quadrantes das subunidades foram também alocadas subparcelas de 5 m x 5 m (25 m²) nas extremidades do polígono imaginário, sendo um total de 4 subparcelas por subunidade (Figura 18). Nas 16 subparcelas foi identificado nome científico, altura média e feita a contagem de todas as espécies de plantas que não se enquadraram no critério do estrato 1. O estrato 2 representa as espécies da regeneração que virão a integrar o dossel do próximo estágio sucessional. Figura 18. Estrutura da UA utilizada nos levantamentos em campo, baseada em Vibrans et al. (2010) Durante as coletas, houve espécies que não puderam ser identificadas em campo. Nestes casos, houve a coleta de material botânico assim com sua identificação (NI – não identificado – e número sequencial) para posterior identificação mediante comparações à coleção do herbário Dr. Roberto Miguel Klein (FURB) e herbário do Laboratório de Dendrologia da FURB. 3.3.1 Processamento dos dados de campo Os dados coletados (CAP, n° de fustes e altura de cada indivíduo) foram digitalizados em planilhas no aplicativo Excel®. Com isso, foi calculada para cada UA a 61 média aritmética das variáveis DAP, Área Basal (AB), número de indivíduos (N) e altura média total (Htm) em relação a cada espécie do conjunto de indivíduos. Também foram calculados, para cada espécie da UA, os parâmetros fitossociológicos de estrutura horizontal: Densidade Absoluta (N/ha), Densidade relativa (%), Dominância absoluta (m²/ha), Dominância relativa (%) e Valor de Cobertura (%) (MUELLER-DOMBOIS; ELLENBERG, 1974). O CAP (cm) foi transformado em DAP (cm) com a equação 3.1. (3.1) Onde: CAP = Circunferência à altura do peito; π ≈ 3,14159 A Área Basal (AB – m²) foi calculada pela equação 3.2. (3.2) Onde: DAP = Diâmetro à altura do peito; π ≈ 3,14159 A Densidade Absoluta (DA - indivíduos/ha) foi calculada pela equação 3.3. (3.3) Onde: N = número de indivíduos da espécie; 1 ha = 10.000 m²; UA = área total da unidade amostral (m²), neste caso 1.600. A Densidade Relativa (DR - %) foi calculada pela equação 3.4. (3.4) Onde: DAespécie = Densidade Absoluta da espécie; DAtotal = Soma da Densidade Absoluta de todas as espécies da UA. A Dominância Absoluta (DoA - m²/ha) foi calculada pela equação 3.5. (3.5) Onde: AB = Área Basal da espécie; 62 DA = Dominância Absoluta da espécie; N = Número de indivíduos da espécie. A Dominância Relativa (DoR - %) foi calculada pela equação 3.6. (3.6) Onde: DoAespécie = Dominância Absoluta da espécie; DoAtotal = Soma da Dominância Absoluta de todas as espécies da UA. O Valor de cobertura (VC - %) foi calculado pela equação 3.7. (3.7) Onde: DR = Densidade Relativa da espécie; DoR = Dominância Absoluta da espécie. 3.3.2 Análise estatística dos dados de campo 3.3.2.1 Análise de Variância (ANOVA) A análise de variância (Analysis of Variance17, ANOVA), foi aplicada para comparar se as médias dos grupos são estatisticamente iguais. As comparações neste estudo foram feitas ao nível de significância de 5% (α = 0,05) para todas as variáveis. Basicamente, a ANOVA divide a variabilidade total em variabilidade Entre Amostras e variabilidade Dentro das Amostras, e compara as duas (MOSER, 2013). Neste caso, a variabilidade Entre as Amostras foi responsável por encontrar diferenças entre as UA e a variabilidade Dentro das Amostras para encontrar diferenças entre as subunidades. A ANOVA foi executada no software PAST versão 2.14 (HAMMER et al., 2001). 3.3.2.2 Comparando diferenças pareadas: teste de Tukey-Kramer Quando é encontrada evidência de diferença entre a média dos grupos (ANOVA) é necessário fazer uma análise posterior, pois a ANOVA não fornece informações de quais grupos que diferem significativamente entre si, apenas a existência de diferença. Para identificar quais são os grupos diferentes se aplica um procedimento a posteriori (ou 17 desenvolvida por Ronald Aylmer Fisher (1890-1962). 63 post hoc), uma vez que as hipóteses de interesse são formuladas depois que os dados foram inspecionados (MOSER, 2013). Dois exemplos destes testes são o teste de Tukey18 e o teste de Scheffé19. Para Moser (2013) o teste de Scheffé é menos eficaz do que o teste de Tukey, porém, como o número de indivíduos dos grupos é diferente o teste de Tukey também não pôde ser utilizado. Desta forma, utilizou-se uma modificação, chamado Teste de Tukey-Kramer20, que permite a comparação de grupos com tamanhos distintos. Este teste compara simultaneamente em pares todos os grupos (LEVINE, 1998). Como os grupos serão comparados par a par, têm-se k(k-1)/2 de pares de médias, sendo que k é o número de grupos. O intervalo crítico (Tukey Significant Difference - TSD) para o teste é obtido pela equação 3.8. (3.8) Onde N = número total de observações; Qα(k,N-k) = valor crítico (tabelado) do intervalo da cauda superior da distribuição intervalar padronizada de Student21, ao nível de significância α, com k graus de liberdade no numerador e N-k no denominador; SQMdentro = soma dos quadrados médios dentro dos grupos (ANOVA); ni e nj = tamanhos das amostras para o grupo i e j, respectivamente. Calcula-se a diferença absoluta | i – j|, onde Xi e Xj são as médias dos grupos serem comparados. O par em análise tem média significativamente diferente se a diferença absoluta da média das amostras | i – j|, exceder o intervalo crítico TSD. Se os tamanhos das amostras forem diferentes, o intervalo crítico é diferente para cada par de médias comparado (MOSER, 2013). Este teste foi utilizado para comparar, de forma pareada, as UA em relação às variáveis dendrométricas N, AB, DAP, Htm, quando a ANOVA apresentou evidências de diferença. As análises post-hoc foram geradas por meio do software PAST versão 2.14 (HAMMER et al., 2001). Todas as análises estatísticas utilizaram uma significância de α=0,05. desenvolvido pelo americano John Wilder Tukey (1915 - 2000). desenvolvido pelo americano Henry Scheffé (1907 – 1977). adaptado pela americana Edna Ernestine Kramer (1902 – 1984). 21 pseudônimo do inglês William Sealy Gosset (1876 – 1937). 18 19 20 64 3.3.2.3 Similaridade e diversidade Para verificar a similaridade entre as UA foram utilizados dados de composição de espécies e a técnica multivariada da análise de agrupamentos (Cluster Analysis). A análise de agrupamentos utilizou o algoritmo de ligação por grupos pareados (Paired Group). Para realizar o agrupamento foi utilizado o software PAST versão 2.14 (HAMMER et al., 2001). As medidas de similaridade utilizadas foram Bray-Curtis22 que utiliza valores de abundância de espécies e Jaccard23 que utiliza dados de presença ausência (0 ou 1). Foram calculados também pelo software PAST os índices de similaridade (Sørensen) e diversidade (Simpson 1D- e Shannon H-). 3.4 PROCESSAMENTO DOS DADOS DE SENSORES REMOTOS 3.4.1 Dados de entrada A importação dos dados de entrada foi diferenciada por área teste (Tabela 6). Tabela 6. Dados de entrada do sensor SAAPI por área teste Ref. Layer R RGB G B IR1 IR IR2 IR3 MDS MDT A RGB_SG-22-Z-B-IV3-SE-F(1).tif RGB_SG-22-Z-B-IV3-SE-F(2).tif RGB_SG-22-Z-B-IV3-SE-F(3).tif IR_SG-22-Z-B-IV-3SE-F(1).tif IR_SG-22-Z-B-IV-3SE-F(2).tif IR_SG-22-Z-B-IV-3SE-F(3).tif MDS_SG-22-Z-B-IV3-SE-F.tif MDT_SG-22-Z-B-IV3-SE-F.tif Área teste B RGB_SG-22-Z-B-V-3SO-D(1).tif RGB_SG-22-Z-B-V-3SO-D(2).tif RGB_SG-22-Z-B-V-3SO-D(3).tif IR_SG-22-Z-B-V-3SO-D(1).tif IR_SG-22-Z-B-V-3SO-D(2).tif IR_SG-22-Z-B-V-3SO-D(3).tif MDS_SG-22-Z-B-V3-SO-D.tif MDS_SG-22-Z-B-V3-SO-D.tif C RGB_SG-22-Z-B-V1-SO-B(1).tif RGB_SG-22-Z-B-V1-SO-B(2).tif RGB_SG-22-Z-B-V1-SO-B(2).tif IR_SG-22-Z-B-V-1SO-B(1).tif IR_SG-22-Z-B-V-1SO-B(1).tif IR_SG-22-Z-B-V-1SO-B(1).tif - Para auxiliar o entendimento da metodologia e da sequência dos processos executados foi elaborado um fluxograma metodológico (Figura 19). 22 23 índice de dissimilaridade, homenagem aos americanos John Thomas Curtis (1913 – 1961) e J. Roger Bray. estatística de similaridade e diversidade, em homenagem ao suíço Paul Jaccard (1968 - 1944). 65 Figura 19. Fluxograma da metodologia utilizada no trabalho 3.4.2 Segmentação Para a criação dos objetos da imagem foi utilizada a plataforma do software eCognition Developer® 8.0. O algoritmo utilizado foi o Multiresolution Segmentation que trabalha com valores de pixel, geometria e textura. Para cada área teste foi criado um projeto separado, com os mesmos critérios de segmentação. 66 No item “forma” (shape) foram trabalhados valores de 0 a 1, sendo que um valor próximo a 0 (zero) fornece prioridade à informação espectral (cor) e um valor próximo a 1 (um) fornece prioridade à homogeneidade espacial (forma do objeto). No item seguinte, “compacidade” (compactness), trabalhou-se com os contornos, sendo que quanto mais elevado (1) mais compacto (geométrico) o objeto e quando mais baixo (0) mais suave o contorno. Em “configurações da segmentação” (segmentation settings) não foram fornecidos pesos as bandas da imagem (image layer weights). A alteração dos valores de cada parâmetro, assim como a sinergia entre eles, gera diferentes cenários de segmentação. Neste estudo, buscou-se obter uma segmentação “adequada” para os estágios sucessionais da vegetação, ou seja, não tendo muita importância para o tamanho dos objetos, mas priorizando os contornos bruscos (devido à fragmentação). Por isso testaram-se valores baixos de compacidade e de forma (com valor máximo de 0,5 para ambos), fornecendo assim prioridade à suavidade dos contornos e a cor dos objetos. Para a escala diversos valores foram testados (Tabela 5). Tabela 7. Parâmetros utilizados na criação dos diferentes cenários de segmentação Forma Compacidade 0,1 0,1 0,1 0,3 0,1 0,5 0,3 0,1 0,3 0,3 0,3 0,5 0,5 0,1 0,5 0,3 0,5 0,5 Escala 100, 200, 300 100, 200, 300 100, 200, 300 100, 200, 300 100, 200, 300 100, 200, 300 100, 200, 300 100, 200, 300 100, 200, 300 A verificação da qualidade da segmentação para as diferentes combinações dos parâmetros de entrada foi feita por meio da análise visual (Figura 20). 67 Figura 20. Cenários de segmentação gerados com escala de segmentação de 100 (A) e 300 (B), sob os mesmos parâmetros de forma e compacidade (forma: 0.1 e compacidade: 0.1) em uma imagem de alta resolução espacial adquirida pelo sensor SAAPI (2011) A B Durante a análise visual foram comparadas as formas e o tamanho dos objetos formados, bem como sua representatividade em relação às feições terrestres. Com a segmentação definida é possível extrair as informações intrínsecas aos objetos a partir da ferramenta “exportar resultados” (export results), tanto no formato vetorial (.shp) e texto (.txt). Os primeiros testes de segmentação foram realizados na área teste A. Porém, por final, com um número menor de conjunto de parâmetros de segmentação utilizou-se todas as áreas testes, para verificar seu comportamento em relação a todas. 3.4.3 Caracterização das classes Antes de iniciar a classificação propriamente dita foi necessário definir as classes do mapa temático: floresta em estágio inicial/médio/avançado, plantações florestais (reflorestamento com Pinus spp. e Eucalyptus spp.), pastagens, culturas agrícolas (como rizicultura e bananeiras), solo exposto, área urbana, massas de água e sombra (Tabela 8). Tabela 8. Exemplo de classes utilizadas e suas características de acordo com a imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB) Fotografia Classe Composição 321 (RGB) Descrição in loco Floresta Estágio Inicial Fisionomia herbáceo-arbustiva, com cobertura aberta. Continua Tabela 8 ... 68 Classe Composição 321 (RGB) Descrição Floresta Estágio Médio Fisionomia arbustiva e arbórea, cobertura densa e parcialmente fechada. Floresta Estágio Avançado Fisionomia arbórea, cobertura fechada com dossel uniforme. Algumas árvores emergentes. Floresta Plantada Árvores homogêneas e uniformes. Pastagem Vegetação rala. Rizicultura Forma definida. Plantação de banana Vegetação densa e baixa. Solo exposto Solo sem cobertura. Massa de Água Corpos d’água ... continuação Tabela 8. Fotografia in loco 69 A caracterização foi feita com base na interpretação visual e visitas a campo realizado pelo candidato com auxílio de receptor manual (GPS) e anotações em caderneta. 3.4.4 Seleção de atributos por meio da mineração de dados Como visto, devido à natureza de cada objeto, é possível defini-lo e quantificá-lo por meio de atributos. Na Tabela 9 consta um recorte da área teste A em relação a três atributos analisados. Tabela 9. Diferentes perspectivas de uma cena de acordo com o atributo analisado Imagem composição 321 (RGB) Desvio Padrão dos ND na Banda 1 (imagem no visível) (Standart deviation layer 1) Brilho (Brightness) Razão dos ND na Banda 3 (Ratio layer 3) Antes de iniciar a seleção de atributos, uma pré-classificação de amostras (ou objetos) foi efetuada, visando fornecer a assinatura espectral, espacial e textural de cada classe, ou seja, os intervalos de reconhecimento de cada classe. A pré-classificação utilizou a ferramenta classificação manual (manual editing) do eCognition®. O número de amostras por classe (Tabela 10) dependeu do número de ocorrência daquela classe na imagem. Aproximadamente 80 atributos estatísticos, espaciais e de textura foram exportados em cada imagem pela ferramenta “exportar estatística dos objetos” (export objects statistics). Com a tabela de atributo gerada fez-se a conversão do formato exportado pelo eCognition® (.csv ou .txt) para o formato .arff (arquivos de reconhecimento do software WEKA®). 70 Tabela 10. Número de amostras (objetos) por classe Classe Área teste A % Área teste B % Área teste C % Floresta estágio inicial 410 3,3 133 1,7 226 2,0 Floresta estágio médio 356 2,9 293 3,8 177 1,6 Floresta estágio avançado 434 3,5 471 6,0 617 5,6 Floresta plantada 214 1,7 121 1,5 619 5,6 Pastagem 531 4,3 558 7,2 314 2,8 Rizicultura 160 1,3 472 6,1 26 0,2 Agricultura/Banana 45 0,6 666 6,0 Ocupação Urbana 115 0,9 594 7,7 213 1,9 Sombra 38 0,3 105 1,3 131 1,2 Solo exposto 140 1,1 131 1,7 192 1,7 Massa de água 41 0,3 77 0,9 41 0,4 Total de amostras 2.439 19,9 3.000 38,8 3222 29,0 Total de objetos na imagem 12.246 100 7.727 100 11.093 100 A seleção dos atributos foi a partir da técnica da mineração de dados com o programa WEKA® 3.6, desenvolvido pela Universidade de Waikato, na Nova Zelândia. O WEKA® é um programa de código aberto que tem uma coleção de algoritmos de aprendizagem, constituído por ferramentas de pré-processamento, classificação, regressão, agrupamento e regras de associação, que pode ser aplicado diretamente no banco de dados (HALL et al., 2009). O banco de dados neste trabalho foi o conjunto de atributos estatísticos, espaciais e texturais, calculados na segmentação e exportados pelo eCognition®. Dentro da plataforma do WEKA® utilizou-se a aba referente à seleção de atributos (select atributtes), onde foram selecionados métodos de avaliação e de procura, que vão informar a representatividade de diferenciação dos atributos. No presente trabalho foram utilizados os métodos de avaliação Gain Ratio e Chi Square e os métodos de procura Ranker. Por final, os atributos são apresentados em ordem de discriminação das classes. 3.4.5 Classificação do banco de dados pela mineração de dados Na aba de classificação do WEKA®, foi utilizado o algoritmo supervisionado de árvore de decisão J48. Segundo Goldschmidt e Passos (2005), uma árvore de decisão é uma estrutura explicativa em formato de árvore, sendo que cada nó interno da árvore representa uma decisão sobre um atributo que determina como os dados são repartidos pelos seus nós filhos. As árvores são expressas por um fluxograma, onde o nó interno 71 denota um teste com o atributo, o ramo representa o resultado do teste, e o nó externo (folha) exibe a classe (Figura 21). Figura 21. Esquema estrutural do resultado de uma árvore de decisão pelo algoritmo J48 Para a validação dos resultados, foi utilizado o teste de conjunto suporte (supplied test set) no WEKA®. Os resultados da classificação são apresentados no formato de árvore de decisão (Figura 21), linguagem if-else (Figura 22) e matriz de confusão. Figura 22. Linguagem if-else da árvore de decisão da área teste A Com as árvores no formato if-else (Figura 22) são extraídos os limiares de diferenciação e formuladas as regras de decisão por classe que puderam alimentar os 72 critérios de cada classe na plataforma do eCognition® (edit class – class description), por meio de funções de pertinência de lógica booleana. 3.4.6 Classificação dos mapas temáticos no eCognition® O procedimento de classificação utilizado foi o método de classificação avançada por função de pertinência, no qual critérios são inseridos para assinalar objetos às classes de referência de acordo com valores inerentes aquele objeto. Para este modelo no software eCognition® são necessárias duas etapas: conhecimento das características por classe e aplicação da função de pertinência. O propósito da primeira etapa foi realizado com a mineração de dados, que identificou os atributos relevantes, assim como seus limiares para cada classe. O segundo propósito tem que levar em conta quatro fatores: qual o operador lógico e o atributo a ser utilizado, o tipo de função de pertinência (Booleanas ou Fuzzy) e o limiar ou intervalo de diferenciação (Tabela 11). Tabela 11. Exemplo de preenchimento de descritores e funções de pertinência por classe utilizado na OBIA Classe Operador lógico Atributo Função Floresta or (max) and (min) Média ou desvio padrão ou brilho ou razão, entre outros Booleana ou fuzzy Limiares ou intervalo > x; < x; ≤ x; ≥ x; ou x>y>z Foram estabelecidas mais de uma função de pertinência por classe, por meio dos operadores lógicos (insert new expression - logical terms) (Figura 23). Figura 23. Regras de decisão convertidas do formato if-else (WEKA®) para o formato do eCognition®, para as classes estágio inicial (A) e avançado (B) A B 73 Quando se utiliza esta metodologia de classificação à complexidade do processamento aumenta, assim como seu tempo de execução. 3.4.7 Classificação dos mapas temáticos no ENVI® Foram gerados também mapas temáticos a partir de metodologias tradicionais de classificação de imagens de sensoriamento remoto, visando comparar a acurácia das metodologias. Utilizaram-se as técnicas de classificação supervisionada da máxima verossimilhança e a não supervisionada K-means obtidas com o software ENVI®. No caso da máxima verossimilhança, a classificação foi através da seleção de amostras (aglomerados) de pixels por meio da ferramenta ROI (Regions of Interest, ou Regiões de Interesse). A classificação utilizou um único critério de probabilidade (Probability Threshold) para todas as classes (0,85). Para a K-means, a classificação se deu por meio da seleção do número de dez classes e apenas uma interação. A matriz de confusão utilizou amostras aleatórias das ROI por meio da ferramenta Generate Random Sample do ENVI®. 3.4.8 Avaliação da classificação Foram utilizadas técnicas de acuracidade fornecidas pelos softwares eCognition® e ENVI. Com o eCognition®, depois de gerado o mapa temático, foram coletadas amostras/objetos (samples) de cada classe (Tabela 12). Tabela 12. Número de amostras (objetos) de referência por classe para validação do mapa Áreas teste Classe A B C Floresta estágio inicial 191 237 233 Floresta estágio médio 203 225 402 Floresta estágio avançado 387 139 446 Floresta plantada 166 86 385 Pastagem 174 453 186 Rizicultura 121 312 24 Banana - 439 Agricultura 39 Ocupação Urbana 116 266 264 Sombra 140 118 184 Solo exposto 102 103 197 Massa de água 58 71 50 Vias/canais - 171 - 74 Os objetos selecionados foram escolhidos pelos critérios: (1) objeto segmentado correspondente à única classe (objetos com mistura de classes não foram selecionados); (2) objetos que não colidem (fazem fronteira) com amostras de treinamento; (3) objetos estão distribuídos uniformemente na área de abrangência da área teste; e (4) apresentam similaridade com áreas observadas em campo. Tentou-se obedecer ao número mínimo de 50 amostras por classe, definido por Congalton e Green (1999), para mapas cobrindo menos de um milhão de acres (404.600 ha) e com menos de 12 classes. No entanto, devido à reduzida área de algumas classes, não foi possível a observância deste número para todas elas. As amostras coletadas foram uniformemente espalhadas, de acordo com a experiência de campo, na área de cobertura da área teste. Essas amostras de validação irão indicar a verdade terrestre. O desempenho do mapa temático foi verificado com a chave de interpretação de Landis e Koch (1977) (Tabela 13). Tabela 13. Chave de interpretação de desempenho do índice Kappa de Landis e Koch (1977). Coeficiente de Kappa Desempenho 0-20 Ruim 21-40 Fraco 41-60 Moderado 61-80 Bom 81-100 Excelente No software ENVI® a aferição da acuracidade também utilizou a técnica da matriz de confusão, a partir das mesmas amostras utilizadas para aferir a acurácia por meio do eCognition®. Neste caso, um aglomerado de pixels foi selecionado no sentido de abranger a mesma área coberta pelo objeto gerado na segmentação. No ENVI® as amostras foram selecionadas pela ferramenta ROI. Ao final foi executado o teste z para determinar a diferença na qualidade das três metodologias utilizadas de classificação, duas supervisionadas (máxima verossimilhança e OBIA com mineração de dados) e uma supervisionada (K-means). O teste z foi executado no aplicativo Excel®, descrito conforme Congalton e Green (1999). O teste z utilizou um nível de significância de 5% (α = 0,05), com valor crítico de 1,96, ou seja, se o valor do teste z for maior que o valor crítico há diferença entre os mapeamentos. 3.4.9 Correlação dos dados de campo com atributos das imagens Para a extração dos valores dos atributos foi necessário importar no eCognition® 75 um “vetor temático” (thematic layer) que representasse a unidade amostral de campo. Assim, uma nova segmentação da imagem foi feita com o vetor temático das áreas de campo. A extração dos valores dos atributos das áreas medidas em campo foi pela ferramenta export object statistics. O conjunto de dados de campo (N, AB, DAP) e de atributos foi organizado em uma planilha Excel® e analisado no software PAST versão 2.14 (HAMMER et al., 2001). Inicialmente, o conjunto de dados foi submetido ao teste de normalidade (normality tests), no sentido de aferir se os dados utilizados seguem uma distribuição normal, da análise de QQ plots. Nesse tipo de gráfico a normalidade é atingida quando a relação entre os dados analisados e os quantis teóricos da distribuição normal apresenta-se linear. Com a normalidade aferida foi possível escolher o método de correlação estatística (correlação linear r, Spearman's D, Spearman's rs, entre outros). Como o conjunto de dados analisado não apresentou normalidade utilizou-se a correlação estatística de Spearman's rs. Entretanto, o coeficiente de correlação é, muitas vezes, interpretado de forma subjetiva, deixando de levar em consideração fatores relevantes, como por exemplo, o número de observações (MOSER, 2013). Neste caso, o software utilizou o teste t que permite, analiticamente, determinar se o coeficiente é ou não significativo para o conjunto de dados, calculado pela equação 3.9. (3.9) Onde, n é o número de observações; r é o coeficiente de correlação. O valor de tcalc é comparado ao ttab bi-caudal, ao nível de significância α e com grau de liberdade n-2. Se | tcalc |> ttab, então a correlação é significativa. Então, o valor de p (calculado pelo PAST – Correlation table) foi analisado, sendo que se p for menor que 0,05, as variáveis são correlacionadas. A correlação determinada é um valor contínuo, que varia de -1,+1, sendo que 0 não há correlação entre variáveis; +1 correlação positiva (ou relação direta); e -1 correlação negativa (ou relação inversa) (MOSER, 2013). 76 4 RESULTADOS E DISCUSSÕES 4.1 INVENTÁRIOS DE CAMPO 4.1.1 Estrato arbóreo 4.1.1.1 Variáveis dendrométricas Os inventários de campo para o estrato arbóreo de cada UA foram resumidos24 na Tabela 14. Tabela 14. Estimativas das variáveis dendrométricas do estrato arbóreo das UA com intervalo de confiança (α = 0,05) UA¹ AT N2 N.ha-1 2 AB2 AB.ha-1 2 DAP3 Ht3 01 A 103 ± 3,8 643,7 ± 23,8 0,68 ± 0,03 4,26 ± 0,2 7,06 ± 2,1 3,9 ± 0,7 02 A 82 ± 21,8 512,5 ± 135,9 0,16 ± 0,03 1,02 ± 0,2 6,21 ± 6,0 3,1 ± 1,3 03 A 134 ± 6,6 837,5 ± 41,6 0,75 ± 0,07 4,72 ± 0,4 5,26 ± 1,2 3,1 ± 0,4 04 C 260 ± 10,8 1625,0 ± 67,5 0,66 ± 0,04 7,24 ± 0,3 8,16 ± 2,6 4,8 ± 0,6 05 C 30 ± 3,2 187,5 ± 20,1 0,23 ± 0,03 1,46 ± 0,2 8,87 ± 3,6 4,3 ± 0,9 06 B 205 ± 3,9 1281,2 ± 24,6 0,54 ± 0,01 3,38 ± 0,05 5,62 ± 0,8 4,4 ± 0,4 Legenda: ¹unidade amostral com quatro subunidades; 2soma e 3média; AT = área teste; N = número de indivíduos por unidade amostral; ha = hectare; AB = área basal (m²); DAP = diâmetro a altura do peito (cm); Ht = altura média (m). Mediante a ANOVA foi verificada a hipótese de igualdade das médias das variáveis dendrométricas medidas entre as subunidades de cada UA (Tabela 15) para às variáveis N, AB, DAP e Htm. Tabela 15. Resumo das variáveis analisadas pela ANOVA para as subunidades (α = 0,05) Hipótese de Igualdade Variáveis UA1 UA2 UA3 UA4 UA5 UA6 Número de indivíduos (N) A A R R A R Área basal (AB) A A R A A A Diâmetro a altura do peito (DAP) A A R A A A Altura dominante média (Htm) A A R R A R Legenda: R = Hipótese rejeitada; e A = Hipótese aceita. Os resultados discutidos abaixo podem ser, ao menos em parte, confirmados mediante a interpretação visual dos respectivos recortes das imagens (Figura 24). A UA3 apresentou diferenças significativas em relação a todas as variáveis analisadas. Pelo teste de Tukey-Kramer a subunidade Norte diferenciou-se em relação às 24 resultados detalhados das coletas em campo são apresentados nos apêndices deste trabalho. 77 variáveis N, AB e DAP, em relação a todas as outras subunidades. Para a variável Htm, a subunidade Norte apresentou diferença apenas com as subunidades Leste e Oeste. Este fato ocorreu devido à declividade da área que ocasionou uma heterogeneidade na composição de espécies do local, sendo que a subunidade Norte foi a que se encontrava na cota mais baixa (acúmulo de matéria orgânica, sedimento e água), proporcionando provavelmente condições favoráveis ao desenvolvimento da vegetação. Figura 24. Recorte das imagens de alta resolução espacial adquirida pelo sensor SAAPI (2011) na composição 321 (RGB) e com suas respectivas UA Em relação a UA4, a diferença significativa ocorreu para a variável Htm na subunidade Leste, que apresentou diferença significativa com todas as outras subunidades. A subunidade Leste também apresentou diferença para variável N, em relação às subunidades Sul e Oeste. Este caso pode ter ocorrido devido ao estado de degradação da Leste que se apresentava na forma de pastagem rala (Figura 24). Para a UA6 também foram encontradas diferenças significativas em relação às variáveis N e Htm. Em relação ao N, as diferenças ocorreram para a subunidade Sul, que se diferenciou com as subunidades Leste e Oeste. A subunidade Sul também se diferenciou de todas as outras subunidades em relação a variável Htm. Este fato ocorreu 78 devido à heterogeneidade da UA6, sendo que a subunidade Sul encontra-se em estágio de sucessão mais avançado que as outras. Utilizou-se a ANOVA também para verificar a hipótese de igualdade entre as UA (Tabela 16) para as variáveis dendrométricas N, AB, DAP e Htm. Tabela 16. Resumo das variáveis analisadas pela ANOVA entre as UA (α=0,05) Variável Hipótese de Igualdade Número de indivíduos (N) Rejeitada Área Basal (AB) Rejeitada Diâmetro a altura do peito (DAP) Rejeitada Altura dominante média (Htm) Rejeitada Os resultados (Tabela 15) mostram que para as variáveis N, AB, DAP e Htm a hipótese de igualdade foi rejeitada. As diferenças singulares foram encontradas por meio do teste post-hoc de comparações múltiplas (Tukey-Kramer), que verifica a hipótese de igualdade entre as médias das variáveis, sempre comparando pares de grupos (UA) (Tabela 17). Tabela 17. Resultados do teste de igualdade por Tukey-Kramer para as variáveis N, AB, DAP e H no estrato arbóreo (α=0,05) Hipótese de Igualdade Htm DAP AB N UA6 Htm DAP AB N UA5 Htm DAP AB N UA4 Htm DAP AB N UA3 Htm DAP AB N UA2 Htm DAP AB N UA UA1 1 - - - 2 A A R A - - - 3 A A A A A A A A - - - 4 R A R A R R A R R A A A - - - 5 A A A A A A R A A A A A R R R A - - - 6 A A R A R A A A A A A A A A A A R R A A - - - Legenda: N = número de indivíduos por unidade amostral; AB = área basal (m²); DAP = diâmetro a altura do peito (cm); Htm = altura média (m); A: Aceitação da hipótese; e R: Rejeição da hipótese. Em relação a variável N (Tabela 17) a UA4 (260) apresentou o maior número de diferenças significativas, com a UA1 (103), UA2 (82), UA3 (134) e UA5 (30). Houve diferença também em relação a UA5 (30) e a UA6 (205), e a UA2 (82) com a UA6 (205). A diferença da UA4 para a variável N em relação às outras UA pode ser entendida pelo estágio de sucessão que ela se encontrava (estágio médio em relação às variáveis DAP e Htm). Sendo que diversas espécies tolerantes e intolerantes à sombra já integravam o 79 estrato arbóreo da UA4. A UA6 (estágio médio em relação a variável DAP) também se diferenciou da UA2 (pastagem recém-abandonada) e da UA5 (pastagem recémabandonada com alguns indivíduos passados), que foram as unidades com o menor número de indivíduos, 82 e 30, respectivamente. Para a variável AB (Tabela 17) também ocorreu diferença em relação a UA4 (0,66), com a UA2 (0,16) e a UA5 (0,23) que apresentaram os valores mais baixos de AB. Essa diferença se deve ao baixo número de indivíduos que existem nessas duas unidades, ocasionando consequentemente um baixo valor de área basal. Em relação a variável DAP (Tabela 17) a UA1 (7,06) apresentou o maior número de diferenças (3), com a UA2 (5,26), UA4 (8,16), e UA6 (5,62). Houve diferença significativa também em relação a UA2 (5,26) e a UA5 (8,87). Essas diferenças ocorrem devido à estrutura de cada UA. A UA2 apresentou poucos indivíduos arbóreos, diferenciando-se das outras. A UA5 também apresentou poucos indivíduos, porém, esta tinha altura e estrutura suficiente para classificá-la como estágio médio pela legislação. A diferença entre a UA1 com a UA4 e a UA6 também pode ser explicada pela diferença no estágio de regeneração, sendo que a UA1 é inicial e a UA4 e a UA6 são estágio médio. Em relação a variável Htm (Tabela 17) diferenças significativas foram encontradas apenas em relação a UA2 (3,1) e a UA4 (4,8). Essa diferença ocorre devido à diferença de altura entre as UA, sendo a UA2 a menor e a UA4 a maior. 4.1.1.2 Similaridade entre UA A fim de aprimorar análise entre as UA e encontrar similaridade entre UA, foi utilizada a técnica multivariada da análise de agrupamentos (Figura 25), utilizando-se as variáveis N, N.ha-1, AB, AB.h-1, DAP e Htm. A análise formou dois grupos distintos (corte 500) (SOUZA et al., 1990), um grupo com as UA 4 e 6, que apresentaram os maiores valores de N e DA, e outro grupo com as UA 1, 2, 3 e 5. Um segundo corte foi efetuado (corte 300) agrupando as UA 1, 2 e 3, que foram aquelas localizadas na mesma área teste num raio de 2 km. A UA5 também se localiza próximo da UA4 (aprox. 700 m de distância), porém ela era sucessionalmente diferente pela análise de agrupamento. Um baixo valor de N provavelmente diferenciou a UA5 da UA4. 80 Figura 25. Análise de agrupamento com variáveis dendrométricas entre as UA (α=0,05) Corte 300 Corte 500 4.1.1.3 Similaridade e diversidade de espécies A análise multivariada buscou encontrar também evidências de similaridade entre a composição de espécies das UA, pela análise de agrupamento (Figura 26). Figura 26. Análise de agrupamento com dados de composição de espécies entre as UA: medida de similaridade de Bray-Curtis (A) e Jaccard (B) A B O agrupamento pela medida de similaridade de Bray-Curtis gerou um coeficiente cofenético de 0,9288 e por Jaccard de 0,8662, demonstrando a confiabilidade da análise (acima de 0,8). Por Bray-Curtis a maior similaridade de espécies no estrato arbóreo foi em relação a UA2 e UA3 (que são próximas em distância). As UA 2 e 3 também 81 apresentaram similaridade com a UA4 (maior valor de N). Em relação à Jaccard a UA4 e UA6 foram as que apresentaram maior similaridade entre espécies do estrato arbóreo, em seguida agrupou-se a UA3, UA1 e UA2. Ainda, como método de aferição de similaridade utilizou-se o índice de Sørensen, por meio da medida de similaridade de Bray-Curtis (Tabela 18). Tabela 18. Índice de Sørensen a partir da similaridade de Bray-Curtis no estrato arbóreo entre as UA UA1 UA1 UA2 UA3 UA4 UA5 UA6 0,17297 0,33755 0,13850 0,07633 0,22150 UA2 UA3 UA4 UA5 UA6 0,43519 0,34118 0,29082 0,01818 0,02469 0,03496 0,17483 0,21302 0,13420 0,05172 Não foi encontrada similaridade entre as UA. O maior valor de similaridade entre UA foi com a UA2 e UA3 (0,43519). Quantificou-se também a riqueza e a diversidade de espécies por UA por meio do índice de Simpson D- e Shannon H- (Tabela 19). Tabela 19. Riqueza e índices de diversidade por UA no estrato arbóreo UA1 UA2 UA3 UA4 Riqueza 17 6 17 26 -1 Simpson D 0,8478 0,5137 0,7859 0,6583 Shannon H2,185 0,9805 1,896 1,821 UA5 9 0,6776 1,465 UA6 30 0,8674 2,443 Os valores encontrados mostram que a maior diversidade de espécie foi na UA6 e a menor na UA2, que corrobora os valores encontrados para riqueza de espécies. Analisou-se também o número de espécies por subunidade (Tabela 20). Tabela 20. Número de espécies por subunidade no estrato arbóreo Subunidade N S L O UA1 7 4 5 14 UA2 3 6 1 2 UA3 13 3 6 5 UA4 16 1 10 16 UA5 4 3 4 2 UA6 12 14 20 10 82 Nota-se (Tabela 19) que a UA6 (maior índice de diversidade) apresentou o maior número de espécies por subunidades (Tabela 20). Em seguida as UA 4, 1 e 3 tiveram suas posições alternadas em relação ao índice de diversidade e subunidade. Por final, a UA5 e UA2 (na mesma sequência do índice de diversidade) foram as que apresentaram o valor mais baixo de espécies por subunidade. Ou seja, o índice de diversidade é parcialmente afetado pelo número de espécies por subunidade. Visando caracterizar as espécies dominantes de cada UA no estrato arbóreo ordenaram-se espécies abundantes de acordo com o valor de cobertura (Tabela 19). Tabela 21. Ranking de abundância de espécies no estrato arbóreo por UA UA1 1 2 3 4 5 6 7 morta Miconia cinammomifolia Piptocarpha axilaris Myrsine coriacea Casearia sylvestris Schefflera morototoni Pinus taeda UA2 Myrsine coriacea Andira fraxinifolia Psidium guajava Pinus taeda Tibouchina urvilleana Schinus terebinthi folius - 8 Baccharis sp.1 - 9 Myrcia hebepetala - 10 Cyathea atrovirens - UA3 Cyathea atrovirens Myrsine coriacea Miconia cinammomifolia UA4 Myrsine coriacea Miconia cabucu Cecropia glaziovii UA5 Aegiphila integrifolia Vernonanthura divaricata Casearia sylvestris morta morta NI 1 Psidium guajava Schinus terebinthifolius Xylopia brasiliensis Tibouchina urvilleana Pera glabrata Miconia cabussu Baccharis semiserrata Tibouchina urvilleana Hieronyma alchorneoides Austroeupatho rium sp. 1 Nectandra membranacea Aspidosperma australis Vernonanthura pubeula Myrsine coriacea Cyathea atrovirens - Tabernaemonta na catharinensis Annona sp. UA6 Miconia cinnamomifolia Tibouchina urvilleana Casearia sylvestris Bacharis sp.1 Psidium guajava morta Cupania vernalis Miconia cabussu Miconia sp.1 Bacharis sp.2 Verifica-se (Tabela 21) que espécies características do estágio inicial de sucessão ocorrem em todas as UA, como Miconia cinammomifolia, Myrsine coriacea, Baccharis sp., Tibouchina urvilleana, Miconia cabussu, Casearia sylvestris, também verificado por Vibrans (2003) e Siminski (2004). Em quatro UA as árvores mortas estavam entre as espécies mais abundantes demonstrando que muitas vezes, as áreas em regeneração são provenientes de áreas degradadas e abandonadas por ações antrópicas. Vale a pena citar também a presença da espécie Pinus taeda em duas UA, que é considerada uma espécie invasora. 83 4.1.1.4 Classificação das UA de acordo com a resolução CONAMA 04/1994 De acordo com a resolução CONAMA 04/1994 e pelos inventários de campo, todas as UA são cobertas por vegetação em estágio inicial (Tabela 22). Tabela 22. Classificação das UA por variáveis dendrométricas em relação à resolução CONAMA 04/1994 UA 01 02 03 04 05 06 CO N¹ N.ha-1 ¹ 103 643,7 82 512,5 134 837,5 260 1625,0 30 187,5 205 1281,2 - AB¹ AB.ha-1 ¹ DAP² Ht² CO 0,68 4,26 7,06 3,9 Inicial 0,16 1,02 6,21 3,1 Inicial 0,75 4,72 5,26 3,1 Inicial 0,66 7,24 8,16 4,8 Inicial 0,23 1,46 8,87 4,3 Inicial 0,54 3,38 5,62 4,4 Inicial 8 8 4 - Legenda: ¹soma e ²média; N = número de indivíduos por unidade amostral; ha = hectare; AB = área basal (m²); DAP = diâmetro a altura do peito (cm); Ht = altura média (m); CO = CONAMA n°4/1994. 4.1.2 Regeneração 4.1.2.1 Variáveis dendrométricas Os inventários de campo para a regeneração foram resumidos25 na Tabela 23. Tabela 23. Estimativas das variáveis dendrométricas por UA para indivíduos da regeneração com intervalo de confiança (α = 0,05) UA 01 02 03 04 05 06 N¹ 586 ± 7,6 850 ± 28,7 265 ± 6,7 350 ± 4,9 30 ± 1,0 136 ± 0,9 N.ha-1 ¹ 14650 ± 189,98 21250 ± 717,19 6625 ± 168,05 8750 ± 123,02 750 ± 24,74 3400 ± 23,17 Legenda: ¹soma; N = número de indivíduos na unidade amostral; e ha = hectare. O teste da ANOVA verificou a hipótese de igualdade dentro das UA (subunidades), em relação a variável N para a regeneração (Tabela 24). Tabela 24. Resumo da ANOVA aplicado às subunidades (α=0,05) Hipótese de Igualdade UA1 UA2 UA3 UA4 UA5 UA6 Número de indivíduos A A A A A A por unidade amostral (N) 25 resultados detalhados das coletas em campo são apresentados nos apêndices deste trabalho. 84 Todas as subunidades aceitaram a hipótese de igualdade para a variável N. Utilizou-se também a ANOVA para comparar a igualdade da variável N entre as UA. O resultado (Tabela 25) mostrou que a hipótese de igualdade foi rejeitada. Tabela 25. Resumo da ANOVA aplicada às UA (α=0,05) para a variável N na regeneração Variável Hipótese de Igualdade Número de indivíduos (N) Rejeitada As diferenças singulares foram encontradas pelo teste post-hoc de comparações múltiplas (Tukey-Kramer), que verifica a hipótese de igualdade entre as médias das variáveis, sempre comparando pares de grupos (UA) (Tabela 26). Tabela 26. Resultados do teste de Tukey-Kramer para a variável N na regeneração (α=0,05) Hipótese de Igualdade UA1 UA2 UA3 UA4 UA5 UA6 UA1 UA2 UA3 UA4 UA5 Rejeitada Rejeitada Aceita Rejeitada Rejeitada Rejeitada Rejeitada Rejeitada Rejeitada Aceita Aceita Aceita Aceita Aceita Aceita UA6 Em relação a variável N (Tabela 24) a UA1 (586) apresentou diferenças significativas com a UA2 (850), UA3 (265), UA5 (30) e UA6 (136). Houve diferenças significativas também em relação a UA2 (850) com a UA3 (265), UA4 (30), UA5 (30) e UA6 (136). A diferença da UA1 e U2 com as outras podem ser explicadas pelo estágio de sucessão que estas se encontravam. A UA1 e UA2 eram pastagens abandonadas, com alguns indivíduos regenerantes emergentes (“ilhas microclimáticas”). Nestes locais a regeneração encontrada é abundante, principalmente abaixo das árvores superiores, criando um microclima favorável às espécies tolerantes à sombra (futuro dossel). A UA2 é a que mais se assemelhou a uma vegetação em estágio inicial, apresentando o maior número de indivíduos na regeneração. Neste caso espécies intolerantes à sombra estavam brotando do solo, aumentando a variável N. A UA3 era uma encosta heterogenia que já apresentava uma quantidade maior de indivíduos do segundo estágio de regeneração, com árvores de altura mais elevada, assim como a UA4 e UA6. Nestes casos, espécies começam organizar suas copas em direção à luz, dificultando o ingresso de novas espécies e reduzindo o valor de N na regeneração. A UA5 cinco também é uma pastagem em 85 regeneração, mas ainda na fase inicial da regeneração, com samambaiais e capins (não medidos), “abafando” o terreno. 4.1.3 Discussão sobre os resultados de campo De forma geral, existe um padrão das espécies de ocorrência da vegetação no estágio arbóreo inicial, mas o tamanho e a forma dessas áreas geralmente são determinados pela intensidade e pelo tipo de uso antrópico. O fator antrópico é também o responsável por causar variações no comportamento das variáveis DAP, AB e Htm, que em alguns casos são diferentes dentro das unidades (nas subunidades). Essa heterogeneidade de áreas no estrato arbóreo pode dificultar a classificação de imagens de média resolução espacial que, em geral, não apresentam informação espectral suficiente para diferenciar classes, como: vegetação nos diferentes estágios sucessionais, florestas plantadas, pastagem e agricultura. O estrato da regeneração segue um padrão comum transitório bem específico, em relação às espécies e ao número de indivíduos, diferentemente, do estrato arbóreo que é mais heterogêneo. Porém, sua caracterização espectral, até mesmo nas imagens de alta resolução, é dificultada. Os resultados de campo tanto para o estrato arbóreo quanto para a regeneração demonstram heterogeneidade da vegetação local, que pode ser o principal fator discrepante dos resultados dos outros levantamentos da cobertura florestal do Estado (que tiveram como método a classificação manual que sofre com interferências de intérpretes). Outro fator que pode ter influência negativa sobre os resultados dos mapeamentos florestais do Estado é falta de padronização de classes de legenda, que em alguns casos, agrupam/separam classes de uso do solo. 4.2 PROCESSAMENTO DAS IMAGENS 4.2.1 Segmentação Tendo em vista que as áreas teste apresentam uma paisagem muito diversificada com planícies, montanhas e vales, e com diferentes tipos uso do solo, optou-se por parâmetros que produziram a melhor segmentação, independente da área teste. Por isso, para as três áreas teste adotaram-se os mesmos parâmetros de segmentação. 86 Figura 27. Resultados obtidos no período de teste de segmentação da área teste A e os respectivos parâmetros de utilizados para a imagem de alta resolução espacial obtida pelo sensor SAAPI (2011) na composição 321 (RGB) E: 100 S: 0,1 C: 0,1 E: 100 S: 0,1 C: 0,5 E: 100 S: 0,5 C: 0,1 E: 100 S: 0,5 C: 0,5 E: 200 S: 0,1 C: 0,1 E: 200 S: 0,1 C: 0,5 E: 200 S: 0,5 C: 0,1 E: 200 S: 0,5 C: 0,5 E: 300 S: 0,1 C: 0,1 E: 200 S: 0,1 C: 0,5 E: 300 S: 0,5 C: 0,1 E: 200 S: 0,5 C: 0,5 Legenda: E = escala; S = forma e C = compacidade Depois da fase de testes (Figura 27) verificou-se que o comportamento dos critérios. Com o aumento da forma/cor, a segmentação afastava-se do objetivo do 87 trabalho, que era segmentar todas as classes de uso e cobertura do solo identificáveis. Valores baixos de forma/cor, por outro lado, segmentavam objetos demais (aumentando a complexidade do processamento). Em relação à compacidade/suavidade, notou-se que com o aumento do critério menos feições terrestres eram contornadas (unindo duas classes de uso do solo dentro do mesmo objeto). Neste sentido, uma nova etapa de testes foi realizada com valores mais “estreitos”: forma/cor entre 0,1-0,4 e compacidade/suavidade entre 0,2-0,4. Por final foi escolhida a combinação: 0,2 de forma, 0,3 de compacidade e 180 de escala. Entende-se que a segmentação “ideal” vai diferir de acordo com objetivo do trabalho e da área de estudo, ou seja, os parâmetros adotados aqui podem ou não ser “adequados” para outra região. Por exemplo, Silva (2012) que trabalhou com uma área altamente fragmentada e heterogênea utilizou valor baixo de escala e forma, de modo que cada objeto formado continha apenas o conjunto de pixels daquela classe. 4.2.2 Mineração de dados 4.2.2.1 Seleção de atributos Para a área teste A foram selecionados 12 atributos, para a B 23 atributos e para a área teste C, 73 atributos (Tabela 27). Um atributo é composto pelo tipo e pelo layer (camada ou banda selecionada). Tabela 27. Atributos selecionados para classificação por área teste A Atributo NDVI Altura Média máxima diferença desvio padrão Razão menor valor de pixel maior valor de pixel homogeneidade (todas direções) dissimilaridade (todas direções) layer 3, IR1 IR1 IR2 MDS MDS IR1 IR1 Áreas teste B Atributo layer NDVI altura assimetria brilho média 3, IR1 máxima diferença razão menor valor de pixel maior valor de pixel contraste de borda C Atributo NDVI área assimetria brilho comprimento compacidade layer - IR2 densidade - 3, MDS média 2, 3, IR1, IR2 MDS máxima diferença - 3 desvio padrão 1, 2, IR1, IR2, IR3 Continua Tabela 27... 88 ... continuação Tabela 27. A Atributo entropia (todas direções) layer 2 B Atributo contraste com pixels vizinhos (3) contraste de borda com pixels vizinhos (3) desvio padrão para pixels vizinhos (3) homogeneidade (todas direções) dissimilaridade (todas direções) entropia (todas direções) desvio padrão textural (todas direções) contraste (todas direções) correlação (todas direções) segundo momento angular (todas direções) layer C Atributo layer 3 razão 1, 2, 3, IR1, IR2, IR3 3 menor valor de pixel 1, 2, 3, IR1, IR2, IR3 3 IR1 IR1 2 IR1 IR1 IR1 IR1 maior valor de pixel contraste de borda com pixels vizinhos (3) contraste com pixels vizinhos (3) diferença média para vizinhos (0) 3, IR1, 1, 2, 3, IR1, IR2 2, 3, IR1 IR2, IR3 2, 3, desvio padrão para pixels vizinhos (3) 2, IR1, IR2 homogeneidade (todas direções) dissimilaridade (todas direções) 1, 2, 3, IR1, IR3 1, 2, 3, IR1, IR2, IR3 entropia (todas direções) 2, 3, IR2, IR3 desvio padrão textural (todas direções) contraste (todas direções) correlação (todas direções) 1, 2, IR1, IR2, IR3 3, IR1, IR2, IR3 2, IR1, IR3 Os atributos de maior importância foram listados por peso de diferenciação (Tabela 28) por meio do método de avaliação Gain Ratio e pelo método de procura Ranker no software de mineração de dados. 89 Tabela 28. Ranking dos 10 melhores atributos de acordo como método de avaliação Gain Ratio e pelo método de procura Ranker Ordem 1 2 3 4 5 6 7 8 9 10 Área teste B C Layer Atributo Layer Atributo Layer IR2 altura média máxima diferença razão IR2 média IR2 maior valor MDS MDS razão 1 de pixel entropia média 2 2 razão IR2 (todas direções) segundo momento altura média IR1 razão IR1 angular (todas direções) menor valor média IR1 MDS média 1 de pixel contraste de máxima diferença borda com 3 razão IR3 pixels vizinhos (3) entropia homogeneidade 2 IR1 média 2 (todas direções) (todas direções) homogeneidade IR1 máxima diferença Brilho (todas direções) menor valor MDS NDVI NDVI de pixel A Atributo razão NDVI maior valor de pixel Legenda: layer = camada; NDVI = (banda IR1-banda B)/(banda IR1 + banda B). 4.2.2.2 Arquitetura da árvore de decisão As árvores de decisão também tiveram suas arquiteturas diferenciadas em cada área teste devido ao diferente número de atributos e de classes de uso do solo (Tabela 29). Tabela 29. Arquitetura das árvores por área teste Áreas teste A B C Tamanho da árvore 402 471 589 Número de folhas 204 238 295 Arquitetura As áreas testes A e B por possuírem o produto completo (MDT e MDS – mais informação para a discriminação), apresentaram as menores árvores (Figura 28). A área teste B apresentou uma árvore de tamanho intermediário, pois utilizou mais atributos e bandas na diferenciação que a área teste A. A divisão dos grandes nós das árvores também foi diferenciada por área teste. Para a área teste A, a razão da banda IR2 foi o grande nó, para a área teste B foi a razão da banda IR2 e para a área teste C a máxima diferença (Figura 29). 90 Figura 28. Desenho das árvores de decisão J48 das áreas testes A (A), B (B) e C (C) A B C 91 Figura 29. Grandes nós das árvores de decisão das áreas teste A (A) e C (B) A B Cada classe teve o número de regras de decisão definidas de acordo com a similaridade/discriminalidade em relação às outras classes, número de atributos escolhidos e ao número de amostras de referência utilizadas para a mineração (Tabela 30). Tabela 30. Número de regras de decisão por classe de acordo com a área teste Áreas teste A B C Floresta estágio inicial 35 16 42 Floresta estágio médio 32 26 31 Floresta estágio avançado 35 32 62 Floresta plantada 22 12 41 Pastagem 33 29 24 Rizicultura 7 23 6 Agricultura 5 Banana - 41 Ocupação Urbana 20 33 20 Sombra 3 6 7 Solo exposto 14 16 17 Água 3 7 4 Classe As classes de uso do solo com maior número de regras de decisão (Figura 28 e Tabela 30) são aquelas que são espectralmente similares (Figura 30). Figura 30. Perfil espectral de amostrass de classes de uso do solo na área teste A 92 Apesar da influência da atmosfera presente nos perfis espectrais extraídos para as classes selecionadas de uso do solo (Figura 30), os padrões encontrados estão de acordo com os reportados em Meneses e Netto (2002). As classes solo exposto e edificações (ND alto na banda 1, baixo na banda 3 e estável no NIR) apresentaram alta variabilidade no desvio padrão da média dos ND, e precisaram, respectivamente, de 14 a 17 e de 20 a 33 regras de decisão (Tabela 29). Outra dificuldade em relação à similaridade de classes é para com as classes da vegetação parecidas tanto no comportamento espectral quanto na média dos ND. Ocorre para estas classes a sobreposição dos desvios padrões dos ND (Figura 31) indicando similaridade espectral. Em geral, apesar da influência da atmosfera presente nos valores de ND das imagens analizadas, os padrões espectrais para os diferentes estágios sucessionais analizados são condizentes com os reportados na literatura (VIEIRA et al., 2003). As classes iniciais de regeneração são as que apresentaram maiores valores de ND ao longo do espectro em função da estrução mais regular dos dosséis. Já para as classes avançadas, observa-se o contrário, uma maior irregularidade dos dosséis e portanto, maior influência de sombras (PONZONI et al., 2012). Figura 31. Perfil espectral de amostras das classes da vegetação da área teste A 180 Média dos ND 160 140 F. Avançado F. Médio F. Inicial F. Plantada Pastagem 120 100 80 60 40 0,45 0,57 0,66 0,77 Comprimento de onda (µm) Para as classes da vegetação, ocorreu o maior uso de regras de decisão, floresta estágio avançado de 32 a 62, estágio médio de 26 a 31, floresta plantada de 12 a 41, estágio inicial de 16 a 42 e pastagem de 24 a 33. Com este resultado, evidencia-se a necessidade da inclusão de atributos adicionais para a discriminação de classes, principalmente da vegetação, como textura e forma, não se restringindo aos estatísticos. 93 4.2.3 Mapas temáticos pela OBIA Na seção abaixo seguem apresentados os mapas temáticos gerados por área teste (Figuras 32, 33 e 34) e os respectivos dados de acurácia geral (Tabelas 31, 32 e 33). Figura 32. (A) Imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB); e (B) classificação da área teste A pela OBIA, escala 1:38.000, próxima divsa dos municípios de Acurra e Indaial A B 94 Tabela 31. Matriz de confusão da classificação da área teste A pela técnica da OBIA Inicial Plantada Pastagem Rizicultura Edificações Sombra Água Exposto 341 16 5 21 0 0 0 0 0 0 0 387 0,88 0,89 0,84 10 171 18 3 1 0 0 0 0 0 0 203 0,84 0,84 0,82 1 4 172 7 6 0 0 0 0 1 0 191 0,90 0,83 0,89 20 10 1 135 0 0 0 0 0 0 0 166 0,81 0,81 0,79 0 0 10 0 159 1 0 0 0 3 1 174 0,91 0,90 0,90 0 0 0 0 2 115 1 0 0 3 0 121 0,85 0,99 0,95 0 0 2 0 1 0 106 0 1 6 0 116 0,91 0,94 0,90 12 3 0 0 0 0 2 123 0 0 0 140 0,88 0,97 0,86 0 0 0 0 0 0 1 0 57 0 0 58 0,98 0,98 0,98 0 0 0 0 8 0 3 0 0 91 0 102 0,89 0,87 0,88 Total classificadas Médio Avançado Médio Inicial Plantada Pastagem Rizicultura Edificações Sombra Água Exposto Não Class. Total coletadas Exatidão produtor Exatidão usuário Kappa Classificadas Classes Avançado Amostras de referência 384 204 208 166 177 116 113 127 58 104 1 0,89 0,87 Para a área teste A, o índice de exatidão geral foi de 0,89 e o índice Kappa de 0,87 (Tabela 31), considerado excelente de acordo com Landis e Koch (1977). De forma geral, todas as classes apresentaram índices de exatidão do produtor e do usuário acima de 0,81, demonstrando que os erros de omissão e comissão não superaram 20%. As classes estágio médio e floresta plantada apresentaram os maiores erros de omissão (quando um objeto não é incluído na classe que pertence). O estágio médio “confundiu-se” com as classes estágio inicial e avançado e a classe floresta plantada com o estágio médio e o avançado. Consequentemente, a classe avançada “confundiu-se” com o estágio médio e a floresta plantada. Isso ocorreu devido à similaridade espectral e textural das classes e pela falta de poder discriminante da segmentação para com todos os objetos da imagem. A classe pastagem apresentou erros em relação ao estágio inicial, porém mesmo assim a exatidão do produtor foi alta (0,91). Em relação à exatidão do usuário (não classificar como pertencente à outra classe) melhores resultados foram: rizicultura, água e sombra, respectivamente. Na avaliação do índice Kappa, os piores desempenhos foram: floresta plantada (0,79), estágio médio (0,82) e avançado (0,84). O estágio inicial apresentou um resultado satisfatório com índices do produtor de 0,90 e do usuário 0,83, e índice de Kappa de 0,89. 95 Figura 33. (A) Imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB); e (B) classificação da área teste B pela técnica da analise orientada a objetos, escala 1:40.000, no município de Gaspar A B 96 Tabela 32. Matriz de confusão da classificação da área teste B pela técnica da OBIA Médio Inicial Plantada Água Pastagem Rizicultura Edificações Sombra Vias/canais Exposto Agricultura Total classificadas Avançado Médio Inicial Plantada Água Pastagem Rizicultura Edificações Sombra Vias/canais Exposto Agricultura Não Class. Total coletadas Exatidão produtor Exatidão usuário Kappa 214 10 2 4 0 1 0 4 2 0 0 0 0 237 0,90 0,84 0,89 18 201 4 1 0 0 0 1 0 0 0 0 0 225 0,89 0,87 0,88 1 9 122 1 0 1 1 2 1 0 0 1 0 139 0,88 0,92 0,87 7 9 0 70 0 0 0 0 0 0 0 0 0 86 0,81 0,92 0,80 0 1 0 0 65 0 0 4 0 0 1 0 0 71 0,91 0,95 0,91 2 0 2 0 1 427 20 0 0 0 0 1 0 453 0,94 0,95 0,93 0 0 0 0 0 12 295 1 0 3 1 0 0 312 0,94 0,91 0,94 0 0 1 0 2 0 0 254 1 7 1 0 0 266 0,95 0,88 0,95 11 0 0 0 0 0 0 4 103 0 0 0 0 118 0,87 0,96 0,87 0 0 1 0 0 2 5 12 0 147 3 1 0 171 0,86 0,93 0,85 0 0 0 0 0 0 2 7 0 0 94 0 0 103 0,91 0,94 0,91 0 0 1 0 0 5 1 0 0 1 0 31 0 39 0,79 0,91 0,79 253 230 133 76 68 448 324 289 107 158 100 34 0 Classificadas Classes Avançado Amostras de referência 0,91 0,90 Para área teste B, o índice de exatidão geral foi de 0,91 e o índice Kappa de 0,90 (Tabela 32), considerado excelente de acordo com Landis e Koch (1977). De forma geral, todas as classes apresentaram índices de exatidão do produtor acima de 0,79 e do usuário acima de 0,84. As classes floresta plantada e vias/canais apresentaram os maiores erros de omissão (quando um objeto não é incluído na classe que pertence), 0,81 e 0,86, respectivamente. A floresta plantada “confundiu-se” com as classes estágio médio e avançado e a classe vias/canais com as classes edificações e rizicultura. Apesar de apresentarem os maiores erros, estas classes ainda apresentaram índices relativamente altos. Os melhores resultados da exatidão do produtor foram edificações (0,95), pastagem (0,94) e rizicultura (0,94). Em relação aos erros de comissão (não classificar como pertencente à outra classe) os piores resultados foram das classes floresta estágio avançado (0,84) e médio (0,87), e os melhores resultados foram das classes sombra (0,96), pastagem (0,95), água (0,95) e solo exposto (0,94). Na avaliação do índice Kappa, os piores desempenhos foram: agricultura (0,79) floresta plantada (0,80) e vias/canais (0,85). O estágio inicial apresentou um resultado satisfatório com índices do produtor de 0,88 e do usuário 0,92, e índice Kappa de 0,87. 97 Figura 34. (A) Imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB); e (B) classificação da área teste C pela OBIA, escala 1:40.000, próxima divsa dos municípios de Luiz Alves e Massaranduba A B 98 Tabela 33. Matriz de confusão da classificação da área teste C pela técnica da OBIA Médio Inicial Rizicultura Banana Edificações Exposto Sombra Plantada Pastagem Água Total classificadas Avançado Médio Inicial Rizicultura Banana Edificações Exposto Sombra Plantada Pastagem Água Não Class. Total coletadas Exatidão (produtor) Exatidão (usuário) Kappa 376 6 4 0 10 1 0 6 41 2 0 0 446 23 352 15 0 4 0 0 1 7 0 0 0 402 4 12 211 0 2 0 0 0 1 3 0 0 233 0 0 0 22 0 0 0 0 1 1 0 0 24 14 4 2 0 413 0 0 0 5 1 0 0 439 1 0 2 0 3 234 12 0 1 4 7 0 264 0 0 0 1 1 24 166 0 0 4 1 0 197 16 0 0 0 0 1 0 165 2 0 0 0 184 12 1 4 0 6 1 2 2 357 0 0 0 385 3 2 3 0 1 2 1 0 0 173 0 1 186 0 0 0 0 0 2 0 0 0 0 48 0 50 449 377 241 23 440 265 181 174 415 188 56 1 - 0,84 0,87 0,90 0,92 0,94 0,89 0,84 0,90 0,93 0,93 0,96 0,84 0,93 0,87 0,96 0,94 0,88 0,92 0,95 0,86 0,92 0,86 0,81 0,86 0,90 0,92 0,93 0,87 0,83 0,89 0,91 0,92 0,96 Classificadas Classes Avançado Amostras de referência 0,89 0,88 Em relação à área teste C, o índice de exatidão geral atingido foi de 0,89 e o índice Kappa 0,88 (Tabela 33), excelente de acordo com Landis e Koch (1977). De forma geral, todas as classes ficaram com índice de exatidão do produtor acima e do usuário acima de 0,84. Nesta imagem os maiores erros de omissão foram para as classes: estágio avançado (0,84) e solo exposto (0,84). O estágio avançado novamente foi confundido com a floresta plantada e com a plantação de banana (que não havia nas imagens passadas). A classe solo exposto obteve problemas de classificação com a ocupação urbana e algumas formas de pastagem. O estágio médio foi confundido tanto com o estágio inicial como com o avançado e a floresta plantada. Esses erros ocorreram, novamente, devido à similaridade espectral e textural das classes e pela falta de poder discriminante da segmentação para com todos os objetos da imagem. Em relação ao índice de exatidão do usuário os melhores resultados foram das classes rizicultura (0,96), banana (0,94), sombra (0,95), solo exposto (0,92) e pastagem (0,92). O estágio inicial apresentou um resultado satisfatório com índices do produtor de 0,90 e do usuário 0,87, e índice Kappa de 0,90. 99 4.2.4 Mapas temáticos da área teste A por metodologias pixel-a-pixel Comparações entre mapas temáticos foram realizadas na área A, que apresentou o pior resultado de exatidão geral e índice Kappa. 4.2.4.1 Supervisionada - Máxima Verossimilhança Para área teste A utilizando a técnica da máxima verossimilhança se atingiu um índice de exatidão geral de 0,63 e o índice Kappa de 0,56 (Tabela 34), considerado moderado de acordo com Landis e Koch (1977). Tabela 34. Matriz de confusão da área teste A pela técnica da máxima verossimilhança Plantada Sombra Água Solo Pastagem Edificações Médio Inicial 73960 1283 95890 8348 23 0 10141 1446 71709 8758 271558 0,27 0,38 0,32 1043 467132 1122 115 2747 17837 72907 34784 10198 9208 617093 0,75 0,85 0,81 44422 906 431451 7624 7 0 982 4275 56110 486 546263 0,79 0,72 0,65 243 15 673 154307 166 0 8 187 54 2 155655 0,99 0,86 0,85 8 174 28 330 62395 0 190 856 11 33 64025 0,97 0,86 0,85 3 1924 2 0 627 46617 372 376 17 57 49995 0,93 0,67 0,67 9586 56878 1075 88 115 600 394526 6183 53668 58529 581248 0,68 0,66 0,57 3010 9568 5382 6076 6505 3801 3522 58970 3898 2097 102829 0,57 0,53 0,51 35045 3203 44499 1224 20 2 33233 1799 103952 22291 245268 0,42 0,28 0,22 23625 8321 20017 1481 37 26 84237 2116 60677 98945 299482 0,33 0,49 0,43 Total classificadas Rizicultura Avançado Rizicultura Plantada Sombra Água Solo Pastagem Edificações Médio Inicial Total coletadas Ex. Produtor Ex. Usuário Kappa Classificadas Classes Avançado Amostras de referência 190945 549404 600139 179593 72642 68883 600118 110992 360294 200406 0,63 0,56 De acordo com os índices do produtor e do usuário, as classes sombra, água, solo exposto e rizicultura apresentaram os melhores resultados. As classes floresta avançada, estágio médio e estágio inicial apresentaram os maiores erros de omissão acima de 50%, mostrando a ineficiência da metodologia para classificar estágios da vegetação. Este resultado também foi verificado no índice Kappa. As classes de vegetação, por serem espectralmente semelhantes em relação aos ND (sobreposição de desvio padrão) apresentaram os piores resultados de classificação pela metodologia tradicional. Isto acontece, pois nas imagens de alta resolução espacial os pixels tem o tamanho reduzido fazendo com que o efeito salt and pepper ocorra quase que em toda a imagem (Figura 35). Estas imagens de alta resolução espacial apresentam 100 informação muito detalhada se comparadas às imagens de média resolução, onde os pixels são suficientemente grandes para cobrir grandes áreas de cada classe de uso do solo. Figura 35. (A) Recorte do mapa temático da área teste A pela técnica da máxima verossimilhança e (B) recorte da imagem de alta resolução espacial do sensor SAAPI na composição 321 (RGB). A legenda das classes de uso do solo é referente a Figura 32 A B 4.2.4.2 Não Supervisionada - K-means Para área teste A utilizando a K-means se atingiu um índice de exatidão geral de 0,22 e índice Kappa de 0,12 (Tabela 35), considerado ruim para Landis e Koch (1977). Tabela 35. Matriz de confusão da área teste A pela técnica K-means 5521 6132 9842 13957 27351 36954 46761 50650 96197 19268 312633 0,11 0,08 0,03 226 757 2402 6766 126413 172740 100460 81283 93053 36220 620320 0,16 0,22 0,02 Total classificadas 28144 38538 61989 85844 88797 60830 39000 25984 35035 97436 561597 0,16 0,24 0,06 Edificações 943 5169 14124 15287 14729 2449 3655 112 7609 5628 69705 0,22 0,09 0,06 Solo Plantada 19009 13247 16977 21472 36264 42357 40347 30197 30994 28532 279396 0,06 0,14 0,05 Pastagem Água 3910 6833 11237 17175 36016 43245 42977 33977 26359 26007 247736 0,08 0,08 0,01 Rizicultura Avançado 155472 230 76 46 13 15 15 1 0 23 155891 0,99 0,69 0,67 Inicial Médio Sombra Médio Avançado Água Plantada Inicial Rizicultura Pastagem Solo Edificações Total coletadas Ex. Produtor Ex. Usuário Kappa Classificadas Classes Sombra Amostras de referência 130 219 792 2552 33770 109516 156797 170240 104958 6774 585748 0,29 0,42 0,28 0 0 4 14 51 92 433 1051 51680 34 53359 0,97 0,10 0,10 10285 5414 6160 7988 12218 14083 14657 10797 26246 9294 117142 0,08 0,04 0,01 223640 76539 123603 171101 375622 482281 445102 404292 472131 229216 0,22 0,12 De acordo com o índice do produtor, as classes sombra e solo exposto foram às únicas classes que apresentaram resultados acima de 0,50. Para os índices exatidão do 101 usuário e Kappa a única classe de uso do solo que apresentou resultado acima de 0,5 foi a sombra. Esse resultado pode ser explicado novamente pelo perfil espectral das classes na figura 30 (pg. 91) no qual as classes sombra e solo exposto ficam nas extremidades do perfil e no meio fica o emaranhado de classes que causa a confusão da técnica. Os índices abaixo do esperado das metodologias tradicionais apenas reforçam a argumentação de que a classificação orientada a objeto é a melhor alternativa, principalmente para classificar estágios da vegetação. 4.2.5 Teste z de comparação das matrizes de confusão O teste z de comparações entre encontrou diferenças significativas entre os índices Kappa dos mapeamentos da área teste A (Tabelas 36 e 37). Tabela 36. Resultados individuais das matrizes de confusão dos mapas temáticos da área teste A Matriz de Confusão Índice Kappa Variância Estatística z Máxima verossimilhança 0,5840 0,0000001 1812,9460 K-means 0,1165 0,0000001 437,2164 OBIA e mineração de dados 0,8733 0,0000785 98,5973 Tabela 37. Análise do índice Kappa para a comparação em pares dos resultados das matrizes de confusão dos mapas temáticos da área teste A Matriz de Confusão Estatística z Máxima verossimilhança vs. K-means 1118,29 Máxima verossimilhança vs. OBIA e mineração de dados -32,64 OBIA e mineração de dados vs. K-means 85,41 Para o nível de significância de 5% (α = 0,05) foi corroborado o melhor desempenho do mapa gerado pela metodologia da OBIA e o desempenho não satisfatório de classificadores tradicionais, como a máxima verossimilhança e a K-means. A OBIA foi muito superior em relação aos procedimentos não supervisionados, como o Kmeans (não sendo aconselhada para este tipo de resolução). A máxima verossimilhança apresentou um resultado moderado de acordo com a chave de interpretação de Landis e Koch (1977), podendo ser utilizada como ferramenta complementar, porém, como a metodologia utiliza apenas o atributo ND ou tons de cinza, não se aconselha a técnica para discriminar estágios da vegetação (Tabela 37). 102 Figura 36. (A) Imagem de alta resolução espacial do sensor SAAPI (2011) na composição 321 (RGB); Classificação pela: (B) OBIA; (C) máxima verossimilhança; e (D) classificação por Kmeans, da área teste A em Indaial/Ascurra, escala 1:40.000. A B C D Inicial Plantada Pastagem Rizicultura Edificações Sombra Água Exposto Geral Kappa OBIA Produtor 0,88 0,84 Usuário 0,89 0,84 0,90 0,83 0,81 0,81 0,91 0,90 0,85 0,99 0,91 0,94 0,88 0,97 0,98 0,98 0,89 0,87 0,89 0,87 MaxVer Produtor 0,27 0,42 Usuário 0,38 0,28 0,33 0,49 0,79 0,72 0,68 0,66 0,75 0,85 0,57 0,53 0,99 0,86 0,97 0,86 0,93 0,67 0,63 0,56 K-means Produtor 0,06 0,08 Usuário 0,14 0,08 0,11 0,08 0,16 0,24 0,29 0,42 0,16 0,22 0,08 0,04 0,99 0,69 0,22 0,09 0,97 0,10 0,22 0,12 Avançado Médio Tabela 38. Índices de produtor e usuário, exatidão geral e índice Kappa de acordo com cada classe de mapeamento e metodologia utilizada, por meio de um sensor SAAPI (2011) 103 4.2.6 Comparação de resultados atingidos para com a literatura Resultados obtidos pela OBIA foram comparados com a literatura, levando em conta tanto semelhanças de resolução espacial (matéria prima) como na metodologia (Tabela 39). Tabela 39. Comparação do resultado utilizando um sensor SAAPI (2011) com autores da literatura com resolução espacial e/ou metodologia semelhante Autores Matéria Prima (Sensor) Luz et al. (2009) SPOT-5 Francisco e Almeida (2012) FORMOSAT2 ALOS/ AVNIR-2 Silva (2012) Rapideye Sette (2009) Metodologia OBIA e mineração de dados (J48) máxima verossimilhança OBIA e mineração de dados (J48) OBIA e redes neurais artificiais G K F Ex. usuário I Ex. Usuário 0,71 - Sim 0,64 Sim 0,73 - 0,88 Sim 0,60 Sim 0,60 0,90 0,84 Sim 0,85 Sim 0,90 0,83 0,79 Sim 0,87 0,92 Não - Legenda: G = Índice de acurácia geral; K = Índice de Kappa; F = Presença/ausência da classe de uso do solo referente a Floresta; Ex. = Índice de exatidão; I = Presença/ausência da classe de uso do solo referente a estágio inicial de sucessão. Metodologia e resolução espacial semelhante: Luz et. al (2009) avaliaram o desempenho da OBIA e da máxima verossimilhança em uma área no norte do estado do Paraná, através de uma imagem de alta resolução espacial do sensor SPOT-5. O mapeamento utilizou a OBIA e a mineração de dados com o algoritmo de árvore de decisão J48. O índice de exatidão geral por pela máxima verossimilhança foi de 0,70 e o índice Kappa, 0,71. A classe área agrícola apresentou o pior desempenho tanto para o mapa da máxima verossimilhança como OBIA. Em relação às classes estágio avançado e estágios iniciais a OBIA apresentou o melhor desempenho (0,7 e 0,72) quando comparado a máxima verossimilhança (0,64 e 0,74). Resolução espacial semelhante: Sette (2009) utilizou uma imagem de alta resolução espacial e o algoritmo classificador da máxima verossimilhança para classificar estágios sucessionais de Mata Atlântica no Sul da Bahia. De acordo com o índice Kappa, a classificação com as bandas do visível foi de 0,46, utilizando somente as bandas de textura foi de 0,55; e com a combinação das três bandas do visível (azul, verde, vermelho) e duas bandas de textura (segundo momento angular e correlação) foi de 0,88. A acurácia média 104 dos estágios sucessionais foi de 0,60. O estágio inicial apresentou confusão com outros estágios e outras classes, como pastagem e floresta plantada. Metodologia e resolução espacial semelhante: Francisco e Almeida (2012) avaliaram o desempenho da classificação conjunta de atributos estatísticos e texturais e apenas estatísticos no município de Nova Friburgo/RJ, através de uma imagem de alta resolução espacial. O mapeamento utilizou a OBIA e a mineração de dados com o algoritmo de árvore de decisão J48. O índice de exatidão global por descritores texturais e estatístico foi de 0,88 e o índice Kappa, 0,81. No mapa de atributos estatísticos e texturais, a classe área urbana apresento o maior erro de omissão (exatidão do produtor de 0,47), confundindo-se com as classes: herbácea rala, floresta e queimada. Já o índice de exatidão global do mapa por atributos estatísticos foi de 0,90 e o índice Kappa, 0,84. Todas as classes ficaram com índice de exatidão do produtor e usuário acima de 0,50. Em relação a ambos os mapas: a classe floresta, herbácea e floresta plantada apresentaram, respectivamente, índices do produtor de 0,98; 0,64 a 0,80; e 0,71 a 0,81; e usuário de 0,95 a 1,0; 0,84 a 0,90; e 0,94. Metodologia e resolução espacial semelhante: Silva (2012) utilizou a OBIA e redes neurais artificiais na classificação do uso do solo da região norte do estado de Minas Gerais por meio de imagens do sensor Rapideye. A exatidão global atingida foi de 0,83 e o índice Kappa de 0,79. A classe água e veredas chegaram a alcançar índices do usuário de 1 e do produtor entre 0,97-1. Os melhores índices do usuário foram das classes relacionadas à vegetação (Cerrado com 0,92, FED com 0,87, floresta plantada 0,92; e vereda com 1) assim com as do produtor (Cerrado com 0,83, FED com 0,88, floresta plantada 0,92; e vereda com 1). Os piores índices (produtor e usuário) foram das classes de uso do solo: agricultura, pastagem e outros. 4.2.7 Tempo de processamento por etapa O tempo de processamento de cada etapa foi variado (Tabela 40). O tempo de processamento é condizente com um computador Intel® Core™ i3-2100 CPU, com 3,10 GHz e 2,99 GB de RAM. 105 Tabela 40. Intervalo médio de tempo utilizado para processar imagens do sensor SAAPI (2011) Processo Tempo Segmentação 30 – 40 min. Seleção das amostras de treinamento 40 – 50 min. Extração dos dados da segmentação 15 – 20 min. Seleção de atributos 20 min. Construção da árvore de decisão 5 min. Inserção dos limiares no eCognition® 35 horas Classificação da imagem 8 horas Seleção de amostras de validação 40 – 50 min. Aferição da acuracidade 1 min. Tendo em vista que o método escolhido foi acurado, propõe-se a utilização de outra sequencia metodológica, no sentido de diminuir o tempo de inserção dos limiares para geração do mapa temático, porém neste caso não é possível aferir a acurácia do mapa temático pela plataforma do eCognition®. Neste caso, utilizar-se-ia a seguinte sequência: segmentação, seleção de amostras de treinamento, exportação do arquivo em formato .shp (juntamente com atributos), inserção dos arquivos .shp no software ArcGIS®, extração da tabela no formato .dbf (com coluna de identificação), inserção da tabela no software WEKA®, geração da árvore de decisão, classificação no WEKA®, exportação do resultado do WEKA® em texto, utilização do Matlab® para converter a árvore do WEKA® (formato if-else), classificação da tabela no Matlab® (conforme reportado por Luz et al. 2009), inserção da tabela classificada novamente no ArcGIS® e aferição manual da acurácia no ArcGIS®. 4.2.8 Correlação entre atributos e parâmetros estruturais da vegetação Este item constitui uma análise inicialmente não prevista. Ele foi realizado para tendo em vista a quantidade de informação obtida no campo. Buscou-se averiguar a relação entre os atributos e os parâmetros dos levantamentos terrestres da vegetação. Levando em conta a análise espectral das bandas do sensor e informações do relatório de produção final do aerolevantamento, suspeita-se, que o ajuste radiométrico executado apenas converteu os ND para a radiância, diminuindo a confiabilidade das análises. Além disso, o aerolevantamento foi executado por uma empresa privada, tratada diretamente com a SDS, não sendo possível adquirir informações detalhadas em relação à calibração do sensor ou do aerolevantamento, que poderiam ser processadas por meio de 106 filtros de sensitividade espectral (como, data e horário de aquisição das imagens). Com a conversão atmosférica dos ND para reflectância de superfície poderiam ser obtidos resultados mais acurados. No total foram avaliados 87 atributos estatísticos, espaciais e texturais, e as variáveis N, DAP e AB, mensuradas em campo. Utilizou-se a correlação de Spearman's rs, uma vez que o conjunto de dados não apresentou normalidade. Para cada variável de campo foi encontrado um valor de correlação referente ao atributo (Tabela 41). Tabela 41. Valores de correlação dos atributos estatísticos, espaciais e texturais em relação aos dados de campo (α=0,05) referentes ao sensor SAAPI (2011) N DAP AB Atributo Banda Valor Atributo Banda Valor Atributo Banda Valor Média Média Média Média Média Menor valor de pixel Menor valor de pixel Menor valor de pixel Menor valor de pixel 1 2 3 IR2 IR3 -0,64 -0,48 -0,62 -0,63 -0,46 NDVI Média Razão Razão Razão IR1 2 3 IR1 0,41 0,52 0,55 0,42 0,54 NDVI Média Média Média Brilho 1 3 IR2 - 0,44 -0,51 -0,50 -0,50 -0,44 1 -0,44 Razão IR3 0,56 Razão IR1 0,50 2 -0,43 R -0,49 1 -0,64 IR2 -0,42 IR2 -0,42 3 -0,50 IR3 -0,41 IR1 0,42 IR2 -0,60 GLCM StdDev 2 0,45 IR1 0,43 IR3 -0,47 GLCM StdDev IR1 0,49 1 0,50 GLCM StdDev IR3 0,47 3 0,45 GLCM Contrast IR2 -0,41 IR2 0,50 GLCM Correlação GLCM Correlação IR2 IR3 0,43 0,46 Menor valor de pixel Menor valor de pixel Maior valor de pixel Número de objetos escuros Menor valor de pixel Menor valor de pixel Menor valor de pixel Menor valor de pixel Número de objetos escuros Número de objetos escuros Número de objetos escuros A correlação de maior magnitude absoluta da variável N foi com as médias da banda 1 (-0,64), 3 (-0,62) e IR1 (0,63), para a variável DAP foi a razão das bandas IR3 (0,56) e 2 (0,55) e para a variável AB foi o menor valor de pixel das bandas 1 (-0,64) e IR3 (-0,60), todas altamente significativas (p<0,01). Esses resultados configuram pontos de partida para futuras investigações a respeito da relação entre os grupos de variáveis. Os atributos que mais se assemelharam com os dados de campo foram atributos estatísticos, ao contrario daquele encontrado por Sette (2009), que analisou a textura de uma imagem de alta resolução espacial para classificação dos estágios sucessionais de Mata Atlântica no Sul da Bahia. A autora encontrou valores mais significativos de 107 correlação com os atributos de entropia e momento diferencial inverso. O momento diferencial inverso, para a autora, foi o atributo que melhor explicou o DAP médio. Não foi trabalhada a altura média neste trabalho, devido à existência do MDT e do MDS, mas Sette (2009) encontrou correlação com a entropia. Johansen et al. (2007) e Johansen e Phinn (2006) também encontraram correlação com o momento diferencial inverso e homogeneidade, levando em conta atributos de textura e variáveis estruturais dos fragmentos florestais. Esses atributos poderiam ser explorados para desenvolver um estimador de parâmetros estruturais da vegetação e predizer características biofísicas da vegetação a partir dos processamentos de imagens de alta resolução espacial, tendo em vista a devida conversão atmosférica dos ND para reflectância de superfície. 108 5 CONSIDERAÇÕES FINAIS Considerando-se o índice de exatidão geral e o índice Kappa pode-se afirmar que a OBIA juntamente com a mineração de dados, utilizando atributos estatísticos, espaciais e de textura, apresentou qualidade satisfatória para classificar os estágios sucessionais da Floresta Ombrófila Densa, assim como outras classes de uso de solo, nas três áreas teste de Santa Catarina. Uma etapa importante para reconhecimento dos padrões estatísticos, espaciais e texturais das feições terrestres nas imagens de alta resolução espacial foram as visitas a campo (inicialmente utilizadas apenas para reconhecimento e verificar a acurácia do mapa temático), e que posteriormente forneceram outra oportunidade de análise em relação a métodos de correlação entre dados de campo e atributos. O nível de detalhamento alcançado no mapeamento pela OBIA dependeu especialmente da resolução espacial da imagem e do sucesso da segmentação. As imagens de alta resolução espacial utilizadas neste trabalho foram essenciais para a discriminação das feições terrestres. A segmentação multiresolução e os critérios adotados no desenho dos objetos auxiliam no processamento, pois o número de informação utilizado foi relativamente reduzido, tendo em vista técnicas tradicionais de classificação, como a pixela-pixel. Além da segmentação o uso das bandas MDT e MDS auxiliou a diferenciação de algumas feições terrestres a partir da criação do atributo altura, principalmente na diferenciação de classes da vegetação, como floresta plantada, estágio médio e avançado. As técnicas de mineração de dados, tanto a seleção de atributos quanto a classificação pelo algoritmo de árvore de decisão J48, foram decisivas para a classificação, pois trabalharam com uma extensa base de dados de forma rápida, gerando um resultado utilizável pelo software. Na seleção de atributos, a mineração ranqueou os atributos relevantes, descartando aqueles com menor peso. Outra vantagem da discriminação das classes por meio da mineração de dados foi a automatização dos procedimentos de escolha de atributos e definição das regras de decisão, diminuindo a interferência da subjetividade do intérprete. Mostrou-se dispendiosa em termos de demanda de tempo a inserção do resultado da mineração (limiares e regras de decisão no formato if-else) no software eCognition®, atrasando o processamento como um todo. A otimização desse processo é necessário. 109 Entende-se que a conexão direta entre os dois softwares é impossibilitada, pois o software eCognition® ao contrário do WEKA® (programa de código aberto desenvolvido por uma universidade) é um software comercial e com código fechado. O que foi apresentado no trabalho foi uma maneira mais acessível de processamento classificação. A qualidade geral dos mapas temáticos foi satisfatória, tanto para a exatidão geral (0,89-0,91) quanto para o índice Kappa (0,87-0,90), tendo como base dados de campo. Em relação à qualidade por classe, todas as áreas teste apresentaram índices (produtor, usuário e Kappa) superiores a 0,79. Os melhores desempenhos, em relação aos índices do produtor e do usuário, foram: água, banana, pastagem, floresta em estágio inicial, edificações/urbano, rizicultura e sombra; e os piores: floresta plantada, floresta em estágio avançado, estágio médio, solo exposto e agricultura. A classificação do estágio inicial apresentou bom desempenho em relação à outras classes de uso do solo, porém as classes estágio médio e avançado foram mais complicadas. Isto se deve a dificuldade de, até mesmo, diferenciar tais estágios a partir de variáveis estruturais e biofísicas. A hipótese formulada no início do trabalho foi aceita, pois com as imagens de alta resolução espacial e com as técnicas OBIA e a mineração de dados, ancoradas em dados de campo, houve uma melhora, em relação às metodologias tradicionais (e.g. máxima verossimilhança [ganho de 0,28 no índice de Kappa] e K-means [ganho de 0,75 no índice de Kappa]), na acurácia da classificação dos estágios iniciais de vegetação secundária e de outras classes de uso do solo. As técnicas convencionais de classificação não são aconselhadas para este tipo de resolução espacial. A quantificação da relação entre variáveis dendrométricas de campo e atributos foi parcialmente atendida, pois a metodologia de aferição da correlação foi adequada, porém a falta de informação sobre a calibração do sensor ou do aerolevantamento prejudicou a confiabilidade das análises. Uma abordagem mais acurada sobre essa correlação poderia ser continuada no sentido de desenvolver um estimador de parâmetros biofísicos da vegetação em campo a partir dos atributos, tendo em vista a devida conversão atmosférica dos ND para reflectância de superfície. 110 6 REFERÊNCIAS ABRAMS, M. D.; NOWACKI, G. J. Historical variation in fire, oak recruitment and post-logging accelerated sucession in central Pennsylvania. Bulletin of the Torrey Botanical Club, v. 119, p. 19-28. 1992. AB'SÁBER, A N. Os domínios de naturaz do Brasil. Potencialidade paisagísticas. São Paulo: Ateliê Editorial, 2003. ANTUNES. Classificação de ambiente ciliar baseada em orientação a objeto em imagens de alta resolução espacial. Tese (Doutorado), Curitiba: Universidade Federal do Paraná, 2003. ANTUNES, A. F. B. Análise do uso do processamento digital de imagens na segmentação de tipologias vegetais da APA de Guaraqueçaba-PR. Dissertação (Mestrado), Curitiba: Universidade Federal do Paraná, 1996. BAATZ, M.; SCHÄPE, A. Multiresolution segmentation: an optimization approach for high quality multiscale image segmentation. In: Strobl, J; Blaschke, T. (Eds). Angewandte, Geogr. Informationsverarbeitung XII. Heidelberg: Wichmann, 2000. BALDAUF, C; HANAZAKI, N.; REIS, M. S. Caractereização etnobotânica dos sistemas de manejo de samanbaiapreta (Rumohra adiantiformis (G. Frost) Ching - Dryopteridaceae) utilizados no sul do Brasil. Acta Botanica Brasilica, v. 21, p. 823-834. 2007. BARRETT, E. C.; CURTIS, L. Introduction to environmental remote sensing. Londres: Chapman & Hall, 1992. BATISTA, M. H. Classificação hierárquica orientada a objeto em imagens de alta resolução espacial empregando atributos espaciais e espectrais. 199p. Dissertação (Mestrado em Sensoriamento Remoto). Universidade Federal do Rio Grande do Sul (UFRGS), Rio Grande do Sul, RS. 2006. BAWA, K.; SEIDLER, S. Natural forest management and conservation of biodiversity in tropical forests. Conservation Biology, v. 12, p. 45-50. 1998. BAZZAZ, F. A. The physiological ecology of plant sucession. Annual Review of Ecology and Systematics, v. 10, p. 351-371. 1979. BAZZAZ, F. A.; PICKET, S. T. A. Physiological ecology of tropical sucession: a comparative review. Annual review of Ecology and Systematics, v. 11, p. 287-310. 1980. BLASCHKE, T. Object based image analysis for remote sensing. Journal of Photogrammetry and Remote Sensing, Amsterdam, v. 65 (1), p. 2-16. 2010. BRADTER, U.; THOM, T. J.; ALTRINGHAM, J.D.; KUNIN, W. E.; BENTON, T. G. Prediction of National Vegetation Classification communities in the British uplands using environmental data at multiple spatial scales, aerial images and the classifier random forest. Journal of Applied Ecology, v. 48 (4), p. 1057-1065. 2011. BROADBENT, E. N.; ASNER, G. P.; KELLER, M.; KNAPP, D. E., OLIVEIRA, P. J. C.; SILVA, J. N. Forest fragmentation and edge effects from deforestation and selective logging in the Brazilian Amazon. Biological Conservation, p. 745-757, 2008. BODMER, R. E.; PENN, J. W.; PUETAS, P.; MOYA, I. L.; FANG, T. G. Linking conservation and local people throgh sustannable use of natural resources. In: FREESE, C. H. (Ed.) Harvesting wild species, p. 315-358. Baltimore: Johns Hopkins. 1997. BORMANN, F. H.; LIKENS, G. E. Pattern and process in a forested ecosystem. Spinger-Verlag, New York Inc, 253 p., 1979. BORNER, J. MENDOZA, A.; VOSTI, S. A. Ecosystems services, agriculture and rural poverty in the Eastern Brasilian Amazon: Interrelationships and policy prescriptions. Ecological Economics, v. 64, p. 356-373. 2007. BOUCHER, D. H.; VANDERMEER, J. H.; DE LA CERDA, I. G.; MALLONA, M. A.; PERFECTO, I.; ZAMORA, N. Post-agriculture versus post-hurricane sucession in southeastern Nicaraguan rain forest. Plant Ecology, v. 156, p. 131-137. 2001. 111 BRASIL. Lei 11.428 de 22 de dezembro de 2006. Dispõe sobre a utilização e proteção da vegetação nativa do Bioma Mata Atlântica, e dá outras providências. 2006. Disponível em: <http://www.planalto.gov.br/ccivil_03/_ato2004-2006/2006/lei/l11428.htm> Acesso em: 10 Set 2012. BRASIL. Resolução nº 5, de 04 de maio de 1994. Estabelece definições e parâmetros mensuráveis para análise de sucessão ecológica da Mata Atlântica no Estado de Santa Catarina. 1994. Disponível em: <http://www.mp.ba.gov.br/atuacao/ceama/material/legislacoes/flora/resol_conama_05_94.pdf> Acesso em: 10 Set 2012. BRASIL Decreto n° 750, de 10 de fevereiro de 1993. Dispõe sobre o corte, a exploração e a supressão de vegetação primária ou nos estágios avançado e médio de regeneração da Mata Atlântica, e dá outras providências. (REVOGADO). Disponível em: http://www.planalto.gov.br/ccivil_03/decreto/1990-1994/D750.htm. Acesso em: 10 Set 2012. BREARLEY, F. Q.; PRAJADINATA, S.; KIDD, P. S.; PROCTOR, J; SURIANTATA. Structure and floristics of an old secondary rain forest in Central Kalimantan, Indonesia, and a comparison with adjacent primary rain forest. Forest Ecology and Management, v. 195, p. 385-394. 2004. BREIMAN, L. Random forests. Machine Learning, v. 45 (1), p. 5-32. 2001. BROWN, J. H. The role of the fire in altering the species composition of forests in Rhode Island. Ecology, v. 41, p. 310-316. 1960. BROWN, S.; LUGO, A. E. Tropical secondary forests. Journal of tropical Ecology, v. 6, p. 1-32. 1990. BUCHER, E H. Chaco and Caatinga - South American Arid Savanas. Woodlands and Thickets. In: HUNTLEY, B. J., WALKER, B.H. (Eds). Ecology os Tropical Savannas. Berlim: Spinger-Verlag. p. 48-79, 1982. BUDOWSKI, G. Distribution of tropical American rain forest species in the light of sucessional processes. Turrialba, v. 15, p. 40-42. 1965. CADENA, G. T. Classificação dos tipos de pavimentos das vias urbanas a partir de imagem de alta resolução espacial por meio de análise orientada a objeto. 114p. Dissertação (Mestrado em Ciências Cartográficas). Universidade Estadual Paulista, Presidente Prudente, SP. 2011. CAGNOLO, L.; CABIDO. M.; VALLADARES, G. Plant species richness in the Chaco Serrano woodland from central Argentina: ecological traits and habitat fragmentation effects. Biological Conservation, v. 132, pp. 510–519. 2006. CAPERS, R. S.; CHAZDON, R. L.; REDONDO BRENES, A.; VILCHEZ ALVARADO, B. Sucessional dynamics of wood seedling communities in tropical secondary forests. Journal of Ecology, v. 93, p. 1071-1084. 2005. CASTILHO, M.; BENOIT, R.; SANHCHEZ-AZOFEIFA, A.; CALVO-ALVARADO, J.; DUBAYAH, R. LIDAR remote sensing for secondary Tropical Dry Forest identification. Remote sensing of environment, v. 121, p. 131143. 2012. CASTRO, K. L.; SANCHEZ-AZOFEITA, G. A.; RIVARD, B. Monitoring secondary tropical forests using borne data: implications for Central America. Internacional Journal of Remote Sensing, p. 1853-1894. 2003. CHAZDON, R. L. Change and determinism in Tropical Forest Sucession. In: CARSON, W. P.; SCHNITZER, S. A. (Eds.) Tropical Forest Community Ecology, p. 384-408. Oxford: John Wiley & Sons Ltd, 2008. CHICA-OLMO, M. ABARCA-HERNÁNDEZ, F Computing geostatistical image texture for remotely data classification. Computers & Geosciences, v. 26, p. 373-383, 2000. CHOKKALINGAM, D.; JONG, W. D. Secondary forest: a working definition and typology. Internacional forestry Review, v. 3, (1), p. 19-26. 2001. CLARK, M. L.; AIDE, T. M.; GRAU, H. R.; RINER, G. A scalable approach to mapping annual land cover at 250 m using MODIS time series data: A case study in the Dry Chaco ecoregion of South America. Remote Sensing of Environment, v 114, p. 2816-2832. 2010. 112 CLEMENTS, F. E. Plant Sucession: An analysis of the developmente of vegetacion. Washington DC: Carnegie Institute Publication, 1916. CLEMENTS, F. E. The development and structure of vegetation. Botanical survey of Nebraska, studies in the vegetation State. Lincoln: Nebraska, 1904. CORLETT, R. T. What is secondary forest? Journal of tropical Ecology, v. 10, p. 445-447. 1994. CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. New York: Lewis Publishers, 136 p. 1999. DEAN, W. A ferro e fogo: a história e a devastação da Mata Atlântica brasileira. Companhia das Letras, 484 p. 1997. DEFINIENS. Definiens eCognition developer 8: reference book. 276 p. München, 2009. DENSLOW, J. S. Tropical rainforest gaps and tree species diversity. Annual Review Ecology Systems, v. 18, p. 431-452. 1987. DENSLOW, J. S.; GUZMAN, G. S. Variation in stand structure, light and seedling abundance across a tropical moist forest chronosequence, Panama. Journal of Vegetation Science, v. 11, p. 201-212. 2000. DINERSTEIN, E.; OLSON, D. M. GRAHAM, D. J.; LEDEC, G.; WEBSTERET, A. L. Una evaluacíon del estado de conservacíon de las ecoregiones terrestres de América Latina y el Caribe. Washington D.C.: Fondo Mundial para la Naturaleza, 1995. DONOGHUE, D. N. M. Remote sensing: environmental change. Progress in Physical Geography, v. 26, p. 144151. 2002. DUBOIS, J. C. L. Secondary forests as a land-use resource in frontier zones of Amazonia. In: ANDERSON, A. B. (Ed.) Alternatives to deforestation: steps toward sustainable use of the Amazon rain forest. New York, USA. p. 183-194. 1990. EISENLOHR, P. V.; MELO, M. M. R. F.; IVANAUSKAS, N. M.; SOUZA, V. C.; RODRIGUES, R. R.; DUARTE, A. R.; BREIER, T. B.; UDULUTSCH, R. G. Floresta Ombrófila Densa Atlântica: bases conceituais e estudo de caso no Parque Estadual de Carlos Botelho, Estado de São Paulo. In: Jeanine Maria Felfili; Pedro Vasconcellos Eisenlohr; Maria Margarida da Rocha Fiuza de Melo; Leonaldo Alves de Andrade; João Augusto Alves Meira Neto. (Org.). Fitossociologia no Brasil: Métodos e Estudos de Casos. 1 ed. Viçosa: Editora UFV, v. 1, p. 372387. 2011. EMRICH, A.; POKORNY, B.; SEPP, C. The significance of secondary forest management for development policy. Eschborn, Germany: TOB Series, v.18. 2000. ENGEMAP Geoinformação. Relatório de produção final - edital de concorrência pública n° 0010/2009. Florianópolis SC. 218p. 2012 EWELL, J. J. Sucession. In: GOLLEY, F. B. (Ed.) Tropical rain forest ecosystems. p. 217-233. Amsterdam: Elselvier Scientific Publishing Co, 1983. FANTINI, A. C. Palm heart (Euterpe edulis) production and management in the Brazilian Mata Atlântica. 127 p. Tese (Doutorado). Madison: University of Wisconsin, 1999. FEARNSIDE, P. M. Global warming and tropical land use change: greenhouse gas emissions from biomass burning, decomposition and soils in forest conversion, shifting cultivation and secondary vegetation. Climate Change, v. 46, p. 115-158. 2000. FINNEGAN, B. Forest succession. Nature, v. 312, p. 109-114. 1984. FINNEGAN, B. Pattern and process in neotropical secondary forests: the first 100 years of sucession. Trends in Ecology and Evolution, v. 11, p. 119-124. 1996. 113 FINNEGAN, B. The managemenet potential of Neotropical secondary lowland rain forest. Forest Ecology and Management, v. 47, p. 295-322. 1992. FOOD AND AGRICULTURE ORGANIZATION. FAO. Global forest resources. Assessment 2005. Progress towards sustainable forest management. Roma: FAO, 2009. FOSTER, B. L.; TILMAN, D. Dynamic and static views of sucession: testing the descriptive power of the chronosequence approach. Plant Ecology, v. 146, p. 1-10. 2000. FRANCISCO, C. N.; ALMEIDA, C. M. Avaliação de desempenho de atributos estatísticos e texturais em uma classificação de cobertura da terra baseada em objeto. Bol. Ciênc. Geod., Curitiba, v. 18 (2), p. 302 - 326, 2012. GISLASON, P. O.; BENEDIKTSSON, J. A.; SVEINSSON, J. R. Random forests for land cover classification. Pattern Recognition Letters, v. 27 (4), p. 294-300. 2006. GOLDSCHMIDT, R.; PASSOS, E. Data Mining um guia prático. Rio de Janeiro: Elsevier, 261p., 2005. GÓMEZ-POMPA, A; VAZQUEZ-YANES, C. Sucessional studies of a rain forest in Mexico. In: WEST, D. C.; SHUGART, H. H.; BOTKIN, D. B. (Eds.) Forest sucession: concepts and application. p. 246-266. New York: Springer-Verlag, 1981. GÓMEZ-POMPA, A. Possible papel de la vegetación secundária en la evolución de la flora tropical. Biotropica, v. 3, p. 125-135. 1971. GONZÁLEZ, R.C.; WOODS, R.E. Processamento de Imagens Digitais. 509 p. Edgard Blücher Ltda. São Paulo, 2000. GROOMBRIDGE, B.; JENKINS, M. D. World atlas of biodiversity. Berkeley, California: University of California Press, p. 340, 2002. GUARIGUATA, M. R.; OSTERTAG, R. Neotropical secondary forest sucession: changes in structural and funcional characteristics. Forest ecology and management, v. 148, p. 185-206. 2001. HALL, M.; FRANK, E.; HOLMES, G; PF AHRINGER, B; REUTEMANN, P.; WITTEN,I. The WEKA Data Mining Software: An Update. SIGKDD Explorations, Volume 11(1). 2009. HAMMER, Ø.; HARPER, D. A. T.; RYAN, P. D. PAST: Paleontological statistics software package for education and data analysis. Palaeontologia Electronica, v.4, 2001. Disponível em: http://palaeoelectronica.org/2001_1/past/issue1_01.htm. Acesso em: 15 de ago 2013. HAMMOND, D. S. Post-dispersal seed and seedling mortality of tropical dry forest trees after shifting agriculture, Chiapas, Mexico. Journal of Tropical Ecology, v. 11, p. 295-313. 1995. HARALICK, R. M. Statistical and structural approach to texture. Proceedings of the IEEE, vol. 67 (%), p. 786803. 1979. HELLER, R. C.; ULLIMAN, J. J. Chapter Forest resource assessments (2nd ed.). Manual of Remote Sensing, v. 2, p. 2229–2324. 1983. HOELSCHER, D. Shifting cultivation in Eastern Amazonia: a case study on the water and nutrient balance. Plant reserach and development, v. 46, p. 68-87. 1997. HOLDRIDGE, L. R. Determination of world plant formation from simple colmatic data. Science, v. 105, p. 367368. 1947. HOLDRIDGE, L. R. Life zone Ecology. San Jose, CA: Tropical Science Center, p. 60-77. 1967. HOUGH, A. F.; FORBES, R. D. The ecology and silvics of Pennysilvania high-plateauforests.” Ecological Monographs, v. 13, p. 300-320. 1943. 114 HÜTTICH, C.; HEROLD, M.; WEGMANN, M.; CORD, A.; STROHBACH, B.; SCHMULLIUS, C.; DECH, S. Assessing effects of temporal compositing and varying observation periods for large-area land-cover mapping in semi-arid ecosystems: implications for global monitoring. Remote Sensing of Environment, v. 115 (10), p. 24452459. 2011. HUETE, A.; LIU, H.Q.; BATCHILY, K.; VAN LEEUWEN, W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, 59: 440-451, 1997. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IGBE. Manual Técnico da Vegetação Brasileira. Série de Manuais Técnicos em Geociências. Rio de Janeiro: Departamento de Editoração e Gráfica do IBGE, 1992. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE. Manuais Técnicos em Geociências. Manual Técnico da Vegetação Brasileira. 2ª ed. Rio de Janeiro: Departamento de Editoração e Gráfica do IBGE, 2012. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE. Projeto de Monitoramento da Floresta Amazônica Brasileira por Satélite. São José dos Campos: INPE. Disponível em http://www.obt.inpe.br/prodes/. 2008. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE. Atlas dos Remanescentes Florestais da Mata Atlântica. São José dos Campos: INPE. Disponível em http://www.sosma.org.br/5697/sos-mataatlantica-e-inpe-divulgam-dados-do-atlas-dos-remanescentes-florestais-da-mata-atlantica-no-periodo-de-2010-a2011/. 2012. JENSEN, J R. Introductory digital image processing (3 ed.). New Jersey: Pearson Prentice Hall, 2005. JOHANSEN, K.; PIHNN, S. Mapping structural parameters and species composition of ripirian using ikonos and landsat etm+ data in australian tropical savannahs. Photogrammetric Engeneering and Remote Sensing, v. 72 (1), p. 71-80. 2006. JOHANSEN, K.; COOPS, N. C.; GERGEL, S. E.; STANGE, Y. Application of high spatial resolution satellite imagery for riparian and forest ecosystem classification. Remote Sensing of Environment, v. 110, p. 29-44. 2007. KAMMESHEIDT, L. Perspectives on secondary forest management in tropical humid lowland America. Ambio, v. 31 (3), p. 243-250. 2002. KAMMESHEIDT, L. The role of three sprouts in the restorations of stand structure and species diversity in tropical moist forest after slash-and-burn agriculture in eastern Paraguay. Plant Ecology, v. 139, p. 155-165. 1998. KLEIN, R. M. Ecologia da flora e vegetação do Vale do Itajaí, v. 32. Itajaí: Sellowia, 1980. KLEIN, R. M. Ecologia e Flora da Vegetação do Vale do Itajaí, v. 31. Itajaí: Sellowia, 164 p, 1979. KLEIN, R. M. Mapa Fitogeográfico do Estado de Santa Catarina. Itajaí: Herbário Barbosa Rodrigues, 1978. KLEIN, R. M. Árvores nativas da floresta Subtropical do Alto Uruguai, v. 24. Itajaí: Sellowia, p. 9-62, 1972. KRESSLER, F. P.; STEINNOCHER, K. Image data and LIDAR – an ideal combination matched by object oriented analysis. In: Geographic Object-Based Image Analysis, 1, 2006, Salzburg University, Austria. Proceedings…, 2006. KRAMER, R. A.; VAN SCHAIK, C. P. Preservation paradigms and tropical rain forests. In: KRAMER R., VAN SCHAIK C., JOHNSON, J. Last Stand: protected areas and te defense of tropical biodiversity. p. 3-14. New York: Oxford University Press, 1997. KRONBERG, P. Photogeologie. Eine Einführung in die Grundlagen Und Methoden der geologischen Auswertung von Luftbildern. 267 p. Stuttgart: Ferdinand Enke Verlag. 1984. KURY, E. B.; VIEIRA, C. A. O. Classificação automática de imagens de alta resolução. Viçosa: Universidade Federal de Viçosa, 2002. 115 LABA, M.; Gregory, S. K.; Braden, J.; Ogurcak, D.; Hill, E.; Fegraus, E. Fiore, J.; DeGloriaet S. D. Conventional and fuzzy accuracy assessment of New York gap analysis project land cover map. Remote Sensing of Environment. v.81 (2-3), p.443-455. 2002. LANDIS, J.R., KOCH, G.G. The measurement of observer agreement for categorical data. Biometrics, v. 33, p. 159–174. 1977. LEITE, P. F.; KLEIN, R. M. Vegetação. In: IBGE: Geografia do Brasil: Região Sul. Rio de Janeiro: v. 2, 1990. LEVINE, D. M. Estatística: Teoria e Aplicações – Usando Microsoft Excel em Português. Rio de Janeiro: Editora LTC, 811p. 1998. LIEBSCH, D.; MARQUES, M. C. M.; GOLDENBERG, R. How long does the Atlantic Rain Forest take to recover after a disturbance? Changes in species composition and ecological features during secondary sucession. Biological Conservation, Kidlington, v. 141 (6), p. 1717-1725, 2008. LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J. W. Remote sensing and image interpretation. New York: John Wiley and Sons, 2004. 763 p. LUCAS, R. M.; HONZAK, M.; CURRAN, P. J.; FOODY, G. M.; MILNE, R.; BROWN, T. Mapping the regional extent of tropical forest regeneration stages in the Brazilian Legal Amazon using NOAA AVHRR data. International Journal of Remote Sensing, v. 21, p. 2855-2881. 2000. LUGO, A E. The apparent paradox of reestablishing species richness on degraded lands with tree monocultures. Forest Ecology and Management, v. 99, p. 9-19. 1997. LUZ, N. B.; SANTOS, D. J.; ANTUNES, A. F. B. Segmentação de imagens e classificação baseada em regras de conhecimento como novas abordagens para o mapeamento do uso da terra no Estado do Paraná. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, INPE, p. 989-996. 2009. MANTOVANI, W. Dinâmica da floresta pluvial atlântica. In: Simpósio de Ecossistemas Brasileiros. Águas de Lindóia. São Paulo: Anais. Simpósio de Ecossistemas Brasileiros, v. 3, p. 1-20, 1998. MARPU, P. R. Geographic Object-based Image Analysis. Freiberg, 2009. 121f. Tese (Doutorado em Engenharia) - Faculty of Geosciences, Geo-Engineering and Mining of the Technische Universität Bergakademie Freiberg, 2009. MATTHEWS, E.; PAYNE, R.; ROHWEDE, M.; SIOBAHN, M. Pilot analysis of global ecosystems: forest ecossystems. Washinton D.C.: World Resources Institute, 86p, 2000. MAY, R.M. The chaotic rhythms of life. New Scientist, v. 124, p. 21-25. 1989. MENESES, P.R.; NETTO, J.S.M. Sensoriamento Remoto: Reflectância dos alvos naturais. Brasília, DF: UnB; Planaltina: Embrapa Cerrados. 2002. MITTERMEIER, R. A.; MYERS, N.; GIL, P. R.; MITTERMEIER, C. G. Hotspots: Earth’s Biologically Richestand Most Endangered Terrestrial Ecoregions. Cidade do México: Cemex SA, 1999. MITTERMEIER, R. A.; MYERS, N.; THOMSEN, J. B. Biodiversity hotspots and major tropical wolderness areas: approaches to setting conservation priorities. Conservation Biology, v. 12 (3), p. 516-520. 1998. MOSER, P. Análise estatística dos dados dendrométricos do inventário Florístico Florestal de Santa Catarina. 2013. 129p. (Mestrado em Engenharia Florestal). Centro de Ciências Tecnológicas. Fundação Universidade Regional de Blumenau, Blumenau, SC. MOREIRA, M. A. Fundamentos de sensoriamento remoto e metodologias de aplicação. 3 ed. 320p. Viçosa: Universidade Federal de Viçosa, 2005. 116 MOREIRA, R. C. Influência do posicionamento e da largura de bandas de sensores remotos e dos efeitos atmosféricos na determinação de índices de vegetação. 179 p. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2000. MOSEKILD, E.; MOSEKILD, L. Complexity, chaos, and biological evolution. Plenum Press, Series B: Physics v. 270, New York. 1991. MUELLER-DOMBOIS; ELLENBERG, H. Aims and methods of vegetation ecology. New York: John Willey & Sons, 525 p., 1974. MYERS, N. MITTERMEIER, R. A.; MITTERMEIER, C. G.; FONSECA, G. A. B.; KENTS, J. Biodiversity hotspots for conservation priorities. Nature, v. 403, p. 853-853. 2000. MYSTER, R. W. Postag ricultural invasion, establishment an d growth of neotropical trees. Botanical Review, v. 70, p. 381-402. 2004. NASCIMENTO, H.E.M.; LAURANCE, W.F. Biomass dynamics in Amazonian forest fragments. Ecological Applications, v. 14, p. 127–138. 2004. NAVULUR, K. Multispectral image analysis using the object-oriented paradigm. 184 p. Davis: CRC, 2006. NEEFF, T.; LUCAS, R. M.; DOS SANTOS, J. R.; BRONDIZIO, E. S.; FREITAS, C. C. Area and age of secondary forests in Brazilian Amazonia 1978 –2002: An empirical estimate. Ecosystems, v. 9, p. 609-623. 2006. NEUMAN, R. P.; HIRSH, E. Commercialisation of non-timber forest produtcs: review and analysis of research. 176 p. Indonésia: CIFOR, 2000. NOTMAN, E.; GORCHOV, D. L. Variation in post-dispersal seed predation in mature Peruvian lowland tropical forest and fallow agricultual sites. Biotropica, v. 33, p. 621-636. 2001. NOVO, E. M. L. Sensoriamento remoto. São Paulo: Edgard Blucher Ltda, 1998. ODUM, E. P. Ecologia. Rio de Janeiro: Guanabara, 1988. OLIVEIRA-FILHO, A. T.; FONTES, M. A. L. Patterns of floristic diffentiation among Atlantic Forests in Southeastern Brazil and the influence of climate. Biotropica, v. 32, p. 793-810. 2000. OLIVER, C. D. Forest development in Noth America following major disturbances. Forest Ecology and Management, v. 3, p. 153-168. 1981. OLIVER, C. D.; LARSON, B. C. Forest Stand Diynamics. New York: McGraw-Hill, 1990. ORTIZ, R.; RAMIREZ, O.; FINNEGAN, B. CO2 mitigation service of Costa Rica secondary forests as an economic alternative joint implementation initiatives. In: GUARIGUATA, M. R.; FINNEGAN, B. (eds.) Ecology and plant management of tropical secondary forest: science, people and policy. p. 213-227. Costa Rica: CATIE, 1998. PEREIRA, G. A. D. The secondary forest situation in Sri Lanka: a review. Journal Tropical Forest Science, v. 13, p. 768-785. 2001. PERRY, D. A. Forest Ecosystems. London: John Hopkins University Press, 1994. PINEDO-VAZQUEZ, M.; ZARIN, D. J.; COFFEY, K.; PADOCH, C; RABELO, F. Postboom logging in Amazonia. Human Ecology, v. 29, p. 219-238. 2001. PIOTTO, D. Spatial dynamics of forest recovery after swidden cultivation in the Atlantic forest of southern Bahia, Brazil. 281 p. Universidade de Yale. Tese (Doutorado). 2011. PONZONI, F. J.; SHIMABUKURO, Y. E.; KUPLICH, T. M. Sensoriamento remoto da vegetação - 2ª Edição. Oficina de Textos. 176 p. 2012. 117 POWERS, D. M. W. The problem with Kappa. Centre for Knowledge & Interaction Technology, CSEM. 13th Conference of the European Chapter of the Association for Computational Linguistics, p. 345–355. Avignon, France, 2012. QUEIROZ, M. H. Approche Phytoécologoque et Dynamique des Formations Végetales Secondaires Développées Après Abandon dês Activités Agricoles, dans lê Domaine de la Fôret Ombrophile Dense de Versant (Fôret Atlantique) à Santa Catarina – Brésil. Nancy (França): École Nationale du Génie Rural, des Eaux et des Forêts. 251 p. Tese (Doutorado). 1994. REDFORD, K. H.; RICHTER, B. D. Conservation of biodiversity in a world use. Consevation Biology, v. 13 (6), p. 1246-1256. 1999. REIS, A. A vegetação original do estado de Santa Catarina. In: REIS, A., REIS, M. S., QUEIROZ, M. H., MANTOVANI, A., ANJOS, A. Caracterização de estádios sucessionais na vegetação catarinense. UFSC, 1995. REIS, A.; REIS, M.S.; FANTINI, A. C. Manejo do palmiteiro (Euterpe edulis) em regime de rendimento sustentado. Universidade Federal de Santa Catarina (UFSC). 1995. REIS, A., TRES, D.R., SCARIOT, E.C. Restauração na Floresta Ombrófila Mista através da sucessão natural. Pesquisa Florestal Brasileira, Colombo, n. 55, p.67-73, 2007. REITZ, R.; KLEIN, R. M.; REIS, A. Projeto Madeiras de Santa Catarina. Itajaí: Herbário Barbosa Rodrigues, 1978. 320 p. RIBEIRO, M. C.; METZGER, J. P.; MARTENSEN, A. C.; PONZONI, F. J.; HIROTA, M. M. The Brazilian Atlantic Forest: How much is left, and how is the remaining forest distributed? Implications for conservation. Biological Conservation, v. 142, p. 1141-1153. 2009. RICHARDS, P. W. The tropical rain forest - an ecological study. United Kingdom: Cambridge University Press, 1996. RICHARDS, K. R.; STROKES, C. A review of forest carbon sequestration cost studies: a dozen years of research. Clim Change, v. 63, p. 1-48. 2004. RISWAN, S; KARTAWINATA, K. A lowland diptercocarp forest 35 years after pepper plantation in East Kalimantan, Indonesia. In: SOEMODIHARJO, S. (Ed). Some ecological aspects of tropical forests of East Kalimantam. Jakarta: Indonesian Institute of Sciences, MAB Indonesia, v. 48, 1998. ROUSE, J.W., HAAS, R.H., SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems in the Great Plains with ERTS. In 3rd ERTS Symposium, NASA SP-351 I, pp. 309–317. 1973. SCHELHAS, J.; GREENBERG, R. Forest patches in tropical landscape. Washington D.C, USA: Island Press, 1996. SCHIEWE, J. Segmentation of high resolution remotely sensed data: concepts, applications and problems. In: Symposium on geospatial theory, processing and applications, 2002, Ottawa. Proceedings. Vechta: University of Vechta, 2002. Disponível em: <http://www.isprs.org/proceedings/XXXIV/part4/pdfpapers/358.pdf>. Acesso em: 10 Jun. 2013. SCHMIDT-VOGT, D. Secondary forests in swidden agriculture in the highlands of Thailand. Journal of Forest Science, v. 13, p. 748-767. 2001. SCHOWENGERDT, R. A. Remote sensing models and methods for image processing. 560 p. San Diego: Academic, 2007. SCHUCH, C. Potencialidades da produção de madeira serrada a partir de três espécies da floresta secundária litorânea catarinense em condições de plantio e em áreas de floresta regenerada naturalmente. Tese (Mestrado). Universidade Federal de Santa Catarina - Centro de Ciências Agrárias. 2011. 118 SETTE, P. G. C. Análise da textura de imagem de alta resolução para classificação de estágios sucessionais de Mata Atlântica do sul da Bahia. Dissertação (Mestrado), Minas Gerais: Instituto de Geociências - Universidade Federal de Minas Gerais, 2009. SEVEGNANI, L. Dinâmica de população de Virola bicuhyba (Schott) Warb. (Myristicaceae) e estrutura fitossociológica de floresta pluvial atlântica, sob clima temperado úmido de verão quente, Blumenau, SC. 2003. 161f. Tese (Doutorado em Ecologia), USP, São Paulo. SEYFERTH, G. A colonização alemã no Vale do Itajaí-Mirim. Um estudo de desenvolvimento econômico. Porto Alegre: Movimento, 159 p, 1974. SHEIL, D. Long-term observations of rain forest succession, tree diversity and responses to distrubance. Plant Ecology, v. 155, p. 183-199. 2001. SKUTCH, A. F. Early stages of plant sucession following forest fires. Ecology, v. 10, p. 177-189. 1929. SMITH, J.; VAN DE KOP, P.;REATEGUI, K.; LOMBARDI, I.; SABOGAL, C.; DIAZ, A. Dynamics of secondary forests in slash-and-burn farming: interaction among land use types in the Peruvian Amazon. Agriculture, Ecosystems and Environment, v. 76, p. 85-98. 1999. SILVA, P. R. Uso de uso de redes neurais artificiais e objetos geográficos na classificação digital de imagens de sensoriamento remoto. 86p. Dissertação (Mestrado em Ciências Florestais). Universidade Federal de Lavras (UFLA), Lavras, MG. 2012. SIMINSKI, A.; FANTINI, M, A.C.; REIS, M. S. Classificação da vegetação secundária em estágios de regeneração da Mata Atlântica em Santa Catarina. Ciência Florestal, Santa Maria, v. 23 (3), p. 369-378, 2013. SIMINSKI, A. A floresta do futuro: conhecimento, valorização e perspectivas de uso das formações florestais secundárias no estado de Santa Catarina. Tese (Doutorado). Florianópolis: Univerisdade Federal de Santa Catarina (UFSC). 2009. SIMINSKI, A. Formações florestais secundárias como recurso para o desenvolvimento rural e a conservação ambiental no litoral de Santa Catarina. Dissertação (Mestrado). Florianópolis: Universidade Federal de Santa Catarina (UFSC).102 p. 2004. SIMINSKI, A.; FANTINI, A. C. A Mata Atlântica cede lugar a outros usos da terra em Santa Catarina Brasil. Biotemas, v. 23 (2), p. 51-59. 2009. SIMINSKI, A.; GURIES, R. P.; FANTINI A. C.; RUSCHEL, A. R.; REIS, M. S. Secondary forest sucession in Mata Atlântica, Brazil: Floristic and Phytosociological Trends. Ecology, 19 p. 2011. SIMINSKI, A., MANTOVANI, M.; REIS, M. S.; FANTINI, C. F. Sucessão Florestal Secundária no município de São Pedro de Alcântara, Litoral de Santa Catarina: Estrutura e diversidade. Ciência Florestal, v. 14, p. 21-33. 2004. SIPS, S. Management of tropical secondary rain forest in Latin America. Today's challenge, tomorrow's accomplished fact? In: Memorias del Taller Internacional sobre el estado actual y potencial del manejo e desarrollo del Bosque Secundario Tropical en América Lati. Workshop, Peru: Pucallp, 2-6, p. 230-272, 1997. SOUZA, A. L.; HOSOKAWA, R. T.; KIRCHNER, F. F.; MACHADO, S. A. Análises multivariadas para manejo de floresta natural na Reserva Florestal de Linhares, Espírito Santo: análises de agrupamento e discriminante. Revista Árvore, v. 14 (2), p. 85-101,1990. SPURR, S. H. Natural restocking of forests following the 1938 hurricane in central New England. Ecology, v. 37, p. 443-451. 1956. SPURR, S. H.; BARNES, B. V. Forest Ecology. New York: John Wiley And Sons, 1980. THOREAU, H. D. Walden, ou, A vida nos bosques. 7.ed. - São Paulo: Ground. 288p., 2007. TUCKER, C. J.; TOWNSHEND, J. R. G. Strategies for monitoring tropical deforestation using satellite data. International Journal of Remote Sensing, v. 21 (6), p. 1461-1471. 2000. 119 TURNER, I. M.; CORLETT, R. T. The conservation value of small isolated fragments of lowland tropical rain forest. Trends in Ecology and Evolution, v. 8, p. 330-333. 1999. UHL, C. Factors controling sucession following slah and burn agriculture in Amazonia. Journal of Ecology, v. 75, p. 377-407. 1987. UHL, C.; JORDAN, C. F. Sucessional and nutriant dynamics following forest cutting and burning in Amazonia. Ecology, v. 65, p. 1476-1490. 1984. UHL, C.; CLARK, K.; CLARK, H.; MURPHY, P. Early plant sucession after cutting and burning in upper Rio Negro Amazon Basin. Journal of Ecology, v. 69, p. 631-649. 1981. VACCARO, S.; ARTURI, M. F.; GOYA, J. F. Almacenaje de carbono en estadios de la sucessión secundaria en la provincia de misiones, argentina. INCI, v. 28 (9), p. 521-527. 2003. VANDERMEER, J.; MALLONA, M. A., BOUCHER, D.; YIH, K.; PERFECTO, I. Three years of ingrowth following catastrophic hurricane damage on the Caribean coast of Nicaragua: evidence in support of the direct regeneration hypothesis. Journal of Tropical Ecology, v. 11, p. 465-471. 1995. VANZOLINI, P. E. Problemas faunísticos do Cerrado. In: FERRI, M. G. (Ed). II Simpósio sobre o cerrado. São Paulo: Editora da Universidade de São Paulo. p. 307-320, 1963. VÁZQUEZ-YANES, C.; OROZCO-SEGOVIA, A. Ecophysiology of seed germination in the tropical humid forests of the world. In: MEDINA E., MOONEY H. A., VÁZQUEZ-YANES C. (Eds.) Physiological ecology of plantas of the wet tropics. p. 37-50. Dr. W Junk, The Hague, 1984. VIANA, V.; TABANEZ, A. J. Biology and conservation of forest fragments in Brasilian Atlantic moist forest. In: SCHEILAS, J.; GREENBERG, R. Forest patches in tropical landscapes. Washington D.C: Island Press, 1996. VIBRANS, A. C. A cobertura florestal da Bacia do Rio Itajaí: elementos para uma análise histórica. Tese (Doutorado). Florianópolis: Universidade Federal de Santa Catarina (USFC), Centro de Filosofia e Ciências Humanas. 2003. VIBRANS, A.C. et al. Structure of Mixed Ombrophyllous Forests with Araucaria angustifolia (Araucariaceae) under external stress in southern Brazil. Revista de Biologia Tropical, v. 59 (3), p. 1371-1387, 2011. VIBRANS, A. C.; SEVEGNANI, L.; LINGNER, D. V.; GASPER, A. L; SABBAGH, S. Inventário Florístico Florestal de Santa Catarina (IFFSC): aspectos metodlógicos e operacionais. Colombo, v. 30 (64), p. 291-302. 2010. VIBRANS, A. C., McROBERTS, R. E., MOSER, P.; NICOLETTI, A. L. Using satellite image-based maps and ground inventory data to estimate the remaining Brazilian Atlantic forest in Santa Catarina. Remote Sensing of Environment, v. 130. p. 87-95 2013. VIEIRA, I. C. G.; ALMEIDA, A. S.; DAVIDSON, E. A.; STONE, T. A.; CARVALHO, C. J. R.; GUERRERO, J. B. Classifying sucessional forrests using Landsat spectral properties and ecological cherecteristics in eastern Amazônia. Remote Sensing of Environment, v. 87, p- 470-481. 2003. XIE, Y.; SHA, Z.; YU, M. Remote sensing imagery in vegetation mapping: a review. Journal of Plant Ecology, Oxford, v. 1 (1), p. 9-23. 2008. WAIDE, R. B.; LUGO, A. E. A research perspective on disturbance and recovery of a tropical forest. In: GOLDAMMER, J. G. (Ed.) Tropical forests in transition. p. 173-189. Basel: Birkhauser, 1992. WALKER, L. R.; CHAPPIN, F. S. I. Interections amog processes controlling sucessional change. Oikos, v. 50, p. 131-135. 1987. WANG, X.; LI, Z.; DENG, G.; JIANG, Z. Estimating stem volume using quickbird imagery and allometric relationships for open populus xiaohei plantations. Journal of Integrative Plant Biology, v. 49 (9), p. 1304-1312. 2007. 120 WHITMORE, C. T. An introduction to tropical rain forests (4th ed.). Oxford: Oxford University Press, 1998. WHITMORE, T. C.; BURNHAM, C P. Tropical rain forests of the Far East. United Kingdom: Oxford University Press, 1984. WHITMORE, T. C.; BURSLEM, D. F. R. P. Major distrubances in tropical rainforests. In: NEWBERRY, D. M.; PRINS, H. H. T.; BROWN, N. D. (Eds.) Dynamics of tropical communities. p. 549-565. Oxford: Blackwell Science Ltd, 1998. WHITNEY, G. G; FOSTER, D. R. Overstory composition and age as determinants of understory flora of woods of central New England. Journal of Ecology, v. 76, p. 867-876. 1988. WULDER, M. Optical remote-sensing tecniques for the assessment of forest inventory and biophysical parameters. Progress in Physical Geography, v. 22, p. 449–476.1998. WULDER, A. M., HALL, R. J.; COOPS, N.; FRANKLIN, S. High spatial resolution remotely sensed data for ecosystem characterization. Bioscience, v. 54, p. 511-521. 2004. YIH, K.; BOUCHER, D. H.; VANDERMEER, J. H.; ZAMORA, N. Recovery of the rain forest of southeastern Nicaragua after destruction by hurricane Joan. Biotropica, v. 23, p. 106-113. 1991. YOUNG, A.; BOYLE, T. Forest fragmentation. In: Forest conservation genetics. Melbourne: CISRO Publishing, p.123-132, 2000. ZUIDEMA, P. A.; SAYER, J.; DIJKMAN, W. Forest Fragmentation and biodiversity: the case for intermediate sized conservation areas. Environmental Conservation, v. 23 (4), p. 290-297. 1996. 121 APÊNDICE UA1 – Coordenadas: 26°59'46.28"S/ 49°18'25.99"O. Descrição: pastagem abandonada no município de Ascurra/SC, em uma encosta com baixa declividade. A UA caracteriza-se pela presença abundante de samambaias e arbustos, camada fina de serapilheira (≈ 1,5 cm), sem sub-bosque, presença de árvores emergentes, espécies mortas e sinais de incêndio passado. Não houve constatação de gado na área. Foram avistadas aves e algumas tocas no solo. Figura A1. Fotografia da UA1 Tabela A1. Estimativas das variáveis dendrométricas do estrato arbóreo da UA1 Espécies Morta Miconia cinammomifolia Piptocarpha axilaris Myrsine coriacea Baccharis sp. Casearia sylvestris Myrcia hebepetala Schefflera morototoni Pinus sp. Cabralea canjerana Calypthrantes lucida Cyathea sp. Mollinedia triflora Myrcia sp. 1 Pera glabrata Psychotria vellosiana Schinus terebinthifolius Zanthoxylum rhoifolium N 26 18 18 13 6 5 3 3 2 1 1 1 1 1 1 1 1 1 DA (ind/ha) DR (%) AB (m²) DoA (m²/ha) 162,50 25,24% 0,2071 1,29 112,50 17,48% 0,1778 1,11 112,50 17,48% 0,0584 0,37 81,25 12,62% 0,0419 0,26 37,50 5,83% 0,0076 0,05 31,25 4,85% 0,0489 0,31 18,75 2,91% 0,0139 0,09 18,75 2,91% 0,0555 0,35 12,50 1,94% 0,0475 0,30 6,25 0,97% 0,0007 0,00 6,25 0,97% 0,0011 0,01 6,25 0,97% 0,0105 0,07 6,25 0,97% 0,0009 0,01 6,25 0,97% 0,0040 0,02 6,25 0,97% 0,0007 0,00 6,25 0,97% 0,0017 0,01 6,25 0,97% 0,0020 0,01 6,25 0,97% 0,0007 0,00 DoR (%) 30,41% 26,11% 8,58% 6,15% 1,11% 7,18% 2,05% 8,15% 6,98% 0,11% 0,17% 1,54% 0,14% 0,59% 0,11% 0,25% 0,29% 0,11% VC 55,65% 43,59% 26,06% 18,77% 6,94% 12,03% 4,96% 11,06% 8,92% 1,08% 1,14% 2,51% 1,11% 1,56% 1,08% 1,22% 1,26% 1,08% DAP (cm) 8,86 8,91 6,02 5,48 3,96 9,64 7,50 14,89 17,13 3,09 3,82 11,55 3,44 7,13 3,02 4,65 5,00 3,02 Htm (m) 3,39 5,17 3,78 3,72 3,08 4,10 5,17 6,83 6,50 4,50 4,50 1,70 3,50 4,00 2,30 3,00 1,80 3,00 UA2 – Coordenadas: 26°59'56.56"S/ 49°17'17.41"O. Descrição: pastagem abandonada em um topo de morro no município de Indaial/SC, com declividade média. A UA caracteriza-se pela presença de arbustos e samambaias, camada fina de serapilheira (≈ 2 cm), início de sub-bosque (fechado) com espécies emergentes, sendo que as existentes são exóticas. Houve constatação de caminhos (trilhas) na área e avistadas tocas no solo. 122 Figura A2. Fotografia da UA2 Tabela A2. Estimativas das variáveis dendrométricas do estrato arbóreo da UA2 Espécies Myrsine coriacea Psidium guajava Andira fraxinifolia Pinus taeda Tibouchina urvilleana Schinus terebinthifolius N 53 21 3 3 1 1 DA (ind/ha) 331,25 131,25 18,75 18,75 6,25 6,25 DR (%) 64,63% 25,61% 3,66% 3,66% 1,22% 1,22% AB (m²) 0,0602 0,0213 0,0756 0,0027 0,0024 0,0009 DoA (m²/ha) 0,38 0,13 0,47 0,02 0,02 0,01 DoR (%) 36,91% 13,07% 46,35% 1,64% 1,48% 0,55% CV (%) 101,55% 38,68% 50,01% 5,30% 2,70% 1,77% DAP (cm) Ht (m) 3,70 2,97 3,57 2,68 17,74 5,50 3,36 2,83 5,54 2,50 3,37 2,00 UA3 – Coordenadas: 26°59'39.98"S/ 49°17'16.24"O. Descrição: pastagem abandonada no município de Indaial/SC, em uma encosta com declividade acentuada. A UA caracteriza-se pela presença de arbustos, xaxins e samambaias, camada fina de serapilheira (≈ 2 cm), sem sub-bosque e com algumas espécies emergentes. Não foram constatadas de atividades antrópicas recentes. Foram avistadas tocas no solo. Figura A3. Fotografia da UA3 123 Tabela A3. Estimativas das variáveis dendrométricas do estrato arbóreo da UA3 Espécies Cyathea atrovirens Myrsine coriacea Miconia cinammomifolia Psidium guajava morta Schinus terebinthifolius Tibouchina urvilleana Miconia cabussu Xylopia brasiliensis Pera glabrata Aegiphila integrifolia Aegiphila obducta Baccharis dracunculifolia Baccharis sp. 1 Clethra scabra Miconia sp. 1 Piptocarpha axilaris N 42 37 22 6 5 4 3 3 3 2 1 1 1 1 1 1 1 DA (ind/ha) 262,50 231,25 137,50 37,50 31,25 25,00 18,75 18,75 18,75 12,50 6,25 6,25 6,25 6,25 6,25 6,25 6,25 DR (%) 31,34% 27,61% 16,42% 4,48% 3,73% 2,99% 2,24% 2,24% 2,24% 1,49% 0,75% 0,75% 0,75% 0,75% 0,75% 0,75% 0,75% AB (m²) DoA (m²/ha) 0,54073 3,38 0,06892 0,43 0,05884 0,37 0,00639 0,04 0,03622 0,23 0,01431 0,09 0,00334 0,02 0,00245 0,02 0,00613 0,04 0,00815 0,05 0,00214 0,01 0,00179 0,01 0,00145 0,01 0,00145 0,01 0,00088 0,01 0,00100 0,01 0,00098 0,01 DoR (%) 71,60% 9,13% 7,79% 0,85% 4,80% 1,89% 0,44% 0,32% 0,81% 1,08% 0,28% 0,24% 0,19% 0,19% 0,12% 0,13% 0,13% CV (%) 102,95% 36,74% 24,21% 5,32% 8,53% 4,88% 2,68% 2,56% 3,05% 2,57% 1,03% 0,98% 0,94% 0,94% 0,86% 0,88% 0,88% DAP (cm) Ht (m) 12,69 1,70 4,61 3,52 5,47 3,65 3,66 2,83 8,63 2,90 6,11 3,55 3,76 2,57 3,22 3,00 5,00 3,90 7,19 4,50 5,22 4,00 4,77 3,00 4,30 3,50 4,30 2,50 3,34 2,50 3,57 3,00 3,53 2,2 UA4 – Coordenadas: 26°40'0.91"S/ 48°55'5.53"O. Descrição: pastagem abandonada no município de Massaranduba/SC, em um terreno plano com pouca declividade (com banhado próximo). A UA caracteriza-se pela presença de espécies de arbóreas, arbustos, xaxins e samambaias, a camada de serapilheira é bastante variada (de 4 a 1 cm), com sub-bosque e dossel uniforme, com árvores emergentes, como embaúba. Houve trilhas, abandono de plantação de palmito. Foram avistadas tocas no solo. Esta UA é resultado de plantação de palmito abandonada e proximidade de remanescente florestal. Figura A4. Fotografia da UA4 Tabela A4. Estimativas das variáveis dendrométricas do estrato arbóreo da UA4 Espécies Myrsine coriacea Miconia cabucu Baccharis semiserrata Cecropia glaziovii Hieronyma alchorneoides morta Piper sp. 2 Tibouchina urvilleana Trema micrantha Alchornea triplinervia N DA (ind/ha) DR (%) AB (m²) DoA (m²/ha) DoR (%) 144 900,00 55,38% 0,5416 3,39 46,75% 22 137,50 8,46% 0,1230 0,77 10,62% 12 75,00 4,62% 0,0211 0,13 1,82% 12 75,00 4,62% 0,0942 0,59 8,13% 11 68,75 4,23% 0,0251 0,16 2,16% 9 56,25 3,46% 0,0785 0,49 6,78% 7 43,75 2,69% 0,0071 0,04 0,61% 6 37,50 2,31% 0,0476 0,30 4,11% 5 31,25 1,92% 0,0158 0,10 1,36% 4 25,00 1,54% 0,0087 0,05 0,75% CV (%) 102,14% 19,08% 6,44% 12,75% 6,39% 10,24% 3,30% 6,42% 3,28% 2,29% DAP (cm) 6,37 32,16 4,64 8,91 5,12 9,34 3,56 9,49 5,96 5,03 Ht (m) 6,29 4,11 4,50 6,71 4,95 3,78 3,50 6,42 5,36 4,00 124 Baccharis dracunculifolia NI 1 Cyathea atrovirens Nectandra membranacea Sapium glandulosum Alchornea glandulosa Schinus terebinthifolius Vernonanthura divaricata Vernonanthura puberula Austroeupathorium sp. 1 Baccharis sp. 1 Citharexylum myrianthum Inga edulis Miconia cinammomifolia NI1 Psidium guajava Tabernaemontana catharinensis 3 3 3 3 2 2 2 1 1 1 1 1 1 1 1 1 1 18,75 18,75 18,75 18,75 12,50 12,50 12,50 6,25 6,25 6,25 6,25 6,25 6,25 6,25 6,25 6,25 6,25 1,15% 1,15% 1,15% 1,15% 0,77% 0,77% 0,77% 0,38% 0,38% 0,38% 0,38% 0,38% 0,38% 0,38% 0,38% 0,38% 0,38% 0,0045 0,0311 0,0252 0,0394 0,0019 0,0030 0,0089 0,0009 0,0029 0,0575 0,0008 0,0079 0,0043 0,0008 0,0020 0,0016 0,0030 0,03 0,19 0,16 0,25 0,01 0,02 0,06 0,01 0,02 0,36 0,01 0,05 0,03 0,00 0,01 0,01 0,02 0,39% 2,68% 2,17% 3,40% 0,16% 0,26% 0,77% 0,08% 0,25% 4,96% 0,07% 0,69% 0,37% 0,07% 0,18% 0,14% 0,26% 1,54% 3,84% 3,33% 4,55% 0,93% 1,03% 1,54% 0,46% 0,64% 5,35% 0,46% 1,07% 0,75% 0,45% 0,56% 0,52% 0,64% 4,35 11,37 9,95 12,63 3,44 4,39 7,26 3,44 6,11 27,06 3,25 10,06 7,39 3,18 5,09 4,52 6,18 4,50 1,80 6,83 6,33 3,75 4,00 4,75 3,50 4,00 8,00 4,00 8,00 5,00 4,00 4,50 3,50 4,50 UA5 – Coordenadas: 26°39'49.93"S/ 48°55'26.30"O. Descrição: pastagem abandonada no município de Massaranduba/SC, em um topo de morro com declividade intermediária. A UA caracteriza-se pela presença de poucas espécies de arbóreas, e com abundância de capins e samambaias, a camada de serapilheira é pequena (menos 1 cm). A UA não apresentada sub-bosque nem dossel . Esta UA é resultado de pastagem abandonada e proximidade de remanescente florestal. Figura A5. Fotografia da UA5 Tabela A5. Estimativas das variáveis dendrométricas do estrato arbóreo da UA5 Espécies Aegiphila integrifolia Casearia sylvestris Vernonanthura divaricata Aspidosperma australis NI 1 Annona sp. Myrsine coriacea Tabernaemontana catharinensis Vernonanthura pubeula N 14 4 4 2 2 1 1 1 1 DA (ind/ha) DR (%) AB (m²) DoA (m²/ha) DoR (%) 87,50 46,7% 0,0789 0,4929 33,75% 25,00 13,3% 0,0069 0,0433 2,97% 25,00 13,3% 0,0971 0,6069 41,56% 12,50 6,7% 0,0102 0,0638 4,37% 12,50 6,7% 0,0134 0,0838 5,74% 6,25 3,3% 0,0010 0,0060 0,41% 6,25 3,3% 0,0107 0,0666 4,56% 6,25 3,3% 0,0013 0,0084 0,58% 6,25 3,3% 0,0142 0,0886 6,07% UA6 – Coordenadas: 26°55'29.71"S/ 48°52'42.43"O. VC 80,42% 16,30% 54,89% 11,04% 12,40% 3,75% 7,90% 3,91% 9,40% DAP (cm) 7,87 4,52 17,48 8,05 9,23 3,50 11,65 4,14 13,43 Ht (m) 4,6 3,0 5,8 4,5 2,5 3,0 6,0 4,0 5,0 125 Descrição: pastagem abandonada no município de Gaspar/SC, em um terreno com baixa declividade. Presença de banhado. A UA caracteriza-se pela presença de espécies de arbóreas, vários arbustos e samambaias, a camada de serapilheira é bastante variada (de 4 a 1 cm), com dossel uniforme e com árvores emergentes. Foram visualizadas trilhas e tocas no solo. Esta UA é a transição entre o estágio inicial e o estágio médio sucessão. Figura A6. Fotografia da UA6 Tabela A6. Estimativas das variáveis dendrométricas do estrato arbóreo da UA6 Espécies Tibouchina urvilleana Casearia sylvestris Psidium guajava Bacharis1 Cupania vernalis Miconia cinnamomifolia morta Miconia sp1 Schinus terebinthifolius Matayba intermedia Miconia cabucu Mimosa bimucronata Bacharis2 Tabernaemontana catharinensis Annona neosericea Blechnum brasiliense Casearia decandra Labitaceae Zanthoxylum rhoifolium Aegiphila integrifolia Alchornea glandulosa Asteraceae (taquara) Baccharis dracunculifolia Cecropia glaziovii Citharexylum myrianthum Eugenia florida Eugenia uniflora Hieronyma alchorneoides Nectandra oppositifolia NI1 Psidium cattleianum N 52 27 22 19 11 11 10 7 6 4 4 4 3 3 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 DA (ind/ha) DR (%) AB (m²) DoA (m²/ha) DoR (%) 325 25,37% 0,0726 0,454 13,42% 168,75 13,17% 0,04197 0,262 7,76% 137,5 10,73% 0,0385 0,241 7,12% 118,75 9,27% 0,06153 0,385 11,38% 68,75 5,37% 0,02114 0,132 3,91% 68,75 5,37% 0,09024 0,564 16,68% 62,5 4,88% 0,05851 0,366 10,82% 43,75 3,41% 0,01442 0,090 2,67% 37,5 2,93% 0,01038 0,065 1,92% 25 1,95% 0,00652 0,041 1,21% 25 1,95% 0,02459 0,154 4,55% 25 1,95% 0,01327 0,083 2,45% 18,75 1,46% 0,02199 0,137 4,07% 18,75 1,46% 0,00386 0,024 0,71% 12,5 0,98% 0,01542 0,096 2,85% 12,5 0,98% 0,00204 0,013 0,38% 12,5 0,98% 0,00492 0,031 0,91% 12,5 0,98% 0,00185 0,012 0,34% 12,5 0,98% 0,0018 0,011 0,33% 6,25 0,49% 0,00385 0,024 0,71% 6,25 0,49% 0,00156 0,010 0,29% 6,25 0,49% 0,00117 0,007 0,22% 6,25 0,49% 0,00439 0,027 0,81% 6,25 0,49% 0,01009 0,063 1,86% 6,25 0,49% 0,0008 0,005 0,15% 6,25 0,49% 0,0012 0,008 0,22% 6,25 0,49% 0,00261 0,016 0,48% 6,25 0,49% 0,00606 0,038 1,12% 6,25 0,49% 0,00128 0,008 0,24% 6,25 0,49% 0,00102 0,006 0,19% 6,25 0,49% 0,00132 0,008 0,24% VC 0,39 0,21 0,18 0,21 0,09 0,22 0,16 0,06 0,05 0,03 0,06 0,04 0,06 0,02 0,04 0,01 0,02 0,01 0,01 0,01 0,01 0,01 0,01 0,02 0,01 0,01 0,01 0,02 0,01 0,01 0,01 DAP (cm) 4,08 4,30 4,47 6,00 4,82 9,57 7,86 4,51 4,53 4,47 7,79 6,10 9,15 3,98 9,45 3,58 5,35 3,42 3,37 7,00 4,46 3,85 7,48 11,33 3,18 3,92 5,76 8,79 4,04 3,60 4,11 Ht (m) 3,53 3,87 3,55 4,29 5,00 6,45 3,36 4,00 3,47 4,63 5,00 3,88 4,50 3,67 5,00 4,25 4,50 3,80 3,25 5,00 4,00 4,00 5,00 8,00 4,00 3,50 5,00 7,00 4,00 3,00 5,00