Classificação automática de cobertura vegetal em imagens aéreas e orbitais para uso em planejamento energético

Neste trabalho é apresentado um modelo de redes neurais que será utilizado como ferramenta para uso no planejamento energético e na construção de cenários energéticos através da identificação e agrupamento de pixels representativos de classes de água, vegetação e antropização no entorno do reservatório de Tucuruí, Estado do Pará (bacia do rio Tocantins). Para o estudo, foram utilizadas fotografias aéreas ortorretificadas e um recorte da imagem do satélite Landsat, ambos obtidos em agosto de 2001 e classificados utilizando a métrica da mínima distância no software Matlab 7.3.0 (Matrix Laboratory - software de matemática aplicada) e no Arcview 3.2a (programa de Sistemas de Informações Geográficas). Para classificação da área no Matlab, foram utilizadas redes neurais competitivas, mais especificamente as redes de Kohonen que são caracterizadas por realizar um mapeamento de um espaço de dimensão n (número de entradas) para um espaço de dimensão m (número de saídas). Os resultados obtidos no classificador utilizando rede neural e no classificador do Arcview foram semelhantes, mas houve uma divergência no que diz respeito à imagem de alta e média resolução que pode ser justificada pelo fato de que a imagem de alta resolução espacial ocasiona muita variação espectral em algumas feições, gerando dificuldades nas classificações. Esse classificador automático é uma ferramenta importante para identificar oportunidades e potenciais a serem desenvolvidos na construção de cenários energéticos programados. Os resultados deste trabalho confirmam que a imagem de média resolução ainda é a mais indicada para resolver a maioria dos problemas que envolvem identificação de cobertura do solo para utilização em planejamento energético.

Trajetórias tecnológicas e sistemas agrários: qualificação territorial utilizando geoprocessamento em Paragominas e Santarém/PA

A Amazônia tem sido observada principalmente por meio do fenômeno do desmatamento, utilizando recursos tradicionais do sensoriamento remoto como a quantificação de área desflorestada e seu posterior incremento anual, que parece se constituir em uma metodologia eficaz. Ratificando este raciocínio, constatei num levantamento de 16.591 multas aplicadas pelo IBAMA/PA no período de 2000 até 2008, que mais de 85,0% das autuações estavam relacionadas apenas à componente flora;e na jurisdição da Gerência do IBAMA em Santarém, oeste do Pará, em 2008, quase 60% das multas se deu por conta de desflorestamento, identificados via sensoriamento remoto. Ressalta-se que as análises de imagens de satélites por si só não definem elementos da superfície terrestre, contribuindo pouco para o entendimento e posterior intervenção da realidade. Nesse contexto, foram investigados e vetorizados 479 estabelecimentos rurais nas regiões de Paragominas e Santarém, estado do Pará, que possuem históricos de uso e ocupação distintos, qualificando-os segundo suas trajetórias tecnológicas prevalentes, na perspectiva apresentada por Costa, concretizando um importante passo para correção das distorções no desenvolvimento econômico, agregando informação ao dado de sensoriamento remoto. Aplicaram-se recursos geotecnológicos de métricas de paisagem, construíram-se banco de dados celular integrado com estatísticas e algoritmos de otimização probabilística, associando dados de classificação não supervisionada isodata (validadas com kappa= 0,87, classificação considerada“excelente”) com os tipos de produção coletados em campo, gerando uma classificação final "integrada"(kappa= 0,78, classificação “muito boa”). Na região de Paragominas, foram qualificadas 3 tipos de trajetórias tecnológicas, a camponesa T8 (domínio de culturas temporárias), a camponesa T3 e patronal T4 (especializadas em pecuária de corte). Em Santarém, revelaram-se 2 trajetórias, a camponesa T2 (forte presença de culturas permanentes, temporárias e sistemas agro florestais) e a patronal T7 (mutação da T4, aumentando a participação das culturas temporárias). A metodologia aplicada logrou êxito, espacializando as propriedades rurais segundo seus tipos de trajetórias tecnológicas e gerando classes de uso mais representativas, como cultura temporária e pastagem, mas que na classificação via sensoriamento remoto isodata é englobada pela classe “agropecuária”, possibilitando uma visão mais realista das atividades de produção desenvolvidas na área investigada, concretizando a geração de informações espaciais integrando dados de diferentes fontes e o aumento do poder de leitura do pixel.