Análise Multitemporal e Classificação Orientada a Objeto para Detecção de Diferentes Processos de Exploração Madeireira Disciplina: Padrões e Processos.

Apresentação em tema: "Análise Multitemporal e Classificação Orientada a Objeto para Detecção de Diferentes Processos de Exploração Madeireira Disciplina: Padrões e Processos."— Transcrição da apresentação:

1 Análise Multitemporal e Classificação Orientada a Objeto para Detecção de Diferentes Processos de Exploração Madeireira Disciplina: Padrões e Processos em Dinâmica de Uso e Cobertura da Terra Professora: Maria Isabel Sobral Escada Juliana Paiva Nunes Kury, Rita Marcia da Silva Pinto Vieira

2 INTRODUÇÃO Exploração Madeireira uma das principais atividades econômicas (Amazônia) prática tem sido insustentável  impactos ambientais cada vez mais intensiva o construção e melhoria da infra-estrutura viária o inclusão de novas tecnologias no processo de extração o demanda crescente por madeira no mercado interno praticada com técnicas de manejo florestal sustentável  aliada no combate ao desmatamento o MFS: “administração da floresta para obtenção de benefícios econômicos, sociais e ambientais, respeitando-se os mecanismos de sustentação do ecossistema”

3 INTRODUÇÃO Plano de manejo florestal manutenção da exploração e a produção de madeira aumento da produtividade de madeira redução dos desperdícios de madeira  garante a conservação de espécies da flora e da fauna  contribui para o equilíbrio do clima regional e global Manejo inadequado dos recursos florestais Redução: estoques de biomassa e espécies de valor comercial aumento da susceptibilidade da floresta a incêndios risco de extinção de espécies de alto valor comercial

4 INTRODUÇÃO Monitoramento de áreas de exploração madeireira (satélite): conservação dos recursos florestais permite detectar áreas onde a atividade de exploração ocorre de forma ilegal e com alto impacto ambiental auxilia o monitoramento de planos de manejo identifica áreas sob risco de incêndios florestais Técnicas de sensoriamento remoto interpretação visual de imagens métodos semi-automáticos (identificação de indicadores de exploração) métodos automáticos baseados na análise espectral do pixel progresso na detecção de exploração madeireira

5 OBJETIVO Identificar áreas de exploração madeireira, por meio de técnicas de processamento de imagens de satélite, com objetivo de detectar diferentes processos de desmatamento por degradação florestal progressiva Identificar áreas de exploração madeireira, por meio de técnicas de processamento de imagens de satélite, com objetivo de detectar diferentes processos de desmatamento por degradação florestal progressiva

6 EXPLORAÇÃO MADEIREIRA CLASSEDESCRIÇÃO Floresta IntactaFloresta madura que não foi explorada para fins madeireiros Exploração manejada Exploração planejada para extração seletiva de madeira (inventários florestais e construção organizada de estradas e pátios de estocagem visando a redução dos danos na floresta) Exploração convencional Exploração madeireira sem planejamento para construção de estradas, pátios de estocagem e extração de madeira Exploração e queimada Exploração madeireira que sofre subsequente ação de queimadas (processo de remoção total da cobertura florestal) Amazônia: vários padrões de exploração madeireira definidos com base nos tipos de ambientes explorados e na forma da intensidade da exploração

7 EXPLORAÇÃO MADEIREIRA Reconhecimento dos padrões de exploração  detecção e mapeamento de áreas em processo de desmatamento por alteração da cobertura florestal Grande parte do setor madeireiro na Amazônia atua ilegalmente, não efetivando seus planos de manejo e promovendo exploração de alto impacto Alterações da cobertura florestal só é percebida quando há uma alta intensidade de perturbação Desmatamento por degradação florestal progressiva  processo gradativo, se observa a perda parcial e contínua da cobertura florestal

8 Processos de desmatamento por degradação florestal progressiva A) Degradação de intensidade moderada (área em regeneração após exploração madeireira, pátios ainda evidentes) B) Degradação de intensidade alta (exploração madeireira ativa, grande proporção de solo exposto) C) Degradação de intensidade leve (evidência de abertura de estradas) EXPLORAÇÃO MADEIREIRA Fonte: INPE, 2010

9 ÁREA DE ESTUDO ÁREA DE ESTUDO Norte do Estado de Mato Grosso (imagem Landasat TM 5, órbita/ponto 226/68)  Municípios: Cláudia, União do Sul e Santa Carmem, grande parte de Sinop e partes de Marcelândia, Feliz Natal, Nova Ubiratã, Paranatinga, Vera, Sorriso, Tapurah, Itaúba, Colíder, Terra Nova do Norte e Nova Santa Helena

10 ÁREA DE ESTUDO ÁREA DE ESTUDO Fonte: Plano de Desenvolvimento Regional Sustentável para a Área de Influência da Rodovia BR 163 – Cuiabá – Santarém Produção madeireira (área de influência BR-163)

11 METODOLOGIA METODOLOGIA Base de dados Para a elaboração do trabalho foram utilizadas: Imagens Landsat - TM 5 Imagem Geocover (mosaico S-21-10 _ 2000) Software SPRING Software Definiens Satélite/SensorÓrbita/PontoDatas Landsat - TM5226/68 26/06/2000 21/07/2003 07/07/2004 30/08/2006 18/07/2008

12 METODOLOGIA METODOLOGIA Pré-processamento das imagens 1. Seleção de imagens (2000 a 2008) com o mínimo de cobertura de nuvens (menos de 5%) e no período de seca 2. Banco de dados no Sistema para Processamento de Informações Georeferenciadas – SPRING (inserida as imagens Landsat TM - 5) 3. Projeto área de estudo (projeção Policônica, datum Sad/69) 4. Registro das imagens, utilizando as bandas 3, 4 e 5 na composição colorida Blue (B), Red (R) e Green (G), tendo como referência o mosaico de imagens GeoCover.

13 METODOLOGIA METODOLOGIA Pré-processamento das imagens 5. Rodou o modelo de mistura  estimar a proporção solo, vegetação e sombra para cada pixel da imagem gerando as imagens fração-solo, fração-vegetação e fração-sombra 6. Operação Aritmética  minimizar o efeito de sombra nas imagens Realizada uma operação aritmética utilizando a banda correspondente à fração-solo e fração-vegetação Interpretação visual e classificação das imagens

14 METODOLOGIA METODOLOGIA Padrão de Interpretação Imagens TM Landsat Critérios de Interpretação visual Landsat/TM RGB 543 Cobertura da Terra Processo de Desmatamento Predomínio de tonalidade verde, textura rugosa e sombra Cobertura florestal, textura heterogênea, com sombra, indicando a estrutura florestal complexa e não alterada Floresta não alterada Tonalidade magenta, ou verde muito claro. Forma regular, textura lisa, limites bem definidos entre o polígono (solo exposto) e a matriz florestal Predomínio de solo exposto ou pastagem em formação. Corte Raso Predomínio de tonalidade verde e padrão de floresta, com presença de feições de tonalidade magenta ou roxa de tamanho pequeno, com baixa densidade e freqüência. Predomínio de cobertura florestal com manchas de solo exposto indicando a presença de pátios e indícios de acesso. Floresta Degradada de Intensidade Leve Predomínio de tonalidade verde e padrão de floresta, com presença de feições de tonalidade magenta ou roxa, de tamanho médio, com média densidade e freqüência. Predomínio de cobertura florestal com manchas de solo exposto indicando a presença de pátios de estocagem de madeira, ramais e clareiras. Floresta Degradada de Intensidade Moderada Predomínio de tonalidade magenta/roxa (clareiras com indicação de fogo) ou verde (com textura lisa) em associação com manchas que apresentam padrão de floresta. Presença de grandes clareiras com solo exposto, vegetação secundária e/ou área extensa de cicatriz de fogo, combinadas com manchas florestais. Floresta Degradada de Intensidade Alta

15 RESULTADOS E DISCUSSÕES RESULTADOS E DISCUSSÕES ANO 2000 Imagem fração solo/vegetação Classificação Análise Multitemporal

16 RESULTADOS E DISCUSSÕES RESULTADOS E DISCUSSÕES Imagem fração solo/vegetação ANO 2003 Classificação

17 RESULTADOS E DISCUSSÕES RESULTADOS E DISCUSSÕES Imagem fração solo/vegetação ANO 2004 Classificação

18 RESULTADOS E DISCUSSÕES RESULTADOS E DISCUSSÕES Imagem fração solo/vegetação ANO 2006 Classificação

19 RESULTADOS E DISCUSSÕES RESULTADOS E DISCUSSÕES Imagem fração solo/vegetação ANO 2008 Classificação

20 CLASSIFICAÇÃO ORIENTADA A OBJETO

21 Segmentação Multiresolução Classificação Regra booleana Máscara vegetação e Não_vegetação Dissolve das classes – Vegetação e não vegetação Segmentação da classe vegetação em células de 20 x 20 pixels Escolha do atributo Classificação baseada em regras booleanas Mapa de degradação florestal

22 Segmentação Multiresolução_vegetação/não_vegetação Segmentação Multiresolução_vegetação/não_vegetação Peso: 0.2 (forma) e 0.8 (cor) Distribuição de compactness e smoothness que é o quanto a borda do objeto é compacta ou suave foi de 0.5

23 Imagem Landsat 2008 Segmentação_vegetação/não_vegetação Segmentação_vegetação/não_vegetação

24 NDVI_da media dos objetos Valor médio da banda 3 e 4 de cada objeto

25 Classificação: vegetação/não-vegetação Resultado da Máscara Foi estabelecida uma regra de classificação booleana – valores de NDVI acima de 0,5 foram considerados áreas de vegetação e abaixo não vegetação

26 Dissolve_ de vegetação e de não_ vegetação Resultado da segmentação da máscara Resultado dissolve Função do dissolve é juntar os polígonos vizinhos com mesmo atributo

27 Segmentação das áreas de vegetação Segmentação não separa bem os objetos de interesse

28 Espaço celular abstrato Células de 20 x 20 Foram realizados vários testes de segmentação com diferentes tamanhos de células

29 Separação das áreas com e sem exploração madeireira de acordo com atributo de cada célula Valor máximo do píxel em áreas com exploração madeireira - limiar acima de 110 Analise dos atributos das imagens solo e fração solo/vegetação Imagem fração-solo os solos apresentavam comportamento específico em relação ao valor máximo do píxel >110.

30 Regra Booleana de classificação Objetos com valores acima de 110 foram considerados áreas de exploração madeireira e abaixo outros

31 Desvio padrão da imagem fração solo/vegetação Células com alto padrão de exploração > desvio padrão apresentam - maior variabilidade de números de pixels brancos. O desvio padrão foi usado como uma Proxy de textura Divisãodas classes em alta e leve Divisão das classes em alta e leve

32 Degradação florestal de intensidade alta e baixa Novamente foram estabelecidos os limiares, de forma visual, onde áreas com desvio padrão > = 5 foram consideras de exploração madeireira alta e = 5 foram consideras de exploração madeireira alta e < 5 leve. Resultado Final

33 Árvore de processo

34  A análise multitemporal, através da interpretação visual de imagens e fotointerpretação, permitiu identificar alterações da cobertura florestal (degradação florestal de intensidade baixa, média e alta) em áreas com exploração madeireira.  A aplicação do modelo de mistura e da divisão ou razão entre bandas permitiu realçar as diferenças espectrais dos alvos e processos analisados.  A classificação orientada a objeto é uma ferramenta eficiente na detecção de diferentes processos de degradação florestal progressiva. Conclusão

35 Conclusão  A metodologia utilizada na classificação orientada a objeto possibilita integrar dois objetos (polígonos e espaço celular) em um mesmo layer.  Outra vantagem do método utilizado é que todos os procedimentos são salvos em uma árvore de processo (base de conhecimento) e esse modelo de análise, baseado em objeto, após ser calibrado, pode ser aplicado em outras áreas de estudo sendo necessário para isto replicar essa árvore de processo.  As técnicas aplicadas são ferramentas importantes para a fiscalização da atividade madeireira e o monitoramento de planos de manejo.

36 Considerações Finais  O trabalho apresenta um resultado muito interessante, pois separou os processos de degradação florestal de intensidade alta e baixa.  Para trabalhos futuros o ideal seria estudar melhor o comportamento do atributo de desvio padrão e incluir outros atributos para definir melhor as regras de classificação.  As regras podem ser melhoradas, por exemplo, coletando amostras de treinamento do que seria degradação florestal alta, moderada e leve e inserir essas informações em um sistema de mineração (ex. GEODMA) de dados que selecionaria os atributos mais significativos e definiria os limiares mais adequados para elaboração de um modelo padrão.

37 OBRIGADA Agradecimentos à Carolina Moutinho Duque de Pinho pelos esclarecimentos sobre Classificação Orientada a Objeto e por ceder a sua máquina para rodarmos o programa Definiens.