Open Journal Systems

IDENTIFICAÇÃO DE UNIDADES HOMOGÊNEAS DO BIOMA PAMPA COM USO DE IMAGENS SENTINEL-2: INFESTAÇÃO DO CAPIM-ANNONI-2

Daniel Fernandes Gomes, Fábio Marcelo Breunig, Eliana Lima da Fonseca

Resumo

O objetivo deste trabalho foi o de identificar e classificar as unidades homogêneas presentes nos campos naturais do bioma Pampa pelo uso das imagens Sentinel-2, fundamentado pelas distintas composições dos campos naturais da região da Campanha e pela presença de áreas invadidas com Eragrostis plana Nees (capim-anonni-2). A área de estudo compreendeu a região do Complexo Eólico Cerro Chato em Santana do Livramento- RS. A análise utilizou imagens, uma contendo apenas as bandas de 10 metros e a outra composta pelas bandas de 10 e 20 metros de resolução espacial. Para a classificação foi utilizado o classificador multiestágio ECHO, com suporte de amostras levantadas no campo. Os resultados mostraram que o classificador foi eficiente na discriminação das classes. O valor do coeficiente kappa de 74% para a imagem composta pelas bandas de 10 metros e 84,7% para a imagem de 10 e 20 metros. O desempenho da imagem com 9 bandas apresentou resultados mais fidedignos com a verdade de campo. A boa performance deste produto deu-se em razão da maior variabilidade espectral, onde destacaram-se as bandas localizadas na região da red edge, que tiveram alta contribuição na discriminação do capim-annoni-2.

Palavras-chave

Geografia; Espaço Geográfico

Texto completo:

Autorização Artigo

Referências

AB’SABER A.N. 1969. Participação de Superfícies Aplainadas nas Paisagens do Rio Grande do Sul – Geomorfologia. Instituto de Geografia (Universidade de São Paulo) 11: 1-17.

ALI, I. et al. Satellite remote sensing of grasslands: from observation to management. Journal of Plant Ecology, v. 9, n. 6, p. 649-671, 2016.

ALLEN, C; JOHNSON, A; PARRIS, L. A framework for spatial risk assessments: potential impacts of nonindigenous invasive species on native species. Ecology and Society, v. 11, n. 1, 2006.

ATLAS SOCIOECONÔMICO DO RIO GRANDE DO SUL. Características do território. Disponível em:< http://www.scp.rs.gov.br/atlas.> Acesso em: 27 fev. 2012.

BALDI, G; GUERSCHMAN, J. P.; PARUELO, J. M. Characterizing fragmentation in temperate South America grasslands. Agriculture, Ecosystems & Environment, v. 116, n. 3, p. 197-208, 2006.

BEHLING, H. et al. Dinâmica dos campos no sul do Brasil durante o Quaternário Tardio. CAMPOS SULINOS, p. 13, 2009.

BOLDRINI, I. I. A flora dos campos do Rio Grande do Sul. Campos Sulinos: conservação e uso sustentável da biodiversidade. Brasília: MMA, 4, 63-77, 2009.

BREUNIG, F. M., GALVÃO, L. S., DALAGNOL, R., SANTI, A. L., DELLA FLORA, D. P., & CHEN, S. (2020). Assessing the effect of spatial resolution on the delineation of management zones for smallholder farming in southern Brazil. Remote Sensing Applications: Society and Environment, 100325.

BREUNIG, F. M., GALVÃO, L. S., DOS SANTOS, J. R., GITELSON, A. A., DE MOURA, Y. M., Teles, T. S., & Gaida, W. (2015). Spectral anisotropy of subtropical deciduous forest using MISR and MODIS data acquired under large seasonal variation in solar zenith angle. International Journal of Applied Earth Observation and Geoinformation, 35, 294-304.

CARVALHO, P. C. F; BATELLO, C. Access to land, livestock production and ecosystem conservation in the Brazilian Campos biome: the natural grasslands dilemma. Livestock Science, v. 120, n. 1, p. 158-162, 2009.

CHEN, C H, L F PAU, and P S P WANG. 1993. Handbook of Pattern Recognition and Computer Vision. Handbook of Pattern Recognition and Computer Vision. WORLD SCIENTIFIC. https://doi.org/10.1142/1802.

CICCONET, N. et al. Mapeamento de ERAGROSTIS PLANA NESS (Capim-Annoni) por meio de imagens orbitais. Revista do Departamento de Geografia, v. 29, p. 20-30, 2015.

CLEVERS, J. G., GITELSON, A. A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3. International Journal of Applied Earth Observation and Geoinformation, v. 23, p. 344-351, 2013.

CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and applications. Lewis Pub-lishers, Boca Raton, Fla, 1999.

DRUSCH, M. et al. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services. Remote Sensing of Environment, v. 120, p. 25-36, 2012.

EUROPEAN SPACE AGENCY (2010). GMES Sentinel-2 Requires Document <>. acesso em: 22/02/2017.

European Space Agency (ESA), ‘Copernicus Open Access Hub’, Copernicus Open Access Hub (Previously Known as Sentinels Scientific Data Hub), 2020, p. n/a https://scihub.copernicus.eu/.

GAO, B. C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257-266.

HAGOLLE, O. et al. SPOT-4 (Take 5): simulation of Sentinel-2 time series on 45 large sites. Remote Sensing, v. 7, n. 9, p. 12242-12264, 2015.

IBGE, Mapa de Biomas. o Mapa de Vegetação do Brasil. Instituto Brasileiro de Geografia e Estatística–IBGE, 2006.

IBGE. (2004). Mapa da vegetação do Brasil e mapa dos biomas do Brasil. Instituto Brasileiro de Geografia e Estatística. Disponível em:Aacesso em 01 out 2008.

JADHAV, R. N.; KIMOTHI, M. M.; KANDYA, A. K. Grassland mapping/monitoring of Banni, Kachchh (Gujarat) using remotely-sensed data. International Journal of Remote Sensing, v. 14, n. 17, p. 3093-3103, 1993.

JENSEN, J.R. Introductory Digital Image Processing Prentice-Hall, Englewood Cliffs, NJ, p 227, 1986.

KETTING, R.L; LANDGRABE, D.A. Computer classification os remotely sensed multispectral image data by extraction and classification of homogeneous objectis. IEEE Transactions on Geoscience Eletronic, GE-14:19-26, 1976.

LAURIN, G. V. et al. Discrimination of tropical forest types, dominant species, and mapping of functional guilds by hyperspectral and simulated multispectral Sentinel-2 data. Remote Sensing of Environment, v. 176, p. 163-176, 2016.

LIESENBERG, V., GALVÃO, L. S., & PONZONI, F. J. (2007). Variations in reflectance with seasonality and viewing geometry: implications for classification of Brazilian savanna physiognomies with MISR/Terra data. Remote Sensing of Environment, 107(1-2), 276-286. Liesenberg, Veraldo, Lênio Soares Galvão, and Flávio Jorge Ponzoni. 2007.

LINDMAN, C. A. M. A vegetação no Rio Grande do Sul. Trad. A. Loefgren. Porto Alegre. Reprod. en: CAM Lindman e MG Ferri (eds.), A vegetação no Rio Grande do Sul. São Paulo, 1974.

LU, D., HETRICK, S., & MORAN, E. (2010). Land cover classification in a complex urban-rural landscape with QuickBird imagery. Photogrammetric Engineering & Remote Sensing, 76(10), 1159-1168.

LU, D., MAUSEL, P., BATISTELLA, M., & MORAN, E. (2004). Comparison of land-cover classification methods in the Brazilian Amazon Basin. Photogrammetric engineering & remote sensing, 70(6), 723-731.

MOHRDIECK, K.H. Formações campestres do Rio Grande do Sul. In: Campo nativo melhoramento e manejo. Federacite IV, Porto Alegre: Caramurú, p.11-23, 1993.

MultiSpec A Freeware Multispectral Image Data Analysis System v 3.2, .

NACHTIGAL, G. et al. Ocorrência de ferrugem associada ao capim-annoni-2 (Eragrostis plana Nees) na Fronteira da Metade Sul do RS. Revista Brasileira de Agroecologia, v. 4, n. 2, 2009.

NOVO, E. M. L. Sensoriamento Remoto: Princípios e Aplicações. 3ª Edição revisada e ampliada. São Paulo. Blucher, 2008.

OLLINGER, S. V. et al. The role of remote sensing in the study of terrestrial net primary production. In: FAHEY, T. J.; KNAPP, A. K. Principles and Standards for Measuring Primary Production. New York: Oxford University Press, 2007. Cap. 11, p. 204-237. Remote Sensing of Environment, 120, 25–36.

PEREZ, N. B. et al., Programa de Controle do Capim-Annoni no Parque Eólico Cerro Chato: Diagnóstico e Proposições. Bagé: Embrapa Pecuária Sul, 2015. 31 p. Disponível em: . Acesso em: 28 out. 2016.

PIMENTEL, D. et al. Environmental and economic costs of nonindigenous species in the United States. BioScience, v. 50, n. 1, p. 53-65, 2000.

PONZONI, F. J. Sensoriamento remoto no estudo da vegetação: diagnosticando a mata atlântica. São José dos Campos, Brasil: INPE, 2002.

SEGL, K. et al. S2eteS: An end-to-end modeling tool for the simulation of Sentinel-2 image products. IEEE Transactions on Geoscience and Remote Sensing, v. 53, n. 10, p. 5560-5571, 2015.

SNAP - ESA Sentinel Application Platform v2.0.2, .

TOIVONEN, T.; LUOTO, M. Landsat TM images in mapping of semi-natural grasslands and analysing of habitat pattern in an agricultural landscape in south-west Finland. Fennia-International Journal of Geography, v. 181, n. 1, p. 49-67, 2003.

TRINDADE, J.P.P. Re-conhecimento dos campos sul-brasileiros. Embrapa Pecuária Sul Fôlder/Folheto/Cartilha (INFOTECA-E), 39p, 2011.

VITOUSEK, P. M. et al. Biological invasions as global environmental change. American scientist, v. 84, n. 5, p. 468, 1996.

YU, Q., GONG, P., CLINTON, N., BIGING, G., Kelly , M., & Schirokauer, D. (2006). Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery. Photogrammetric Engineering & Remote Sensing, 72(7), 799-811.

DOI: http://dx.doi.org/10.5380/raega.v48i0.76941

_____________________________________________

ISSN (IMPRESSO) 1516-4136 até 2008

ISSN (ELETRÔNICO) 2177-2738 a partir de 2009

Você está em: