RESUMOEste trabalho analisou a fragmentação florestal da Área de Proteção Ambiental Coqueiral, que está localizada no município de Coqueiral, região Sul do estado de Minas Gerais. O objetivo foi avaliar a fragmentação florestal da área de estudo, a partir de métricas da paisagem, bem como elaborar modelos de simulação da paisagem, no intuito de fornecer cenários futuros de restauração ecológica, e compará-los com a situação atual da paisagem. A análise do uso e ocupação da terra foi obtida por meio de técnicas de Sistemas de Informação Geográfica e Sensoriamento Remoto, a partir de uma imagem (SPOTMAP) do satélite SPOT 5. A análise da fragmentação florestal foi realizada utilizando o software FRAGSTATS, para calcular as métricas da paisagem mensurando parâmetros como: área, perímetro, forma, conectividade dos fragmentos. Para as simulações da paisagem foram criados buffers de 1 e 5 m no entorno de todos os remanescentes florestais da área de estudo, bem como a recuperação virtual das áreas de preservação permanente. A análise da fragmentação da paisagem mostrou que a vegetação natural está distribuída em 360 fragmentos, sendo 137 deles menores que 1 ha. Os modelos de simulação da paisagem mostraram que a área de vegetação aumentou de 1943,13 ha para 2299,02 ha na simulação em que as APPs foram reflorestadas (Vegetação natural/APPs restauradas = VA). O tamanho médio dos fragmentos nesta mesma simulação aumentou em relação à paisagem atual, passando de 7,66 m para 15,75 m. A paisagem VA mostrou um menor valor de forma (1,93), indicando que a forma dos fragmentos nesta simulação foi mais simples, o que é importante do ponto de vista da conservação, pois diminui o efeito de borda nos fragmentos. Os valores de isolamento não apresentaram diferença considerável nas simulações: 38,9 m (VN); 40,64 m (VB1); 42,89 m (VB5) e 39,75 m (VA), indicando um baixo isolamento dos fragmentos, mesmo na paisagem atual. O índice de conectividade foi alto (acima de 99%) para todas as simulações, indicando que as paisagens apresentam elevada conectividade estrutural. Estes dados são relevantes subsídios para a tomada de decisão e para
The goals of this research were to analyze the fragmentation of the Atlantic Forest and to create landscape management scenarios for the municipality of Carmo de Minas, MG, Brazil. We used landscape metrics to analyze the fragmentation process of the study area, which was historically exploited for agropastoral activities. Future scenarios were modeled to represent the potential restoration of the environment based on the behavior of the natural vegetation units. The natural vegetation in the study area is highly fragmented, and the environmental integrity of its remnants is severely threatened. The management scenarios showed how the restored natural units behave in the landscape as well as the isolation and connectivity between them.Using these models, future dynamics of the landscape can be predicted. Two important actions for the conservation of the remaining natural vegetation were identified: the maintenance of secondary forest and the restoration of permanent preservation areas.
A cafeicultura é uma das principais culturas agrícolas do Brasil e realizar o mapeamento e monitoramento desta cultura é fundamental para conhecer sua distribuição espacial. Porém, mapear estas áreas utilizando imagens de Sensoriamento Remoto não é uma tarefa fácil. Sendo assim, este trabalho foi realizado com o objetivo de comparar o uso de diferentes variáveis e algoritmos de classificação para o mapeamento de áreas cafeeiras. O trabalho foi desenvolvido em três áreas diferentes, que são bastante significativas na produção de café. Foram utilizados 5 algoritmos de aprendizagem de máquinas e 7 combinações de variáveis: espectrais, texturais e geométricas, associadas ao processo de classificação. Um total de 105 classificações foram realizadas, 35 classificações para cada uma das áreas. As classificações que não usaram variáveis espectrais não resultaram em bons índices de acurácia. Nas três áreas, o algoritmo que apresentou as melhores acurácias foi o Support vector machine, com acurácia global de 85,33% em Araguari, 87% em Carmo de Minas e 88,33% em Três Pontas. Os piores resultados foram encontrados com o algoritmo Random Forest em Araguari, com acurácia global de 76,66% e com o Naive Bayes em Carmo de Minas e Três Pontas, com 76% e 82% de acerto. Nas três áreas, variáveis texturais, quando associadas às espectrais, melhoraram a acurácia da classificação. O SVM apresentou o melhor desempenho para as três áreas
The objective of this work was to propose a new methodology for mapping coffee cropping areas that includes multitemporal data as input parameters in the classification process, by using the Landsat TM NDVI time series, together with an object-oriented classification approach. The algorithm BFAST was used to analyze coffee, pasture, and native vegetation temporal profiles, allied to a geographic object-based image analysis (GEOBIA) for mapping. The following multitemporal variables derived from the R package greenbrown were used for classification: mean, trend, and seasonality. The results showed that coffee, pasture, and native vegetation have different temporal behaviors, which corroborates the use of these data as input variables for mapping. The classifications using temporal variables, associated with spectral data, achieved high-global accuracy rates with 93% hit. When using only temporal data, ratings also showed a hit percentage above 80% accuracy. Data derived from Landsat TM time series are efficient for mapping coffee cropping areas, reducing confusion between targets and making the classification process more accurate, contributing to a correct characterization and mapping of objects derived from a RapidEye image, with a high spatial solution.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.