A erosão hídrica é uma das maiores causas de depauperamento dos solos no mundo. No Brasil, a erosão causa a perda de produtividade, o avanço das fronteiras agrícolas, o assoreamento e a contaminação dos corpos d'água e a perda da biodiversidade. Neste cenário, para contribuir com o planejamento ambiental e a gestão territorial, foi avaliada a vulnerabilidade ambiental à erosão hídrica da sub-bacia hidrográfica do rio Mandu, sul de Minas Gerais, pela análise empírica da fragilidade dos ambientes naturais e antropizados. Para tanto, foram considerados os componentes da paisagem: uso do solo, relevo, solo, geologia e clima, em ordem decrescente de importância, pelo Processo Analítico Hierárquico. Foi verificado que os usos do solo estão adequados em 32,72% e inadequados em 67,28% da área. Mais especificamente, 17,68% apresentam forte propensão à erosão hídrica e 0,08% são locais em que os impactos diretos da erosão hídrica são irreversíveis. Portanto, a adoção de técnicas de manejo adequadas para as pastagens, a erradicação dos solos expostos e a redefinição dos locais de produção de café e da agricultura temporária atenuariam os impactos ambientais.
Abstract. In the Brazilian savannas (Cerrado biome) fires are natural and a tool for shifting land use; therefore, temporal and spatial patterns result from the interaction of climate, vegetation condition and human activities. Moreover, orbital sensors are the most effective approach to establish patterns in the biome. We aimed to characterize fire, precipitation and vegetation condition regimes and to establish spatial patterns of fire occurrence and their correlation with precipitation and vegetation condition in the Cerrado. The Cerrado was first and second biome for the occurrence of burned areas (BA) and hotspots, respectively. Occurrences are higher during the dry season and in the savanna land use. Hotspots and BA tend to decrease, and concentrate in the north, but more intense hotspots are not necessarily located where concentration is higher. Spatial analysis showed that averaged and summed values can hide patterns, such as for precipitation, which has the lowest average in August, but minimum precipitation in August was found in 7 % of the Cerrado. Usually, there is a 2–3-month lag between minimum precipitation and maximum hotspots and BA, while minimum VCI and maximum hotspots and BA occur in the same month. Hotspots and BA are better correlated with VCI than precipitation, qualifying VCI as an indicator of the susceptibility of vegetation to ignition.
AgradecimentosInfelizmente não conseguirei listar com precisão todos aqueles que de maneira direta ou indireta me ajudaram neste longo caminho da pós-graduação. Peço desculpas desde já para aqueles que injustamente acabaram ficando fora desta lista de agradecimentos.Em primeiro lugar, gostaria de expressar os meus mais sinceros agradecimentos e admiração a Rúbia que sempre me apoiou em todos os momentos de minha carreira como estudante e como profissional. Não poderia deixar de citar também o apoio sem exceção dos meus familiares.Muito obrigado Ailton pela orientação e amizade. Estendo este agradecimento ao Benê, grande amigo que convivi quase que diariamente por cerca de 10 anos. A todos os professores e funcionários do departamento de Geografia da USP, especialmente aos profs. Reinaldo, De Biasi, Déborah, Raffo, Jurandyr etc. Aos grandes amigos Kleber, Nader, Richard Gear, Cabelo, George, Jânio, Mônica do Instituto Florestal, Paulão etc... Não poderia esquecer de registrar os meus agradecimentos ao Sérgio Margulis do Banco Mundial pela possibilidade de contato e esclarecimento de dúvidas a respeito do processo de ocupação na Amazônia.ii Apresentação A extração de informação temática a partir do processamento e interpretação de imagens de sensoriamento remoto é uma das áreas mais importantes da pesquisa vinculada às aplicações na área de Geografia. A última década tem sido marcada pelos lançamentos de vários satélites de sensoriamento remoto que tem proporcionado aos usuários desta tecnologia uma ampla gama de possibilidades de aplicações que se estendem da escala de detalhe (como a do Quick Bird e Ikonos-2 que captam imagens de 0,7 e 1,0 metro respectivamente) a análise regional (como por exemplo, as imagens adquiridas pelo sensor Vegetação a bordo do SPOT-4 e 5 com 1 km de resolução).Aparentemente, as técnicas desenvolvidas para a extração de informações temáticas não tem acompanhado o mesmo ritmo de desenvolvimento dos novos sensores e de suas plataformas. Talvez o método de classificação de imagens multiespectrais mais conhecido ainda seja o da Máxima Verossimilhança (conhecido pelas suas iniciais MaxVer) desenvolvido na década de 1970 para o Landsat MulstiSpectral Scanner System (MSS).Grandes esforços têm sido feitos no sentido de propor métodos alternativos de classificação de imagens que se ajustem ao conteúdo da informação presente na imagem. Métodos que se baseiam em redes neurais artificiais, lógica fuzzy e que incluem informações de vizinhança no processo de decisão têm mostrado nítidas vantagens em relação aos classificadores tradicionais estatísticos.Uma das concepções mais promissoras na extração de informações temáticas trabalha a imagem como sendo formada por um conjunto de objetos e não como pixels isolados. Estes objetos, também conhecidos como regiões, podem ser agrupados ou dissociados em função dos níveis hierárquicos e do contexto em que se inserem.O presente trabalho apresenta uma metodologia de classificação de imagens que se insere dentro desta concepção. A área de estudo corresponde a u...
This work presents a procedure for classifying land-use and land-cover (LULC) types in the Brazilian Amazon. Fraction imagery representing proportions of green vegetation, soil, and shade was estimated using all six reflective bands of the Landsat-5 Thematic Mapper (TM1 to TM5 and TM7) through the linear spectral mixing model (LSMM). The fraction information registered at pixel level was then related to different types of land classes following three principal procedures: (1) selecting an image or image group as input for segmentation; (2) application of sequences of masking techniques to address the segmentation of preselected areas in order to obtain better image partitioning; and (3) application of an unsupervised classifier by region, named Isoseg, to group the segmented regions. Isoseg is a clustering algorithm that calculates the centre of each class using the covariance matrix and the average vector of the regions. An assessment of the classification was performed visually and by error matrix, relating reference data points to classification results. The results showed that fraction images were effective in highlighting the different types of LULC. Several tests were conducted to evaluate the efficacy of the masking technique in the process for extracting information. The results showed that the use of masks significantly improves the segmentation results. However, in the Isoseg classification process, the masking technique was not able to avoid omission and commission errors between classes of similar structures. On comparing the results obtained in this work with a Maximum Likelihood classification, it was found that adopting the procedures described resulted in increases of 10% in average and global accuracy, and 18% in average reliability. Furthermore, a reduction was observed in the variability of errors created in the classification.
ResumoO objetivo deste trabalho consiste em mapear o avanço do desmatamento no município de São Félix do Xingu, Sul do Pará (Amazônia Brasileira) usando imagens Landsat TM. A técnica do modelo linear de mistura espectral (MLME) foi empregada para realçar as áreas desmatadas. Três imagens frações representando as proporções de solo exposto, vegetação e sombra foram derivadas do MLME. O mapeamento do desmatamento foi feito utilizando os atributos da imagem-fração sombra que é bem correlacionada com a estrutura do dossel florestal. Após a segmentação, as regiões foram agrupadas por um classificador não--supervisionado por regiões ISOSEG.Palavras-chave: Desmatamento, modelo de mistura, imagem fração-sombra, análise multitemporal. AbstractThe aim of this work consists of mapping deforestation in São Félix do Xingú, Southern Pará (Brazilian Amazon) using Landsat TM images. Three fraction images representing proportion of bare soil, vegetation, and shade were estimated from the Liner Spectral Mixture Model (LSMM). We choose in this study the shade fraction to discriminate cleared areas because it is well correlated with forest structure. While undisturbed tropical forests usually have medium proportion of shade, cleared areas have low shade content. After segmentation, the homogeneous regions were grouped using an unsupervised classifier named ISOSEG. ResumenEl objetivo del trabajo es mapear el progreso de la deforestación en el municipio de São Félix do Xingu, Sur de Pará (amazonía brasileña), utilizando imágenes Landsat TM. La técnica del modelo lineal de mezcla espectral (MLME) fue empleada para reducir el volumen de datos y destacar las áreas deforestadas. Tres imágenes-fracción que representan las proporciones de suelo expuesto, vegetación y sombra se derivaron del MLME. El mapeo de la deforestación se ha hecho utilizando los atributos del imagen-fracción sombra que se correlaciona bien con la estructura de la cubierta forestal: mientras que las zonas de bosques intactas tienen un medio coeficiente de sombra (en función de la rugosidad de la cubierta), el barbecho, las áreas de pastizales y suelo desnudo poseen una baja proporción en sus estructuras. Después de la segmentación, las regiones se combinaron con un clasificador no supervisado por regiones denominado como ISOSEG.Palabras clave: Deforestación, Modelo de mezcla espectral, Imágenes-fracción sombra.
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.