Uso de imagens do sensor ASTER na identificação de níveis de degradação em pastagens

Abstract

RESUMOO manejo inadequado e a baixa disponibilidade de nutrientes nos solos da Zona da Mata de Minas Gerais, têm resultado em baixas produtividades de pastagens, aparecimento de solos descobertos e perdas de solo por erosão. O objetivo deste trabalho foi avaliar a capacidade das imagens do sensor ASTER em identificar diferentes níveis de degradação de pastagens. A área de estudo inclui parte dos municípios de Viçosa, Teixeiras e São Miguel do Anta, perfazendo cerca de 3.314 ha. Devido às características das pastagens da região, foram utilizados quatro níveis de degradação: leve, moderada, forte e muito forte. A classe que apresentou maior erro de classificação foi a pastagem com nível de degradação muito forte (Pastagem 4), com 53,91% dos pixels classificados, confundindo-se com as demais classes. A pastagem com nível de degradação moderada (Pastagem 2) apresentou a melhor classificação. Da área avaliada, aproximadamente 70% correspondem a pastagens, sendo 56,46% classificadas como fortemente degradadas; 28,73% Mata/Capoeira e 1,54% plantações de café. Os resultados permitiram concluir que as imagens do sensor ASTER apresentaram um potencial satisfatório para separar os diferentes níveis de degradação de pastagens. Palavras-chave: pastagens degradadas, sensoriamento remoto, classificaçãoUse of ASTER sensor images for the identification of levels of pasture degradation ABSTRACTThe improper management and the low availability of nutrients of soils in "Zona da Mata" in Minas Gerais State, Brazil, have led to low productivity of natural pasture, emergence of bare soils and soil losses by erosion. The objective of this work was to evaluate the capacity of ASTER sensor images to identify different levels of degradation in pasture lands. The studied area includes part of Viçosa, Teixeiras, and São Miguel do Anta municipalities, forming a total area around 3,314 ha. Due to natural characteristics of the pasture in this region, four levels of degradation were used: light, moderate, strong, and very strong. The class that showed the highest error in the classification was the very strong, degraded with 53.91% of the classified pixels, not distinguishable from the other classes. The moderate degradation class showed the best classification. From the total evaluated area, approximately 70% corresponded to pasture, 56.46% of which was classified in the strong degradation level, 28.73% to 'Mata/Capoeira' and only 1.54% to coffee plantations.The results permit to conclude that the use of sensor ASTER images was satisfactory to separate degradation levels of pasture lands in the studied area.

Agricultural land use and cover change in the Cerrado/Amazon ecotone: A case study of the upper Teles Pires River basin

“…Therefore, in some areas vegetative growth of the annual crop might have been mistaken for some degree of pasture degradation. Nascimento et al (2006) reported a similar issue in their image ratings during an assessment of the efficiency of digital analysis and image processing for identification of the extent of degradation of various grasslands in an area within the Rainforest Zone of Minas Gerais state, Brazil.…”

Compostagem De Lodo De Eta

“…Dessa forma, a partir, da classificação espaço-temporal para a região de estudo, aproximadamente, 60% apresentaram aspectos de degradação, considerando as classes de baixo e de muito baixo crescimento pelo IC (Tabela 2). Destaca-se que, de acordo com alguns estudos no Brasil, estima-se que entre 50% e 70% das pastagens estejam degradadas ou em processo de degradação (NASCIMENTO et al, 2006;CHAGAS et al, 2009;DIAS-FILHO et al, 2014).…”

Caracterización y monitoreo de paisaje semiárida en la Región del Maule mediante datos satelitales

“…El tratamiento aplicado a los datos en el presente trabajo pertenece a un nuevo grupo de análisis de datos espectrales, diferente del uso directo de los valores digitales de las imagens (Lima et al, 1998), abordado por técnicas incorporadas en los Sistemas de Información Geográfica, como índi-ces espectrales de vegetación, clasificadores supervisados por verosimilitud (Nascimento et al, 2006), o por otras técnicas más complejas como modelos lineales de mezcla espectral (Accioly et al, 2002) y la relativamente reciente abordage por redes neuronales artificialess (Chagas et al, 2009). La modalidad de la técnica rotación radiométrica tratada en este trabajo, busca directamente los cambios de uso de las tierras, a través de los residuos de una regresión a una recta definida entre dos bandas de fechas diferentes.…”