DETECÇÃO REMOTA DE COLHEITA DE FLORESTAS DE EUCALYPTUS: UMA ABORDAGEM COM DADOS SENTINEL-2 NO ESTADO DO ESPÍRITO SANTO
Nome: LEON MULLER MARQUES
Data de publicação: 31/10/2023
Banca:
Nome | Papel |
---|---|
JEANGELIS SILVA SANTOS | Examinador Externo |
CARLOS ANTONIO OLIVEIRA VIEIRA | Examinador Externo |
ANDRÉ QUINTÃO DE ALMEIDA | Examinador Externo |
ADRIANO RIBEIRO DE MENDONCA | Presidente |
Resumo: O setor público necessita de ferramentas que possibilitem um acompanhamento sistemático das áreas de florestas cultivadas. O uso de técnicas de detecção remota viabiliza a vigilância em larga escala por parte dos órgãos ambientais. O objetivo principal deste estudo foi criar uma metodologia para identificar a colheita dos talhões de Eucalyptus no estado do Espírito Santo. Para realizar esse monitoramento, utilizou- se a base de dados dos talhões de Eucalyptus fornecida por uma empresa. Essa base foi elaborada a partir da análise visual das imagens do Sentinel-2 do ano de 2020. A acurácia do mapa foi validada por meio do coeficiente Kappa. O dado de referência para a colheita também foi obtido por interpretação visual, analisando um histórico de cinco anos de imagens do Sentinel-2. Em cada ano, foram selecionadas as melhores imagens do trimestre, identificando a mudança na resposta espectral da imagem de floresta para solo exposto, indicando a colheita. Na construção do algoritmo de detecção da colheita foram utilizadas as classes de cobertura da terra fornecidas pela Agência Espacial Europeia (ESA), entre os anos de 2019 e 2020, utilizando a classificação de cena (SCL). Esse produto oferece a cobertura da terra para cada imagem do Sentinel-2 coletada a cada cinco dias. Posteriormente, foram filtradas as classes de interesse (nuvem, solo e vegetação). Para obter uma imagem com menor presença de nuvens, foram analisadas três categorias temporais (mensal, bimestral e trimestral), geradas pela agregação das imagens semanais. As classes SCL foram cruzadas com os de talhões de Eucalyptus, determinando em qual categoria a base de talhões apresentava menor quantidade de nuvem. Uma vez definida a melhor categoria temporal, a detecção da colheita baseou-se na acumulação dos pixels classificados como solo em cada nova composição de imagem, avaliando a porcentagem de solo no talhão. Experimentações foram realizadas para definir o melhor limite de porcentagem de solo para considerar o talhão como colhido. Para calcular a precisão do algoritmo, foram realizadas avaliações de desempenho com duas estratégias distintas. Estratégia 1 comparou o mês de colheita identificado pelo algoritmo diretamente com a data de referência para cada talhão de Eucalyptus. A estratégia 2 comparou o acerto do algoritmo variando um mês antes e um mês depois da data de referência. Em seguida, foi analisado o impacto da declividade e do tamanho do talhão na precisão do algoritmo, calculando os erros e acertos para cada classe de declividade e tamanho de talhão. O mapa de Eucalyptus obteve um Kappa de 0,851 e uma precisão global de 94%. A categoria temporal trimestral mostrou-se a mais eficaz para minimizar o efeito das nuvens, já que nenhum talhão apresentou mais de 20% de cobertura por nuvens. A estratégia 2 foi a mais eficiente, atingindo uma precisão do algoritmo de 84,5% com um limiar de 25% de solo. Constatou-se que quanto maior a declividade, menor a precisão, enquanto o tamanho do talhão apresentou uma relação direta, ou seja, quanto maior o tamanho, maior a precisão. O algoritmo desenvolvido representa um avanço na aplicação de novos métodos de monitoramento e fiscalização de plantações de Eucalyptus, podendo ser adotado pelo setor público.