MAPEAMENTO SEMI-AUTOMATIZADO DE ÁREAS DESMATADAS NA AMAZÔNIA UTILIZANDO IMAGENS MULTITEMPORAIS DO SATELITE ALOS, SENSOR PALSAR

Abstract

A floresta amazônica, com cerca de 5,4 milhões de km2, abriga uma das maiores biodiversidades do planeta a qual vem sendo ameaçada em decorrência do crescente aumento da ocupação humana, que introduz fortes alterações na fitofisionomia da floresta. A identificação e monitoração dessas alterações, por meio de sensoriamento remoto, requerem o uso de imagens de radar devido ao fato de as ondas eletromagnéticas das micro-ondas penetrarem as nuvens, que na maior parte do ano recobrem essa região. Neste estudo avaliou-se a potencialidade do uso de imagens de radar ALOS/PALSAR banda L, nas polarizações HH e HV e resolução espacial de 12,5m, com o objetivo de se executar um mapeamento das áreas desmatadas por meio de um processo de classificação semi-automática de uma série temporal de dados de três anos. O classificador baseia-se numa regra de decisão que possibilita reduzir a multi-dimensionalidade dos dados da série temporal de seis imagens para um espaço bidimensional formado por duas variáveis independentes: média do sinal retroespalhado e o cálculo de mudança temporal (Absolut Change). A média fornece informações sobre o tipo de cobertura do solo e a mudança temporal estima a intensidade de mudanças em uma série temporal. Foram estudadas as regiões em torno dos municípios de Machadinho d'Oeste em (RO), Confresa (MT) e Medicilândia (PA), municípios que estão na área de influência do arco de desmatamento. A comparação dos resultados da classificação semi-automática foi efetuada com os mapeamentos realizados a partir de imagens de radar aerotransportado SAR/R99 do SIPAM com resolução espacial de 6m. Em Machadinho d'Oeste o nível de concordância foi de 86,4% estimando um total de áreas desmatadas de 919 km2, em Confresa a concordância foi de 84,4% com total de áreas desmatadas de 2.311 km2 e em Medicilândia a concordância foi de 83% com total de 731 km2 de áreas desmatadas. Contudo, a precisão dos limites de classes definidos pela classificação semi-automática mostrou-se ser bem maior do que os resultados obtidos da classificação manual realizada pelo SIPAM, o que pôde ser comprovado com observações de imagens SPOT de 2,5m de resolução espacial.