@Article{SouzaEscaMaruMont:2019:ReAgPe,
author = "Souza, Anielli Rosane de and Escada, Maria Isabel Sobral and
Marujo, Rennan de Freitas Bezerra and Monteiro, Ant{\^o}nio
Miguel Vieira",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto
Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de
Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas
Espaciais (INPE)}",
title = "Cartografia do invis{\'{\i}}vel: revelando a agricultura de
pequena escala com imagens Rapideye na regi{\~a}o do baixo
Tocantins, PA",
journal = "Revista do Departamento de Geografia",
year = "2019",
volume = "38",
pages = "137--153",
keywords = "Uso e cobertura da terra, paisagem, classifica{\c{c}}{\~a}o
semiautom{\'a}tica, imagens de alta resolu{\c{c}}{\~a}o
espacial, RapidEye,Land Use and Land Cover, Landscape,
Semi-Automatic Classification, High Spatial Resolution Images,
RapidEye.",
abstract = "Dados derivados de sensoriamento remoto aliados ao uso de
t{\'e}cnicas de classifica{\c{c}}{\~a}o digital de imagens
fornecem uma vis{\~a}o sin{\'o}ptica e informa{\c{c}}{\~o}es
sobre a dimens{\~a}o temporal dos fen{\^o}menos espaciais,
possibilitando gerar informa{\c{c}}{\~o}es sobre a din{\^a}mica
e os padr{\~o}es espaciais da paisagem em {\'a}reas de grandes
extens{\~o}es territoriais como a Amaz{\^o}nia. Nos mapeamentos
extensivos, como os realizados com imagens de sat{\'e}lite pelo
INPE para a Amaz{\^o}nia Legal, {\'e} comum a
defini{\c{c}}{\~a}o e descri{\c{c}}{\~a}o de classes de uso e
cobertura da terra em fun{\c{c}}{\~a}o da resolu{\c{c}}{\~a}o
espacial e radiom{\'e}trica dos sensores utilizados. Por essa
raz{\~a}o, pequenas {\'a}reas que n{\~a}o atingem o tamanho
m{\'{\i}}nimo da {\'a}rea de mapeamento e/ou com usos
diversificados s{\~a}o, em geral, agregadas em uma {\'u}nica
classe. Esse {\'e} o exemplo da classe denominada Mosaico de
Ocupa{\c{c}}{\~a}o presente na legenda do sistema de
monitoramento do uso e cobertura da terra da
Amaz{\^o}nia-TerraClass. Esta classe procura representar, em
parte, a agricultura familiar, no entanto, como o mapeamento
{\'e} feito pelo sensor TM ou OLI dos sat{\'e}lites da
s{\'e}rie Landsat, com resolu{\c{c}}{\~a}o espacial de 30m e
como o TerraClass define uma {\'a}rea m{\'{\i}}nima de
mapeamento de 6,25 hectares (ha), a identifica{\c{c}}{\~a}o de
pequenas {\'a}reas agr{\'{\i}}colas {\'e} comprometida, pois
essas categorias s{\~a}o agregadas em classes mistas e n{\~a}o
s{\~a}o mais distingu{\'{\i}}veis. Para estudos que procuram
dar visibilidade aos padr{\~o}es espaciais de atividades de
produ{\c{c}}{\~a}o de pequena escala torna-se necess{\'a}rio
realizar o refinamento dessas classes com dados de
resolu{\c{c}}{\~a}o espacial com melhor defini{\c{c}}{\~a}o.
Neste contexto, o objetivo desse trabalho {\'e} testar tr{\^e}s
algoritmos semiautom{\'a}ticos de classifica{\c{c}}{\~a}o,
baseados em pixel e em regi{\~o}es: os algoritmos MAXVER,
Bhattacharya e K-Vizinho Mais Pr{\'o}ximo (KNN), para avaliar a
capacidade de refinamento da classe Mosaico de
Ocupa{\c{c}}{\~a}o do dado produzido pelo TerraClass2014. A
{\'a}rea de estudo compreende parte dos munic{\'{\i}}pios de
Camet{\'a}, Mocajuba e Bai{\~a}o, localizados na regi{\~a}o
Nordeste do Par{\'a}, onde a produ{\c{c}}{\~a}o de mandioca,
pimenta-do-reino, cacau e a{\c{c}}a{\'{\i}} t{\^e}m grande
import{\^a}ncia econ{\^o}mica para popula{\c{c}}{\~a}o local.
Para o mapeamento das categorias contidas na classe Mosaico de
Ocupa{\c{c}}{\~a}o, foram utilizadas imagens do RapidEye, sensor
REIS, ortoimagens com 5m de resolu{\c{c}}{\~a}o espacial. Foi
estimada a exatid{\~a}o global dos algoritmos testados obtendo-se
{\'{\i}}ndices de 26%, 38% e 78%, para os algoritmos MAXVER,
Bhattacharya e K-Vizinho Mais Pr{\'o}ximo, respectivamente.
Al{\'e}m da maior exatid{\~a}o Global (78%), o algoritmo
K-Vizinho Mais Pr{\'o}ximo apresentou melhores resultados
relativo {\`a}s classes de vegeta{\c{c}}{\~a}o secund{\'a}ria,
hidrografia, e pasto sujo, com mais de 90% de acerto. A classe
agricultura anual de pequena escala apresentou acerto de 62%,
enquanto o {\'{\i}}ndice de acerto dos outros dois algoritmos
testados n{\~a}o passou de 8%. A abordagem metodol{\'o}gica
desenvolvida demonstrou a viabilidade do uso das imagens de alta
resolu{\c{c}}{\~a}o espacial e de m{\'e}todos
semiautom{\'a}ticos para a classifica{\c{c}}{\~a}o de classes
de uso e cobertura da terra associadas {\`a} classe Mosaico de
Ocupa{\c{c}}{\~a}o do TerraClass. A metodologia pode ser
utilizada para complementar {\`a}s atuais bases de dados
existentes para a Amaz{\^o}nia (TerraClass, MapBiomas e IBGE),
explicitando as categorias agr{\'{\i}}colas de
produ{\c{c}}{\~a}o em pequena escala, dando visibilidade a esses
sistemas de produ{\c{c}}{\~a}o, frequentemente negligenciados
nos mapeamentos que abrangem grandes extens{\~o}es territoriais.
ABSTRACT: Remote sensing-derived data combined with the use of
digital classification techniques provides a synoptic view and
information about the temporal dimension of the studied phenomena
on the territory, making possible to generate information about
the landscape dynamic and spatial pattern in regions of large
territorial extensions such as Amazon. In the mapping of large
areas, such as those performed by INPE for the Legal Amazon with
satellite images, land use and land cover classes are in general
defined as a function of the spatial and radiometric resolution of
the sensors used, so that small areas with diversified uses are
generally aggregated into single and mixed class. This is the
example of the so-called Mosaic of Uses class of the Land Use and
Land Cover Monitoring System of the Amazon-TerraClass. This class
represents in part, household agriculture, however, as this
mapping is carried out based on TM or OLI images from Landsat
series satellites, due to its spatial resolution of 30m and the
minimum mapping area of 6.25 hectares (ha) defined by TerraClass,
the identification of small production scale is compromised, since
they are aggregated with other land use and land cover areas no
longer distinguishable. For studies that seek to give visibility
to small-scale economy spatial patterns, it is necessary to refine
these classes with resolution data of better definition. In this
context, the main objective of this work is to test three
semi-automatic classification algorithms based on pixel and
regions were tested, such as MAXVER, Bhattacharya and knearest
neighbor (KNN) to evaluate theirs refinement capacity of the
Mosaic of Uses class of the data produced by TerraClass-2014. The
study area comprises part of the municipalities of Camet{\'a},
Mocajuba, and Bai{\~a}o, located in the northeastern region of
Par{\'a}, where the production of cassava, black pepper, cacao,
and a{\c{c}}a{\'{\i}} are economically important for the local
population. For the mapping of the categories contained in the
Occupancy Mosaic class, images of RapidEye, REIS sensors,
orthoimage with 5m spatial resolution were used. The accuracy of
the tested algorithms were estimated in 26%, 38% and 78% for
MAXVER, Bhattacharya and k-nearest neighbor algorithms,
respectively. In addition to the greater Global accuracy (78%),
the k-nearest neighbor algorithm presented better results in
relation to secondary vegetation, hydrography, and dirty pasture
classes, with more than 90% of accuracy. The small-scale
agriculture class presented 62% of accuracy, while the other two
algorithms tested did not exceed 8%. The methodological approach
developed demonstrated the feasibility of using spatial
high-resolution images and semi-automatic methods to distinguish
land use and land cover classes present into TerraClass's Mosaic
of Uses class. The methodology can be used to complement the
existing databases for the Amazon (TerraClass, MapBiomas, and
IBGE), emphasizing small-scale agricultural categories, giving
visibility to their production systems, frequently neglected in
large extent mappings.",
doi = "10.11606/rdg.v38i1.151603",
url = "http://dx.doi.org/10.11606/rdg.v38i1.151603",
issn = "0102-4582",
language = "pt",
targetfile = "souza_cartografia.pdf",
urlaccessdate = "29 mar. 2024"
}