Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Blumenau
2014
Blumenau
2014
Piazza, Gustavo Antonio, 1989Processamento digital de imagens de alta resoluo espacial com
enfoque na classificao dos estgios sucessionais iniciais da Floresta
Ombrfila Densa em Santa Catarina / Gustavo Antonio Piazza.
Blumenau, FURB : 2014.
127 f. : il;
Orientador: Alexander Christian Vibrans.
Dissertao (mestrado) - Fundao Universidade Regional de
Blumenau, Centro de Cincias Tecnolgicas, Programa de PsGraduao em Engenharia Ambiental.
Banca: Veraldo Liesenberg e Jlio Cesar Refosco.
Bibliografia: 110-120
1. Sensoriamento remoto. 2. Aerofotografia de alta resoluo. 3.
Classificao orientada a objetos. 4. Minerao de dados. 5.
Regenerao.
ii
iii
AGRADECIMENTOS
A Coordenao de Aperfeioamento de Pessoal de Nvel Superior (CAPES),
pela bolsa de estudos e pelo auxlio financeiro nas campanhas de campo.
Ao meu orientador Alexander Christian Vibrans por ter aceitado minha
orientao, por acreditar em meu potencial e por me apoiar na realizao deste
trabalho. Obrigado por me guiar nessa caminhada.
Aos membros da banca, Veraldo e Jlio, por aceitarem o convite e dar sua
contribuio para o aprimoramento deste estudo.
A Secretaria de Desenvolvimento Sustentvel (SDS) de Santa Catarina, pelo
fornecimento das imagens que vieram a ser base deste trabalho.
Aos meus colegas do IFFSC, Paolo, Laio, Dbora, Joo (JP), Manoela,
Murilo, Aron, Suelen, Luana, Camila, Taysa e Diego, por tornarem o ambiente de
trabalho um local tranquilo e divertido.
Ao pessoal do laboratrio de Geoprocessamento e Sensoriamento Remoto,
pela disponibilidade de utilizao de suas instalaes e pelo suporte tcnico.
Um agradecimento em especial aos meus colegas Laio Zimmeram, grande
companheiro de campo; e Paolo Moser, o estatstico.
Ao Prof. Alexandre Siminski pela contribuio e correo no obrigatria de
minha dissertao.
Ao pessoal da Universidade de Lavras, Prof. Luiz, Pedro e pessoal do
LEMAF, pelas orientaes no manejo do software eCognition.
A todo corpo docente do Programa de Ps-Graduao em Engenharia
Ambiental, Adilson, Ivone, Juarez, Joel, pelo conhecimento compartilhado.
Aos colegas de Ps-Graduao, Leandro, Rafael, Marlon, Thiago, Bruna,
Maria Luiza e Neli, pela companhia nesta caminhada.
A minha famlia pela insistncia e pelo apoio dado ao longo de minha vida.
Vocs so exemplo para mim.
A minha amada Mariana por seu amor, colaborao, pacincia,
companheirismo, carinho e por ter me aguentado durante a elaborao deste estudo.
Voc minha fonte de inspirao, me traz tranquilidade e alegria. Obrigado por
existir na minha vida.
A todas as pessoas que de alguma forma contriburam para a realizao deste
trabalho.
iv
RESUMO
A obteno de imagens por sensores pticos remotamente situados foi essencial
para a evoluo dos estudos ambientais. No caso do mapeamento florestal, esta
tecnologia utilizada para avaliar e quantificar a cobertura e sua dinmica,
permitindo tambm identificar usos e atividades antrpicas. No Estado de Santa
Catarina, alguns mapeamentos j foram efetuados para quantificar remanescentes
florestais por meio do sensoriamento remoto empregando imagens de mdia
resoluo espacial. Os resultados destes mapeamentos, no entanto, so muito
discrepantes. Isto pode ter ocorrido devido aos critrios utilizados para definir
classes de floresta e pela dificuldade de se classificar a vegetao nos seus estgios
iniciais de regenerao por meio de imagens de mdia resoluo espacial. Neste
estudo foi abordada a classificao orientada a objetos (OBIA) e a tcnica da
minerao de dados a fim de classificar estgios sucessionais de florestas secundrias
da Floresta Ombrfila Densa (FOD) em trs distintas reas testes do Estado de
Santa Catarina. Parcelas em campo foram mensuradas visando fornecer verdade
terrestre para a pr-classificao e para avaliar a acuracidade. No processamento
utilizaram-se trs imagens de alta resoluo espacial (0,39 x 0,39 m) obtidas pelo
sensor SAAPI, com trs bandas no visvel (0,38 - 0,70 m), trs bandas no
infravermelho prximo (0,76 - 0,78 m), um modelo de terreno e um modelo de
superfcie. A anlise orientada a objetos utilizou o algoritmo de segmentao
multiresoluo para desenhar objetos e calcular os atributos estatsticos, espaciais e
texturais. A tabela com os atributos foi utilizada para a minerao de dados,
selecionando atributos relevantes e classificando a base de dados pelo algoritmo de
rvore de deciso J48. O resultado da rvore J48 foi extrado no formato if-else e
utilizado para classificao. A segmentao utilizada apresentou resultados
satisfatrios em relao resoluo espacial da imagem e as feies terrestres
presentes. Os dados de campo (e.g. DAP, AB, N e Htm), alm de fornecer
reconhecimento de padres das imagens, foram utilizados em testes de correlao
com os atributos calculados nas imagens. Os resultados gerados pela OBIA se
mostraram satisfatrios para classificar estgios sucessionais iniciais da FOD, assim
como outras classes de uso do solo. Os mapas temticos apresentaram resultados de
exatido geral entre 0,89 e 0,91 e para o ndice Kappa 0,87 a 0,90. Todos os ndices
por classe (produtor, usurio e Kappa) foram superiores a 0,79. Os melhores
desempenhos, dos ndices do produtor e do usurio foram para as classes: gua,
banana, pastagem, floresta em estgio inicial, edificaes/urbano, rizicultura e
sombra; e os piores: floresta plantada, floresta em estgio avanado, estgio mdio,
solo exposto e agricultura. As correlaes dos diferentes atributos estatsticos e
dados de campo foram altamente significativas. Por final, compararam-se os
resultados obtidos pela anlise orientada a objetos com metodologias tradicionais
(Mxima Verossimilhana e K-means), corroborando a superioridade da OBIA. Estes
resultados demonstram o potencial do uso da OBIA para melhorar a discriminao
e mapeamento de estgios sucessionais da FOD e outras classes de uso e ocupao
do solo.
Palavras-chave: sensoriamento remoto, aerofotografia de alta resoluo espacial,
anlise orientada a objetos, minerao de dados, florestas secundrias.
ABSTRACT
The use of optical remote sensing images was essential to the evolution of
environmental studies. Forest mapping benefits the remote sensing technology
because it can be used to evaluate and to quantify forest coverage. Hence, their
dynamics over time enabling therefore to identify human uses and activities.
Mapping procedures were performed in the past in the State of Santa Catarina in
order to quantify forest remnants through remote sensing techniques employing
moderate spatial resolution images. However, the obtained results of these mapping
procedures are controversies. These may have occurred due to different criteria used
to define forest classes and the difficulty of classifying early successional forest
stages using moderate spatial resolution images. In this study the object oriented
image classification (OBIA) and the data mining techniques were used to classify
successional stages of secondary forests of the Atlantic Forest (Dense
Ombrophilous Forest - DOF) in three distinct test sites in Santa Catarina, south
Brazil. Fields measurements were conducted in order to provide ground truth to the
pre-classification and in a later stage to evaluate the overall classification accuracy.
Three high spatial resolution images (0.39 x 0.39 m) obtained by the SAAPI sensor
were processed with three visible layers (0,38 - 0,70 m), three near infrared layers
(0,76 - 0,78 m), one digital terrain model (DTM), and one digital surface model
(DSM). OBIA used multiresolution segmentation to delineate the objects and to
calculate statistical, spatial and textural attributes. The attribute table was used in the
data mining processes selecting relevant attributes and classifying the data base by
the J48 decision tree algorithm. The result of the J48 tree was extracted in the if-else
format and imported to classification. The field data (e.g. DBH, G, N, Htm) besides
providing recognition of image patterns were also used to establish correlation
coefficients with the image generated attributes. The results of the OBIA were
satisfactory to classify initial stages of DOF as well as other land use classes. The
thematic maps reached both global and Kappa accuracy ranges of 0.87 to 0.90 and
0.87 to 0.90. All indexes per class (producer, user and Kappa) were superior than
0.79. The best performances related to producer and user accuracy were: water,
banana, pasture, forest in early stages, buildings/urban, rice cultivation and shade.
The worst performance were observed for: planted forest, forest in advanced stage,
intermediate stage, exposed soil and agriculture. High and significant correlation
coefficients were found between statistical attributes and field data. A comparison
between results of OBIA and traditional methodologies (e.g. Maximum Likelihood
and K-means) corroborates the superiority of OBIA. The presented results show
the potential of OBIA to upgrade mapping procedures and discrimination of
sucessional stages and other land use classes in Atlantic Forest environments.
Keywords: remote sensing, high spatial resolution, data mining, object-oriented
classification, data mining, secondary forests.
vi
LISTA DE ILUSTRAES
Figura 1. rea de domnio do Bioma Mata Atlntica no Brasil..............................................................17
Figura 2. Mapa fitogeogrfico da vegetao de Santa Catarina baseado em Klein (1978) .................18
Figura 3. Exemplo de processo de sucesso secundria de acordo com a ocorrncia de espcies ..27
Figura 4. Exemplo da primeira etapa do estgio inicial da Floresta Ombrfila Densa ......................28
Figura 5. Exemplo de rebrota por troncos parcialmente danificados ...................................................29
Figura 6. Exemplo de vegetao secundria em estado inicial com perda de camada superficial do
solo na Floresta Ombrfila Densa................................................................................................................30
Figura 7. Exemplo do aparecimento de espcies tolerantes a sombra na etapa de fechamento do
dossel da Floresta Ombrfila Densa ............................................................................................................31
Figura 8. Exemplo de sub-bosque bem desenvolvido com abundncia de epfitas e xaxins na
Floresta Ombrfila Densa .............................................................................................................................33
Figura 9. Comparativo de duas imagens na regio de Gaspar (A) LANDSAT-5/TM (rbita/ponto:
220/79), adquirida em 2010 na composio 321 (RGB), escala 1:20.000 e aerofotografia de alta
resoluo espacial de um Sistema Aerotransportado de Aquisio e Ps-processamento de Imagens
(SAAPI) adquirido em 2011, na composio 321 (RGB), nas escalas: (B) 1:20.000; (C) 1:6.000; e (D)
1:2.000 ...............................................................................................................................................................39
Figura 10. Classificao pixel-a-pixel com o software ENVI na cidade de Itaja a partir de uma
imagem LANDSAT-5/TM (2000) (rbita/ponto: 220/79). (A) imagem na composio 453 (RGB);
(B) imagem classificada pela tcnica da mxima verossimilhana; (C) subset da imagem na
composio 453 (RGB); e (D) subset da imagem classificada .................................................................43
Figura 11. Imagem de alta resoluo espacial obtida pelo sensor SAAPI (2011) de uma rea agrcola
do municpio de Indaial, segmentada no programa eCognition com os parmetros: 0,5 forma, 0,5
compacidade e 200 escala (default) .................................................................................................................43
Figura 12. Diagrama de execuo do algoritmo multiresolution segmentation ............................................45
Figura 13. Interpretao de imagem a partir de atributos em uma rea agrcola de Indaial por meio
de uma imagem de alta resoluo espacial na composio 321, sensor SAAPI (2011) .......................47
Figura 14. Atributos disponveis no software eCognition ......................................................................48
Figura 15. Tipos de funes de pertinncia utilizadas no software eCognition ...............................53
Figura 16. Localizao das trs reas teste .................................................................................................56
Figura 17. Estrutura de uma imagem do sensor SAAPI com: (A) 9 e (B) 12 cenas, para cobrir a
UAP (amarelo) .................................................................................................................................................58
Figura 18. Estrutura da UA utilizada nos levantamentos em campo, baseada em Vibrans et al.
(2010) .................................................................................................................................................................60
Figura 19. Fluxograma da metodologia utilizada no trabalho.................................................................65
Figura 20. Cenrios de segmentao gerados com escala de segmentao de 100 (A) e 300 (B), sob
os mesmos parmetros de forma e compacidade (forma: 0.1 e compacidade: 0.1) em uma imagem
de alta resoluo espacial adquirida pelo sensor SAAPI (2011) ...............................................................67
Figura 21. Esquema estrutural do resultado de uma rvore de deciso pelo algoritmo J48 ..............71
Figura 22. Linguagem if-else da rvore de deciso da rea teste A ..........................................................71
Figura 23. Regras de deciso convertidas do formato if-else (WEKA) para o formato do
eCognition, para as classes estgio inicial (A) e avanado (B) ..............................................................72
Figura 24. Recorte das imagens de alta resoluo espacial adquirida pelo sensor SAAPI (2011) na
composio 321 (RGB) e com suas respectivas UA..................................................................................77
Figura 25. Anlise de agrupamento com variveis dendromtricas entre as UA (=0,05) ................80
Figura 26. Anlise de agrupamento com dados de composio de espcies entre as UA: medida de
similaridade de Bray-Curtis (A) e Jaccard (B)..............................................................................................80
vii
Figura 27. Resultados obtidos no perodo de teste de segmentao da rea teste A e os respectivos
parmetros de utilizados para a imagem de alta resoluo espacial obtida pelo sensor SAAPI (2011)
na composio 321 (RGB) .............................................................................................................................86
Figura 28. Desenho das rvores de deciso J48 das reas testes A (A), B (B) e C (C) .......................90
Figura 29. Grandes ns das rvores de deciso das reas teste A (A) e C (B) .....................................91
Figura 30. Perfil espectral de amostrass de classes de uso do solo na rea teste A .............................91
Figura 31. Perfil espectral de amostras das classes da vegetao da rea teste A ................................92
Figura 32. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste A pela OBIA, escala 1:38.000, prxima divsa dos municpios
de Acurra e Indaial ..........................................................................................................................................93
Figura 33. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste B pela tcnica da analise orientada a objetos, escala 1:40.000,
no municpio de Gaspar .................................................................................................................................95
Figura 34. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste C pela OBIA, escala 1:40.000, prxima divsa dos municpios
de Luiz Alves e Massaranduba ......................................................................................................................97
Figura 35. (A) Recorte do mapa temtico da rea teste A pela tcnica da mxima verossimilhana e
(B) recorte da imagem de alta resoluo espacial do sensor SAAPI na composio 321 (RGB). A
legenda das classes de uso do solo referente a Figura 32 .................................................................... 100
Figura 36. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); Classificao pela: (B) OBIA; (C) mxima verossimilhana; e (D) classificao por K-means,
da rea teste A em Indaial/Ascurra, escala 1:40.000............................................................................... 102
viii
LISTA DE TABELAS
Tabela 1. Formas de classificao da dinmica da vegetao entre as fases sucessionais das florestas
tropicais .............................................................................................................................................................35
Tabela 2. Descrio de alguns atributos estatsticos e espaciais disponveis no eCognition ..........48
Tabela 3. Descrio de alguns atributos texturais disponveis no software eCognition ....................50
Tabela 4. Representao matemtica da matriz de confuso..................................................................53
Tabela 5. Variveis mensuradas e calculadas a partir dos levantamentos em campo e suas utilidades
em relao etapa de correlao ...................................................................................................................59
Tabela 6. Dados de entrada do sensor SAAPI por rea teste.................................................................64
Tabela 7. Parmetros utilizados na criao dos diferentes cenrios de segmentao .........................66
Tabela 8. Exemplo de classes utilizadas e suas caractersticas de acordo com a imagem de alta
resoluo espacial do sensor SAAPI (2011) na composio 321 (RGB) ...............................................67
Tabela 9. Diferentes perspectivas de uma cena de acordo com o atributo analisado ........................69
Tabela 10. Nmero de amostras (objetos) por classe ..............................................................................70
Tabela 11. Exemplo de preenchimento de descritores e funes de pertinncia por classe utilizado
na OBIA............................................................................................................................................................72
Tabela 12. Nmero de amostras (objetos) de referncia por classe para validao do mapa ............73
Tabela 13. Chave de interpretao de desempenho do ndice Kappa de Landis e Koch (1977). .....74
Tabela 14. Estimativas das variveis dendromtricas do estrato arbreo das UA com intervalo de
confiana ( = 0,05) ........................................................................................................................................76
Tabela 15. Resumo das variveis analisadas pela ANOVA para as subunidades ( = 0,05) .............76
Tabela 16. Resumo das variveis analisadas pela ANOVA entre as UA (=0,05) ..............................78
Tabela 17. Resultados do teste de igualdade por Tukey-Kramer para as variveis N, AB, DAP e H
no estrato arbreo (=0,05) ...........................................................................................................................78
Tabela 18. ndice de Srensen a partir da similaridade de Bray-Curtis no estrato arbreo entre as
UA ......................................................................................................................................................................81
Tabela 19. Riqueza e ndices de diversidade por UA no estrato arbreo .............................................81
Tabela 20. Nmero de espcies por subunidade no estrato arbreo ....................................................81
Tabela 21. Ranking de abundncia de espcies no estrato arbreo por UA ........................................82
Tabela 22. Classificao das UA por variveis dendromtricas em relao resoluo CONAMA
04/1994 .............................................................................................................................................................83
Tabela 23. Estimativas das variveis dendromtricas por UA para indivduos da regenerao com
intervalo de confiana ( = 0,05) ..................................................................................................................83
Tabela 24. Resumo da ANOVA aplicado s subunidades (=0,05) .....................................................83
Tabela 25. Resumo da ANOVA aplicada s UA (=0,05) para a varivel N na regenerao...........84
Tabela 26. Resultados do teste de Tukey-Kramer para a varivel N na regenerao (=0,05).........84
Tabela 27. Atributos selecionados para classificao por rea teste ......................................................87
Tabela 28. Ranking dos 10 melhores atributos de acordo como mtodo de avaliao Gain Ratio e
pelo mtodo de procura Ranker ....................................................................................................................89
Tabela 29. Arquitetura das rvores por rea teste ....................................................................................89
Tabela 30. Nmero de regras de deciso por classe de acordo com a rea teste ................................91
Tabela 31. Matriz de confuso da classificao da rea teste A pela tcnica da OBIA ......................94
Tabela 32. Matriz de confuso da classificao da rea teste B pela tcnica da OBIA ......................96
Tabela 33. Matriz de confuso da classificao da rea teste C pela tcnica da OBIA ......................98
Tabela 34. Matriz de confuso da rea teste A pela tcnica da mxima verossimilhana ..................99
Tabela 35. Matriz de confuso da rea teste A pela tcnica K-means .................................................. 100
ix
Tabela 36. Resultados individuais das matrizes de confuso dos mapas temticos da rea teste A
......................................................................................................................................................................... 101
Tabela 37. Anlise do ndice Kappa para a comparao em pares dos resultados das matrizes de
confuso dos mapas temticos da rea teste A ........................................................................................ 101
Tabela 37. ndices de produtor e usurio, exatido geral e ndice Kappa de acordo com cada classe
de mapeamento e metodologia utilizada, por meio de um sensor SAAPI (2011) ............................. 102
Tabela 39. Comparao do resultado utilizando um sensor SAAPI (2011) com autores da literatura
com resoluo espacial e/ou metodologia semelhante .......................................................................... 103
Tabela 40. Intervalo mdio de tempo utilizado para processar imagens do sensor SAAPI (2011)
......................................................................................................................................................................... 105
Tabela 41. Valores de correlao dos atributos estatsticos, espaciais e texturais em relao aos
dados de campo (=0,05) referentes ao sensor SAAPI (2011) ............................................................. 106
xi
SUMRIO
AGRADECIMENTOS ................................................................................................................................ iii
RESUMO ......................................................................................................................................................... iv
ABSTRACT ...................................................................................................................................................... v
LISTA DE ILUSTRAES ...................................................................................................................... vi
LISTA DE TABELAS ................................................................................................................................viii
LISTA DE ABREVIATURAS E SIGLAS ............................................................................................... x
SUMRIO ....................................................................................................................................................... xi
1
INTRODUO ..................................................................................................................................13
1.1
OBJETIVOS .................................................................................................................................16
1.1.1 Objetivo geral ..........................................................................................................................16
1.1.2 Objetivos especficos ............................................................................................................16
2
REFERENCIAL TERICO ..........................................................................................................17
2.1
BIOMA MATA ATLNTICA ..................................................................................................17
2.2
REGIES FITOECOLGICAS DE SANTA CATARINA .............................................18
2.2.1 Viso aprofundada da Floresta Ombrfila Densa .......................................................19
2.3
DESMATAMENTO DA MATA ATLNTICA EM SANTA CATARINA ...................20
2.4
LEGISLAO BRASILEIRA ..................................................................................................22
2.4.1 Lei 11.428, de 22 de dezembro de 2006 ............................................................................22
2.4.2 Resoluo CONAMA 4, de 4 de maio de 1994 (BRASIL, 1994) ..............................23
2.5
SUCESSO FLORESTAL .........................................................................................................24
2.6
FLORESTAS SECUNDRIAS ................................................................................................26
2.7
PANORAMAS DA SUCESSO ..............................................................................................27
2.7.2 Estgio mdio (Arbreo pioneiro) ...............................................................................30
2.7.3 Estgio avanado (Arbreo complexo) ......................................................................32
2.7.4 Formas de apresentao dos estgios sucessionais ....................................................34
2.8
SENSORIAMENTO REMOTO ..............................................................................................36
2.8.1 Radiao eletromagntica e bandas espectrais ............................................................36
2.8.2 Tipos de Resolues .............................................................................................................38
2.8.3 Sensoriamento remoto aplicado ao estudo da vegetao ..........................................39
2.8.4 Classificao de imagens e elaborao de mapas temticos ...................................40
2.8.5 Mtodos de classificao .....................................................................................................41
2.8.6 Segmentao de imagens ....................................................................................................42
2.8.7 Algoritmo Multiresolution Segmentation ......................................................................44
2.8.8 Atributos intrnsecos aos objetos ......................................................................................46
2.8.9 Classificao orientada a objetos (OBIA) por atributos ............................................47
2.8.9.1 Minerao de dados .............................................................................................................51
2.8.9.2 Funes de pertinncia........................................................................................................52
2.8.10
Acurcia da classificao ................................................................................................53
3
MATERIAL E MTODOS .............................................................................................................56
3.1
REA DE ESTUDO ..................................................................................................................56
3.2
BASE DE DADOS ......................................................................................................................57
3.2.1 Imagens de Aerolevantamento do estado de Santa Catarina ...................................57
3.2.2 Estrutura das imagens .........................................................................................................57
3.2.3 Materiais ...................................................................................................................................58
3.3
LEVANTAMENTO EM CAMPO...........................................................................................58
3.3.1 Processamento dos dados de campo ...............................................................................60
xii
13
INTRODUO
Ecossistemas florestais apresentam elevada riqueza biolgica e diversidade gentica
14
15
Wang et al. (2007) e Johansen et al. (2007), j possvel estimar parmetros estruturais da
vegetaao a partir de imagens de alta resoluo espacial e amostragens em campo.
Mesmo com o melhoramento das ferramentas de anlise digital, entretanto,
observa-se que em Santa Catarina estudos sobre a utilizao de dados de sensoriamento
remoto para a classificao de florestas secundrias ainda se mostram incipientes e
restritos a ferramentas tradicionais empregando imagens de mdia resoluo espacial
(VIBRANS et al., 2013). No de se espantar que mapeamentos da cobertura florestal e
uso e ocupao do solo realizados em Santa Catarina entre os anos de 2005 e 2010
apresentaram resultados discrepantes em relao rea florestada, com valores entre 22%
e 41% (VIBRANS et al., 2013). Estas discrepncias so, possivelmente, causadas, entre
outros fatores, pela dificuldade de classificar corretamente a vegetao nos estgios iniciais
de sucesso devido s deficincias na caracterizao espectral (como imagens de mdia
resoluo espacial) e da metodologia de classificao, e, por outro lado, pela falta de
critrios comuns para definio da classe "floresta". Esta indefinio pode ocorrer sob
ambas s perspectivas sensricas bem como florsticas. Em ordem, podem ser citadas a,
rea mnima do fragmento, alm da altura e rea basal da vegetao. Segundo Vibrans
(2003), a cobertura florestal de Santa Catarina no homognea nem contnua (mescla de
florestas e remanescentes alterados) e a separabilidade espectral das comunidades vegetais
nem sempre notvel, principalmente por meio de imagens de mdia resoluo espacial.
Alm disso, reas de remanescentes, geralmente, ocorrem em pequenas manchas,
entremeadas por reas agrcolas ou pastagens, tornando a classificao destes mosaicos de
vegetao e outros usos um verdadeiro desafio (CASTILHO et al., 2012).
A partir dessas consideraes iniciais, surgem questionamentos que servem de base
para a elaborao dessa dissertao:
1) A classificao de reas florestadas por meio de imagens de alta resoluo
espacial pode melhorar a qualidade do mapa temtico gerado?
2) As tcnicas avanadas de classificao digital de imagens poderiam ser aplicadas
para diferentes estgios de regenerao?
3) Como iria se comportar a classificao digital das imagens de alta resoluo
espacial para outras classes de uso e cobertura do solo?
4) Quais seriam as dificuldades no processamento digital destas imagens?
16
A fim de tentar responder tais perguntas foi formulada uma hiptese a partir de
trs premissas bsicas.
(1) Mtodos de processamento digital de imagens, como a classificao pixel-a-pixel
e a orientada a objetos, e a utilizao de material adicional, como modelos de superfcie e
terreno, auxiliam no reconhecimento dos alvos terrestres contidos nas imagens.
(2) A partir de imagens de alta resoluo espacial haveria um aumento da
capacidade de discriminao das informaes acerca dos alvos terrestres, ampliando
sobremaneira a possibilidade de estudos, assim como a complexidade do processamento.
(3) Estgios de sucesso do bioma Mata Atlntica so caracterizados por um
conjunto de variveis dendromtricas e estruturais, podendo ser mensuradas em campo.
Formulou-se a hiptese: A partir de imagens de alta resoluo espacial e tcnicas
avanadas de processamento digital de imagens, ancoradas em dados dendromtricos da
vegetao obtidos em campo, haveria uma melhora, em relao s metodologias
tradicionais, na acurcia da classificao dos estgios iniciais de vegetao secundria.
Decorrente destas consideraes objetivo deste trabalho caracterizar os estgios
iniciais da vegetao e sua resposta espectral e textural em imagens de alta resoluo
espacial, a fim de construir uma metodologia que permita sua classificao.
1.1
OBJETIVOS
1.1.1
Objetivo geral
Classificar os estgios sucessionais da Floresta Ombrfila Densa em trs distintas
17
REFERENCIAL TERICO
2.1
Fonte: Ministrio do Meio Ambiente (MMA) e Fundao SOS Mata Atlntica (2008)
18
Atlntica recebem trs denominaes gerais: Floresta Ombrfila Densa (FOD); Floresta
Ombrfila Mista (FOM) e Floresta Estacional Decidual (FED) (IBGE, 2012) (Figura 2).
Figura 2. Mapa fitogeogrfico da vegetao de Santa Catarina baseado em Klein (1978)
conceito utilizado por Norman Myers (Inglaterra) em 1988 para se referir a reas importantes para biodiversidade.
19
Klein (1980) seu dossel dominado por espcies arbreas das famlias Lauraceae e
Myrtaceae, e possui abundncia de epfitas e palmeiras.
A FOM ocorre no planalto e no Oeste Catarinense, em altitudes que variam de
500 a 1400 m, caracterizada originalmente pela presena da Araucaria angustiflia (KLEIN,
1978); e a FED ocorre predominantemente no Oeste Catarinense e se estende ao longo
do curso e das encostas do rio Uruguai, em altitude que variam de 200 at 800 m
(KLEIN, 1972).
2.2.1 Viso aprofundada da Floresta Ombrfila Densa
O termo Floresta Ombrfila Densa foi criado por Mueller-Dombois e Ellenberg
(1974), substituindo o antigo termo Floresta Pluvial ou floresta das chuvas (IBGE,
1992). Caracteriza-se pela formao de um dossel uniforme quanto a sua colorao, forma
das copas e altura, representando uma fitofisionomia muito caracterstica e com poucas
variaes sazonais durante todo o ano (REIS, 1995). A maior parte dessa fisionomia, no
Estado de Santa Catarina, impressa pela presena de grandes rvores, geralmente da
famlia Lauraceae, que dificilmente se sobressaem no dossel (KLEIN, 1980). Apesar da
ausncia de espcies tipicamente tropicais esta formao apresenta alto grau de
endemismos que esto relacionados complexidade dos ecossistemas nela inseridos
(SIMINSKI, 2004). Segundo Leite e Klein (1990), as caractersticas climticas que regem
esta tipologia so a ausncia de perodo seco, alta umidade relativa do ar e temperaturas
mdias acima de 15C. De acordo com Vibrans (2003), a FOD apresenta elevada riqueza,
presena de vrios estratos, altos valores de biomassa, alto grau de endemismo e espcies
raras, e abundncia de cips, lianas e epfitas.
Klein (1979, 1980) e Sevegnani (2003) descreveram detalhadamente a flora e a
vegetao da Floresta Ombrfila Densa. Estes autores a dividem em quatro formaes:
terras baixas (nas plancies aluviais at uma altitude de 30 m), onde espcies importantes
do seu estrato arbreo superior so Callophyllum brasiliense (olandi), Clusia criuva (manguede-formiga), Ficus organensis (figueira-da-folha-mida), Coussapoa microcarpa (figueira-matapau), Myrsine umbellata (caporoco) e Tapirira guianensis (cupiuva); a submontana (em
altitudes entre 30 e 400 metros), que tem como espcies caractersticas tpicas Sloanea
guianensis (laranjeira-do-mato), Alchornea triplinervia (tanheiro), Ocotea catharinensis (canela
preta), Aspidosperma parvifolium (peroba), Virola bicuhyba (bicuba), Myrcia pubipetala
20
21
22
LEGISLAO BRASILEIRA
23
inicial:
nesse
estgio
fisionomia
predominantemente
24
SUCESSO FLORESTAL
Antes de iniciar a discusso sobre florestas secundrias necessrio compreender
25
26
2.6
FLORESTAS SECUNDRIAS
Floresta primria o termo utilizado para denominar uma "floresta madura",
27
funo ecolgica, econmica e social fundamental e que at agora pouco tem sido feito
para conserv-las, principalmente no Estado de Santa Catarina.
2.7
PANORAMAS DA SUCESSO
As etapas constituintes do processo de sucesso so chamadas de estgios
28
29
30
Figura 6. Exemplo de vegetao secundria em estado inicial com perda de camada superficial
do solo na Floresta Ombrfila Densa
Aparecimento dos
primeiros arbustos
Vegetao
secundria em
estdio inicial
31
32
longa vida tolerantes sombra. Segundo ele, espcies de "vida curta" geralmente no
resistem ao dossel e morrem nos primeiros 10 a 15 anos, reportado tambm por
Budowski (1965). J as espcies de vida longa tolerantes a luz vo persistir e integrar o
dossel num perodo posterior. Segundo Finnegan (1992), o grupo de longa vida que
desempenha o papel mais importante da sucesso por ter maior representatividade em
longo prazo.
2.7.3 Estgio avanado (Arbreo complexo)
Este estgio tambm denominado Mata Secundria (KLEIN, 1980) ou Estgio
Arbreo Avanado (SIMINSKI, 2004). Nele, ocorre um ambiente florestal sob muitos
aspectos fisionmicos semelhantes s florestas maduras. De acordo com Oliver e Larson
(1990) esta fase de sucesso denominada fase de reintroduo de sub-bosque
(understory reinitiation stage) e caracterizada pela regenerao do dossel, da composio e
dos estratos da vegetao.
Vale lembrar que entre as fases sucessionais processos ecolgicos so responsveis
pela dinmica da composio de espcies (CHAZDON, 2008), tanto que, durante a fase
inicial, processos estocsticos de disperso e recolonizao de espcies so mais ativos
sobre a estrutura da comunidade. No estgio avanado, entretanto, processos
determinsticos como a seleo natural de espcies tornarem-se importantes para a
organizao da comunidade florestal (WALKER; CHAPPIN, 1987). Segundo Finnegan
(1996), Guariguata e Ostertag (2001), a composio das espcies aparentemente varia,
independentemente da riqueza de espcies, por meio de uma cronossequncia. GmezPompa e Vasquez-Yanes (1984) foram uns dos primeiros a proporem que a sucesso de
blocos florestais tropicais segue um modelo florstico no qual espcies alcanam
abundncia em momentos diferenciados, de tal forma que espcies dominantes podem
aparecer em diversas escalas do tempo. Neste pensamento, possvel dizer que o
processo de sucesso apresenta comportamentos irregulares, sendo considerados por
alguns autores como caticos (MAY 1989, MOSEKILD; MOSEKILD 1991), pois
funcionam por meio de processos dinmicos temporais sensveis a variaes externas,
impossibilitando a definio de cenrios de longo prazo. Finnegan (1984), neste sentido,
reporta que espcies florestais da fase avanada podem no aparecer at que processos de
facilitao ocorram, sendo estes, s vezes, provenientes de atividades antrpicas. Para
33
Finnegan (1996) e Myster (2004), existe pouca informao sobre o padro de colonizao
de rvores na segunda e na terceira fase de sucesso, pois estas fases dependem de
padres florsticos locais, difceis de generalizar, por isso, mais comum encontrar
estudos enfatizando a dinmica da vegetao durante a fase inicial.
Em suma, nota-se que durante o estgio avanado ocorre um aumento da riqueza
de espcies de dossel, uniformidade das classes de vegetao e a estabilizao da taxa de
crescimento de volume e altura da vegetao. Ainda nessa fase ocorre morte de rvores
de vida longa intolerantes sombra que estavam presentes no intuito de restituir
propriedades bsicas (fertilidade do solo, interaes e microclima). Com a queda destas
espcies abrem-se clareiras no dossel aumentando a disponibilidade de recursos
(incidncia solar) e, consequentemente, oportunidades de integrao de novas espcies.
Desta forma, espcies de plantas comeam a se estabelecer em camadas inferiores
do dossel, formando estratos da vegetao. Normalmente, uma comunidade florestal em
estgio mdio passa a possuir ao menos um estrato herbceo-arbustivo bem desenvolvido
(sub-bosque) com presena de lianas, epfitas, xaxins e trepadeiras na camada inferior
(Figura 8). Em outros casos, como o estgio avanado, pode haver vrios estratos.
Figura 8. Exemplo de sub-bosque bem desenvolvido com abundncia de epfitas e xaxins na
Floresta Ombrfila Densa
Xaxim
Epfitas
34
35
Tabela 1. Formas de classificao da dinmica da vegetao entre as fases sucessionais das florestas tropicais
CHAZDON
2008
SIMINSKI
2004
Classificao
Pioneiro:
herbceo
Gn.:
Pteridium,
Baccharis sp.
Pioneiro:
hemicriptfitos
pioneiros.
Gn.:
Pteridium,
imperata.
Capoeirinha:
herbceo/arbustivo
Capoeira:
arbustivo/arbreo
Gn.: Baccharis,
Tibouchinea,
Myrsine, Psychotria e
Cytharexylum.
Segunda Fase:
hemicriptfitos,
camfitos e
nanofanerfitos.
Gn.: Solanum,
Baccharis e Miconia
Segunda fase:
As pioneiras formam um dossel com sombra, afetando plantas
colonizadoras da primeira fase que, progressivamente, desaparecero.
Pioneiro (0 a 5 anos):
Presena de herbceas
Arbustivo (5 a 10 anos):
Aparecimento dos arbustos.
Quinta fase:
mesofanerfitos
Vegetao ultrapassa 15 m.
Estgio eminente lenhoso, sem plantas emergentes.
Bastante uniforme quanto altura dos elementos dominantes.
Quarta Fase:
microfanerfitos,
Vegetao variando entre 3 e 15 m.
Primeira fase:
Crescimento em alta densidade de herbceas, arbustos
e lianas. Plantas pioneiras de curto ciclo de vida e
rpido crescimento.
Floresta Secundria:
Arbreo com epfitas
Capoeiro:
Arbreo
Terceira fase:
Pioneiras de curto ciclo de vida so substitudas por pioneiras de longo
ciclo de vida. Durante esta mudana de dominncia entre espcies
pioneiras, a colonizao de espcies tolerantes sombra ocorre.
Floresta madura
FINNEGAN
1996
CONAMA
N 4/1994.
IBGE
1992
KLEIN
1979/80
Autor
36
2.8
SENSORIAMENTO REMOTO
A abordagem a seguir utiliza o princpio do sensoriamento remoto para classificar
37
imagem raster (ou bitmap, mapa de bits), so imagens que contm descrio espacial de cada pixel.
de picture (imagem, abrev. pix) e element (elemento), referente ao menor elemento de uma imagem.
4 fuso
38
programa de satlites norte-americanos de observao da terra, com incio na dcada de 1960, pela NASA.
39
temporal usando visadas laterais a exemplo dos sensores da srie Satellite Pour l'Observation
de la Terre (SPOT).
Figura 9. Comparativo de duas imagens na regio de Gaspar (A) LANDSAT-5/TM
(rbita/ponto: 220/79), adquirida em 2010 na composio 321 (RGB), escala 1:20.000 e
aerofotografia de alta resoluo espacial de um Sistema Aerotransportado de Aquisio e Psprocessamento de Imagens (SAAPI) adquirido em 2011, na composio 321 (RGB), nas escalas:
(B) 1:20.000; (C) 1:6.000; e (D) 1:2.000
A
6
7
Normalized Difference Vegetation Index, ndice de diferena normalizada da vegetao (Rouse et al., 1973).
Enhanced Vegetation Index, ndice de destaque da vegetao (Huete et al., 1997).
40
41
resposta
espectral
em
grupos
semelhantes
estatisticamente
separveis
42
10)
(SCHOWENGERDT,
tcnicas computacionais que utilizam modelos matemticos inspirados na estrutura neural de organismos e que
adquirem conhecimento por meio da experincia (treinamento).
9 mtodo de classificao por rvores de deciso, desenvolvido por Leo Breiman (1928-2005) e Adele Cutler.
10 tcnica no paramtrica de classificao orientada a objetos que leva em conta classes vizinhas.
8
43
Figura 10. Classificao pixel-a-pixel com o software ENVI na cidade de Itaja a partir de uma
imagem LANDSAT-5/TM (2000) (rbita/ponto: 220/79). (A) imagem na composio 453
(RGB); (B) imagem classificada pela tcnica da mxima verossimilhana; (C) subset da imagem na
composio 453 (RGB); e (D) subset da imagem classificada
A
44
45
evoluo de rede fractal11 (Fractal Net Evolution Approach FNEA) (DEFINIENS, 2009).
Segundo Baatz e Schpe (2000) a segmentao multiresoluo gera objetos a partir da
fuso de pixels de acordo com trs critrios pr-estabelecidos; escala, forma/cor e
compacidade/suavidade.
A escala o parmetro que determina a heterogeneidade mxima dos objetos
(SILVA, 2012). Segundo Baatz e Schpe (2000), ela que vai determinar o tamanho dos
objetos a serem criados, ou seja, um valor alto vai gerar objetos maiores e um baixo valor
vai gerar objetos menores (vrios objetos).
Alm da escala, o mtodo de segmentao leva em conta atributos de cor e forma,
que so ponderados pelo tamanho dos objetos. A forma/cor o critrio que define a
importncia do valor espectral (ND) e a compacidade/suavidade define a forma de
contornar os objetos, ou seja, a suavidade (prximo a 1) responsvel por gerar fronteiras
suaves, enquanto que a compacidade (prximo a 0) relaciona-se com a geometria dos
objetos (Figura 12).
Figura 12. Diagrama de execuo do algoritmo multiresolution segmentation
Onde:
COR = 1 Forma;
Forma = Compacidade + Suavidade;
Suavidade = (1 compacidade) * Forma; e
Compacidade = compacidade * Forma.
Francisco e Almeida (2012) explicam que um alto valor de compacidade produz
segmentos menores e compactos, tipicamente relativos a alvos antrpicos, como
construes. Por outro lado, um alto valor de suavidade gera segmentos com bordas
suaves, relativos a alvos naturais (KRESSLER; STEINNOCHER, 2006).
11
estrutura geomtrica que mantm suas caractersticas fsicas mesmo quando repartida em partes menores.
46
(2.1)
47
Figura 13. Interpretao de imagem a partir de atributos em uma rea agrcola de Indaial por
meio de uma imagem de alta resoluo espacial na composio 321, sensor SAAPI (2011)
Por exemplo, a textura pode ser usada para diferenciar os objetos 1 e 2 do objeto
5, assim como a forma, que em geral, para florestas plantadas possuem um formato
geomtrico. Outros atributos tambm podem ser utilizados, como, desvio padro (objeto
3), brilho (objeto 4), densidade (objeto 6) e assimetria (objeto 7).
O objetivo dos softwares de anlise e interpretao de imagens consiste nas mesmas
discusses levantadas acima, entretanto, por meio de algoritmos matemticos.
2.8.9 Classificao orientada a objetos (OBIA) por atributos
Com a imagem segmentada, objetos formados passam a apresentar especificao
espectral e espacial, no qual so fundamentadas as classificaes. O diferencial da OBIA
que os objetos so organizados em base de dados (MARPU, 2009), sendo possvel
calcular, para cada objeto, parmetros estatsticos e coeficientes relacionados (Figura 14).
48
Mdia
Desvio padro
Variao dos ND
de cada objeto de
uma banda
espectral
49
Atributos
Descrio
Brilho
ND do objeto em
relao a todas as
bandas espectrais
Razo
Mxima diferena
Indica a mxima
diferena do ND
entre todas as
variveis espectrais
de mdia
rea
Medida de
quantidade de pixels
de superfcie
Comprimento
Densidade
Assimetria
Extenso linear no
espao de uma
extremidade a outra l = comprimento; Ap = rea do retngulo inscrito ao
objeto; e = razo comprimento por largura.
em um objeto
Descreve a
compactao dos
objetos. descrito
d = densidade; n = nmero de pixels de um objeto;
pela razo da rea
var(X) = componente na direo de X; e var(Y) =
que cobre um
componente na direo de Y.
objeto pelo seu raio.
Representa a
regularidade
geomtrica de um
Ass = assimetria; l = comprimento; e w = largura.
objeto.
Fonte: Adaptado Batista (2006) e Definiens (2009)
50
Homogeneidade
Descreve homogeneidade
local dos nveis de cinza de
uma imagem. Resultado:
Maior para as menores
diferenas entre os ND.
Robert Martin Haralick (1945), personagem importante na rea de reconhecimento de padres e anlise de
imagens. Desenvolveu um modelo que analisa a textura usando coocorrncia espacial de nveis de cinza.
12
51
Atributo
Descrio
Contraste
Dissimilaridade
Entropia
Desvio-padro
52
53
Linhas (classificado)
= i+
1
2
...
k
Total da coluna
X+i
...
X11
X21
...
Xk1
X12
X22
...
Xk2
...
...
...
...
X1k
X2k
...
Xkk
X+1
X+2
...
X+k
Total da linha
Xi+
X11
X11
...
Xk+
A matriz de confuso representada por uma matriz com igual nmero de colunas
e linhas, dado que as colunas representam os dados de referncia e, as linhas indicam o
13
14
conceito introduzido pelo azerbaijano Lotfali A. Zadeh (1921-), matemtico e cientista da computao.
tcnica de aferio de desempenho de algoritmos supervisionados.
54
55
(2.7)
Onde:
K = ndice de Kappa;
Po proporo de concordncia observada;
Pc = proporo de concordncia esperada ao acaso;
M = nmero de classes presentes na matriz de erro;
ni,j = nmero de observaes na linha i e coluna j;
ni+ e nj+ = totais marginais da linha da linha i e coluna j;
N = nmero total de unidades amostrais contempladas pela matriz.
Congalton e Green (1999), afirmam ainda que quando mais de um mapeamento
executado pode-se utilizar um teste para determinar se dois valores independentes Kappa
e duas matrizes de confuso so significativamente diferentes, atravs do teste z. Por este
teste possvel comparar estatisticamente duas anlises, dois algoritmos ou at mesmo
duas datas de imagens e ver qual delas que produz a maior preciso. A estatstica para
testar a diferena entre as duas matrizes de erro foi obtida pela equao 2.8:
(2.8)
e
respectivamente; vr(
) e vr(
valor padronizado e normalmente distribudo (erro padro normal). Dada hiptese nula
Ho: (K1-K2) = 0, e a alternativa H1: (K1-K2) 0; Ho rejeitada se Z Z/2, no qual /2
o nvel de confiana do teste z de duas caudas e os graus de liberdade so (infinitos).
15
medida estatstica de concordncia (qualitativa), desenvolvida pelo americano Jacob Cohen (1923-1998).
56
MATERIAL E MTODOS
3.1
REA DE ESTUDO
Foi escolhido como objeto de estudo a Floresta Ombrfila Densa (FOD), mais
57
BASE DE DADOS
58
isso, dentro do conjunto de imagens que compreendiam a UAP foi escolhida apenas uma
imagem que apresentava a maior rea de florestas secundrias (definida rea teste). Essa
etapa foi intitulada pr-identificao e teve por objetivo identificar e filtrar informaes
das imagens passveis de classificao e escolher aquelas que seriam as reas teste.
Figura 17. Estrutura de uma imagem do sensor SAAPI com: (A) 9 e (B) 12 cenas, para cobrir a
UAP (amarelo)
A
3.2.3 Materiais
Para o desenvolvimento da pesquisa foram necessrios:
- Ortoimagem area de alta resoluo espacial (VIS, IR, MDS e MDT);
- eCognition Developer 8.0: utilizado na interpretao, segmentao,
processamento e classificao das imagens;
- ENVI 4.7: utilizado para classificar imagens pelo mtodo de classificao
tradicional (pixel-a-pixel) supervisionado (mxima verossimilhana) e no supervisionado
(K-means);
- WEKA 3.6: seleo de atributos e minerao de dados;
- ArcGIS 10: manipulao e formatao de mapas temticos.
- Materiais de campo: utilizados nas etapas de coleta de campo, como faco, GPS,
bssola, podo, cruzeta, trenas, fichas de campo e fita mtrica.
3.3
LEVANTAMENTO EM CAMPO
Com o objetivo de verificar a ocorrncia e a resposta das reas em regenerao nas
59
Variveis mensuradas
Circunferncia a altura
do peito (CAP)
Contagem de indivduos,
espcies e fustes
Altura por espcie
Descrio da rea
Variveis calculadas
Dimetro a altura do peito
(DAP)
Utilizadas na correlao
Dimetro a altura do peito
(DAP)
16
60
do solo com uma fita mtrica. Esta primeira seleo determina o estrato 1, ou seja, o
estrato da vegetao superior.
Nos quadrantes das subunidades foram tambm alocadas subparcelas de 5 m x 5
m (25 m) nas extremidades do polgono imaginrio, sendo um total de 4 subparcelas por
subunidade (Figura 18). Nas 16 subparcelas foi identificado nome cientfico, altura mdia
e feita a contagem de todas as espcies de plantas que no se enquadraram no critrio do
estrato 1. O estrato 2 representa as espcies da regenerao que viro a integrar o dossel
do prximo estgio sucessional.
Figura 18. Estrutura da UA utilizada nos levantamentos em campo, baseada em Vibrans et al.
(2010)
61
mdia aritmtica das variveis DAP, rea Basal (AB), nmero de indivduos (N) e altura
mdia total (Htm) em relao a cada espcie do conjunto de indivduos. Tambm foram
calculados, para cada espcie da UA, os parmetros fitossociolgicos de estrutura
horizontal: Densidade Absoluta (N/ha), Densidade relativa (%), Dominncia absoluta
(m/ha), Dominncia relativa (%) e Valor de Cobertura (%) (MUELLER-DOMBOIS;
ELLENBERG, 1974).
O CAP (cm) foi transformado em DAP (cm) com a equao 3.1.
(3.1)
Onde:
CAP = Circunferncia altura do peito;
3,14159
A rea Basal (AB m) foi calculada pela equao 3.2.
(3.2)
Onde:
DAP = Dimetro altura do peito;
3,14159
A Densidade Absoluta (DA - indivduos/ha) foi calculada pela equao 3.3.
(3.3)
Onde:
N = nmero de indivduos da espcie;
1 ha = 10.000 m;
UA = rea total da unidade amostral (m), neste caso 1.600.
A Densidade Relativa (DR - %) foi calculada pela equao 3.4.
(3.4)
Onde:
DAespcie = Densidade Absoluta da espcie;
DAtotal = Soma da Densidade Absoluta de todas as espcies da UA.
A Dominncia Absoluta (DoA - m/ha) foi calculada pela equao 3.5.
(3.5)
Onde:
AB = rea Basal da espcie;
62
63
post hoc), uma vez que as hipteses de interesse so formuladas depois que os dados foram
inspecionados (MOSER, 2013). Dois exemplos destes testes so o teste de Tukey18 e o
teste de Scheff19. Para Moser (2013) o teste de Scheff menos eficaz do que o teste de
Tukey, porm, como o nmero de indivduos dos grupos diferente o teste de Tukey
tambm no pde ser utilizado. Desta forma, utilizou-se uma modificao, chamado
Teste de Tukey-Kramer20, que permite a comparao de grupos com tamanhos distintos.
Este teste compara simultaneamente em pares todos os grupos (LEVINE, 1998).
Como os grupos sero comparados par a par, tm-se k(k-1)/2 de pares de mdias,
sendo que k o nmero de grupos. O intervalo crtico (Tukey Significant Difference - TSD)
para o teste obtido pela equao 3.8.
(3.8)
Onde
N = nmero total de observaes;
Q(k,N-k) = valor crtico (tabelado) do intervalo da cauda superior da distribuio
intervalar padronizada de Student21, ao nvel de significncia , com k graus de
liberdade no numerador e N-k no denominador;
SQMdentro = soma dos quadrados mdios dentro dos grupos (ANOVA);
ni e nj = tamanhos das amostras para o grupo i e j, respectivamente.
Calcula-se a diferena absoluta |
j|,
j|,
os tamanhos das amostras forem diferentes, o intervalo crtico diferente para cada par
de mdias comparado (MOSER, 2013). Este teste foi utilizado para comparar, de forma
pareada, as UA em relao s variveis dendromtricas N, AB, DAP, Htm, quando a
ANOVA apresentou evidncias de diferena. As anlises post-hoc foram geradas por meio
do software PAST verso 2.14 (HAMMER et al., 2001). Todas as anlises estatsticas
utilizaram uma significncia de =0,05.
19
20
64
Ref.
Layer
R
RGB
G
B
IR1
IR
IR2
IR3
MDS
MDT
A
RGB_SG-22-Z-B-IV3-SE-F(1).tif
RGB_SG-22-Z-B-IV3-SE-F(2).tif
RGB_SG-22-Z-B-IV3-SE-F(3).tif
IR_SG-22-Z-B-IV-3SE-F(1).tif
IR_SG-22-Z-B-IV-3SE-F(2).tif
IR_SG-22-Z-B-IV-3SE-F(3).tif
MDS_SG-22-Z-B-IV3-SE-F.tif
MDT_SG-22-Z-B-IV3-SE-F.tif
rea teste
B
RGB_SG-22-Z-B-V-3SO-D(1).tif
RGB_SG-22-Z-B-V-3SO-D(2).tif
RGB_SG-22-Z-B-V-3SO-D(3).tif
IR_SG-22-Z-B-V-3SO-D(1).tif
IR_SG-22-Z-B-V-3SO-D(2).tif
IR_SG-22-Z-B-V-3SO-D(3).tif
MDS_SG-22-Z-B-V3-SO-D.tif
MDS_SG-22-Z-B-V3-SO-D.tif
C
RGB_SG-22-Z-B-V1-SO-B(1).tif
RGB_SG-22-Z-B-V1-SO-B(2).tif
RGB_SG-22-Z-B-V1-SO-B(2).tif
IR_SG-22-Z-B-V-1SO-B(1).tif
IR_SG-22-Z-B-V-1SO-B(1).tif
IR_SG-22-Z-B-V-1SO-B(1).tif
-
ndice de dissimilaridade, homenagem aos americanos John Thomas Curtis (1913 1961) e J. Roger Bray.
estatstica de similaridade e diversidade, em homenagem ao suo Paul Jaccard (1968 - 1944).
65
3.4.2 Segmentao
Para a criao dos objetos da imagem foi utilizada a plataforma do software
eCognition Developer 8.0. O algoritmo utilizado foi o Multiresolution Segmentation que
trabalha com valores de pixel, geometria e textura. Para cada rea teste foi criado um
projeto separado, com os mesmos critrios de segmentao.
66
Forma Compacidade
0,1
0,1
0,1
0,3
0,1
0,5
0,3
0,1
0,3
0,3
0,3
0,5
0,5
0,1
0,5
0,3
0,5
0,5
Escala
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
100, 200, 300
67
Figura 20. Cenrios de segmentao gerados com escala de segmentao de 100 (A) e 300 (B),
sob os mesmos parmetros de forma e compacidade (forma: 0.1 e compacidade: 0.1) em uma
imagem de alta resoluo espacial adquirida pelo sensor SAAPI (2011)
A
in loco
Floresta
Estgio
Inicial
Fisionomia
herbceo-arbustiva,
com cobertura aberta.
68
Classe
Descrio
Floresta
Estgio
Mdio
Fisionomia
arbustiva e arbrea,
cobertura densa e
parcialmente fechada.
Floresta
Estgio
Avanado
Fisionomia arbrea,
cobertura fechada
com dossel uniforme.
Algumas rvores
emergentes.
Floresta
Plantada
rvores homogneas
e uniformes.
Pastagem
Vegetao rala.
Rizicultura
Forma definida.
Plantao
de banana
Vegetao densa e
baixa.
Solo
exposto
Massa
de
gua
Corpos dgua
69
Brilho
(Brightness)
70
71
Para a validao dos resultados, foi utilizado o teste de conjunto suporte (supplied
test set) no WEKA. Os resultados da classificao so apresentados no formato de
rvore de deciso (Figura 21), linguagem if-else (Figura 22) e matriz de confuso.
Figura 22. Linguagem if-else da rvore de deciso da rea teste A
72
critrios de cada classe na plataforma do eCognition (edit class class description), por meio
de funes de pertinncia de lgica booleana.
3.4.6 Classificao dos mapas temticos no eCognition
O procedimento de classificao utilizado foi o mtodo de classificao avanada
por funo de pertinncia, no qual critrios so inseridos para assinalar objetos s classes
de referncia de acordo com valores inerentes aquele objeto. Para este modelo no software
eCognition so necessrias duas etapas: conhecimento das caractersticas por classe e
aplicao da funo de pertinncia. O propsito da primeira etapa foi realizado com a
minerao de dados, que identificou os atributos relevantes, assim como seus limiares
para cada classe. O segundo propsito tem que levar em conta quatro fatores: qual o
operador lgico e o atributo a ser utilizado, o tipo de funo de pertinncia (Booleanas ou
Fuzzy) e o limiar ou intervalo de diferenciao (Tabela 11).
Tabela 11. Exemplo de preenchimento de descritores e funes de pertinncia por classe
utilizado na OBIA
Classe
Operador
lgico
Atributo
Funo
Floresta
or (max)
and (min)
Booleana ou
fuzzy
Limiares ou
intervalo
> x; < x; x;
x; ou
x>y>z
Foram estabelecidas mais de uma funo de pertinncia por classe, por meio dos
operadores lgicos (insert new expression - logical terms) (Figura 23).
Figura 23. Regras de deciso convertidas do formato if-else (WEKA) para o formato do
eCognition, para as classes estgio inicial (A) e avanado (B)
A
73
74
75
76
RESULTADOS E DISCUSSES
4.1
INVENTRIOS DE CAMPO
Mediante a ANOVA foi verificada a hiptese de igualdade das mdias das variveis
dendromtricas medidas entre as subunidades de cada UA (Tabela 15) para s variveis N,
AB, DAP e Htm.
Tabela 15. Resumo das variveis analisadas pela ANOVA para as subunidades ( = 0,05)
Hiptese de Igualdade
Variveis
UA1 UA2 UA3 UA4 UA5 UA6
Nmero de indivduos (N)
A
A
R
R
A
R
rea basal (AB)
A
A
R
A
A
A
Dimetro a altura do peito (DAP) A
A
R
A
A
A
Altura dominante mdia (Htm)
A
A
R
R
A
R
Legenda: R = Hiptese rejeitada; e A = Hiptese aceita.
resultados detalhados das coletas em campo so apresentados nos apndices deste trabalho.
77
78
Os resultados (Tabela 15) mostram que para as variveis N, AB, DAP e Htm a
hiptese de igualdade foi rejeitada. As diferenas singulares foram encontradas por meio
do teste post-hoc de comparaes mltiplas (Tukey-Kramer), que verifica a hiptese de
igualdade entre as mdias das variveis, sempre comparando pares de grupos (UA)
(Tabela 17).
Tabela 17. Resultados do teste de igualdade por Tukey-Kramer para as variveis N, AB, DAP e
H no estrato arbreo (=0,05)
Hiptese de Igualdade
Htm
DAP
AB
UA6
Htm
DAP
AB
UA5
Htm
DAP
AB
UA4
Htm
DAP
AB
UA3
Htm
DAP
AB
UA2
Htm
DAP
AB
UA
UA1
1 - - - 2 A A R A - - - 3 A A A A A A A A - - - 4 R A R A R R A R R A A A - - - 5 A A A A A A R A A A A A R R R A - - - 6 A A R A R A A A A A A A A A A A R R A A - - - Legenda: N = nmero de indivduos por unidade amostral; AB = rea basal (m); DAP =
dimetro a altura do peito (cm); Htm = altura mdia (m); A: Aceitao da hiptese; e R: Rejeio
da hiptese.
79
estrato arbreo da UA4. A UA6 (estgio mdio em relao a varivel DAP) tambm se
diferenciou da UA2 (pastagem recm-abandonada) e da UA5 (pastagem recmabandonada com alguns indivduos passados), que foram as unidades com o menor
nmero de indivduos, 82 e 30, respectivamente.
Para a varivel AB (Tabela 17) tambm ocorreu diferena em relao a UA4 (0,66),
com a UA2 (0,16) e a UA5 (0,23) que apresentaram os valores mais baixos de AB. Essa
diferena se deve ao baixo nmero de indivduos que existem nessas duas unidades,
ocasionando consequentemente um baixo valor de rea basal.
Em relao a varivel DAP (Tabela 17) a UA1 (7,06) apresentou o maior nmero
de diferenas (3), com a UA2 (5,26), UA4 (8,16), e UA6 (5,62). Houve diferena
significativa tambm em relao a UA2 (5,26) e a UA5 (8,87).
Essas diferenas ocorrem devido estrutura de cada UA. A UA2 apresentou
poucos indivduos arbreos, diferenciando-se das outras. A UA5 tambm apresentou
poucos indivduos, porm, esta tinha altura e estrutura suficiente para classific-la como
estgio mdio pela legislao. A diferena entre a UA1 com a UA4 e a UA6 tambm pode
ser explicada pela diferena no estgio de regenerao, sendo que a UA1 inicial e a UA4
e a UA6 so estgio mdio.
Em relao a varivel Htm (Tabela 17) diferenas significativas foram encontradas
apenas em relao a UA2 (3,1) e a UA4 (4,8). Essa diferena ocorre devido diferena de
altura entre as UA, sendo a UA2 a menor e a UA4 a maior.
4.1.1.2 Similaridade entre UA
A fim de aprimorar anlise entre as UA e encontrar similaridade entre UA, foi
utilizada a tcnica multivariada da anlise de agrupamentos (Figura 25), utilizando-se as
variveis N, N.ha-1, AB, AB.h-1, DAP e Htm.
A anlise formou dois grupos distintos (corte 500) (SOUZA et al., 1990), um
grupo com as UA 4 e 6, que apresentaram os maiores valores de N e DA, e outro grupo
com as UA 1, 2, 3 e 5. Um segundo corte foi efetuado (corte 300) agrupando as UA 1, 2 e
3, que foram aquelas localizadas na mesma rea teste num raio de 2 km. A UA5 tambm
se localiza prximo da UA4 (aprox. 700 m de distncia), porm ela era sucessionalmente
diferente pela anlise de agrupamento. Um baixo valor de N provavelmente diferenciou a
UA5 da UA4.
80
Corte 300
Corte 500
81
apresentaram similaridade com a UA4 (maior valor de N). Em relao Jaccard a UA4 e
UA6 foram as que apresentaram maior similaridade entre espcies do estrato arbreo, em
seguida agrupou-se a UA3, UA1 e UA2. Ainda, como mtodo de aferio de similaridade
utilizou-se o ndice de Srensen, por meio da medida de similaridade de Bray-Curtis
(Tabela 18).
Tabela 18. ndice de Srensen a partir da similaridade de Bray-Curtis no estrato arbreo entre as
UA
UA1
UA1
UA2
UA3
UA4
UA5
UA6
0,17297
0,33755
0,13850
0,07633
0,22150
UA2
UA3
UA4
UA5
UA6
0,43519
0,34118 0,29082
0,01818 0,02469 0,03496
0,17483 0,21302 0,13420 0,05172
UA5
9
0,6776
1,465
UA6
30
0,8674
2,443
82
Nota-se (Tabela 19) que a UA6 (maior ndice de diversidade) apresentou o maior
nmero de espcies por subunidades (Tabela 20). Em seguida as UA 4, 1 e 3 tiveram suas
posies alternadas em relao ao ndice de diversidade e subunidade. Por final, a UA5 e
UA2 (na mesma sequncia do ndice de diversidade) foram as que apresentaram o valor
mais baixo de espcies por subunidade. Ou seja, o ndice de diversidade parcialmente
afetado pelo nmero de espcies por subunidade.
Visando caracterizar as espcies dominantes de cada UA no estrato arbreo
ordenaram-se espcies abundantes de acordo com o valor de cobertura (Tabela 19).
Tabela 21. Ranking de abundncia de espcies no estrato arbreo por UA
UA1
1
2
3
4
5
6
7
morta
Miconia
cinammomifolia
Piptocarpha
axilaris
Myrsine
coriacea
Casearia
sylvestris
Schefflera
morototoni
Pinus
taeda
UA2
Myrsine
coriacea
Andira
fraxinifolia
Psidium
guajava
Pinus
taeda
Tibouchina
urvilleana
Schinus terebinthi
folius
-
Baccharis sp.1
Myrcia
hebepetala
10
Cyathea atrovirens
UA3
Cyathea
atrovirens
Myrsine
coriacea
Miconia
cinammomifolia
UA4
Myrsine
coriacea
Miconia
cabucu
Cecropia
glaziovii
UA5
Aegiphila
integrifolia
Vernonanthura
divaricata
Casearia
sylvestris
morta
morta
NI 1
Psidium
guajava
Schinus
terebinthifolius
Xylopia
brasiliensis
Tibouchina
urvilleana
Pera
glabrata
Miconia
cabussu
Baccharis
semiserrata
Tibouchina
urvilleana
Hieronyma
alchorneoides
Austroeupatho
rium sp. 1
Nectandra
membranacea
Aspidosperma
australis
Vernonanthura
pubeula
Myrsine coriacea
Cyathea atrovirens
Tabernaemonta
na catharinensis
Annona sp.
UA6
Miconia
cinnamomifolia
Tibouchina
urvilleana
Casearia
sylvestris
Bacharis
sp.1
Psidium
guajava
morta
Cupania
vernalis
Miconia
cabussu
Miconia
sp.1
Bacharis
sp.2
83
N N.ha-1
103 643,7
82 512,5
134 837,5
260 1625,0
30 187,5
205 1281,2
-
AB AB.ha-1 DAP Ht CO
0,68
4,26
7,06 3,9 Inicial
0,16
1,02
6,21 3,1 Inicial
0,75
4,72
5,26 3,1 Inicial
0,66
7,24
8,16 4,8 Inicial
0,23
1,46
8,87 4,3 Inicial
0,54
3,38
5,62 4,4 Inicial
8
8
4
-
4.1.2 Regenerao
4.1.2.1 Variveis dendromtricas
Os inventrios de campo para a regenerao foram resumidos25 na Tabela 23.
Tabela 23. Estimativas das variveis dendromtricas por UA para indivduos da regenerao
com intervalo de confiana ( = 0,05)
UA
01
02
03
04
05
06
N
586 7,6
850 28,7
265 6,7
350 4,9
30 1,0
136 0,9
N.ha-1
14650 189,98
21250 717,19
6625 168,05
8750 123,02
750 24,74
3400 23,17
resultados detalhados das coletas em campo so apresentados nos apndices deste trabalho.
84
Varivel
Hiptese de Igualdade
Nmero de indivduos (N)
Rejeitada
As diferenas singulares foram encontradas pelo teste post-hoc de comparaes
mltiplas (Tukey-Kramer), que verifica a hiptese de igualdade entre as mdias das
variveis, sempre comparando pares de grupos (UA) (Tabela 26).
Tabela 26. Resultados do teste de Tukey-Kramer para a varivel N na regenerao (=0,05)
Hiptese de Igualdade
UA1
UA2
UA3
UA4
UA5
UA6
UA1
UA2
UA3
UA4
UA5
Rejeitada
Rejeitada
Aceita
Rejeitada
Rejeitada
Rejeitada
Rejeitada
Rejeitada
Rejeitada
Aceita
Aceita
Aceita
Aceita
Aceita
Aceita
UA6
85
regenerao, mas ainda na fase inicial da regenerao, com samambaiais e capins (no
medidos), abafando o terreno.
4.1.3 Discusso sobre os resultados de campo
De forma geral, existe um padro das espcies de ocorrncia da vegetao no
estgio arbreo inicial, mas o tamanho e a forma dessas reas geralmente so
determinados pela intensidade e pelo tipo de uso antrpico. O fator antrpico tambm
o responsvel por causar variaes no comportamento das variveis DAP, AB e Htm, que
em alguns casos so diferentes dentro das unidades (nas subunidades). Essa
heterogeneidade de reas no estrato arbreo pode dificultar a classificao de imagens de
mdia resoluo espacial que, em geral, no apresentam informao espectral suficiente
para diferenciar classes, como: vegetao nos diferentes estgios sucessionais, florestas
plantadas, pastagem e agricultura.
O estrato da regenerao segue um padro comum transitrio bem especfico, em
relao s espcies e ao nmero de indivduos, diferentemente, do estrato arbreo que
mais heterogneo. Porm, sua caracterizao espectral, at mesmo nas imagens de alta
resoluo, dificultada.
Os resultados de campo tanto para o estrato arbreo quanto para a regenerao
demonstram heterogeneidade da vegetao local, que pode ser o principal fator
discrepante dos resultados dos outros levantamentos da cobertura florestal do Estado
(que tiveram como mtodo a classificao manual que sofre com interferncias de
intrpretes). Outro fator que pode ter influncia negativa sobre os resultados dos
mapeamentos florestais do Estado falta de padronizao de classes de legenda, que em
alguns casos, agrupam/separam classes de uso do solo.
4.2
4.2.1 Segmentao
Tendo em vista que as reas teste apresentam uma paisagem muito diversificada
com plancies, montanhas e vales, e com diferentes tipos uso do solo, optou-se por
parmetros que produziram a melhor segmentao, independente da rea teste. Por isso,
para as trs reas teste adotaram-se os mesmos parmetros de segmentao.
86
E: 100
S: 0,1
C: 0,1
E: 100
S: 0,1
C: 0,5
E: 100
S: 0,5
C: 0,1
E: 100
S: 0,5
C: 0,5
E: 200
S: 0,1
C: 0,1
E: 200
S: 0,1
C: 0,5
E: 200
S: 0,5
C: 0,1
E: 200
S: 0,5
C: 0,5
E: 300
S: 0,1
C: 0,1
E: 200
S: 0,1
C: 0,5
E: 300
S: 0,5
C: 0,1
E: 200
S: 0,5
C: 0,5
87
trabalho, que era segmentar todas as classes de uso e cobertura do solo identificveis.
Valores baixos de forma/cor, por outro lado, segmentavam objetos demais (aumentando
a complexidade do processamento). Em relao compacidade/suavidade, notou-se
que com o aumento do critrio menos feies terrestres eram contornadas (unindo duas
classes de uso do solo dentro do mesmo objeto). Neste sentido, uma nova etapa de testes
foi
realizada
com
valores
mais
estreitos:
forma/cor
entre
0,1-0,4
layer
3, IR1
IR1
IR2
MDS
MDS
IR1
IR1
reas teste
B
Atributo
layer
NDVI
altura
assimetria
brilho
mdia
3, IR1
mxima diferena
razo
menor valor
de pixel
maior valor
de pixel
contraste de borda
C
Atributo
NDVI
rea
assimetria
brilho
comprimento
compacidade
layer
-
IR2
densidade
3, MDS
mdia
2, 3,
IR1, IR2
MDS
mxima diferena
desvio padro
1, 2, IR1,
IR2, IR3
88
layer
2
B
Atributo
contraste com
pixels vizinhos (3)
contraste de
borda com
pixels vizinhos (3)
desvio padro para
pixels vizinhos (3)
homogeneidade
(todas direes)
dissimilaridade
(todas direes)
entropia
(todas direes)
desvio padro
textural
(todas direes)
contraste
(todas direes)
correlao
(todas direes)
segundo
momento angular
(todas direes)
layer
C
Atributo
layer
razo
1, 2, 3,
IR1, IR2, IR3
menor valor
de pixel
1, 2, 3,
IR1, IR2, IR3
3
IR1
IR1
2
IR1
IR1
IR1
IR1
maior valor
de pixel
contraste de
borda com
pixels vizinhos (3)
contraste com
pixels vizinhos (3)
diferena mdia
para vizinhos (0)
3, IR1,
1, 2, 3,
IR1, IR2
2, 3,
IR1 IR2, IR3
2, 3,
2, IR1, IR2
homogeneidade
(todas direes)
dissimilaridade
(todas direes)
1, 2, 3,
IR1, IR3
1, 2, 3,
IR1, IR2, IR3
entropia
(todas direes)
2, 3,
IR2, IR3
desvio padro
textural
(todas direes)
contraste
(todas direes)
correlao
(todas direes)
1, 2,
IR1, IR2, IR3
3, IR1,
IR2, IR3
2, IR1, IR3
89
Tabela 28. Ranking dos 10 melhores atributos de acordo como mtodo de avaliao Gain Ratio e
pelo mtodo de procura Ranker
Ordem
1
2
3
4
5
6
7
8
9
10
rea teste
B
C
Layer
Atributo
Layer
Atributo
Layer
IR2
altura mdia
mxima diferena
razo
IR2
mdia
IR2
maior valor
MDS
MDS
razo
1
de pixel
entropia
mdia
2
2
razo
IR2
(todas direes)
segundo momento
altura mdia
IR1
razo
IR1
angular (todas direes)
menor valor
mdia
IR1
MDS
mdia
1
de pixel
contraste de
mxima diferena
borda com
3
razo
IR3
pixels vizinhos (3)
entropia
homogeneidade
2
IR1
mdia
2
(todas direes)
(todas direes)
homogeneidade
IR1
mxima diferena
Brilho
(todas direes)
menor valor
MDS
NDVI
NDVI
de pixel
A
Atributo
razo
NDVI
maior valor
de pixel
Legenda: layer = camada; NDVI = (banda IR1-banda B)/(banda IR1 + banda B).
90
Figura 28. Desenho das rvores de deciso J48 das reas testes A (A), B (B) e C (C)
A
91
Figura 29. Grandes ns das rvores de deciso das reas teste A (A) e C (B)
A
92
Mdia dos ND
160
140
F. Avanado
F. Mdio
F. Inicial
F. Plantada
Pastagem
120
100
80
60
40
0,45
0,57
0,66
0,77
93
94
Tabela 31. Matriz de confuso da classificao da rea teste A pela tcnica da OBIA
Inicial
Plantada
Pastagem
Rizicultura
Edificaes
Sombra
gua
Exposto
341
16
5
21
0
0
0
0
0
0
0
387
0,88
0,89
0,84
10
171
18
3
1
0
0
0
0
0
0
203
0,84
0,84
0,82
1
4
172
7
6
0
0
0
0
1
0
191
0,90
0,83
0,89
20
10
1
135
0
0
0
0
0
0
0
166
0,81
0,81
0,79
0
0
10
0
159
1
0
0
0
3
1
174
0,91
0,90
0,90
0
0
0
0
2
115
1
0
0
3
0
121
0,85
0,99
0,95
0
0
2
0
1
0
106
0
1
6
0
116
0,91
0,94
0,90
12
3
0
0
0
0
2
123
0
0
0
140
0,88
0,97
0,86
0
0
0
0
0
0
1
0
57
0
0
58
0,98
0,98
0,98
0
0
0
0
8
0
3
0
0
91
0
102
0,89
0,87
0,88
Total
classificadas
Mdio
Avanado
Mdio
Inicial
Plantada
Pastagem
Rizicultura
Edificaes
Sombra
gua
Exposto
No Class.
Total coletadas
Exatido produtor
Exatido usurio
Kappa
Classificadas
Classes
Avanado
Amostras de referncia
384
204
208
166
177
116
113
127
58
104
1
0,89
0,87
Para a rea teste A, o ndice de exatido geral foi de 0,89 e o ndice Kappa de 0,87
(Tabela 31), considerado excelente de acordo com Landis e Koch (1977). De forma geral,
todas as classes apresentaram ndices de exatido do produtor e do usurio acima de 0,81,
demonstrando que os erros de omisso e comisso no superaram 20%. As classes estgio
mdio e floresta plantada apresentaram os maiores erros de omisso (quando um objeto
no includo na classe que pertence). O estgio mdio confundiu-se com as classes
estgio inicial e avanado e a classe floresta plantada com o estgio mdio e o avanado.
Consequentemente, a classe avanada confundiu-se com o estgio mdio e a floresta
plantada. Isso ocorreu devido similaridade espectral e textural das classes e pela falta de
poder discriminante da segmentao para com todos os objetos da imagem. A classe
pastagem apresentou erros em relao ao estgio inicial, porm mesmo assim a exatido
do produtor foi alta (0,91). Em relao exatido do usurio (no classificar como
pertencente outra classe) melhores resultados foram: rizicultura, gua e sombra,
respectivamente. Na avaliao do ndice Kappa, os piores desempenhos foram: floresta
plantada (0,79), estgio mdio (0,82) e avanado (0,84). O estgio inicial apresentou um
resultado satisfatrio com ndices do produtor de 0,90 e do usurio 0,83, e ndice de
Kappa de 0,89.
95
Figura 33. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste B pela tcnica da analise orientada a objetos, escala
1:40.000, no municpio de Gaspar
A
96
Tabela 32. Matriz de confuso da classificao da rea teste B pela tcnica da OBIA
Mdio
Inicial
Plantada
gua
Pastagem
Rizicultura
Edificaes
Sombra
Vias/canais
Exposto
Agricultura
Total
classificadas
Avanado
Mdio
Inicial
Plantada
gua
Pastagem
Rizicultura
Edificaes
Sombra
Vias/canais
Exposto
Agricultura
No Class.
Total coletadas
Exatido produtor
Exatido usurio
Kappa
214
10
2
4
0
1
0
4
2
0
0
0
0
237
0,90
0,84
0,89
18
201
4
1
0
0
0
1
0
0
0
0
0
225
0,89
0,87
0,88
1
9
122
1
0
1
1
2
1
0
0
1
0
139
0,88
0,92
0,87
7
9
0
70
0
0
0
0
0
0
0
0
0
86
0,81
0,92
0,80
0
1
0
0
65
0
0
4
0
0
1
0
0
71
0,91
0,95
0,91
2
0
2
0
1
427
20
0
0
0
0
1
0
453
0,94
0,95
0,93
0
0
0
0
0
12
295
1
0
3
1
0
0
312
0,94
0,91
0,94
0
0
1
0
2
0
0
254
1
7
1
0
0
266
0,95
0,88
0,95
11
0
0
0
0
0
0
4
103
0
0
0
0
118
0,87
0,96
0,87
0
0
1
0
0
2
5
12
0
147
3
1
0
171
0,86
0,93
0,85
0
0
0
0
0
0
2
7
0
0
94
0
0
103
0,91
0,94
0,91
0
0
1
0
0
5
1
0
0
1
0
31
0
39
0,79
0,91
0,79
253
230
133
76
68
448
324
289
107
158
100
34
0
Classificadas
Classes
Avanado
Amostras de referncia
0,91
0,90
Para rea teste B, o ndice de exatido geral foi de 0,91 e o ndice Kappa de 0,90
(Tabela 32), considerado excelente de acordo com Landis e Koch (1977). De forma geral,
todas as classes apresentaram ndices de exatido do produtor acima de 0,79 e do usurio
acima de 0,84. As classes floresta plantada e vias/canais apresentaram os maiores erros de
omisso (quando um objeto no includo na classe que pertence), 0,81 e 0,86,
respectivamente. A floresta plantada confundiu-se com as classes estgio mdio e
avanado e a classe vias/canais com as classes edificaes e rizicultura. Apesar de
apresentarem os maiores erros, estas classes ainda apresentaram ndices relativamente
altos. Os melhores resultados da exatido do produtor foram edificaes (0,95), pastagem
(0,94) e rizicultura (0,94). Em relao aos erros de comisso (no classificar como
pertencente outra classe) os piores resultados foram das classes floresta estgio
avanado (0,84) e mdio (0,87), e os melhores resultados foram das classes sombra (0,96),
pastagem (0,95), gua (0,95) e solo exposto (0,94). Na avaliao do ndice Kappa, os
piores desempenhos foram: agricultura (0,79) floresta plantada (0,80) e vias/canais (0,85).
O estgio inicial apresentou um resultado satisfatrio com ndices do produtor de 0,88 e
do usurio 0,92, e ndice Kappa de 0,87.
97
Figura 34. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); e (B) classificao da rea teste C pela OBIA, escala 1:40.000, prxima divsa dos
municpios de Luiz Alves e Massaranduba
A
98
Tabela 33. Matriz de confuso da classificao da rea teste C pela tcnica da OBIA
Mdio
Inicial
Rizicultura
Banana
Edificaes
Exposto
Sombra
Plantada
Pastagem
gua
Total
classificadas
Avanado
Mdio
Inicial
Rizicultura
Banana
Edificaes
Exposto
Sombra
Plantada
Pastagem
gua
No Class.
Total coletadas
Exatido
(produtor)
Exatido
(usurio)
Kappa
376
6
4
0
10
1
0
6
41
2
0
0
446
23
352
15
0
4
0
0
1
7
0
0
0
402
4
12
211
0
2
0
0
0
1
3
0
0
233
0
0
0
22
0
0
0
0
1
1
0
0
24
14
4
2
0
413
0
0
0
5
1
0
0
439
1
0
2
0
3
234
12
0
1
4
7
0
264
0
0
0
1
1
24
166
0
0
4
1
0
197
16
0
0
0
0
1
0
165
2
0
0
0
184
12
1
4
0
6
1
2
2
357
0
0
0
385
3
2
3
0
1
2
1
0
0
173
0
1
186
0
0
0
0
0
2
0
0
0
0
48
0
50
449
377
241
23
440
265
181
174
415
188
56
1
-
0,84
0,87
0,90
0,92
0,94
0,89
0,84
0,90
0,93
0,93
0,96
0,84
0,93
0,87
0,96
0,94
0,88
0,92
0,95
0,86
0,92
0,86
0,81
0,86
0,90
0,92
0,93
0,87
0,83
0,89
0,91
0,92
0,96
Classificadas
Classes
Avanado
Amostras de referncia
0,89
0,88
Em relao rea teste C, o ndice de exatido geral atingido foi de 0,89 e o ndice
Kappa 0,88 (Tabela 33), excelente de acordo com Landis e Koch (1977). De forma geral,
todas as classes ficaram com ndice de exatido do produtor acima e do usurio acima de
0,84. Nesta imagem os maiores erros de omisso foram para as classes: estgio avanado
(0,84) e solo exposto (0,84). O estgio avanado novamente foi confundido com a
floresta plantada e com a plantao de banana (que no havia nas imagens passadas). A
classe solo exposto obteve problemas de classificao com a ocupao urbana e algumas
formas de pastagem. O estgio mdio foi confundido tanto com o estgio inicial como
com o avanado e a floresta plantada. Esses erros ocorreram, novamente, devido
similaridade espectral e textural das classes e pela falta de poder discriminante da
segmentao para com todos os objetos da imagem. Em relao ao ndice de exatido do
usurio os melhores resultados foram das classes rizicultura (0,96), banana (0,94), sombra
(0,95), solo exposto (0,92) e pastagem (0,92). O estgio inicial apresentou um resultado
satisfatrio com ndices do produtor de 0,90 e do usurio 0,87, e ndice Kappa de 0,90.
99
Plantada
Sombra
gua
Solo
Pastagem
Edificaes
Mdio
Inicial
73960
1283
95890
8348
23
0
10141
1446
71709
8758
271558
0,27
0,38
0,32
1043
467132
1122
115
2747
17837
72907
34784
10198
9208
617093
0,75
0,85
0,81
44422
906
431451
7624
7
0
982
4275
56110
486
546263
0,79
0,72
0,65
243
15
673
154307
166
0
8
187
54
2
155655
0,99
0,86
0,85
8
174
28
330
62395
0
190
856
11
33
64025
0,97
0,86
0,85
3
1924
2
0
627
46617
372
376
17
57
49995
0,93
0,67
0,67
9586
56878
1075
88
115
600
394526
6183
53668
58529
581248
0,68
0,66
0,57
3010
9568
5382
6076
6505
3801
3522
58970
3898
2097
102829
0,57
0,53
0,51
35045
3203
44499
1224
20
2
33233
1799
103952
22291
245268
0,42
0,28
0,22
23625
8321
20017
1481
37
26
84237
2116
60677
98945
299482
0,33
0,49
0,43
Total
classificadas
Rizicultura
Avanado
Rizicultura
Plantada
Sombra
gua
Solo
Pastagem
Edificaes
Mdio
Inicial
Total coletadas
Ex. Produtor
Ex. Usurio
Kappa
Classificadas
Classes
Avanado
Amostras de referncia
190945
549404
600139
179593
72642
68883
600118
110992
360294
200406
0,63
0,56
100
5521
6132
9842
13957
27351
36954
46761
50650
96197
19268
312633
0,11
0,08
0,03
226
757
2402
6766
126413
172740
100460
81283
93053
36220
620320
0,16
0,22
0,02
Total
classificadas
28144
38538
61989
85844
88797
60830
39000
25984
35035
97436
561597
0,16
0,24
0,06
Edificaes
943
5169
14124
15287
14729
2449
3655
112
7609
5628
69705
0,22
0,09
0,06
Solo
Plantada
19009
13247
16977
21472
36264
42357
40347
30197
30994
28532
279396
0,06
0,14
0,05
Pastagem
gua
3910
6833
11237
17175
36016
43245
42977
33977
26359
26007
247736
0,08
0,08
0,01
Rizicultura
Avanado
155472
230
76
46
13
15
15
1
0
23
155891
0,99
0,69
0,67
Inicial
Mdio
Sombra
Mdio
Avanado
gua
Plantada
Inicial
Rizicultura
Pastagem
Solo
Edificaes
Total coletadas
Ex. Produtor
Ex. Usurio
Kappa
Classificadas
Classes
Sombra
Amostras de referncia
130
219
792
2552
33770
109516
156797
170240
104958
6774
585748
0,29
0,42
0,28
0
0
4
14
51
92
433
1051
51680
34
53359
0,97
0,10
0,10
10285
5414
6160
7988
12218
14083
14657
10797
26246
9294
117142
0,08
0,04
0,01
223640
76539
123603
171101
375622
482281
445102
404292
472131
229216
0,22
0,12
101
usurio e Kappa a nica classe de uso do solo que apresentou resultado acima de 0,5 foi a
sombra. Esse resultado pode ser explicado novamente pelo perfil espectral das classes na
figura 30 (pg. 91) no qual as classes sombra e solo exposto ficam nas extremidades do
perfil e no meio fica o emaranhado de classes que causa a confuso da tcnica.
Os ndices abaixo do esperado das metodologias tradicionais apenas reforam a
argumentao de que a classificao orientada a objeto a melhor alternativa,
principalmente para classificar estgios da vegetao.
4.2.5 Teste z de comparao das matrizes de confuso
O teste z de comparaes entre encontrou diferenas significativas entre os ndices
Kappa dos mapeamentos da rea teste A (Tabelas 36 e 37).
Tabela 36. Resultados individuais das matrizes de confuso dos mapas temticos da rea teste A
Matriz de Confuso
ndice Kappa Varincia Estatstica z
Mxima verossimilhana
0,5840
0,0000001
1812,9460
K-means
0,1165
0,0000001
437,2164
OBIA e minerao de dados
0,8733
0,0000785
98,5973
Tabela 37. Anlise do ndice Kappa para a comparao em pares dos resultados das matrizes de
confuso dos mapas temticos da rea teste A
Matriz de Confuso
Estatstica z
Mxima verossimilhana vs. K-means
1118,29
Mxima verossimilhana vs. OBIA e minerao de dados
-32,64
OBIA e minerao de dados vs. K-means
85,41
102
Figura 36. (A) Imagem de alta resoluo espacial do sensor SAAPI (2011) na composio 321
(RGB); Classificao pela: (B) OBIA; (C) mxima verossimilhana; e (D) classificao por Kmeans, da rea teste A em Indaial/Ascurra, escala 1:40.000.
A
Inicial
Plantada
Pastagem
Rizicultura
Edificaes
Sombra
gua
Exposto
Geral
Kappa
OBIA
0,90
0,83
0,81
0,81
0,91
0,90
0,85
0,99
0,91
0,94
0,88
0,97
0,98
0,98
0,89
0,87
0,89
0,87
MaxVer
0,33
0,49
0,79
0,72
0,68
0,66
0,75
0,85
0,57
0,53
0,99
0,86
0,97
0,86
0,93
0,67
0,63
0,56
K-means
0,11
0,08
0,16
0,24
0,29
0,42
0,16
0,22
0,08
0,04
0,99
0,69
0,22
0,09
0,97
0,10
0,22
0,12
Avanado
Mdio
Tabela 38. ndices de produtor e usurio, exatido geral e ndice Kappa de acordo com cada
classe de mapeamento e metodologia utilizada, por meio de um sensor SAAPI (2011)
103
Matria
Prima
(Sensor)
SPOT-5
Francisco e
Almeida (2012)
FORMOSAT2
ALOS/
AVNIR-2
Silva (2012)
Rapideye
Sette (2009)
Metodologia
OBIA e minerao de
dados (J48)
mxima
verossimilhana
OBIA e minerao de
dados (J48)
OBIA e redes neurais
artificiais
Ex.
usurio
Ex.
Usurio
0,71
Sim
0,64
Sim
0,73
0,88
Sim
0,60
Sim
0,60
0,90
0,84
Sim
0,85
Sim
0,90
0,83
0,79
Sim
0,87
0,92
No
104
dos estgios sucessionais foi de 0,60. O estgio inicial apresentou confuso com outros
estgios e outras classes, como pastagem e floresta plantada.
Metodologia e resoluo espacial semelhante: Francisco e Almeida (2012)
avaliaram o desempenho da classificao conjunta de atributos estatsticos e texturais e
apenas estatsticos no municpio de Nova Friburgo/RJ, atravs de uma imagem de alta
resoluo espacial. O mapeamento utilizou a OBIA e a minerao de dados com o
algoritmo de rvore de deciso J48. O ndice de exatido global por descritores texturais e
estatstico foi de 0,88 e o ndice Kappa, 0,81. No mapa de atributos estatsticos e texturais,
a classe rea urbana apresento o maior erro de omisso (exatido do produtor de 0,47),
confundindo-se com as classes: herbcea rala, floresta e queimada. J o ndice de exatido
global do mapa por atributos estatsticos foi de 0,90 e o ndice Kappa, 0,84. Todas as
classes ficaram com ndice de exatido do produtor e usurio acima de 0,50. Em relao a
ambos os mapas: a classe floresta, herbcea e floresta plantada apresentaram,
respectivamente, ndices do produtor de 0,98; 0,64 a 0,80; e 0,71 a 0,81; e usurio de 0,95
a 1,0; 0,84 a 0,90; e 0,94.
Metodologia e resoluo espacial semelhante: Silva (2012) utilizou a OBIA e redes
neurais artificiais na classificao do uso do solo da regio norte do estado de Minas
Gerais por meio de imagens do sensor Rapideye. A exatido global atingida foi de 0,83 e
o ndice Kappa de 0,79. A classe gua e veredas chegaram a alcanar ndices do usurio de
1 e do produtor entre 0,97-1. Os melhores ndices do usurio foram das classes
relacionadas vegetao (Cerrado com 0,92, FED com 0,87, floresta plantada 0,92; e
vereda com 1) assim com as do produtor (Cerrado com 0,83, FED com 0,88, floresta
plantada 0,92; e vereda com 1). Os piores ndices (produtor e usurio) foram das classes
de uso do solo: agricultura, pastagem e outros.
4.2.7 Tempo de processamento por etapa
O tempo de processamento de cada etapa foi variado (Tabela 40). O tempo de
processamento condizente com um computador Intel Core i3-2100 CPU, com 3,10
GHz e 2,99 GB de RAM.
105
Tabela 40. Intervalo mdio de tempo utilizado para processar imagens do sensor SAAPI (2011)
Processo
Tempo
Segmentao
30 40 min.
Seleo das amostras de treinamento 40 50 min.
Extrao dos dados da segmentao 15 20 min.
Seleo de atributos
20 min.
Construo da rvore de deciso
5 min.
Insero dos limiares no eCognition
35 horas
Classificao da imagem
8 horas
Seleo de amostras de validao
40 50 min.
Aferio da acuracidade
1 min.
106
filtros de sensitividade espectral (como, data e horrio de aquisio das imagens). Com a
converso atmosfrica dos ND para reflectncia de superfcie poderiam ser obtidos
resultados mais acurados.
No total foram avaliados 87 atributos estatsticos, espaciais e texturais, e as
variveis N, DAP e AB, mensuradas em campo. Utilizou-se a correlao de Spearman's rs,
uma vez que o conjunto de dados no apresentou normalidade. Para cada varivel de
campo foi encontrado um valor de correlao referente ao atributo (Tabela 41).
Tabela 41. Valores de correlao dos atributos estatsticos, espaciais e texturais em relao aos
dados de campo (=0,05) referentes ao sensor SAAPI (2011)
N
DAP
AB
Atributo
Banda
Valor
Atributo
Banda
Valor
Atributo
Banda
Valor
Mdia
Mdia
Mdia
Mdia
Mdia
Menor valor
de pixel
Menor valor
de pixel
Menor valor
de pixel
Menor valor
de pixel
1
2
3
IR2
IR3
-0,64
-0,48
-0,62
-0,63
-0,46
NDVI
Mdia
Razo
Razo
Razo
IR1
2
3
IR1
0,41
0,52
0,55
0,42
0,54
NDVI
Mdia
Mdia
Mdia
Brilho
1
3
IR2
-
0,44
-0,51
-0,50
-0,50
-0,44
-0,44
Razo
IR3
0,56
Razo
IR1
0,50
-0,43
-0,49
-0,64
IR2
-0,42
IR2
-0,42
-0,50
IR3
-0,41
IR1
0,42
IR2
-0,60
GLCM StdDev
0,45
IR1
0,43
IR3
-0,47
GLCM StdDev
IR1
0,49
0,50
GLCM StdDev
IR3
0,47
0,45
GLCM Contrast
IR2
-0,41
IR2
0,50
GLCM Correlao
GLCM Correlao
IR2
IR3
0,43
0,46
Menor valor
de pixel
Menor valor
de pixel
Maior valor
de pixel
Nmero de
objetos escuros
Menor valor
de pixel
Menor valor
de pixel
Menor valor
de pixel
Menor valor
de pixel
Nmero de
objetos escuros
Nmero de
objetos escuros
Nmero de
objetos escuros
107
108
CONSIDERAES FINAIS
109
Entende-se que a conexo direta entre os dois softwares impossibilitada, pois o software
eCognition ao contrrio do WEKA (programa de cdigo aberto desenvolvido por
uma universidade) um software comercial e com cdigo fechado. O que foi apresentado
no trabalho foi uma maneira mais acessvel de processamento classificao.
A qualidade geral dos mapas temticos foi satisfatria, tanto para a exatido geral
(0,89-0,91) quanto para o ndice Kappa (0,87-0,90), tendo como base dados de campo.
Em relao qualidade por classe, todas as reas teste apresentaram ndices (produtor,
usurio e Kappa) superiores a 0,79. Os melhores desempenhos, em relao aos ndices do
produtor e do usurio, foram: gua, banana, pastagem, floresta em estgio inicial,
edificaes/urbano, rizicultura e sombra; e os piores: floresta plantada, floresta em estgio
avanado, estgio mdio, solo exposto e agricultura. A classificao do estgio inicial
apresentou bom desempenho em relao outras classes de uso do solo, porm as classes
estgio mdio e avanado foram mais complicadas. Isto se deve a dificuldade de, at
mesmo, diferenciar tais estgios a partir de variveis estruturais e biofsicas.
A hiptese formulada no incio do trabalho foi aceita, pois com as imagens de alta
resoluo espacial e com as tcnicas OBIA e a minerao de dados, ancoradas em dados
de campo, houve uma melhora, em relao s metodologias tradicionais (e.g. mxima
verossimilhana [ganho de 0,28 no ndice de Kappa] e K-means [ganho de 0,75 no ndice
de Kappa]), na acurcia da classificao dos estgios iniciais de vegetao secundria e de
outras classes de uso do solo. As tcnicas convencionais de classificao no so
aconselhadas para este tipo de resoluo espacial.
A quantificao da relao entre variveis dendromtricas de campo e atributos foi
parcialmente atendida, pois a metodologia de aferio da correlao foi adequada, porm
a falta de informao sobre a calibrao do sensor ou do aerolevantamento prejudicou a
confiabilidade das anlises. Uma abordagem mais acurada sobre essa correlao poderia
ser continuada no sentido de desenvolver um estimador de parmetros biofsicos da
vegetao em campo a partir dos atributos, tendo em vista a devida converso atmosfrica
dos ND para reflectncia de superfcie.
110
REFERNCIAS
ABRAMS, M. D.; NOWACKI, G. J. Historical variation in fire, oak recruitment and post-logging accelerated
sucession in central Pennsylvania. Bulletin of the Torrey Botanical Club, v. 119, p. 19-28. 1992.
AB'SBER, A N. Os domnios de naturaz do Brasil. Potencialidade paisagsticas. So Paulo: Ateli Editorial,
2003.
ANTUNES. Classificao de ambiente ciliar baseada em orientao a objeto em imagens de alta resoluo
espacial. Tese (Doutorado), Curitiba: Universidade Federal do Paran, 2003.
ANTUNES, A. F. B. Anlise do uso do processamento digital de imagens na segmentao de tipologias
vegetais da APA de Guaraqueaba-PR. Dissertao (Mestrado), Curitiba: Universidade Federal do Paran, 1996.
BAATZ, M.; SCHPE, A. Multiresolution segmentation: an optimization approach for high quality multiscale image segmentation. In: Strobl, J; Blaschke, T. (Eds). Angewandte, Geogr. Informationsverarbeitung XII.
Heidelberg: Wichmann, 2000.
BALDAUF, C; HANAZAKI, N.; REIS, M. S. Caractereizao etnobotnica dos sistemas de manejo de samanbaiapreta (Rumohra adiantiformis (G. Frost) Ching - Dryopteridaceae) utilizados no sul do Brasil. Acta Botanica
Brasilica, v. 21, p. 823-834. 2007.
BARRETT, E. C.; CURTIS, L. Introduction to environmental remote sensing. Londres: Chapman & Hall, 1992.
BATISTA, M. H. Classificao hierrquica orientada a objeto em imagens de alta resoluo espacial
empregando atributos espaciais e espectrais. 199p. Dissertao (Mestrado em Sensoriamento Remoto).
Universidade Federal do Rio Grande do Sul (UFRGS), Rio Grande do Sul, RS. 2006.
BAWA, K.; SEIDLER, S. Natural forest management and conservation of biodiversity in tropical forests.
Conservation Biology, v. 12, p. 45-50. 1998.
BAZZAZ, F. A. The physiological ecology of plant sucession. Annual Review of Ecology and Systematics, v. 10,
p. 351-371. 1979.
BAZZAZ, F. A.; PICKET, S. T. A. Physiological ecology of tropical sucession: a comparative review. Annual
review of Ecology and Systematics, v. 11, p. 287-310. 1980.
BLASCHKE, T. Object based image analysis for remote sensing. Journal of Photogrammetry and Remote
Sensing, Amsterdam, v. 65 (1), p. 2-16. 2010.
BRADTER, U.; THOM, T. J.; ALTRINGHAM, J.D.; KUNIN, W. E.; BENTON, T. G. Prediction of National
Vegetation Classification communities in the British uplands using environmental data at multiple spatial scales,
aerial images and the classifier random forest. Journal of Applied Ecology, v. 48 (4), p. 1057-1065. 2011.
BROADBENT, E. N.; ASNER, G. P.; KELLER, M.; KNAPP, D. E., OLIVEIRA, P. J. C.; SILVA, J. N. Forest
fragmentation and edge effects from deforestation and selective logging in the Brazilian Amazon. Biological
Conservation, p. 745-757, 2008.
BODMER, R. E.; PENN, J. W.; PUETAS, P.; MOYA, I. L.; FANG, T. G. Linking conservation and local people
throgh sustannable use of natural resources. In: FREESE, C. H. (Ed.) Harvesting wild species, p. 315-358.
Baltimore: Johns Hopkins. 1997.
BORMANN, F. H.; LIKENS, G. E. Pattern and process in a forested ecosystem. Spinger-Verlag, New York
Inc, 253 p., 1979.
BORNER, J. MENDOZA, A.; VOSTI, S. A. Ecosystems services, agriculture and rural poverty in the Eastern
Brasilian Amazon: Interrelationships and policy prescriptions. Ecological Economics, v. 64, p. 356-373. 2007.
BOUCHER, D. H.; VANDERMEER, J. H.; DE LA CERDA, I. G.; MALLONA, M. A.; PERFECTO, I.;
ZAMORA, N. Post-agriculture versus post-hurricane sucession in southeastern Nicaraguan rain forest. Plant
Ecology, v. 156, p. 131-137. 2001.
111
BRASIL. Lei 11.428 de 22 de dezembro de 2006. Dispe sobre a utilizao e proteo da vegetao nativa do
Bioma
Mata
Atlntica,
e
d
outras
providncias.
2006.
Disponvel
em:
<http://www.planalto.gov.br/ccivil_03/_ato2004-2006/2006/lei/l11428.htm> Acesso em: 10 Set 2012.
BRASIL. Resoluo n 5, de 04 de maio de 1994. Estabelece denies e parmetros mensurveis para anlise de
sucesso ecolgica da Mata Atlntica no Estado de Santa Catarina. 1994. Disponvel em:
<http://www.mp.ba.gov.br/atuacao/ceama/material/legislacoes/flora/resol_conama_05_94.pdf> Acesso em: 10
Set 2012.
BRASIL Decreto n 750, de 10 de fevereiro de 1993. Dispe sobre o corte, a explorao e a supresso de
vegetao primria ou nos estgios avanado e mdio de regenerao da Mata Atlntica, e d outras providncias.
(REVOGADO). Disponvel em: http://www.planalto.gov.br/ccivil_03/decreto/1990-1994/D750.htm. Acesso em:
10 Set 2012.
BREARLEY, F. Q.; PRAJADINATA, S.; KIDD, P. S.; PROCTOR, J; SURIANTATA. Structure and floristics of an
old secondary rain forest in Central Kalimantan, Indonesia, and a comparison with adjacent primary rain forest.
Forest Ecology and Management, v. 195, p. 385-394. 2004.
BREIMAN, L. Random forests. Machine Learning, v. 45 (1), p. 5-32. 2001.
BROWN, J. H. The role of the fire in altering the species composition of forests in Rhode Island. Ecology, v. 41, p.
310-316. 1960.
BROWN, S.; LUGO, A. E. Tropical secondary forests. Journal of tropical Ecology, v. 6, p. 1-32. 1990.
BUCHER, E H. Chaco and Caatinga - South American Arid Savanas. Woodlands and Thickets. In: HUNTLEY,
B. J., WALKER, B.H. (Eds). Ecology os Tropical Savannas. Berlim: Spinger-Verlag. p. 48-79, 1982.
BUDOWSKI, G. Distribution of tropical American rain forest species in the light of sucessional processes.
Turrialba, v. 15, p. 40-42. 1965.
CADENA, G. T. Classificao dos tipos de pavimentos das vias urbanas a partir de imagem de alta
resoluo espacial por meio de anlise orientada a objeto. 114p. Dissertao (Mestrado em Cincias
Cartogrficas). Universidade Estadual Paulista, Presidente Prudente, SP. 2011.
CAGNOLO, L.; CABIDO. M.; VALLADARES, G. Plant species richness in the Chaco Serrano woodland from
central Argentina: ecological traits and habitat fragmentation effects. Biological Conservation, v. 132, pp. 510519.
2006.
CAPERS, R. S.; CHAZDON, R. L.; REDONDO BRENES, A.; VILCHEZ ALVARADO, B. Sucessional dynamics
of wood seedling communities in tropical secondary forests. Journal of Ecology, v. 93, p. 1071-1084. 2005.
CASTILHO, M.; BENOIT, R.; SANHCHEZ-AZOFEIFA, A.; CALVO-ALVARADO, J.; DUBAYAH, R. LIDAR
remote sensing for secondary Tropical Dry Forest identification. Remote sensing of environment, v. 121, p. 131143. 2012.
CASTRO, K. L.; SANCHEZ-AZOFEITA, G. A.; RIVARD, B. Monitoring secondary tropical forests using borne
data: implications for Central America. Internacional Journal of Remote Sensing, p. 1853-1894. 2003.
CHAZDON, R. L. Change and determinism in Tropical Forest Sucession. In: CARSON, W. P.; SCHNITZER,
S. A. (Eds.) Tropical Forest Community Ecology, p. 384-408. Oxford: John Wiley & Sons Ltd, 2008.
CHICA-OLMO, M. ABARCA-HERNNDEZ, F Computing geostatistical image texture for remotely data
classification. Computers & Geosciences, v. 26, p. 373-383, 2000.
CHOKKALINGAM, D.; JONG, W. D. Secondary forest: a working definition and typology. Internacional
forestry Review, v. 3, (1), p. 19-26. 2001.
CLARK, M. L.; AIDE, T. M.; GRAU, H. R.; RINER, G. A scalable approach to mapping annual land cover at 250
m using MODIS time series data: A case study in the Dry Chaco ecoregion of South America. Remote Sensing of
Environment, v 114, p. 2816-2832. 2010.
112
CLEMENTS, F. E. Plant Sucession: An analysis of the developmente of vegetacion. Washington DC: Carnegie
Institute Publication, 1916.
CLEMENTS, F. E. The development and structure of vegetation. Botanical survey of Nebraska, studies in
the vegetation State. Lincoln: Nebraska, 1904.
CORLETT, R. T. What is secondary forest? Journal of tropical Ecology, v. 10, p. 445-447. 1994.
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices.
New York: Lewis Publishers, 136 p. 1999.
DEAN, W. A ferro e fogo: a histria e a devastao da Mata Atlntica brasileira. Companhia das Letras, 484 p.
1997.
DEFINIENS. Definiens eCognition developer 8: reference book. 276 p. Mnchen, 2009.
DENSLOW, J. S. Tropical rainforest gaps and tree species diversity. Annual Review Ecology Systems, v. 18, p.
431-452. 1987.
DENSLOW, J. S.; GUZMAN, G. S. Variation in stand structure, light and seedling abundance across a tropical
moist forest chronosequence, Panama. Journal of Vegetation Science, v. 11, p. 201-212. 2000.
DINERSTEIN, E.; OLSON, D. M. GRAHAM, D. J.; LEDEC, G.; WEBSTERET, A. L. Una evaluacon del
estado de conservacon de las ecoregiones terrestres de Amrica Latina y el Caribe. Washington D.C.: Fondo
Mundial para la Naturaleza, 1995.
DONOGHUE, D. N. M. Remote sensing: environmental change. Progress in Physical Geography, v. 26, p. 144151. 2002.
DUBOIS, J. C. L. Secondary forests as a land-use resource in frontier zones of Amazonia. In: ANDERSON,
A. B. (Ed.) Alternatives to deforestation: steps toward sustainable use of the Amazon rain forest. New York, USA. p.
183-194. 1990.
EISENLOHR, P. V.; MELO, M. M. R. F.; IVANAUSKAS, N. M.; SOUZA, V. C.; RODRIGUES, R. R.;
DUARTE, A. R.; BREIER, T. B.; UDULUTSCH, R. G. Floresta Ombrfila Densa Atlntica: bases conceituais
e estudo de caso no Parque Estadual de Carlos Botelho, Estado de So Paulo. In: Jeanine Maria Felfili; Pedro
Vasconcellos Eisenlohr; Maria Margarida da Rocha Fiuza de Melo; Leonaldo Alves de Andrade; Joo Augusto Alves
Meira Neto. (Org.). Fitossociologia no Brasil: Mtodos e Estudos de Casos. 1 ed. Viosa: Editora UFV, v. 1, p. 372387. 2011.
EMRICH, A.; POKORNY, B.; SEPP, C. The significance of secondary forest management for development
policy. Eschborn, Germany: TOB Series, v.18. 2000.
ENGEMAP Geoinformao. Relatrio de produo final - edital de concorrncia pblica n 0010/2009.
Florianpolis SC. 218p. 2012
EWELL, J. J. Sucession. In: GOLLEY, F. B. (Ed.) Tropical rain forest ecosystems. p. 217-233. Amsterdam:
Elselvier Scientific Publishing Co, 1983.
FANTINI, A. C. Palm heart (Euterpe edulis) production and management in the Brazilian Mata Atlntica.
127 p. Tese (Doutorado). Madison: University of Wisconsin, 1999.
FEARNSIDE, P. M. Global warming and tropical land use change: greenhouse gas emissions from biomass burning,
decomposition and soils in forest conversion, shifting cultivation and secondary vegetation. Climate Change, v. 46,
p. 115-158. 2000.
FINNEGAN, B. Forest succession. Nature, v. 312, p. 109-114. 1984.
FINNEGAN, B. Pattern and process in neotropical secondary forests: the first 100 years of sucession. Trends in
Ecology and Evolution, v. 11, p. 119-124. 1996.
113
FINNEGAN, B. The managemenet potential of Neotropical secondary lowland rain forest. Forest Ecology and
Management, v. 47, p. 295-322. 1992.
FOOD AND AGRICULTURE ORGANIZATION. FAO. Global forest resources. Assessment 2005. Progress
towards sustainable forest management. Roma: FAO, 2009.
FOSTER, B. L.; TILMAN, D. Dynamic and static views of sucession: testing the descriptive power of the
chronosequence approach. Plant Ecology, v. 146, p. 1-10. 2000.
FRANCISCO, C. N.; ALMEIDA, C. M. Avaliao de desempenho de atributos estatsticos e texturais em uma
classificao de cobertura da terra baseada em objeto. Bol. Cinc. Geod., Curitiba, v. 18 (2), p. 302 - 326, 2012.
GISLASON, P. O.; BENEDIKTSSON, J. A.; SVEINSSON, J. R. Random forests for land cover classification.
Pattern Recognition Letters, v. 27 (4), p. 294-300. 2006.
GOLDSCHMIDT, R.; PASSOS, E. Data Mining um guia prtico. Rio de Janeiro: Elsevier, 261p., 2005.
GMEZ-POMPA, A; VAZQUEZ-YANES, C. Sucessional studies of a rain forest in Mexico. In: WEST, D. C.;
SHUGART, H. H.; BOTKIN, D. B. (Eds.) Forest sucession: concepts and application. p. 246-266. New York:
Springer-Verlag, 1981.
GMEZ-POMPA, A. Possible papel de la vegetacin secundria en la evolucin de la flora tropical. Biotropica, v.
3, p. 125-135. 1971.
GONZLEZ, R.C.; WOODS, R.E. Processamento de Imagens Digitais. 509 p. Edgard Blcher Ltda. So
Paulo, 2000.
GROOMBRIDGE, B.; JENKINS, M. D. World atlas of biodiversity. Berkeley, California: University of California
Press, p. 340, 2002.
GUARIGUATA, M. R.; OSTERTAG, R. Neotropical secondary forest sucession: changes in structural and
funcional characteristics. Forest ecology and management, v. 148, p. 185-206. 2001.
HALL, M.; FRANK, E.; HOLMES, G; PF AHRINGER, B; REUTEMANN, P.; WITTEN,I. The WEKA Data
Mining Software: An Update. SIGKDD Explorations, Volume 11(1). 2009.
HAMMER, .; HARPER, D. A. T.; RYAN, P. D. PAST: Paleontological statistics software package for education
and data
analysis.
Palaeontologia Electronica, v.4, 2001. Disponvel em: http://palaeoelectronica.org/2001_1/past/issue1_01.htm. Acesso em: 15 de ago 2013.
HAMMOND, D. S. Post-dispersal seed and seedling mortality of tropical dry forest trees after shifting agriculture,
Chiapas, Mexico. Journal of Tropical Ecology, v. 11, p. 295-313. 1995.
HARALICK, R. M. Statistical and structural approach to texture. Proceedings of the IEEE, vol. 67 (%), p. 786803. 1979.
HELLER, R. C.; ULLIMAN, J. J. Chapter Forest resource assessments (2nd ed.). Manual of Remote Sensing, v. 2,
p. 22292324. 1983.
HOELSCHER, D. Shifting cultivation in Eastern Amazonia: a case study on the water and nutrient balance. Plant
reserach and development, v. 46, p. 68-87. 1997.
HOLDRIDGE, L. R. Determination of world plant formation from simple colmatic data. Science, v. 105, p. 367368. 1947.
HOLDRIDGE, L. R. Life zone Ecology. San Jose, CA: Tropical Science Center, p. 60-77. 1967.
HOUGH, A. F.; FORBES, R. D. The ecology and silvics of Pennysilvania high-plateauforests. Ecological
Monographs, v. 13, p. 300-320. 1943.
114
HTTICH, C.; HEROLD, M.; WEGMANN, M.; CORD, A.; STROHBACH, B.; SCHMULLIUS, C.; DECH, S.
Assessing effects of temporal compositing and varying observation periods for large-area land-cover mapping in
semi-arid ecosystems: implications for global monitoring. Remote Sensing of Environment, v. 115 (10), p. 24452459. 2011.
HUETE, A.; LIU, H.Q.; BATCHILY, K.; VAN LEEUWEN, W. A comparison of vegetation indices over a global
set of TM images for EOS-MODIS. Remote Sensing of Environment, 59: 440-451, 1997.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATSTICA - IGBE. Manual Tcnico da Vegetao
Brasileira. Srie de Manuais Tcnicos em Geocincias. Rio de Janeiro: Departamento de Editorao e Grfica do
IBGE, 1992.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATSTICA - IBGE. Manuais Tcnicos em Geocincias.
Manual Tcnico da Vegetao Brasileira. 2 ed. Rio de Janeiro: Departamento de Editorao e Grfica do IBGE,
2012.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE. Projeto de Monitoramento da Floresta
Amaznica Brasileira por Satlite. So Jos dos Campos: INPE. Disponvel em http://www.obt.inpe.br/prodes/.
2008.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE. Atlas dos Remanescentes Florestais da
Mata Atlntica. So Jos dos Campos: INPE. Disponvel em http://www.sosma.org.br/5697/sos-mataatlantica-e-inpe-divulgam-dados-do-atlas-dos-remanescentes-florestais-da-mata-atlantica-no-periodo-de-2010-a2011/. 2012.
JENSEN, J R. Introductory digital image processing (3 ed.). New Jersey: Pearson Prentice Hall, 2005.
JOHANSEN, K.; PIHNN, S. Mapping structural parameters and species composition of ripirian using ikonos and
landsat etm+ data in australian tropical savannahs. Photogrammetric Engeneering and Remote Sensing, v. 72
(1), p. 71-80. 2006.
JOHANSEN, K.; COOPS, N. C.; GERGEL, S. E.; STANGE, Y. Application of high spatial resolution satellite
imagery for riparian and forest ecosystem classification. Remote Sensing of Environment, v. 110, p. 29-44. 2007.
KAMMESHEIDT, L. Perspectives on secondary forest management in tropical humid lowland America. Ambio, v.
31 (3), p. 243-250. 2002.
KAMMESHEIDT, L. The role of three sprouts in the restorations of stand structure and species diversity in tropical
moist forest after slash-and-burn agriculture in eastern Paraguay. Plant Ecology, v. 139, p. 155-165. 1998.
KLEIN, R. M. Ecologia da flora e vegetao do Vale do Itaja, v. 32. Itaja: Sellowia, 1980.
KLEIN, R. M. Ecologia e Flora da Vegetao do Vale do Itaja, v. 31. Itaja: Sellowia, 164 p, 1979.
KLEIN, R. M. Mapa Fitogeogrfico do Estado de Santa Catarina. Itaja: Herbrio Barbosa Rodrigues, 1978.
KLEIN, R. M. rvores nativas da floresta Subtropical do Alto Uruguai, v. 24. Itaja: Sellowia, p. 9-62, 1972.
KRESSLER, F. P.; STEINNOCHER, K. Image data and LIDAR an ideal combination matched by object
oriented analysis. In: Geographic Object-Based Image Analysis, 1, 2006, Salzburg University, Austria.
Proceedings, 2006.
KRAMER, R. A.; VAN SCHAIK, C. P. Preservation paradigms and tropical rain forests. In: KRAMER R.,
VAN SCHAIK C., JOHNSON, J. Last Stand: protected areas and te defense of tropical biodiversity. p. 3-14. New
York: Oxford University Press, 1997.
KRONBERG, P. Photogeologie. Eine Einfhrung in die Grundlagen Und Methoden der geologischen
Auswertung von Luftbildern. 267 p. Stuttgart: Ferdinand Enke Verlag. 1984.
KURY, E. B.; VIEIRA, C. A. O. Classificao automtica de imagens de alta resoluo. Viosa: Universidade
Federal de Viosa, 2002.
115
LABA, M.; Gregory, S. K.; Braden, J.; Ogurcak, D.; Hill, E.; Fegraus, E. Fiore, J.; DeGloriaet S. D. Conventional
and fuzzy accuracy assessment of New York gap analysis project land cover map. Remote Sensing of
Environment. v.81 (2-3), p.443-455. 2002.
LANDIS, J.R., KOCH, G.G. The measurement of observer agreement for categorical data. Biometrics, v. 33, p.
159174. 1977.
LEITE, P. F.; KLEIN, R. M. Vegetao. In: IBGE: Geografia do Brasil: Regio Sul. Rio de Janeiro: v. 2, 1990.
LEVINE, D. M. Estatstica: Teoria e Aplicaes Usando Microsoft Excel em Portugus. Rio de Janeiro:
Editora LTC, 811p. 1998.
LIEBSCH, D.; MARQUES, M. C. M.; GOLDENBERG, R. How long does the Atlantic Rain Forest take to recover
after a disturbance? Changes in species composition and ecological features during secondary sucession. Biological
Conservation, Kidlington, v. 141 (6), p. 1717-1725, 2008.
LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J. W. Remote sensing and image interpretation. New York:
John Wiley and Sons, 2004. 763 p.
LUCAS, R. M.; HONZAK, M.; CURRAN, P. J.; FOODY, G. M.; MILNE, R.; BROWN, T. Mapping the regional
extent of tropical forest regeneration stages in the Brazilian Legal Amazon using NOAA AVHRR data.
International Journal of Remote Sensing, v. 21, p. 2855-2881. 2000.
LUGO, A E. The apparent paradox of reestablishing species richness on degraded lands with tree monocultures.
Forest Ecology and Management, v. 99, p. 9-19. 1997.
LUZ, N. B.; SANTOS, D. J.; ANTUNES, A. F. B. Segmentao de imagens e classificao baseada em regras de
conhecimento como novas abordagens para o mapeamento do uso da terra no Estado do Paran. Anais XIV
Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, INPE, p. 989-996. 2009.
MANTOVANI, W. Dinmica da floresta pluvial atlntica. In: Simpsio de Ecossistemas Brasileiros. guas de
Lindia. So Paulo: Anais. Simpsio de Ecossistemas Brasileiros, v. 3, p. 1-20, 1998.
MARPU, P. R. Geographic Object-based Image Analysis. Freiberg, 2009. 121f. Tese (Doutorado em
Engenharia) - Faculty of Geosciences, Geo-Engineering and Mining of the Technische Universitt Bergakademie
Freiberg, 2009.
MATTHEWS, E.; PAYNE, R.; ROHWEDE, M.; SIOBAHN, M. Pilot analysis of global ecosystems: forest
ecossystems. Washinton D.C.: World Resources Institute, 86p, 2000.
MAY, R.M. The chaotic rhythms of life. New Scientist, v. 124, p. 21-25. 1989.
MENESES, P.R.; NETTO, J.S.M. Sensoriamento Remoto: Reflectncia dos alvos naturais. Braslia, DF: UnB;
Planaltina: Embrapa Cerrados. 2002.
MITTERMEIER, R. A.; MYERS, N.; GIL, P. R.; MITTERMEIER, C. G. Hotspots: Earths Biologically
Richestand Most Endangered Terrestrial Ecoregions. Cidade do Mxico: Cemex SA, 1999.
MITTERMEIER, R. A.; MYERS, N.; THOMSEN, J. B. Biodiversity hotspots and major tropical wolderness areas:
approaches to setting conservation priorities. Conservation Biology, v. 12 (3), p. 516-520. 1998.
MOSER, P. Anlise estatstica dos dados dendromtricos do inventrio Florstico Florestal de Santa
Catarina. 2013. 129p. (Mestrado em Engenharia Florestal). Centro de Cincias Tecnolgicas. Fundao
Universidade Regional de Blumenau, Blumenau, SC.
MOREIRA, M. A. Fundamentos de sensoriamento remoto e metodologias de aplicao. 3 ed. 320p. Viosa:
Universidade Federal de Viosa, 2005.
116
117
POWERS, D. M. W. The problem with Kappa. Centre for Knowledge & Interaction Technology, CSEM. 13th
Conference of the European Chapter of the Association for Computational Linguistics, p. 345355. Avignon,
France, 2012.
QUEIROZ, M. H. Approche Phytocologoque et Dynamique des Formations Vgetales Secondaires
Dveloppes Aprs Abandon ds Activits Agricoles, dans l Domaine de la Fret Ombrophile Dense de
Versant (Fret Atlantique) Santa Catarina Brsil. Nancy (Frana): cole Nationale du Gnie Rural, des Eaux
et des Forts. 251 p. Tese (Doutorado). 1994.
REDFORD, K. H.; RICHTER, B. D. Conservation of biodiversity in a world use. Consevation Biology, v. 13 (6),
p. 1246-1256. 1999.
REIS, A. A vegetao original do estado de Santa Catarina. In: REIS, A., REIS, M. S., QUEIROZ, M. H.,
MANTOVANI, A., ANJOS, A. Caracterizao de estdios sucessionais na vegetao catarinense. UFSC, 1995.
REIS, A.; REIS, M.S.; FANTINI, A. C. Manejo do palmiteiro (Euterpe edulis) em regime de rendimento
sustentado. Universidade Federal de Santa Catarina (UFSC). 1995.
REIS, A., TRES, D.R., SCARIOT, E.C. Restaurao na Floresta Ombrfila Mista atravs da sucesso natural.
Pesquisa Florestal Brasileira, Colombo, n. 55, p.67-73, 2007.
REITZ, R.; KLEIN, R. M.; REIS, A. Projeto Madeiras de Santa Catarina. Itaja: Herbrio Barbosa Rodrigues, 1978.
320 p.
RIBEIRO, M. C.; METZGER, J. P.; MARTENSEN, A. C.; PONZONI, F. J.; HIROTA, M. M. The Brazilian
Atlantic Forest: How much is left, and how is the remaining forest distributed? Implications for conservation.
Biological Conservation, v. 142, p. 1141-1153. 2009.
RICHARDS, P. W. The tropical rain forest - an ecological study. United Kingdom: Cambridge University Press,
1996.
RICHARDS, K. R.; STROKES, C. A review of forest carbon sequestration cost studies: a dozen years of research.
Clim Change, v. 63, p. 1-48. 2004.
RISWAN, S; KARTAWINATA, K. A lowland diptercocarp forest 35 years after pepper plantation in East
Kalimantan, Indonesia. In: SOEMODIHARJO, S. (Ed). Some ecological aspects of tropical forests of East
Kalimantam. Jakarta: Indonesian Institute of Sciences, MAB Indonesia, v. 48, 1998.
ROUSE, J.W., HAAS, R.H., SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems in the Great
Plains with ERTS. In 3rd ERTS Symposium, NASA SP-351 I, pp. 309317. 1973.
SCHELHAS, J.; GREENBERG, R. Forest patches in tropical landscape. Washington D.C, USA: Island Press,
1996.
SCHIEWE, J. Segmentation of high resolution remotely sensed data: concepts, applications and problems.
In: Symposium on geospatial theory, processing and applications, 2002, Ottawa. Proceedings. Vechta: University of
Vechta, 2002. Disponvel em: <http://www.isprs.org/proceedings/XXXIV/part4/pdfpapers/358.pdf>. Acesso
em: 10 Jun. 2013.
SCHMIDT-VOGT, D. Secondary forests in swidden agriculture in the highlands of Thailand. Journal of Forest
Science, v. 13, p. 748-767. 2001.
SCHOWENGERDT, R. A. Remote sensing models and methods for image processing. 560 p. San Diego:
Academic, 2007.
SCHUCH, C. Potencialidades da produo de madeira serrada a partir de trs espcies da floresta
secundria litornea catarinense em condies de plantio e em reas de floresta regenerada naturalmente.
Tese (Mestrado). Universidade Federal de Santa Catarina - Centro de Cincias Agrrias. 2011.
118
SETTE, P. G. C. Anlise da textura de imagem de alta resoluo para classificao de estgios sucessionais
de Mata Atlntica do sul da Bahia. Dissertao (Mestrado), Minas Gerais: Instituto de Geocincias - Universidade
Federal de Minas Gerais, 2009.
SEVEGNANI, L. Dinmica de populao de Virola bicuhyba (Schott) Warb. (Myristicaceae) e estrutura
fitossociolgica de floresta pluvial atlntica, sob clima temperado mido de vero quente, Blumenau, SC.
2003. 161f. Tese (Doutorado em Ecologia), USP, So Paulo.
SEYFERTH, G. A colonizao alem no Vale do Itaja-Mirim. Um estudo de desenvolvimento econmico.
Porto Alegre: Movimento, 159 p, 1974.
SHEIL, D. Long-term observations of rain forest succession, tree diversity and responses to distrubance. Plant
Ecology, v. 155, p. 183-199. 2001.
SKUTCH, A. F. Early stages of plant sucession following forest fires. Ecology, v. 10, p. 177-189. 1929.
SMITH, J.; VAN DE KOP, P.;REATEGUI, K.; LOMBARDI, I.; SABOGAL, C.; DIAZ, A. Dynamics of
secondary forests in slash-and-burn farming: interaction among land use types in the Peruvian Amazon.
Agriculture, Ecosystems and Environment, v. 76, p. 85-98. 1999.
SILVA, P. R. Uso de uso de redes neurais artificiais e objetos geogrficos na classificao digital de
imagens de sensoriamento remoto. 86p. Dissertao (Mestrado em Cincias Florestais). Universidade Federal de
Lavras (UFLA), Lavras, MG. 2012.
SIMINSKI, A.; FANTINI, M, A.C.; REIS, M. S. Classificao da vegetao secundria em estgios de regenerao
da Mata Atlntica em Santa Catarina. Cincia Florestal, Santa Maria, v. 23 (3), p. 369-378, 2013.
SIMINSKI, A. A floresta do futuro: conhecimento, valorizao e perspectivas de uso das formaes
florestais secundrias no estado de Santa Catarina. Tese (Doutorado). Florianpolis: Univerisdade Federal de
Santa Catarina (UFSC). 2009.
SIMINSKI, A. Formaes florestais secundrias como recurso para o desenvolvimento rural e a conservao
ambiental no litoral de Santa Catarina. Dissertao (Mestrado). Florianpolis: Universidade Federal de Santa
Catarina (UFSC).102 p. 2004.
SIMINSKI, A.; FANTINI, A. C. A Mata Atlntica cede lugar a outros usos da terra em Santa Catarina Brasil.
Biotemas, v. 23 (2), p. 51-59. 2009.
SIMINSKI, A.; GURIES, R. P.; FANTINI A. C.; RUSCHEL, A. R.; REIS, M. S. Secondary forest sucession in Mata
Atlntica, Brazil: Floristic and Phytosociological Trends. Ecology, 19 p. 2011.
SIMINSKI, A., MANTOVANI, M.; REIS, M. S.; FANTINI, C. F. Sucesso Florestal Secundria no municpio de
So Pedro de Alcntara, Litoral de Santa Catarina: Estrutura e diversidade. Cincia Florestal, v. 14, p. 21-33. 2004.
SIPS, S. Management of tropical secondary rain forest in Latin America. Today's challenge, tomorrow's
accomplished fact? In: Memorias del Taller Internacional sobre el estado actual y potencial del manejo e desarrollo
del Bosque Secundario Tropical en Amrica Lati. Workshop, Peru: Pucallp, 2-6, p. 230-272, 1997.
SOUZA, A. L.; HOSOKAWA, R. T.; KIRCHNER, F. F.; MACHADO, S. A. Anlises multivariadas para
manejo de floresta natural na Reserva Florestal de Linhares, Esprito Santo: anlises de agrupamento e
discriminante. Revista rvore, v. 14 (2), p. 85-101,1990.
SPURR, S. H. Natural restocking of forests following the 1938 hurricane in central New England. Ecology, v. 37, p.
443-451. 1956.
SPURR, S. H.; BARNES, B. V. Forest Ecology. New York: John Wiley And Sons, 1980.
THOREAU, H. D. Walden, ou, A vida nos bosques. 7.ed. - So Paulo: Ground. 288p., 2007.
TUCKER, C. J.; TOWNSHEND, J. R. G. Strategies for monitoring tropical deforestation using satellite data.
International Journal of Remote Sensing, v. 21 (6), p. 1461-1471. 2000.
119
TURNER, I. M.; CORLETT, R. T. The conservation value of small isolated fragments of lowland tropical rain
forest. Trends in Ecology and Evolution, v. 8, p. 330-333. 1999.
UHL, C. Factors controling sucession following slah and burn agriculture in Amazonia. Journal of Ecology, v. 75,
p. 377-407. 1987.
UHL, C.; JORDAN, C. F. Sucessional and nutriant dynamics following forest cutting and burning in Amazonia.
Ecology, v. 65, p. 1476-1490. 1984.
UHL, C.; CLARK, K.; CLARK, H.; MURPHY, P. Early plant sucession after cutting and burning in upper Rio
Negro Amazon Basin. Journal of Ecology, v. 69, p. 631-649. 1981.
VACCARO, S.; ARTURI, M. F.; GOYA, J. F. Almacenaje de carbono en estadios de la sucessin secundaria en la
provincia de misiones, argentina. INCI, v. 28 (9), p. 521-527. 2003.
VANDERMEER, J.; MALLONA, M. A., BOUCHER, D.; YIH, K.; PERFECTO, I. Three years of ingrowth
following catastrophic hurricane damage on the Caribean coast of Nicaragua: evidence in support of the direct
regeneration hypothesis. Journal of Tropical Ecology, v. 11, p. 465-471. 1995.
VANZOLINI, P. E. Problemas faunsticos do Cerrado. In: FERRI, M. G. (Ed). II Simpsio sobre o cerrado. So
Paulo: Editora da Universidade de So Paulo. p. 307-320, 1963.
VZQUEZ-YANES, C.; OROZCO-SEGOVIA, A. Ecophysiology of seed germination in the tropical humid
forests of the world. In: MEDINA E., MOONEY H. A., VZQUEZ-YANES C. (Eds.) Physiological ecology of
plantas of the wet tropics. p. 37-50. Dr. W Junk, The Hague, 1984.
VIANA, V.; TABANEZ, A. J. Biology and conservation of forest fragments in Brasilian Atlantic moist forest.
In: SCHEILAS, J.; GREENBERG, R. Forest patches in tropical landscapes. Washington D.C: Island Press, 1996.
VIBRANS, A. C. A cobertura florestal da Bacia do Rio Itaja: elementos para uma anlise histrica. Tese
(Doutorado). Florianpolis: Universidade Federal de Santa Catarina (USFC), Centro de Filosofia e Cincias
Humanas. 2003.
VIBRANS, A.C. et al. Structure of Mixed Ombrophyllous Forests with Araucaria angustifolia (Araucariaceae) under
external stress in southern Brazil. Revista de Biologia Tropical, v. 59 (3), p. 1371-1387, 2011.
VIBRANS, A. C.; SEVEGNANI, L.; LINGNER, D. V.; GASPER, A. L; SABBAGH, S. Inventrio Florstico
Florestal de Santa Catarina (IFFSC): aspectos metodlgicos e operacionais. Colombo, v. 30 (64), p. 291-302. 2010.
VIBRANS, A. C., McROBERTS, R. E., MOSER, P.; NICOLETTI, A. L. Using satellite image-based maps and
ground inventory data to estimate the remaining Brazilian Atlantic forest in Santa Catarina. Remote Sensing of
Environment, v. 130. p. 87-95 2013.
VIEIRA, I. C. G.; ALMEIDA, A. S.; DAVIDSON, E. A.; STONE, T. A.; CARVALHO, C. J. R.; GUERRERO, J.
B. Classifying sucessional forrests using Landsat spectral properties and ecological cherecteristics in eastern
Amaznia. Remote Sensing of Environment, v. 87, p- 470-481. 2003.
XIE, Y.; SHA, Z.; YU, M. Remote sensing imagery in vegetation mapping: a review. Journal of Plant Ecology,
Oxford, v. 1 (1), p. 9-23. 2008.
WAIDE, R. B.; LUGO, A. E. A research perspective on disturbance and recovery of a tropical forest. In:
GOLDAMMER, J. G. (Ed.) Tropical forests in transition. p. 173-189. Basel: Birkhauser, 1992.
WALKER, L. R.; CHAPPIN, F. S. I. Interections amog processes controlling sucessional change. Oikos, v. 50, p.
131-135. 1987.
WANG, X.; LI, Z.; DENG, G.; JIANG, Z. Estimating stem volume using quickbird imagery and allometric
relationships for open populus xiaohei plantations. Journal of Integrative Plant Biology, v. 49 (9), p. 1304-1312.
2007.
120
WHITMORE, C. T. An introduction to tropical rain forests (4th ed.). Oxford: Oxford University Press, 1998.
WHITMORE, T. C.; BURNHAM, C P. Tropical rain forests of the Far East. United Kingdom: Oxford
University Press, 1984.
WHITMORE, T. C.; BURSLEM, D. F. R. P. Major distrubances in tropical rainforests. In: NEWBERRY, D.
M.; PRINS, H. H. T.; BROWN, N. D. (Eds.) Dynamics of tropical communities. p. 549-565. Oxford: Blackwell
Science Ltd, 1998.
WHITNEY, G. G; FOSTER, D. R. Overstory composition and age as determinants of understory flora of woods of
central New England. Journal of Ecology, v. 76, p. 867-876. 1988.
WULDER, M. Optical remote-sensing tecniques for the assessment of forest inventory and biophysical parameters.
Progress in Physical Geography, v. 22, p. 449476.1998.
WULDER, A. M., HALL, R. J.; COOPS, N.; FRANKLIN, S. High spatial resolution remotely sensed data for
ecosystem characterization. Bioscience, v. 54, p. 511-521. 2004.
YIH, K.; BOUCHER, D. H.; VANDERMEER, J. H.; ZAMORA, N. Recovery of the rain forest of southeastern
Nicaragua after destruction by hurricane Joan. Biotropica, v. 23, p. 106-113. 1991.
YOUNG, A.; BOYLE, T. Forest fragmentation. In: Forest conservation genetics. Melbourne: CISRO Publishing,
p.123-132, 2000.
ZUIDEMA, P. A.; SAYER, J.; DIJKMAN, W. Forest Fragmentation and biodiversity: the case for intermediate sized conservation areas. Environmental Conservation, v. 23 (4), p. 290-297. 1996.
121
APNDICE
UA1 Coordenadas: 2659'46.28"S/ 4918'25.99"O.
Descrio: pastagem abandonada no municpio de Ascurra/SC, em uma encosta com baixa declividade.
A UA caracteriza-se pela presena abundante de samambaias e arbustos, camada fina de serapilheira ( 1,5
cm), sem sub-bosque, presena de rvores emergentes, espcies mortas e sinais de incndio passado. No
houve constatao de gado na rea. Foram avistadas aves e algumas tocas no solo.
Figura A1. Fotografia da UA1
N
26
18
18
13
6
5
3
3
2
1
1
1
1
1
1
1
1
1
DoR (%)
30,41%
26,11%
8,58%
6,15%
1,11%
7,18%
2,05%
8,15%
6,98%
0,11%
0,17%
1,54%
0,14%
0,59%
0,11%
0,25%
0,29%
0,11%
VC
55,65%
43,59%
26,06%
18,77%
6,94%
12,03%
4,96%
11,06%
8,92%
1,08%
1,14%
2,51%
1,11%
1,56%
1,08%
1,22%
1,26%
1,08%
DAP (cm)
8,86
8,91
6,02
5,48
3,96
9,64
7,50
14,89
17,13
3,09
3,82
11,55
3,44
7,13
3,02
4,65
5,00
3,02
Htm (m)
3,39
5,17
3,78
3,72
3,08
4,10
5,17
6,83
6,50
4,50
4,50
1,70
3,50
4,00
2,30
3,00
1,80
3,00
122
N
53
21
3
3
1
1
DA (ind/ha)
331,25
131,25
18,75
18,75
6,25
6,25
DR (%)
64,63%
25,61%
3,66%
3,66%
1,22%
1,22%
AB (m)
0,0602
0,0213
0,0756
0,0027
0,0024
0,0009
DoA (m/ha)
0,38
0,13
0,47
0,02
0,02
0,01
DoR (%)
36,91%
13,07%
46,35%
1,64%
1,48%
0,55%
CV (%)
101,55%
38,68%
50,01%
5,30%
2,70%
1,77%
123
N
42
37
22
6
5
4
3
3
3
2
1
1
1
1
1
1
1
DA (ind/ha)
262,50
231,25
137,50
37,50
31,25
25,00
18,75
18,75
18,75
12,50
6,25
6,25
6,25
6,25
6,25
6,25
6,25
DR (%)
31,34%
27,61%
16,42%
4,48%
3,73%
2,99%
2,24%
2,24%
2,24%
1,49%
0,75%
0,75%
0,75%
0,75%
0,75%
0,75%
0,75%
DoR (%)
71,60%
9,13%
7,79%
0,85%
4,80%
1,89%
0,44%
0,32%
0,81%
1,08%
0,28%
0,24%
0,19%
0,19%
0,12%
0,13%
0,13%
CV (%)
102,95%
36,74%
24,21%
5,32%
8,53%
4,88%
2,68%
2,56%
3,05%
2,57%
1,03%
0,98%
0,94%
0,94%
0,86%
0,88%
0,88%
CV (%)
102,14%
19,08%
6,44%
12,75%
6,39%
10,24%
3,30%
6,42%
3,28%
2,29%
DAP (cm)
6,37
32,16
4,64
8,91
5,12
9,34
3,56
9,49
5,96
5,03
Ht (m)
6,29
4,11
4,50
6,71
4,95
3,78
3,50
6,42
5,36
4,00
124
Baccharis dracunculifolia
NI 1
Cyathea atrovirens
Nectandra membranacea
Sapium glandulosum
Alchornea glandulosa
Schinus terebinthifolius
Vernonanthura divaricata
Vernonanthura puberula
Austroeupathorium sp. 1
Baccharis sp. 1
Citharexylum myrianthum
Inga edulis
Miconia cinammomifolia
NI1
Psidium guajava
Tabernaemontana catharinensis
3
3
3
3
2
2
2
1
1
1
1
1
1
1
1
1
1
18,75
18,75
18,75
18,75
12,50
12,50
12,50
6,25
6,25
6,25
6,25
6,25
6,25
6,25
6,25
6,25
6,25
1,15%
1,15%
1,15%
1,15%
0,77%
0,77%
0,77%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,38%
0,0045
0,0311
0,0252
0,0394
0,0019
0,0030
0,0089
0,0009
0,0029
0,0575
0,0008
0,0079
0,0043
0,0008
0,0020
0,0016
0,0030
0,03
0,19
0,16
0,25
0,01
0,02
0,06
0,01
0,02
0,36
0,01
0,05
0,03
0,00
0,01
0,01
0,02
0,39%
2,68%
2,17%
3,40%
0,16%
0,26%
0,77%
0,08%
0,25%
4,96%
0,07%
0,69%
0,37%
0,07%
0,18%
0,14%
0,26%
1,54%
3,84%
3,33%
4,55%
0,93%
1,03%
1,54%
0,46%
0,64%
5,35%
0,46%
1,07%
0,75%
0,45%
0,56%
0,52%
0,64%
4,35
11,37
9,95
12,63
3,44
4,39
7,26
3,44
6,11
27,06
3,25
10,06
7,39
3,18
5,09
4,52
6,18
4,50
1,80
6,83
6,33
3,75
4,00
4,75
3,50
4,00
8,00
4,00
8,00
5,00
4,00
4,50
3,50
4,50
N
14
4
4
2
2
1
1
1
1
VC
80,42%
16,30%
54,89%
11,04%
12,40%
3,75%
7,90%
3,91%
9,40%
DAP (cm)
7,87
4,52
17,48
8,05
9,23
3,50
11,65
4,14
13,43
Ht (m)
4,6
3,0
5,8
4,5
2,5
3,0
6,0
4,0
5,0
125
N
52
27
22
19
11
11
10
7
6
4
4
4
3
3
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
1
1
VC
0,39
0,21
0,18
0,21
0,09
0,22
0,16
0,06
0,05
0,03
0,06
0,04
0,06
0,02
0,04
0,01
0,02
0,01
0,01
0,01
0,01
0,01
0,01
0,02
0,01
0,01
0,01
0,02
0,01
0,01
0,01
DAP (cm)
4,08
4,30
4,47
6,00
4,82
9,57
7,86
4,51
4,53
4,47
7,79
6,10
9,15
3,98
9,45
3,58
5,35
3,42
3,37
7,00
4,46
3,85
7,48
11,33
3,18
3,92
5,76
8,79
4,04
3,60
4,11
Ht (m)
3,53
3,87
3,55
4,29
5,00
6,45
3,36
4,00
3,47
4,63
5,00
3,88
4,50
3,67
5,00
4,25
4,50
3,80
3,25
5,00
4,00
4,00
5,00
8,00
4,00
3,50
5,00
7,00
4,00
3,00
5,00