O mapeamento de uso e cobertura do solo é uma ferramenta cartográfica importante para aplicação em diversos tipos de projetos. Sua análise permite compreender a evolução das principais estruturas que compõem uma paisagem, permitindo realizar diagnósticos e estudos direcionados para a gestão do território, como zoneamentos ecológicos econômicos, planos diretores, determinação de áreas prioritárias, vetores de expansão, entre outros.
Este case foi realizado como uma contribuição à revisão do Plano Diretor Municipal de Rio Grande/RS, através da utilização de ferramentas de mapeamento do uso do solo, pelo método de análise de imagens baseada em objeto, descrito por Pierre-Daunt e Silva (2019), o qual consiste em uma coleção de ferramentas para sensoriamento remoto acessada através da linguagem de programação Python (BUNTING; CLEWLEY, 2013). Este trabalho foi desenvolvido em parceria justamente com a autora citada, a ecóloga Dra. @Beatriz Pierre-Daunt.
Foram utilizadas imagens dos satélites Landsat 8, sensor Operational Land Imager (OLI), para a órbita 221 e pontos 082 e 083 do sistema de referência WRS-2 adquiridas na forma do produto Landsat Climatic Data Record (CDR), composto por imagens já corrigidas, juntamente com uma máscara identificando a presença de nuvens e sombra de nuvens.
A análise baseada em objeto é uma técnica que exige a segmentação das imagens em objetos geográficos homogêneos que permitem o uso de diversas estatísticas descritivas (BLASCHKE et al. 2010).
Assim, para o mapeamento desta área se optou por utilizar um método de segmentação definido por um conjunto de características espectrais, que o dado por pixel não possibilita. Após a geração dos objetos foi atribuído a cada um deles os valores médios da reflectância dos pixels que compuseram este objeto, separadamente para cada banda.
Desta forma, para a classificação dos objetos, foram coletadas amostras de treinamento para classes de uso da terra definidas de acordo com sua ocorrência na área de estudo.
Foi utilizado o algoritmo Random Forests para classificação supervisionada baseada em árvores de classificação e regressão, que utiliza um conjunto de árvores de decisão construídas através da aleatorização das amostras de treinamento, compondo assim uma “floresta” (BREIMAN, 2001).
Após a classificação automática dos objetos, com o objetivo de maximizar a acurácia de classificação de uso e cobertura da terra, foram realizadas correções manuais dos resultados através de interpretação visual das imagens Landsat, na escala 1:25.000.
Com os resultados obtidos foram definidas 11 classes de uso e cobertura da terra, sendo que a rizicultura, o ecossistema de banhados e a vegetação de campos naturais representam aproximadamente 76% do total da área do município de Rio Grande/SP. Os recursos hídricos perfazem quase 4,5% do total do território e as áreas degradadas, 4%.
REFERÊNCIAS BIBLIOGRÁFICAS
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing. Journal of Photogrammetry and Remote Sensing, 65(1), 2–16. Retrieved from https://doi.org/10.1016/j.isprsjprs.2009.06.004
Breiman, L. (2001). Randomforest2001. Machine Learning, 45(1), 5–32.https://doi.org/10.1017/CBO9781107415324.004
Bunting, P., & Clewley, D. (2013). The Remote Sensing and GIS Software Library. Computers and Geosciences, 60, 216–226.
Pierri Daunt, A. B.; Silva, T. S. F. (2019). Beyond urban and forest dichotomy: the drivers of landscape change in the coastal region of northern São Paulo state. Landscape and Urban Planning 189, 352–361.
