Análise do uso de satélites ópticos no mapeamento de clareiras sob manejo florestal, a partir de técnicas de classificação em inteligência artificial (machine learning) na Floresta Nacional de Altamira

Abstract

A Conferência Rio+20 destacou os benefícios sociais, econômicos e ambientais do Manejo Florestal Sustentável (MFS) como parte dos esforços em direção ao desenvolvimento sustentável (ONU, 2012). Uma análise realizada por Putz et al. (2012) revela que florestas bem manejadas retêm reservas substanciais de biodiversidade, carbono e madeira e devem ser avaliadas como um caminho intermediário entre o desmatamento e a proteção integral. No entanto, é crucial que haja capacidade de monitoramento para garantir sua adequada implementação. As clareiras florestais são consideradas bons indicadores para a avaliação do impacto da atividade madeireira, pois estão relacionadas a processos ecológicos essenciais, todavia, não é fácil mapeá-las. As florestas sob MFS apresentam um mosaico complexo de ambientes, tornando desafiador o monitoramento dessas mudanças por meio de sensores orbitais. Esta pesquisa tem como objetivo, por meio da classificação supervisionada de imagens Cbers 4A WPM, PlanetScope e Sentinel-2 MSI, avaliar a capacidade desses sensores em mapear clareiras florestais, logo após o término da atividade madeireira, em área sob concessão na Floresta Nacional de Altamira. Foram empregadas diversas combinações de bandas espectrais e processamentos, incluindo o cálculo do NDVI, fusão espectral, reamostragem de resolução espacial e técnicas de mapeamento Pixel a Pixel e Análise Baseada em Objetos Geográficos (Geobia), resultando em 14 conjuntos de dados distintos. Cada um foi classificado por meio dos algoritmos baseados em aprendizagem de máquina: K-Nearest Neighbors (KNN), Random Forest (RF) e Support Vector Machine (SVM), totalizando 42 mapeamentos. Foram realizadas três formas diferentes de validação dos resultados: (1) validação baseada no método Out-of-bag (OOB); (2) taxa de detecção da infraestrutura instalada; e (3) validação baseada em mapeamentos realizados com dados Lidar aerotransportado. As médias dos resultados de F-score pelo método OOB foram de 99% para o sensor Cbers 4A WPM, 96,71% para o sensor PlanetScope e de 97,86% para Sentinel-2 MSI. A taxa média de detecção dos pátios de estocagem superou os 99%, alcançando, em média, 60,95% para as estradas principais e 36,97% para as secundárias. A área total de clareiras mapeadas com os sensores ópticos abrangeu, em média, 9,52% da área total em estudo. No entanto, os quantitativos das clareiras mapeadas apresentaram diferenças significativas entre os sensores ópticos. Os resultados das métricas de validação com dados Lidar foram significativamente baixos, confirmando a complexidade em mapear essas feições. Os valores mais elevados obtidos para cada uma dessas métricas ficaram abaixo de 40% para Precisão e Recall e abaixo de 20% para F-score. Todavia, ao restringirmos a validação com dados Lidar às clareiras sobrepostas à infraestrutura instalada, os resultados foram, em média, 150% superiores.