Detecção de estágios sucessionais por sensoriamento remoto em fragmentos florestais de Altos de Canguçu - RS

Abstract

As florestas secundárias estão em constante aumento à medida que as florestas primárias são degradadas e as áreas produtivas são abandonadas. O mapeamento dos estágios de sucessão das florestas secundárias é importante para apoiar a previsão de impactos, o monitoramento e a conservação ambiental, permitindo avaliar quantitativa e qualitativamente os remanescentes florestais bem como sua distribuição espacial. Neste estudo objetivou-se avaliar o potencial de classificação de estágios sucessionais da Floresta Estacional Semidecídua em uma região da Serra do Sudeste do Rio Grande do Sul a partir de diferentes fontes de dados de sensoriamento remoto e suas sinergias. Foram utilizados dados ópticos Sentinel-2 de reflectância de superfície, dados SAR Sentinel-1 e texturas GLCM (Grey Level Co-Ocurrence Matrix) derivadas e dados geomorfométricos SRTM, os quais compuseram diferentes grupos que serviram como dados de entrada para os classificadores de aprendizagem de máquina Support Vector Machine (SVM), Classification and Regression Tree (CART) e Random Forest (RF). Os procedimentos foram realizados na plataforma Google Earth Engine. O RF apresentou as maiores exatidões globais (93 a 97%), independente do conjunto de dados utilizados como entrada, com o índice kappa variando de 0,89 (dados ópticos e SAR) a 0,95 (dados ópticos, SAR e geomorfométricos). O CART apresentou valores idênticos de exatidão global (92,5%) exceto para o conjunto de dados acrescido das camadas de textura SAR, que apresentou exatidão ligeiramente mais baixa (91,7%); o índice kappa variou de 0,89 a 0,91. O pior desempenho foi o da classificação de dados ópticos por SVM, resultando em 59% de exatidão e 0,37 de índice kappa, todavia, a sinergia de dados ópticos, SAR e geomorfométricos classificados por SVM atingiu 75% de exatidão. A inclusão de camadas de texturas GLCM promoveu aumento da confusão entre as classes para todos os classificadores. Os melhores resultados foram obtidos pela sinergia de dados ópticos, SAR e geomorfométricos classificados por RF, com exatidão global de 97% e índice kappa de 0,95.

Secondary forests are constantly increasing as primary forests are degraded and productive areas are abandoned. The mapping of successional stages of the secondary forests is important to support the prediction of impacts, monitoring and environmental conservation, allowing the quantitative and qualitative assessment of forest remnants as well as their spatial distribution. The aim of this study was to evaluate the potential for classification of successional stages of the Semideciduous Seasonal Forest in a region of Serra do Sudeste in Rio Grande do Sul, using different sources of remote sensing data and their synergies. Sentinel-2 optical surface reflectance data, SAR Sentinel-1 data and GLCM (Grey Level Co-Ocurrence Matrix) derived textures and SRTM geomorphometric data were used, which composed different groups that served as input data for the learning classifiers Support Vector Machine (SVM), Classification and Regression Tree (CART) and Random Forest (RF). The procedures were performed on the Google Earth Engine platform. The RF had the highest global accuracies (93 to 97%), regardless of the data set used as input, with the kappa index ranging from 0.89 (optical and SAR data) to 0.95 (optical, SAR and geomorphometric data) . CART had identical global accuracy values (92.5%) except for the dataset SAR-GLCM texture layers, which had slightly lower accuracy (91.7%); the kappa index ranged from 0.89 to 0.91. The optical data (S2) classification by SVM had the worst performance, resulting in 59% accuracy and 0.37 kappa index, however, the synergy of optical, SAR and geomorphometric data classified by SVM reached 75% accuracy. The inclusion of SAR-GLCM texture layers increased confusion between classes for all classifiers. The best results were obtained by the synergy of optical, SAR and geomorphometric data classified by RF, with global accuracy of 97% and kappa index of 0.95.