1. Repositorio institucional de CLACSO
2. Colección de los Centros Asociados
3. Brasil
4. Departamento de Geografia - DG/USP - Cosecha

Título :	Cartografia do Invisível: Revelando a Agricultura de Pequena Escala com Imagens Rapideye na Região do Baixo Tocantins, Pa. Cartography of the Invisible: Revealing Small-scale Agriculture by RapidEye Imagery in the Region of Lower Tocantins, PA.
Palabras clave :	Land Use and Land Cover;Landscape;Uso e cobertura da terra;paisagem;classificação semiautomática;imagens de alta resolução espacial;RapidEye;Agricultura familiar de pequena escala;classificação digital de imagens;imagens de alta resolução espacial
Editorial :	Universidade de São Paulo. Faculdade de Filosofia, Letras e Ciências Humanas
Descripción :	Remote sensing-derived data combined with the use of digital classification techniques provides a synoptic view and information about the temporal dimension of the studied phenomena on the territory, making possible to generate information about the landscape dynamic and spatial pattern in regions of large territorial extensions such as Amazon. In the mapping of large areas, such as those performed by INPE for the Legal Amazon with satellite images, land use and land cover classes are in general defined as a function of the spatial and radiometric resolution of the sensors used, so that small areas with diversified uses are generally aggregated into single and mixed class. This is the example of the so-called Mosaic of Uses class of the Land Use and Land Cover Monitoring System of the Amazon-TerraClass. This class represents in part, household agriculture, however, as this mapping is carried out based on TM or OLI images from Landsat series satellites, due to its spatial resolution of 30m and the minimum mapping area of 6.25 hectares (ha) defined by TerraClass, the identification of small production scale is compromised, since they are aggregated with other land use and land cover areas no longer distinguishable. For studies that seek to give visibility to small-scale economy spatial patterns, it is necessary to refine these classes with resolution data of better definition. In this context, the main objective of this work is to test three semi-automatic classification algorithms based on pixel and regions were tested, such as MAXVER, Bhattacharya and k-nearest neighbor (KNN) to evaluate theirs refinement capacity of the Mosaic of Uses class of the data produced by TerraClass-2014. The study area comprises part of the municipalities of Cametá, Mocajuba, and Baião, located in the northeastern region of Pará, where the production of cassava, black pepper, cacao, and açaí are economically important for the local population. For the mapping of the categories contained in the Occupancy Mosaic class, images of RapidEye, REIS sensors, orthoimage with 5m spatial resolution were used. The accuracy of the tested algorithms were estimated in 26%, 38% and 78% for MAXVER, Bhattacharya and k-nearest neighbor algorithms, respectively. In addition to the greater Global accuracy (78%), the k-nearest neighbor algorithm presented better results in relation to secondary vegetation, hydrography, and dirty pasture classes, with more than 90% of accuracy. The small-scale agriculture class presented 62% of accuracy, while the other two algorithms tested did not exceed 8%. The methodological approach developed demonstrated the feasibility of using spatial high-resolution images and semi-automatic methods to distinguish land use and land cover classes present into TerraClass's Mosaic of Uses class. The methodology can be used to complement the existing databases for the Amazon (TerraClass, MapBiomas, and IBGE), emphasizing small-scale agricultural categories, giving visibility to their production systems, frequently neglected in large extent mappings. Dados derivados de sensoriamento remoto aliados ao uso de técnicas de classificação digital de imagens fornecem uma visão sinóptica e informações sobre a dimensão temporal dos fenômenos espaciais, possibilitando gerar informações sobre a dinâmica e os padrões espaciais da paisagem em áreas de grandes extensões territoriais como a Amazônia. Nos mapeamentos extensivos, como os realizados com imagens de satélite pelo INPE para a Amazônia Legal, é comum a definição e descrição de classes de uso e cobertura da terra em função da resolução espacial e radiométrica dos sensores utilizados. Por essa razão, pequenas áreas que não atingem o tamanho mínimo da área de mapeamento e/ou com usos diversificados são, em geral, agregadas em uma única classe. Esse é o exemplo da classe denominada Mosaico de Ocupação presente na legenda do sistema de monitoramento do uso e cobertura da terra da Amazônia-TerraClass. Esta classe procura representar, em parte, a agricultura familiar, no entanto, como o mapeamento é feito pelo sensor TM ou OLI dos satélites da série Landsat, com resolução espacial de 30m e como o TerraClass define uma área mínima de mapeamento de 6,25 hectares (ha), a identificação de pequenas áreas agrícolas é comprometida, pois essas categorias são agregadas em classes mistas e não são mais distinguíveis. Para estudos que procuram dar visibilidade aos padrões espaciais de atividades de produção de pequena escala torna-se necessário realizar o refinamento dessas classes com dados de resolução espacial com melhor definição. Neste contexto, o objetivo desse trabalho é testar três algoritmos semiautomáticos de classificação, baseados em pixel e em regiões: os algoritmos MAXVER, Bhattacharya e K-Vizinho Mais Próximo (KNN), para avaliar a capacidade de refinamento da classe Mosaico de Ocupação do dado produzido pelo TerraClass-2014. A área de estudo compreende parte dos municípios de Cametá, Mocajuba e Baião, localizados na região Nordeste do Pará, onde a produção de mandioca, pimenta-do-reino, cacau e açaí têm grande importância econômica para população local. Para o mapeamento das categorias contidas na classe Mosaico de Ocupação, foram utilizadas imagens do RapidEye, sensor REIS, ortoimagens com 5m de resolução espacial. Foi estimada a exatidão global dos algoritmos testados obtendo-se índices de 26%, 38% e 78%, para os algoritmos MAXVER, Bhattacharya e K-Vizinho Mais Próximo, respectivamente. Além da maior exatidão Global (78%), o algoritmo K-Vizinho Mais Próximo apresentou melhores resultados relativo às classes de vegetação secundária, hidrografia, e pasto sujo, com mais de 90% de acerto. A classe agricultura anual de pequena escala apresentou acerto de 62%, enquanto o índice de acerto dos outros dois algoritmos testados não passou de 8%. A abordagem metodológica desenvolvida demonstrou a viabilidade do uso das imagens de alta resolução espacial e de métodos semiautomáticos para a classificação de classes de uso e cobertura da terra associadas à classe Mosaico de Ocupação do TerraClass. A metodologia pode ser utilizada para complementar às atuais bases de dados existentes para a Amazônia (TerraClass, MapBiomas e IBGE), explicitando as categorias agrícolas de produção em pequena escala, dando visibilidade a esses sistemas de produção, frequentemente negligenciados nos mapeamentos que abrangem grandes extensões territoriais.
URI :	http://biblioteca-repositorio.clacso.edu.ar/handle/CLACSO/42323
Otros identificadores :	https://www.revistas.usp.br/rdg/article/view/151603 10.11606/rdg.v38i1.151603
Aparece en las colecciones:	Departamento de Geografia - DG/USP - Cosecha

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.