Método de classificação especialista para imagens de sensoriamento remoto para o mapeamento de áreas de cultivo de cacau-cabruca

Abstract

A Floresta Ombrófila Densa uma das formações florestais do bioma Mata Atlântica, dentre os seis biomas brasileiros, é o mais mapeado, por causa da sua relevância ambiental e descaracterização sofrida ao longo dos anos. Trata-se do bioma brasileiro com menor porcentagem de cobertura vegetal natural. Apesar disso, a Mata Atlântica ainda possui uma importante parcela da diversidade biológica do país. Programas nacionais de monitoramento por satélites revelam em seus relatórios a dificuldade na determinação de classes próximas a da Floresta Ombrófila Densa como é o caso da distinção das áreas de plantio em sub-bosque. No estado da Bahia este tipo de plantio é utilizado para o cultivo do cacau na chamada formação cacau-cabruca. A cabruca é um sistema agroflorestal baseado no plantio de sub-bosque para aproveitamento da sombra de cobertura florestal original, para o crescimento do cacaueiro. Deste modo, ficam presente na cabruca remanescentes arbóreos de grande porte da floresta original. Uma parte da cobertura original é preservada por isso existe grande confusão no processo de classificação baseado no pixel que tenta diferir cabruca de floresta ombrófila densa, principalmente por técnicas de sensoriamento remoto por imagens de média resolução, pois as áreas de cultivo de cacau-cabruca acabam herdando características espectrais da Floresta Ombrófila Densa. O objetivo desta pesquisa foi elaborar um método de classificação especialista de imagens de sensoriamento remoto para o mapeamento das áreas de cabruca. O método consiste na utilização de dados de diferentes fontes: altimetria, relação de proximidade com elementos da paisagem e no seu relacionamento com filtragens de co-ocorrencia e reamostragem estatística. Da análise exploratória empregada sobre os resultados das filtragens obteve-se dados que melhoraram o resultado da classificação estatística tradicionalmente adotada em diferentes fontes. E esses resultados foram concatenados em um modelo único gerando um classificador hibrido. Os resultados indicam um aumento no índice Kappa maior que 20%, utilizando os filtros de co-ocorrencia, informações e bandas adicionais. Por fim, os resultados dos experimentos mostram que a inclusão da base de regras elaborada pelo especialista e sendo ajustada por um procedimento de treinamento automático são capazes de fornecer ganhos sensíveis nas taxas globais de acerto, tanto de métodos estatísticos de classificação quanto métodos geométricos como o de fatiamento