Análise bitemporal de áreas queimadas na Mata Atlântica

• Main Authors: Iorrana Figueiredo Sacramento, Roberto Ferreira Machado Michel, Rafael Gomes Siqueira
• Format: Article
• Language: English
• Published: Editora da Universidade Federal de Uberlândia 2020-08-01
• Series: Revista Sociedade & Natureza
• Subjects: classificação de imagem; segmentação de imagem; razão de bandas; seleção de variáveis; incêndios florestais.
• Online Access: http://www.seer.ufu.br/index.php/sociedadenatureza/article/view/53339
• ISSN: 0103-1570; 1982-4513

O estudo de áreas queimadas serve como subsídio para os planos de controle e monitoramento do fogo nas unidades de conservação. Diante dos desafios de caracterização do comportamento espectral de áreas queimadas, este estudo objetivou aplicar o método de classificação orientada a objeto e avaliar a melhor performance do uso conjunto de índices espectrais para o mapeamento de área queimadas na Mata Atlântica do Sul da Bahia. Para tanto, foi realizada análise bitemporal entre 2014 e 2016, considerando a diferença de cada índice espectral entre duas imagens LANDSAT 8: pré e pós-fogo. A classificação orientada a objeto foi executada de maneira supervisionada e automatizada por meio de algoritmos de segmentação, classificação e otimização em ambiente SIG. A classe de intensidade de queimada fraca foi a mais expressiva, com 13,65% da área mapeada, enquanto a classe severa ocupou apenas 0,3%. As áreas queimadas apresentaram um aumento da reflectância na faixa do vermelho e do infravermelho médio e uma diminuição na faixa do infravermelho próximo. O ΔNBR foi o melhor discriminador de áreas queimadas e o conjunto ΔNBR, ΔNBR2, ΔNDMI, ΔSAVI, ΔNDVI, ΔGEMI e ΔMSAVI, apresentou o maior limiar de separação. A validação da classificação feita pelo coeficiente de concordância Kappa obteve um bom resultado (0,72). A seleção de variáveis mostrou-se eficiente na determinação do conjunto de índices espectrais de melhor performance para detecção das classes de queimadas, melhorando a acurácia da classificação e a confiabilidade dos resultados. A etapa de segmentação também se mostrou importante para a eficácia da classificação orientada a objeto, sendo influenciada diretamente pela resolução espacial da imagem.