Mapeamento da antiga cobertura vegetal de várzea do Baixo Amazonas a partir de imagens históricas (1975-1981) do Sensor MSS-Landsat / Mapping ancient vegetation cover of the Amazon floodplain using historical MSS/Landsat images (1975-1981)

Este estudo apresenta um mapa da cobertura vegetal da planície de inundação do Rio Amazonas entre as cidades de Parintins (AM) e Almeirim (PA), com base em imagens Landsat-MSS adquiridas entre 1975 e 1981. O processamento digital dessas imagens envolveu a transformação para imagens-fração de vegetação, solo e água escura (sombra), seguido da aplicação de técnicas de segmentação e classificação por região. O mapa resultante da classificação foi organizado em quatro classes de cobertura do solo: floresta de várzea, vegetação não-florestal de várzea, solo exposto e água aberta. A precisão do mapa foi estimada a partir de dois tipos de informações coletadas em campo: 1) pontos de descrição: para validação das classes de cobertura não sujeitas a grandes alterações, como é o caso dos corpos d'água permanentes, e identificação de indicadores dos tipos de cobertura original presentes na paisagem na ocasião da obtenção das imagens (72 pontos); 2) entrevistas com moradores antigos para a recuperação da memória sobre a cobertura vegetal existente há 30 anos (44 questionários). Ao todo foram coletadas informações em 116 pontos distribuídos ao longo da área de estudo. Esses pontos foram utilizados para calcular o Índice Kappa de concordância entre os dados de campo e o mapa resultante da classificação automática, cujo valor (0,78) indica a boa qualidade do mapa de cobertura vegetal da várzea. Os resultados mostram que a região possuía uma cobertura florestal de várzea de aproximadamente 8.650 km2 no período de aquisição das imagens.

This study presents a vegetation map of the Amazon River floodplain between the towns of Parintins (AM) and Almeirim (PA), based on Landsat-MSS scenes from 1975 to 1981. Digital processing involved the transformation of multispectral images into fraction-images of vegetation, soil and dark water (shadow), followed by the application of segmentation and region-classification techniques. The resulting map was organized four classes of land cover types: floodplain forest, non-forest floodplain vegetation, bare soil, and open water. Map accuracy was estimated from two types of ground data 1) sample points describing ground cover classes not subjected to major changes, such as permanent water bodies, and identifying indicators of the 30 year old vegetation type landscape (72 points); 2) interviews with community early residents for memory recovery of information on the vegetation cover existing in the 1970 (44 interviews). Altogether, 116 information points was collected along the study area. These points were used to calculate the Kappa Index for agreement between the four field-verified classes and the automatic classification, with value (0.78) indicates the good quality of the floodplain vegetation cover map. The region had 8650 km2 coverage of floodplain forest at the time of image acquisition.

Avaliação de técnicas de segmentação e classificação automática de imagens landsat-tm no mapeamento do uso do solo na Amazônia1

Land use mapping is essential for the understanding of global change processes, especially in regions which are experiencing great pressure for development such as the Amazon. Traditionally, these mappings have been done using visual interpretation techniques of satellite imagery, that provide satisfactory results but are time-consuming and highly cost. In this paper, a technique of image segmentation based on region growing algorithm, followed by a per-field non-supervised classification, is proposed. Thus, the thematic classification is based on a set of image elements (pixels), benefiting from contextinformation, therefore minimizing the limitations of the digital processing techniques based on single pixels (per-pixel classification). This approach was evaluated in a typical test site of the Amazon region located to the north of Manaus, AM, using both original Landsat Thematic Mapper images and their decomposition into endmembers such as green vegetation, wood material, shade and soil, named mixture image in this paper. The results were validated by a reference map obtained from proved visual interpretation techniques of satellite imagery and by field check and indicated that automatic classification is feasible to map land use in Amazonia. Statistics tests indicated that there was significant agreement between the automated digital classifications and the reference map (at 95% confidence level).

O mapeamento do uso da terra é fundamental para o entendimento dos processos de mudanças globais, especialmente em regiões como a Amazônia que estão sofrendo grande pressão de desenvolvimento. Tradicionalmente estes mapeamentos têm sido feitos utilizando técnicas de interpretação visual de imagens de satélites, que, embora de resultados satisfatórios, demandam muito tempo e alto custo. Neste trabalho é proposta uma técnica de segmentação da imagens com base em um algoritmo de crescimento de regiões, seguida de uma classificação não-supervisionada por regiões. Desta forma, a classificação temática se refere a um conjunto de elementos (pixels da imagem), beneficiando-se portanto da informação contextual e minimizando as limitações das técnicas de processamento digital baseadas em análise pontual (pixel-a-pixel). Esta técnica foi avaliada numa área típica da Amazônia, situada ao norte de Manaus, AM, utilizando imagens do sensor "Thematic Mapper" - TM do satélite Landsat, tanto na sua forma original quanto decomposta em elementos puros como vegetação verde, vegetação seca (madeira), sombra e solo, aqui denominada imagem misturas. Os resultados foram validados por um mapa de referência gerado a partir de técnicas consagradas de interpretação visual, com verificação de campo, e indicaram que a classificação automática é viável para o mapeamento de uso da terra na Amazônia. Testes estatísticos indicaram que houve concordância significativa entre as classificações automáticas digitais e o mapa de referência (em tomo de 95% de confiança).