Métodos de sensoriamento remoto no mapeamento de veredas na APA Rio Pandeiros

Pesquisas voltadas para o uso do sensoriamento remoto na caracterização, delimitação ou distinção das veredas das demais fitofisionomias do cerrado ainda são escassas. Diante disso, este trabalho objetivou distinguir o subsistema vereda, na Área de Proteção Ambiental (APA) Rio Pandeiros, por meio de produtos e técnicas oriundos de sensoriamento remoto. Para isso, recorreu-se a uma gama de produtos orbitais como as imagens óticas do RapidEye sensor REIS (RapidEye Imaging system), imagens do Landsat-8 sensor OLI (Operational Land Image) e dados oriundos do modelo SRTM (Shuttle Radar Topography Misson). Estes produtos foram preparados, através de técnicas de processamento digital de imagens (PDI) a fim de receberem operações automatizadas. Dessa forma, tornou-se possível gerar um conjunto de 18 atributos composto por: bandas dos sensores OLI e REIS, índices de vegetação (NDVI, SAVI, EVI, NDWI), componentes de mistura espectral e imagens frações advindas de transformações por componentes principais. Destaca-se que no arcabouço metodológico procurou-se realizar o conhecimento prévio da realidade espacial do subsistema vereda com visitas a campo. Diante disso, em laboratório, para auxiliar na distinção da classe vereda, construiu uma zona de influência (buffer de 500m) ao longo da rede de drenagem. Posteriormente, realizou-se a classificação de imagens por meio do método Máxima Verossimilhança (MAXVER) e árvore de decisão. Os resultados alcançados possibilitaram a verificação comparativa do poder discriminatório de ambos classificadores no mapeamento de veredas. A acurácia da classificação foi avaliada por meio da matriz de erros de classificação e do coeficiente Kappa. Para tal, com auxílio de receptores do sistema GPS efetuou-se três campanhas na área de estudo com o propósito de colher evidências de campo e validar os resultados. A classificação pelo método árvore de decisão alcançou um resultado mais ajustado em comparação ao método MAXVER, assinalando uma acurácia total de 93% e produzindo coeficiente Kappa de 0.9190. Em relação a acurácias individuais das classes, o classificador árvore de decisão mostrou um resultado satisfatório no tocante à identificação de veredas. No entanto, algumas áreas mapeadas como vereda, não condizem plenamente com a realidade, apresentando erros espaciais destoantes do indicador Kappa. Como é o caso, de algumas regiões em torno do afluente principal do Rio Pandeiros que foram englobadas, mas não são ambientes característicos do subsistema. Todavia, os erros encontrados não inviabilizam o uso do modelo de árvore de decisão proposto para este estudo. Dessa forma, espera-se que o método e os resultados encontrados nesse estudo contribuam efetivamente para o mapeamento, conservação e recuperação do subsistema vereda, ambiente de suma importância ecológica.Researches aimed to the use of Remote Sensing in the characterization, delimitation or distinction of veredas from the others Cerrado phytophysiognomies are still scarce. Due to it, this work aimed to distinguish the vereda subsystem, in the Pandeiros River Environmental Protection Area (EPA), through products and techniques from remote sensing. For this, it resorted from a range of orbital products like RapidEye optical images REIS sensor (RapidEye Imaging System), Landsat 8 images OLI sensor (Operational Land Image) and data from SRTM model (Shuttle Radar Topographic Mission). These products were prepared, through techniques of Digital Images Processing (DIP) in order to receive automated operations. Therefore, it has become possible to generate a set of 18 attributes composed for: bands of OLI and REIS sensors, vegetation indexes (NDVI, SAVI, EVI, NDWI), spectral mixing components and fraction images resulted from transformations for principal components. It should be highlighted that, in the methodological framework, it was necessary carrying out the prior knowledge of the spatial reality of vereda subsystem with field visit. Given this situation, in laboratory, for helping in the distinction of vereda class, it has been constructed an influence zone (500m buffer) along the drainage network. Posteriorly, it was carried out the image classification through Maximum Likelihood Method and Decision Tree. The achieved results allowed the comparative verification of the discriminatory power of both classifiers in the vereda mapping. The classification accuracy was performed through the classification error matrix and Kappa coefficient. For so, with help of GPS receiver system, it was carried out three campaigns in the study area with the purpose of collecting the field truth and validate the results. The classification by Decision Tree method reached a more adjusted result in comparison to maximum likelihood method, pointing out a 93% total accuracy and 0.9190 kappa coefficient. In relation to the individual classes accuracies, the decision tree classifier showed a satisfactory result concerning to the identification of veredas. However, some areas mapped as vereda do not match fully with reality, presenting spatial errors, not compatible with kappa indicator. It is just the case of some regions around the main tributary of Pandeiros river which were included, but are not characteristic environments of the subsystem. However, the found errors do not derail the use of decision tree model proposed by this study. So, it is hoped that the methods and the found results on this study contribute effectively for the mapping, conservation and recovery of vereda subsystem, an environment of major ecological relevance