Sensoriamento remoto multissensores para a avaliação temporal da expansão agrícola municipal

• Published in: Bragantia Vol. 69; no. 4; pp. 945 - 956
• Main Authors: Jesus, Silvia Cristina de, Epiphanio, José Carlos Neves
• Format: Journal Article
• Language: English
• Published: 01.12.2010
• ISSN: 0006-8705; 0006-8705
• DOI: 10.1590/S0006-87052010000400021

O objetivo deste trabalho foi analisar a evolução temporal (33 anos) da expansão agrícola usando a técnica de Análise por Componentes Principais (ACP) para a geração de componentes de brilho e verdor, aplicada a dados de múltiplos sensores com distintas características espectrais e de resolução espacial. A partir dessas componentes, a Análise por Vetores de Mudanças (AVM) pode, então, fornecer informações sobre a intensidade e o tipo de mudança ocorrida. Utilizaram-se imagens orbitais MSS/Landsat, TM/Landsat e CCD/CBERS adquiridas entre 1975 e 2008. O coeficiente Kappa variou de 0,18 a 0,41, indicando que a Análise por Vetores de Mudanças exibe concordância fraca ou regular em relação à interpretação visual. Considerando um nível de significância de p=0,05, verificou-se que o resultado da AVM é superior à classificação aleatória. De modo geral, os erros devem-se a confusões espectrais associadas à cobertura do solo natural ou antrópica, tal como campo sujo e pasto, além de incrementos na biomassa vegetal, que podem se referir à regeneração florestal ou desenvolvimento de culturas agrícolas. A AVM foi útil na detecção de mudanças a fim de permitir o uso de múltiplos parâmetros e a análise de suas variações ao longo do tempo. Como dados de entrada, as Componentes Principais mostraram meios diretos e rápidos para a geração de informações de brilho e verdor de uma determinada cena. As componentes principais foram viÁveis na análise da variação desses parâmetros. The main objective was to study the multitemporal expansion of agriculture for 33 years using three different satellites/sensors, by applying Principal Components Analysis techniques in order to generate the components of brightness and greenness for each dataset. The use of these components for the Change Vector Analysis can thus provide information on the intensity and type of change occurred. We used MSS/Landsat, TM/Landsat and CCD/CBERS, acquired between 1975 and 2008. The Kappa coefficients ranged from 0.18 to 0.41, indicating that the change of Vector Analysis had slight or fair agreement with visual analysis. Assuming a significance level of 0.05, it was verified that the result of analysis by Change Vector Analysis is better than a random classification. In general, the errors are due to spectral confusion associated with natural or anthropogenic land use, such as “natural grassland†and grazing, and increases in plant biomass, which may refer to forest regeneration or development of agricultural crops. Change Vector Analysis was useful for detecting changes and it accepts the use of different parameters and considers their variation over time. As input data, the principal components are direct and rapid means for generating information of brightness and greenness of a particular scene. The principal components are feasible in studies involving the analysis of the variation of these parameters.