( PDF ) Caracterização e mapeamento da vegetação e uso do solo da reserva extrativista do Baixo Juruá, Amazonas

Download PDF

ads:

INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA – INPA

UNIVERSIDADE FEDERAL DO AMAZONAS - UFAM

Programa Integrado de Pós-graduação em Biologia Tropical e Recursos Naturais

Programa de Pós-graduação em Ciências de Florestas Tropicais

CARACTERIZAÇÃO E MAPEAMENTO DA VEGETAÇÃO E USO

DO SOLO DA RESERVA EXTRATIVISTA DO BAIXO JURUÁ,

AMAZONAS.

RAPHAEL LEDUC DO ESPIRITO SANTO

Manaus, Amazonas

Junho, 2007

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA – INPA

UNIVERSIDADE FEDERAL DO AMAZONAS - UFAM

Programa Integrado de Pós-graduação em Biologia Tropical e Recursos Naturais

Programa de Pós-graduação em Ciências de Florestas Tropicais

CARACTERIZAÇÃO E MAPEAMENTO DA VEGETAÇÃO E USO DO

SOLO DA RESERVA EXTRATIVISTA DO BAIXO JURUÁ,

AMAZONAS.

RAPHAEL LEDUC

ORIENTADOR: DR. JOAQUIM DOS SANTOS

CO-ORIENTADOR: DR. PAULO MAURÍCIO LIMA DE ALENCASTRO GRAÇA

Dissertação apresentada como parte dos

requisitos para obtenção do título de Mestre

em CIÊNCIAS DE FLORESTAS

TROPICAIS, área de concentração em

Manejo Florestal.

Manaus, Amazonas

Junho, 2007

ads:

E77 Leduc, Raphael

Caracterização e mapeamento da vegetação e uso do solo da Reserva

Extrativista do Baixo Juruá, Amazonas/ Raphael Leduc do Espirito Santo.

--- Manaus : [s.n.], 2007.

Xi, 96f. : il.

Dissertação (mestrado)—INPA/UFAM, Manaus, 2007

Orientador: Santos, Joaquim dos

Co-orientador: Graça, Paulo Maurício Lima de Alencastro

Área de concentração: Manejo Florestal

1. Sensoriamento remoto 2. Uso do solo 3. Manejo Florestal

4. Reserva Extrativista do Baixo Juruá. I. Título.

CDD 19.ed. 634.928

iii

AGRADECIMENTOS

Agradeço a Deus e a todas as pessoas que diretamente ou indiretamente contribuíram com

a realização deste trabalho.

Ao corpo docente do Programa de Pós-Graduação do INPA e ao CNPQ pelo auxílio

financeiro através da concessão da bolsa de mestrado.

Aos meus orientadores, Dr. Joaquim dos Santos e Dr. Paulo Maurício Graça pela amizade,

atenção e ensinamentos.

Aos bravos amigos de trabalho de campo: Wanderley, Raycleuton, Valdo e Vando, sempre

dispostos a embrenhar-se mata adentro. Selva!

Ao Laboratório de Manejo Florestal do INPA, aos amigos Adriano e Vilany e ao Dr. Niro

Higuchi.

Ao Dr. Moacir Campos (INPA/ SIPAM) pelo grande apoio dado no início dos trabalhos.

Ao IBAMA-Tefé e ao Projeto ARPA, em especial a Dra. Maria Goretti pelo apoio logístico e

financeiro do levantamento de campo.

À ASTRUJ (Associação dos Trabalhadores Rurais do Baixo Juruá), em especial ao amigo

Sr. Joãozinho e sua família sempre prestativa e eficiente.

Aos comunitários da Resex pela hospitalidade e amizade. Ao povo do Juruá, pessoas como

Sr. Raimundo, Sr. Chicó, Dona Cota e muitos outros, os verdadeiros guardiões da floresta.

Agradeço a todos os amigos, em especial aos Galerosos CFT/2005. À Paty e ao Kinkas pela

amizade de longa data e pelo gancho de rede disponibilizado logo quando cheguei à

Manaus. À Juliana, minha querida princesa do Solimões, pelo entusiasmo e sorriso

cativante, companheira pra toda hora. Ao Rod e seus conselhos madrugada adentro, a doce

Clarinha. Ao Seu Emílio que manteve o mesmo preço do aluguel nesses 2 anos, à Gale, à

Morla, enfim, minha família amazonense. Aos colegas da turma de 2004, ao amigo Ralph

pelas informações geograficamente indispensáveis. Muito obrigado!

Ao Departamento de Engenharia Florestal da UFPR, professores, amigos e pessoal do

xerox, à toda turma de 1999, a rapaziada do rock.

Agradeço ao apoio e carinho “à distância” da minha família curitibana: Aos meus pais pela

educação e por terem sempre acreditado no meu esforço. À Cã, à Tita, e em especial à

querida Lorena. Aos queridos avós, bisavós, tios, primos, cunhados, chegados, anexados

em geral, enfim, minha família!

Finalmente, aos que contribuíram nesta dissertação de maneira direta e indiretamente, mas

que foram omitidos neste momento.

RESUMO

As Reservas Extrativistas tem sido uma vitrina do movimento mundial pela devolução

do controle de terra de áreas de florestas tropicais às comunidades tradicionais. A

justificativa deste movimento é que a devolução de terras de florestas tropicais aumentaria

as chances de promoção do desenvolvimento sustentável. No planejamento do uso do solo,

os diversos atributos da terra devem ser analisados e avaliados com vistas a um uso ótimo e

sustentável. A aliança entre técnicas do sensoriamento remoto e indicadores biofísicos pode

ser valiosa para estudos de diagnose e monitoramento, como uma ferramenta para

preencher o abismo entre os estudos locais/ intensivos e aqueles globais/ amplos,

respondendo às necessidades dos tomadores de decisão e gestores. Desta forma, o

presente trabalho teve como finalidade mapear e caracterizar a vegetação e o uso do solo

da Reserva Extrativista do Baixo Juruá, no Estado do Amazonas, utilizando técnicas de

sensoriamento remoto e dados de coleta de campo. Os dados utilizados foram imagens do

satélite Landsat TM, do radar SRTM e dados de inventário florestal. As imagens de satélite e

radar foram pré-processadas e ajustadas. Das imagens de satélite foram derivadas imagens

fração solo, sombra e vegetação por meio da técnica de modelo linear de mistura espectral.

Da imagem de radar foram gerados mapas altimétricos e de declividade. As imagens fração,

os mapas e 6 bandas do sensor TM serviram de dados de entrada em uma classificação por

árvore de decisão, sendo gerado um mapa final de cobertura e uso do solo da RESEX do

Baixo Juruá. Foram obtidas 9 classes de cobertura e uso do solo. As variáveis mais

utilizadas na distinção das classes foram as imagens fração. O SRTM foi fundamental na

separação das florestas de Terra-firme e alagadas. O índice de exatidão global da

classificação foi 93,4%, e a estatística Kappa foi de 0,92. Nesta avaliação foi detectada uma

grande área de floresta derrubada por distúrbio natural (Blowdown) de aproximadamente

400 ha, próximo da cidade de Juruá. Na imagem fração sombra foram detectadas manchas

de floresta com valores de fração sombra diferenciados do restante da área. Em campo foi

verificado que essas manchas correspondem a adensamentos populacionais mono

específicos pertencentes ao gênero Discocarpus sp.

ABSTRACT

The Extractivist Reserves have been a show window for the world-wide movement for

the devolution of the land control of areas of tropical forests for the traditional communities.

The justification of this movement is that the land devolution of tropical forests would

increase the possibilities of promotion of the sustainable development. The alliance enters

the techniques of the remote sensing and the biophysical pointers can be valuable for

studies of diagnose and monitoring, as a tool that fills the abyss between global and the local

studies, answering to the necessities of the borrowers of decision and managers. The

present work intends to consider a characterization of the natural resources of the Extractivist

Reserve of the Baixo Juruá using techniques of remote sensing and data of collection of field

and Forest Inventory, discriminating the different landscapes of the RESEX and quantifying

its lumber potential. The data used in this work had been images of satellite (Landsat 5TM),

radar (SRTM) and data of carried through forest inventories for the implantation of the Plan of

Handling of the RESEX of the Baixo Juruá. The images of satellite and radar were pre-

processed and had been adjusted. From the satellite images, had been derived fraction

images of soil, shade and vegetation using the technique of linear model of spectral mixture.

Of the radar image hypsometric and declivity maps had been generated. The fraction

images, the maps and the 7 bands of the satellite had served of input data in a classification

for decision tree, to generate the map of covering of the ground of the Rexes of the Baixo-

Juruá. 9 classrooms of vegetal covering and use of the ground had been gotten. The most

used variable in the distinction of the classrooms had been the fraction images. The SRTM

was basic in the separation of the flooded forests of the terra-firme. The global accuracy of

the classification was 93,4%, and the Kappa statistics it was of 0,92. In this evaluation a

great area of forest knocked down for natural riot (Blowdown) of 400 ha was detected,

approximately next to the city of Juruá. In the fraction image of shade spots of forest with

different values of shade fraction had been detected. In field it was verified that these spots

correspond to monospecific population pertaining to the genera Discocarpus sp.

LISTA DE TABELAS

Tab.1- Faixas Espectrais de cada Banda do Sensor TM do LANDSAT 5................ 19

Tab.2- Características da imagem LANDSAT-TM utilizada...................................... 31

Tab.3- Características da imagem SRTM utilizada. ................................................. 32

Tab.4- Valores de radiância Lmax e Lmin (W / m

.sr. µm) e irradiância solar (E

solar

)

(W / m

.µm) utilizados na conversão de número digital para reflectância aparente. 35

Tab.5- Variável e o seu respectivo arquivo associado, utilizada pelo classificador.. 50

Tab.6- Relação de atributos e a quantidade de vezes que eles foram utilizados pelo

algorítmo. (*Atributos não utilizados)........................................................................ 50

Tab.7- Índices de Jeffries-Matusita e Transformada de divergência Os números em

vermelho mostram os valores abaixo de 1,9 e os números acima deste valor estão

em verde................................................................................................................... 51

Tab.8- Panorama comparativo dos valores médios das proporções dos componentes

extraídos de 20 amostras de 4 x 4 pixels ................................................................. 53

Tab.9- Matriz de confusão; TF=Terra Firme; FS=Floresta secundária; A/solo=

Bancos de areia e solo exposto; Desm=Desmatamento recente/roça nova;

F.A.A=Floresta Alagável alta; Agrop=Agropastoril; F.A.B=Floresta Alagada baixa;

F.I=Floresta de Igapó. .............................................................................................. 61

Tab.10- Quantificação da cobertura da terra separada em classes, obtidas pelo

classificador por árvore de decisão .......................................................................... 62

Tab.11- Valores médios por hectare dos parâmetros biométricos nos transectos... 72

vii

LISTA DE FIGURAS

Fig.1- Mapa de vegetação com a classificação feita pelo Projeto RADAMBRASIL. 14

Fig.2- Curva espectral representando a reflectância típica de uma folha verde e

sadia. FONTE: adaptada de Hoffer (1978, p.232).................................................... 17

Fig.3- Área de cobertura do sobrevôo da SRTM...................................................... 26

Fig.4- Exemplo da entrada de dados do classificador por Árvore de decisão.......... 27

Fig.5- Localização da área de estudo. Reserva Extrativista do Baixo Juruá/AM. .... 29

Fig.6- Na figura da esquerda: Vista aérea da sede do município de Juruá/AM. Na

figura da direita: Pastagem na área rural da cidade................................................. 30

Fig.7- Espaço bidimensional compreendendo as Bandas 3 e 4 do sensor

TM5Landsat. O triângulo vermelho corresponde a área da distribuição de pontos e

os retângulos brancos indicam a provável localização dos pixels puros.................. 36

Fig.8- Fluxograma da metodologia aplicada na classificação temática.................... 39

Fig.9- Esquema da instalação no campo de um transecto composto de 6 sub-

unidades................................................................................................................... 40

Fig.10- Modelo de unidade amostral composta por 4 sub-amostras. Higuchi et al

(1982)....................................................................................................................... 40

Fig.11- Curva espectral dos alvos: vegetação (a), solo (b) e água (c), em reflectância

aparente (sem correção) e reflectância de superfície (após correção). Os valores

para as bandas 5 e 7 estão em reflectância aparente.............................................. 43

Fig.12- Curvas espectrais dos alvos puros selecionados para a determinação do

modelo linear de mistura espectral........................................................................... 44

Fig.13- (A) Composição colorida TM/Landsat 5 (R5G4B3) da região de Juruá/AM;

(B) Imagem fração solo; (C) Imagem fração sombra; e (D) Imagem fração vegetação.

................................................................................................................................. 45

Fig.14- Imagem SRTM da região do Baixo Juruá /AM, na resolução 30 metros...... 46

Fig.15- Perfil esquemático da divisão em sub-classes das Florestas Alagáveis,

adaptado de Wittmann et al. (2002).......................................................................... 47

Fig.16- Fotografia aérea da região da Floresta Alagada Baixa de Igapó, em

10/10/2007. Em “A” e “B” as setas pretas indicam a linha limítrofe entre áreas

alagáveis e não alagáveis. ....................................................................................... 48

Fig.17- Árvore de Decisão. Retângulos em cinza (nó de decisão) apresentam as

expressões utilizadas pelo algoritmo. Os retângulos coloridos representam os nós da

classificação final...................................................................................................... 49

Fig.18- Área de uso do solo na Comunidade do Botafogo, Juruá/AM. Em (A)

Composição colorida TM/Landsat 5 (R5G4B3). Setas brancas indicam novas áreas

agrícolas; (B) Imagem fração solo; (C) Imagem fração sombra, setas vermelhas

indicando áreas sem floresta e círculo vermelho indicando floresta intacta, e (D)

Imagem Fração Vegetação, círculos vermelhos indicam florestas secundárias....... 52

Fig.19- (a) Regeneração densa de Cecrópia, (b) área em regeneração pós-roçado,

juntamente com plantios de andiroba (agrofloresta)................................................. 54

Fig.20- Área abandonada pós-roça.......................................................................... 54

Fig.21- Em (A) plantio de Andiroba consorciado com outras frutíferas em meio a

floresta secundária formada após abandono do roçado, e (B) características

espectrais das classes em uma composição RGB543 Landsat/TM......................... 55

Fig.22- Comunidade de Arati. Em (A) composição RGB543; (B) Imagem fração solo

e (C) Fração Vegetação. Em (A), (B) e (C) elipse vermelha indica a Floresta de

Terra-Firme, setas brancas e azuis indicam áreas de menor cobertura vegetal

(Desmate recente) e setas vermelhas indicam pasto. Em (C), seta amarela indica

área de transição entre Pasto e Desmate recente. .................................................. 56

viii

Fig.23- (A), composição RGB543. Setas brancas indicam áreas de roçados antigos;

em (B), setas branca indicam áreas de roçado antigo gerado pela classificação por

árvore de Decisão; (C), roçado antigo com aproximadamente 1 ano e meio, e “D”

pasto sujo aparentando bastante semelhança com as áreas roçado antigo............ 57

Fig.24- Diagrama ternário das proporções de cada componente puro utilizado no

MLME....................................................................................................................... 58

Fig.25- Em “A”, grande quantidade de vegetação morta, queimada e com algumas

espécies arbóreas permanecendo em pé. Em “B”, fotografia aérea de 10/10/2007

mostrando o padrão de desflorestamento em comunidades tradicionais da Resex do

Baixo Juruá............................................................................................................... 59

Fig.26- (A) e (B) Imagem aérea da floresta de igapó no período de seca

(10/10/2007). Setas pretas indicam a baixa densidade da cobertura vegetal e o solo

exposto logo abaixo do dossel. (C) Floresta de Igapó em destaque na composição

RGB543, (D) Imagem fração vegetação e (E) Imagem fração solo. ........................ 60

Fig.27- Cobertura do solo na RESEX do Baixo Juruá.............................................. 62

Fig.28- Mapa final da classificação. Reserva Extrativista do Baixo Juruá (AM)....... 63

Fig.29- Modelo da “casa nova” viabilizada pelo Incra e Ibama por meio de crédito

habitação. Com. Igarapé do Branco......................................................................... 65

Fig.30- Características das 3 principais classe de uso do solo nas comunidades da

Resex ....................................................................................................................... 66

Fig.31- Área total em hectares das modalidades de uso do solo por comunidade. . 67

Fig.32- Comunidade do Botafogo. (a) Área de influência da comunidade (1.400ha) e

(b) porcentagem ocupada por cada classe dentro da área de influência ................. 68

Fig.33- Comunidade de Antonina. (a) Fotografia aérea (10/10/2007), (b) Área de

influência da comunidade (1.400ha) e (c) porcentagem ocupada por cada classe

dentro da área de influência..................................................................................... 69

Fig.34- Comunidade Vai-Quem-Quer. (a) Área de influência da comunidade

(1.400ha) e (b) porcentagem ocupada por cada classe dentro da área de influência

................................................................................................................................. 69

Fig.35- Comunidade Morada Nova. (a) Fotografia aérea (10/10/2007), (b) Área de

influência da comunidade (1.400ha) e (c) porcentagem ocupada por cada classe

dentro da área de influência..................................................................................... 69

Fig.36- Comunidade de Arati. (a) Fotografia aérea (10/10/2007), (b) Área de

influência da comunidade (1.400ha) e (c) porcentagem ocupada por cada classe

dentro da área de influência..................................................................................... 70

Fig.37- Comunidade Forte das Graças I e II. (a) Fotografia aérea (10/10/2007), (b)

Área de influência da comunidade (1.400ha) e (c) porcentagem ocupada por cada

classe dentro da área de influência.......................................................................... 70

Fig.38- Comunidade de São Francisco e 8 Voltas. (a) Fotografia aérea (10/10/2007),

(b) Área de influência da comunidade (1.400ha) e (c) porcentagem ocupada por

cada classe dentro da área de influência ................................................................. 70

Fig.39- Comunidade do Escondido. (a) Fotografia aérea (10/10/2007), (b) Área de

influência da comunidade (1.400ha) e (c) porcentagem ocupada por cada classe

dentro da área de influência..................................................................................... 71

Fig.40- Comunidade do Cumarú. (a) Fotografia aérea (10/10/2007), (b) Área de

influência da comunidade (1.400ha) e (c) porcentagem ocupada por cada classe

dentro da área de influência..................................................................................... 71

Fig.41- Comunidade do Igarapé do Branco. (a) Área de influência da comunidade

(1.400ha) e (b) porcentagem ocupada por cada classe dentro da área de influência

................................................................................................................................. 71

Fig.42- Distribuição dos transectos ao longo a RESEX. .......................................... 72

Fig.43- Valores médios por hectare dos parâmetros biométricos por comunidade.. 73

Fig.44- Proposta de localização da Unidade de Manejo Florestal na Comunidade

Vai-Quem-Quer. (a) Classificação por árvore de decisão, (b) Mapa de declividade

(SRTM) e (c) cruzamento dos dois planos de informações anteriores (a+b)............ 74

Fig.45- Proposta de localização da Unidade de Manejo Florestal na Comunidade

Cumarú. (a) Classificação por árvore de decisão, (b) Mapa de declividade (SRTM) e

Fig.46- Área localizada na zona rural da cidade de Juruá/AM detectada na cena

Landsat/TM 01/62 de 04/09/2005............................................................................. 75

Fig.47- Recorte da cena 01/62 do Landsat/TM de 25/11/2000 indicando, na elipse

em branco, a área afetada por distúbio natural blowdown. Para efeito de

comparação, a seta preta indica a pista do aeroporto de Juruá/AM......................... 77

Fig.48- As setas brancas indicam uma possível trajetória seguida por estes micro-

ventos rotatórios e mostram, no final destas trajetórias, as porções mais distantes do

centro de impacto..................................................................................................... 77

Fig.49- Seqüência de recortes das cenas Landsat/TM5 na composição RGB543. A

seqüência nos mostra a área afetada por distúrbio natural, o provável período do

acontecimento e a conseqüente recuperação da floresta. ....................................... 78

Fig.50- Composição colorida RGB543, Landsat/TM da área onde se detectou uma

das “manchas”. Pontos brancos mostram os pontos de GPS coletados.................. 79

Fig.51- Curvas espectrais da Floresta primária de Terra Firme e Floresta Mancha. 80

Fig.52- Imagens fração solo(a) e sombra(b) mostrando a variação dos níveis de

cinza na área de estudo. .......................................................................................... 81

Fig.53- Proporção das componentes nas 3 frações para a Floresta “Mancha” e

Floresta primária....................................................................................................... 81

Fig.54- Características da floresta mancha, em (a) dossel baixo e dominado por

apenas uma espécie, em (b) espécie com raízes características de áreas alagáveis e

(c) serapilheira.......................................................................................................... 82

Fig.55- Vista aérea da Floresta Mancha. Elipse vermelha indicando agrupamentos

monoespecíficos de Discocarpus sp. ....................................................................... 83

SUMÁRIO

1. Introdução............................................................................................................... 1

2. Objetivos:................................................................................................................ 5

2.1 Geral:.................................................................................................................... 5

2.2. Específicos: ......................................................................................................... 5

3. Revisão de literatura............................................................................................... 6

3.1 A Falta de planejamento, o mau uso do solo na Amazônia e suas alternativas... 6

3.2 Reservas Extrativistas (RESEX)........................................................................... 8

3.3 Caracterização da vegetação............................................................................. 11

3.4 Tipologias florestais............................................................................................ 12

3.4.1 Levantamento preliminar como apoio ao Inventário Florestal ......................... 13

3.5 Análise estrutural da Floresta............................................................................. 15

3.5.1 Estimativa dos Parâmetros Dendrométricos.................................................... 15

3.6 Sensoriamento Remoto como ferramenta para o estudo da vegetação............. 16

3.6.1 Comportamento espectral da vegetação......................................................... 16

3.6.2 Influência da resolução espacial na classificação............................................ 19

3.7 Pré-processamentos........................................................................................... 20

3.7.1 Correção geométrica....................................................................................... 20

3.7.2 Correção atmosférica e Calibração Radiométrica ........................................... 21

3.7.3 Modelo linear de mistura espectral.................................................................. 22

3.8 SRTM e o Modelo Digital de Elevação............................................................... 23

3.9 Técnicas de classificação de imagens................................................................ 26

3.10 Classificação por Árvore de Decisão................................................................ 27

4. Material e Métodos............................................................................................... 29

4.1 Descrição e Localização da área de estudo....................................................... 29

4.1.2 Características fisiográficas............................................................................. 29

4.2 Materiais e equipamentos................................................................................... 31

4.2.1 Equipamentos utilizados no levantamento de campo...................................... 31

4.2.2 Produtos em formato digital............................................................................. 31

4.2.3 Aplicativos computacionais:............................................................................. 32

4.3 Metodologia........................................................................................................ 32

4.3.1 Pré-processamento das imagens digitais Landsat-TM5.................................. 32

4.3.1.1 Mosaico de imagens..................................................................................... 32

4.3.1.2 Correção atmosférica e Calibração Radiométrica ........................................ 33

4.3.1.3 Correção geométrica .................................................................................... 35

4.3.1.4 Modelo linear de mistura espectral............................................................... 35

4.3.2 Dados do SRTM e a construção do Modelo Digital de Elevação..................... 37

4.3.3 Classificação por Árvore de Decisão............................................................... 38

4.3.3.1 Avaliação da classificação............................................................................ 39

4.3.4 Inventário Florestal.......................................................................................... 40

4.3.4.1 Estimativa dos parâmetros da estrutura diamétrica...................................... 40

4.3.5 Identificação de áreas com potencial para instalação de unidades de Manejo

Florestal.................................................................................................................... 42

5. Resultados e Discussão....................................................................................... 43

5.1 Técnicas de pré-processamento de imagens..................................................... 43

5.1.1 Correção atmosférica ...................................................................................... 43

5.1.2 Correção geométrica....................................................................................... 44

5.1.3 Modelo Linear de Mistura Espectral ................................................................ 44

5.2 Dados SRTM no delineamento das florestas alagadas...................................... 45

5.3 Classificação pela técnica de Árvore de Decisão............................................... 49

5.4 Análise pelo índice de Jeffries-Matusita e Transformada de divergência........... 51

5.5 Análise da classificação por Árvore de Decisão................................................. 52

5.6 Avaliação da exatidão do mapeamento resultante da técnica de Árvore de

Decisão..................................................................................................................... 61

5.7 A cobertura da terra na RESEX do Baixo Juruá................................................. 62

5.8 A cobertura e o uso do solo nas comunidades da Resex do Baixo - Juruá........ 64

5.8.1 Áreas sob influência das comunidades ........................................................... 68

5.9 Identificação de áreas para manejo florestal sustentável na Resex................... 72

5.10 Detecção e mapeamento de áreas afetadas por distúrbios naturais................ 75

5.11 Detecção de “Manchas” de vegetação e expedição ao campo ........................ 79

6. Conclusão............................................................................................................. 84

7. Referências Bibliográficas .................................................................................... 85

1. Introdução

Um dos principais desafios da atualidade e para o futuro do Brasil consiste em

promover o desenvolvimento regional e a diversificação da matriz produtiva de forma a gerar

emprego e renda locais e incorporar modelos de uso sustentável dos recursos naturais.

Na busca de alternativas ao cenário de desmatamento e empobrecimento que ocorre

atualmente nas florestas tropicais do mundo, vários trabalhos vêm procurando demonstrar o

potencial produtivo dos ecossistemas florestais, buscando comprovar a superioridade

ecológica e econômica destes recursos, quando comparado aos sistemas agrícolas ou

pecuários (Balick, 1985; Panayotou & Ashton, 1992).

Alguns problemas específicos, como o mau uso do solo e a falta de conhecimentos

sobre a biodiversidade e distribuição da vegetação, contribuem com a degradação do

ambiente. Neste sentido, a caracterização e o mapeamento da vegetação são ferramentas

indispensáveis para orientar o planejamento do uso do solo.

O planejamento de áreas silvestres pode ser considerado como o estudo das

alternativas de manejo aplicáveis a uma determinada área. Esse tipo de planejamento difere

daquele relacionado ao simples ordenamento do uso da terra para fins econômicos, entre

outros, pelo fato dos seus objetivos estarem associados a bens e serviços que

tradicionalmente não têm sido levados em conta como objetos de manejo e

desenvolvimento e as fontes de informações sobre suas produtividades econômicas e

biológicas serem geralmente escassas e subjetivas (Thelen & Dalfelt, 1979).

A Floresta Amazônica é caracterizada pela diversidade de tipologias da vegetação,

(Braga, 1979) estimou a área florestal original da bacia amazônica em aproximadamente

3.648.000 km

sendo que as florestas densas de terra-firme são predominantes e ocupam

aproximadamente 3,3 milhões de km

O universo dessa população florestal natural, para cumprir com suas finalidades

recreativas, sociais, econômicas e de proteção ao meio ambiente, necessita que suas

características sejam conhecidas. Normalmente, o Inventário Florestal é o primeiro passo

para lançar a base de pesquisas referentes a recursos naturais e também para tomada de

qualquer decisão relacionada ao uso da terra. Atualmente, com a crescente valorização da

terra e de sua cobertura vegetal, mais se tornam necessários os Inventários Florestais, os

quais permitem descrever a quantidade e a qualidade das espécies florestais ocorrentes e

muitas das características do terreno (Higuchi et al, 1982).

Aliadas aos Inventários Florestais estão as imagens de satélite, que têm sido

utilizadas para avaliar o estágio de crescimento e identificar a composição arbórea de

florestas diversas. Várias técnicas de processamento de imagens são utilizadas para a

extração de informações sobre tipos e parâmetros de vegetação, dentre as quais se

destacam os índices de vegetação, a classificação de imagens e a decomposição de dados

espectrais, como a análise de misturas espectrais. Também, os índices de vegetação

obtidos pelo sensoriamento remoto podem ser usados como indicadores biofísicos (Gamon

et al., 1995). Em florestas tropicais, os índices de vegetação foram associados à diversidade

de espécies de árvores e à biomassa florestal (Amaral et al., 1997; Sousa & Ponzoni, 1998;

Boyd et al., 1999; Foody et al., 2001; Foody et al., 2003).

O desconhecimento das potencialidades naturais de uma região leva à utilização de

técnicas inapropriadas de uso do solo, tendo como fim a formação de pastagens e formas

de uso do solo altamente degradantes e improdutivas.

Os primeiros naturalistas que viajaram pela Amazônia consideravam que os solos da

região eram muito férteis e com grandes aptidões agrícolas, associando a exuberância da

floresta com a fertilidade do solo. Mais recentemente, durante o milagre econômico

brasileiro, os tomadores de decisões também caíram nessa mesma armadilha e tentaram

implantar na Amazônia o “celeiro do mundo”. No entanto, após a derrubada e queima da

floresta os cultivos agrícolas não se sustentam por muito tempo. Em outras palavras, após

dois ou três anos o solo perde a sua capacidade de manter as culturas e se degrada,

levando os agricultores a abandonarem a área e procurarem outras áreas de floresta para

derrubar.

A expansão das fronteiras agrícolas para o Norte do Brasil nos anos 70 e 80

caracterizou-se por um ineficaz modelo de ocupação da Amazônia. Os projetos de

assentamento mostraram-se inadequados do ponto de vista social e ambiental; a

transformação de seringais em áreas de pastagens e plantio foi nociva ao ecossistema e

trouxe questionável êxito econômico. Em nome do desenvolvimento regional e da produção

de alimentos, já foram desmatados mais de 60 milhões de hectares de florestas primárias e

a região continua não sendo auto-suficiente em alimentos e em outros artigos de primeira

necessidade; ou seja, a Amazônia não ficou mais rica com a destruição de suas florestas.

Vários autores são críticos a este modo de ocupação e atribuem o fracasso deste

modelo, entre outros fatores, à adoção de sistemas econômicos não apropriados às

condições ecológicas da região tropical devido à baixa fertilidade natural dos solos e clima

predominantemente florestal (Fearnside, 1986; Móran & Herrera, 1984, Toledo, 1991). Este

tipo de modelo de ocupação predatória está relacionado com a carência de propostas de

manejo florestal sustentado devido à falta de informações ecológicas deste ecossistema

como um todo, de modo a prever impactos ecológicos no sistema quando submetidos a

algum tipo de manejo (Peters, 1996a).

A isso se acrescenta o processo de fragmentação das florestas, com conseqüências

sobre a diminuição do tamanho e o isolamento de populações de plantas e animais. De

maneira geral, as florestas passam por um processo gradativo de perda de diversidade

biológica e diminuição de suas funções ecológicas (Viana & Tabanez, 1996). Dessa forma,

os remanescentes de florestas primárias na Amazônia estão destinados a experimentar um

processo de fragmentação e empobrecimento biológico. Isso aumenta a importância das

áreas protegidas em Unidades de Conservação e reservas indígenas, que devem ser

protegidas e manejadas de maneira apropriada.

Reagindo a essa tendência de ocupação, a mobilização das comunidades

extrativistas na segunda metade da década de 80 foi decisiva para a consolidação da

proposta do modelo de Reservas Extrativistas como um sistema de utilização da terra que

possui o potencial de conciliar a proteção de florestas com as necessidades e direitos dos

habitantes tradicionais das florestas tropicais, a fim de melhorar seu padrão de vida. O

processo de implantação de RESEX é resultado de um longo histórico de disputas sociais

pela propriedade de terras da Amazônia brasileira (Allegretti, 1990). Criadas a partir da

década de 90, tais reservas tornaram-se também uma alternativa para o modo de

assentamento na Amazônia uma vez que as áreas de propriedade da União são geridas

coletivamente pelas comunidades residentes.

As Reservas Extrativistas tem sido uma vitrina para o movimento mundial que busca

a devolução do controle de áreas de florestas tropicais pelas comunidades tradicionais. A

justificativa deste movimento é que a devolução de terras de florestas tropicais aumentaria

as chances de promoção do desenvolvimento sustentável.

Uma questão chave que se segue à implantação de reservas extrativistas

tradicionais é o desafio de aumentar a produtividade e obter a sustentabilidade dos sistemas

de produção e do manejo dos recursos naturais. A produtividade dos sistemas extrativistas

tradicionais é geralmente reduzida e não se prevê um abastecimento para assegurar a

produção. As críticas ao conceito de RESEX apontaram este problema e sugeriram que não

há forma de escapar desta “armadilha” e que as RESEX estão fadadas ao fracasso

(Homma, 1989). Contudo, a produtividade destas reservas é baixa basicamente porque

pesquisas no sentido de desenvolver tecnologias que possam melhorar a produtividade

através de manejo de recursos naturais pelas comunidades tradicionais da floresta não têm

sido realizadas. Além disso, a estrutura comercial dispersa e a falta de garantia da posse da

terra não têm incentivado os extrativistas para que estes administrem seus recursos de

forma contínua.

A aliança entre as técnicas do sensoriamento remoto e os indicadores biofísicos

pode ser valiosa para estudos de diagnose e monitoramento. Corlett (1995) sugere o uso do

sensoriamento remoto como uma ferramenta que preencha o abismo entre os estudos local-

intensivos e aqueles global-amplos, respondendo às necessidades dos tomadores de

decisão e gestores.

O presente trabalho pretendeu caracterizar e mapear a vegetação e o uso do solo da

Reserva Extrativista do Baixo – Juruá/AM utilizando técnicas de sensoriamento remoto,

inventário florestal e dados de coleta de campo, discriminando as diferentes paisagens da

área de estudo, quantificando o seu potencial madeireiro e contribuindo, assim, para o

planejamento e o manejo sustentável dos recursos naturais da área.

2. Objetivos:

2.1 Geral:

Caracterização e mapeamento da vegetação e do uso do solo da Reserva

Extrativista do Baixo Juruá, Amazonas.

2.2. Específicos:

# Classificar e caracterizar os tipos de vegetação e cobertura da terra da RESEX;

# Caracterizar e quantificar o uso do solo na Reserva;

# Eleger áreas prioritárias para a instalação de unidades de manejo florestal na

RESEX.

3. Revisão de literatura

3.1 A Falta de planejamento, o mau uso do solo na Amazônia e suas alternativas

O desenvolvimento da região amazônica foi marcado por três grandes fases, a

saber: a exploração das drogas do sertão; o extrativismo vegetal da borracha e da castanha-

do-Brasil e as frentes agropecuário-minerais combinadas com a exploração da madeira.

Esse desenvolvimento econômico ocorreu de forma desordenada, sem a preocupação com

os danos econômicos, sociais e ambientais (Fadell, 1997).

Em 1966, o governo brasileiro buscou uma alternativa com o objetivo de dar um novo

impulso ao crescimento da região amazônica, que se encontrava abalada com a decadência

da economia extrativa, surgindo a chamada Operação Amazônica. Este projeto de

desenvolvimento para a Amazônia alcançou, em princípio, os objetivos econômicos

esperados e obteve-se um crescimento muito rápido nessas últimas décadas. Porém, o

custo social e ecológico foi imenso e preocupante.

Estudos de benefícios e custos de qualquer atividade envolvendo o aproveitamento

dos recursos naturais são imprescindíveis para tomadas de decisão. Em nome do

desenvolvimento regional e da produção de alimentos, principalmente, já foram desmatadas

(até 2003) mais de 60 milhões de hectares de florestas primárias e a região continua não

sendo auto-suficiente em alimentos e em outros artigos de primeira necessidade e nem a

quantidade de gases de efeito estufa emitida para a atmosfera pelo uso do solo amazônico

justifica a contribuição regional ao PIB nacional.

Os principais usos do solo amazônico são: agropecuária, exploração seletiva de

madeira, mineração, produção de energia (hidrelétrica, petróleo e gás natural) e

extrativismo.

O desmatamento e a conseqüente fragmentação florestal impactam as interações

das árvores com animais (polinizadores, herbívoros, parasitas e dispersores ou predadores).

Essas relações são obrigatórias para o sucesso na reprodução e recrutamento de novos

indivíduos para a população. As árvores tropicais são clássicos exemplos de indivíduos que

se tornam ecologicamente extintos bem antes do desaparecimento do último indivíduo

(Bierregard et al, 1992). Isso também quer dizer que as ações antrópicas tendem a contribuir

para a diminuição da biodiversidade.

O equilíbrio hoje existente depende da atual cobertura vegetal; portanto, como alerta

Salati (1985), a transformação de grandes áreas de floresta por outros tipos de cobertura

(pastagem, agricultura anual) podem causar modificações climáticas, porque introduzem

alterações no balanço hídrico da região.

Segundo Schubart et al. (1984), o sistema Solimões-Amazonas é responsável por

15 a 20% de toda a água doce que é lançada nos oceanos. A floresta amazônica também

funciona como um regulador dos ciclos hidrológicos da região, minimizando os perigos de

erosão e enchentes. É, também, importante na formação de chuvas, pois mais da metade

do vapor de água que se condensa e se precipita sob a forma de chuva provém da

evapotranspiração da floresta, ou seja, da evaporação da água da chuva interceptada pelas

folhas das árvores e da transpiração das árvores e outras plantas submetidas à intensa

insolação. Uma quantidade considerável de água mantém-se na região por meio de um

mecanismo de reciclagem no qual a floresta desempenha um papel muito importante.

Apesar da significante contribuição dos serviços ambientais da floresta, eles são

frequentemente sub-avaliados, principalmente porque não têm preço no mercado tradicional

e porque os seus efeitos totais de degradação não são percebidos antes que os benefícios

de curto prazo cessem.

Infelizmente, essas riquezas só são percebidas quando são perdidas ou quando se

fala dos custos de recuperação de áreas degradadas, de despoluição de rios e igarapés,

etc. Geralmente, a população local nem chega a perceber os benefícios efêmeros de alguns

projetos de desenvolvimento. No caso do Ouro de Serra Pelada, por exemplo, o que ficou

para a população foram provavelmente mais doenças, ruptura das tradições locais,

degradação ambiental, etc. Em geral, os grandes projetos de desenvolvimento instalados na

Amazônia têm provocado efeitos devastadores nas populações localizadas nas áreas de

implantação e de influência dos mesmos.

Ao contrário disso, as florestas podem ser vistas como uma capital natural

fornecendo uma rede perpétua de benefícios e serviços, que suporta, fortalece e protege o

desenvolvimento econômico e a qualidade de vida (Panayotou & Asthon, 1992). Isto

significa admitir que a floresta contém algo mais do que árvores e o seu potencial representa

algo mais do que madeira. Dentro de uma floresta há inúmeros organismos vivos (homens

inclusive) que se interagem, que interagem com o ambiente natural e que precisam ser

cuidadosamente considerados antes de qualquer intervenção.

A proposta de Desenvolvimento Sustentável, cuja base já estava expressa no

Relatório da Comissão Mundial sobre Meio Ambiente e Desenvolvimento “Nosso futuro

comum” de 1987, firmou-se como um novo paradigma de desenvolvimento (Hogan & Vieira,

1992). Respeitando a diversidade cultural e ecológica, busca harmonizar o desenvolvimento

econômico com a proteção ambiental, garantindo o atendimento das necessidades do

presente sem comprometer as possibilidades das gerações futuras em atender as suas

necessidades. Tal premissa rompe com o antagonismo entre preservação e

desenvolvimento; a) critica o desenvolvimento insustentável voraz, consumidor de recursos

(D`Olne Campos, 1994) e, b) abala o conceito e as práticas de preservação ambiental

fundamentadas no afastamento humano.

A possibilidade de existência de comunidades em unidades de conservação

transformou-se em questão corrente do debate ambientalista, ocasionando mudanças nos

modelos preservacionistas. Não é possível pensar em uma natureza “selvagem e intocável”,

como argumenta Diegues (1996); nem é desejável estabelecer planos de manejo ambiental

que ignorem as pessoas e modos de vida tradicionais, cujos conhecimentos acumulados

sobre os recursos que manejam podem trazer influências positivas sobre o meio. Daí a

importância de iniciativas onde se combine preservação da biodiversidade com modelos de

desenvolvimento alternativos, como é o caso das Reservas Extrativistas que a legislação

federal considera como unidades de conservação de uso direto, onde se permite o

aproveitamento sustentável dos recursos.

Diversas formas de utilização da floresta amazônica já foram propostas. O manejo

florestal ao lado dos sistemas agroflorestais e o reflorestamento de pastagens degradadas

são considerados importantes formas de utilização e conservação do ecossistema florestal.

Ainda há quem o diga que: “o manejo florestal sustentado é o único capaz de levar a uma

produção que não resulte na desordem termodinâmica do ecossistema amazônico”.

3.2 Reservas Extrativistas (RESEX)

Ainda que a idéia de área natural protegida no mundo ocidental tenha suas origens

na Europa medieval, naquele caso especialmente com o objetivo de proteger a fauna

silvestre para exercício de caça pela realeza e aristocracia rural, a concepção do conceito de

uma forma mais próxima ao uso atual teve a sua origem com a criação do Yellowstone

National Park, em 1872 nos Estados Unidos (Milano, 1994).

Com o passar do tempo e a adequação do conceito básico à diferentes realidades

regionais ou locais, bem como os avanços dos conhecimentos científicos, ou ainda em

resposta a anseios e demandas variadas da sociedade passaram a serem adotadas várias

formulações distintas de áreas protegidas; algumas, inclusive, com objetivos culturais e

outras com finalidades sociais. Estabeleceram-se, então, o que se convencionou chamar de

categorias de manejo, ou seja, tipos distintos de áreas protegidas, cada uma destinada a

atingir um elenco ou conjunto próprio de objetivos (Milano, 1994).

De acordo com o Sistema Nacional de Unidades de Conservação (SNUC), Lei

n°9.985 de 18 de julho de 2000, as Reservas Extrativistas pertencem ao grupo das

Unidades de Conservação de Uso Sustentável e foram implantadas como sistemas de

utilização da terra que possuem o potencial de conciliar a proteção de florestas com as

necessidades e direitos dos habitantes tradicionais das florestas tropicais, a fim de melhorar

seu padrão de vida.

O conceito de Reserva Extrativista (RESEX) surgiu entre os anos 1985 e 1988, a

partir dos habitantes da Amazônia, através do Conselho Nacional de Seringueiros, que o

propôs como um sistema inovador de direito de propriedade e uso da terra como alternativa

de conservação e desenvolvimento sustentável (Allegretti, 1990). Esta proposta foi o

resultado de um movimento social de moradores florestais organizados, combinando um

regime de manejo e de direitos de propriedade na Amazônia brasileira (Silberling, 1991).

De acordo com o Relatório Brundtland – (“Nosso Futuro Comum”), a Reserva

Extrativista enquanto proposta deve ser entendida como: “a regularização de áreas

ocupadas por grupos sociais que têm como fonte de sobrevivência produtos nativos da

floresta e que realizam exploração econômica sustentável, (...) as reservas extrativistas

atendem a fins de conservação ambiental, de regularização fundiária e de desenvolvimento

econômico. Devem, portanto, se constituir de um modo socialmente justo, ecologicamente

sustentável e economicamente viável de ocupar a Amazônia.” (Carta de Curitiba, IEA,

1988)”.

O território das RESEX constitui propriedade da União (sob jurisdição do IBAMA),

através de um regime de concessão de uso da terra associado a regras de conservação e a

mecanismos que asseguram o cumprimento de regras (Almeida, 1994). Em suma, a idéia de

RESEX consiste na combinação de um regime de propriedade assentado na atribuição de

direitos de uso às coletividades tradicionais, com um regime de gestão baseado na

regulamentação dos direitos de uso através de planos de manejo e regulamentos de uso

(Almeida, 1994).

De acordo com o Conselho Nacional dos Seringueiros (CNS, 1992 apud Cavalcante

1993, p.25) há uma relação entre as propostas de desenvolvimento sustentado e as

RESEX, pois elas “... constituem uma primeira forma institucionalizada, legalizada pelo

Estado, de implantação de um novo modelo de desenvolvimento sustentável.” Descreve,

ainda, que a capacidade de diversificar a produção, assim como a diminuição da

dependência do mercado em conseqüência da necessidade de consumo pelas populações

extrativistas, por meio da produção nas próprias RESEX de maior número possível de

gêneros alimentícios, materiais para construção, etc., constitui um dos pontos principais

relacionados ao aspecto econômico da viabilidade das mesmas.

Contudo, a viabilidade das RESEX não está demonstrada. Muitas críticas,

ecológicas, econômicas e sociais são feitas (Almeida, 1992, 1994). Argumenta-se, do ponto

de vista econômico, que as economias extrativistas são inerentemente ineficientes (Homma,

1989), pois esse tipo de economia, numa perspectiva histórica, está associado à

instabilidade e forte concorrência por outros meios de produção como expansão de

plantações e desenvolvimento de produtos sintéticos, devido ao uso de tecnologias

atrasadas por parte de uma população especializada num único produto. Além disso,

devido à dispersão desses recursos e da população que os extrai, estas estariam sujeitas a

relações de comercialização exploratórias (aviamento) em que, devido à existência de uma

longa cadeia de intermediários, os termos de troca são desfavoráveis (Anderson, 1990).

Os críticos do atraso técnico do extrativismo frequentemente acreditam que os

moradores da floresta são especialistas na extração de um único produto. Pelo contrário, os

chamados “extrativistas” podem exibir uma notável variedade de atividades, inclusive a

extração comercial com práticas de manejo refinadas, mas também práticas de caça, pesca,

agricultura, coleta e artesanato (Almeida, 1992). Esse sistema utiliza ao máximo a

heterogeneidade ecológica dos ecossistemas de terra firme e de várzea por meio de um

zoneamento horizontal das atividades e um refinado conhecimento etnoecológico (Almeida,

1992).

As críticas contra a viabilidade econômica do extrativismo não levam em conta o

desempenho econômico de outros usos da terra na Amazônia e se esquecem das recentes

mudanças sociais que podem melhorar a eficiência das economias baseadas em produtos

florestais não-madeireiros. No caso da pecuária extensiva, os retornos são baixos ou

negativos por hectare e só se sustentam através de subsídios. Os projetos de assentamento

agrícola também resultam em retornos baixos e são altos os índices de desistência. Além

disso, uma análise meramente econômica dos investimentos e retornos econômicos não

leva em conta os custos sociais e ambientais de usos não-sustentáveis da terra (Anderson,

1990).

Para Fadell (1997), o desenvolvimento sustentável nas RESEX não se dá apenas

pela regularização fundiária; não basta demarcar as áreas de preservação e distribuir as

famílias nas colocações. Essa população depende dos recursos naturais e vem de um

extrativismo tradicional, que, para tornar a reserva sustentável, precisam do apoio

governamental na questão do escoamento da produção, educação, saúde que são

requisitos básicos para a sobrevivência dos mesmos na área. Além de projetos que

busquem a melhoria de vida dos mesmos, como proposto pelo modelo de desenvolvimento

sustentável, as RESEX não podem e nem devem ser vistas apenas como áreas particulares

de desenvolvimento.

As florestas tropicais apresentam uma gama de serviços e matérias primas, os quais,

aproveitados de forma equilibrada, podem traduzir-se na melhoria das condições sociais das

populações, no fornecimento de um banco genético com interesse para a agricultura,

medicina e farmacologia.

As RESEX têm sido uma vitrina para o movimento mundial pela devolução do

controle de terra de áreas de florestas tropicais para as comunidades tradicionais. A

justificativa deste movimento é que a devolução de terras de florestas tropicais aumentaria

as chances de promoção do desenvolvimento sustentável. Os vários posicionamentos com

relação às RESEX como uma atividade econômica sustentável mostram que todos, de uma

forma ou de outra, se preocupam não apenas com o meio ambiente, mas, principalmente

com o homem, que, por sua vez, precisa utilizar os recursos naturais.

3.3 Caracterização da vegetação

Conhecer e compreender o sistema amazônico faz parte de um processo de

aprendizagem para o bom gerenciamento e uso dos recursos naturais.

As grandes formações vegetais na Amazônia podem ser agrupadas em savanas,

florestas de terra-firme e florestas inundáveis, cada uma com suas respectivas subdivisões

(Pires & Prance, 1985). Contudo, os limites até então definidos para distinguir as transições

entre várias formações vegetais são relativamente subjetivos e arbitrários, sendo que as

classificações baseadas nestes limites são utilizadas mais por conveniência do que pela

existência rigorosa de comportamentos bem definidos. Ademais, estas classificações

evoluíram de análises descritivas da vegetação, normalmente baseadas em conhecimentos

botânico sobre ocorrência de poucas espécies marcantes, e também na descrição de

aspectos estruturais, fisiográficos e climáticos. Este esquema classificatório foi, até o

momento, muito pouco influenciado pela mensuração física direta das características

fisionômicas das comunidades vegetais (Hill & Foody, 1994).

Uma das razões para a ausência de um método objetivo para classificar e mapear

formações de vegetação na Amazônia é a própria complexidade encontrada nas

associações de espécies. Citando uma dezena de levantamentos e estudos da vegetação

conduzidos na Amazônia nos últimos vinte e cinco anos, Tuomisto et al (1994) concluem

que mesmo os tipos de vegetação mais dissimilares estão ligados entre si por tipos

intermediários de vegetação, nenhum dos quais podem ser representativos para toda a

Amazônia. Como, nestas florestas, os agrupamentos de árvores de uma mesma espécie

são bastante raros, pode-se afirmar que cada copa no dossel é diferente de qualquer uma

de suas circundantes. Esse fato gera uma composição extremamente heterogênea, variável

e aleatória do dossel, dificultando a definição e caracterização de tipologias em várias

escalas de abordagem e, consequentemente, também dificultando a identificação de suas

diferenciações em termos de agrupamentos.

Os fatores climáticos e edáficos que limitam o estabelecimento e a distribuição de

árvores nas condições extremas não são distribuídos aleatoriamente. O efeito destes fatores

sobre a distribuição de algumas fisionomias é marcante e identificável (Paradella et al. 1994,

Tuomisto et al. 1994, 1995), sendo que as limitações abióticas estão mais associadas a

fatores edáficos como a variação na distribuição de solos, topografia e regimes hídricos

(Nobre, 1989). Portanto, mapear a vegetação significa abstrair as informações com base nos

critérios considerados mais pertinentes (Küchler, 1973).

3.4 Tipologias florestais

Segundo (Duck & Black, 1954), a delimitação da flora hileiana pode ser feita pelos

limites de ocorrência de certas taxas florestais, como os gêneros Hevea e Theobroma e a

castanha do Pará (Bertholletia excelsa). A mais notável espécie madeireira da Amazônia, o

mogno (Swietenia macrophylla), ocorre margeando a hiléia.

Essa região possui a maior extensão de floresta tropical do mundo, reconhecida na

literatura científica como um conjunto vegetal de características bem definidas, que se

estende dos Andes até o Oceano Atlântico como um verdadeiro mosaico de ecossistemas.

Tem sido dividida em várias províncias, com base em diferenças da flora arbórea e outros

critérios biogeográficos e deve a sua existência, principalmente, ao ecossistema amazônico

caracterizado pela presença da extensa bacia hidrográfica do Rio Amazonas (Uribe, 1993).

As inúmeras fisionomias da floresta amazônica devem-se aos diversos tipos de

substratos sob as mesmas, bem como as variações no regime de chuvas. Assim têm-se as

florestas de terra-firme, as florestas de igapó e as florestas de várzea, cada uma dessas

com certas espécies de árvores próprias. Cerca de 85% da região amazônica compreende

áreas de terra-firme, ou seja, áreas não sujeitas a inundações. Cerca de 13% é ocupado

pelos rios. As várzeas compreendem apenas 2% da região (O’Brien & O’Brien, 1995).

Segundo Rizzini (1997), a floresta de terra-firme é a floresta pluvial de grande porte

localizada em planaltos pouco elevados (60-200 m), planos, ondulados ou recortados por

cursos de água, não sujeitos a inundações, cujo substrato é areia mais ou menos argilosa,

amarelada ou avermelhada, podendo, em vários pontos, ser argiloso (diabásico) e fértil.

Há uma evidente correlação entre tipos florestais e bacias hidrográficas, levando a

indicação que a divisão florística da hiléia amazônica é associada aos rios, solos e

topografia.

A classificação prática que é usada regionalmente é baseada primariamente no

relevo, sendo conhecidos dois principais tipos de floresta: Terra-firme e Florestas inundáveis

(várzea e igapó). De acordo com a classificação de Holdridge e as observações

climatológicas do IBGE, duas formas de vida podem ser encontradas na Amazônia: floresta

tropical úmida com biotemperatura média anual superior a 24°C e precipitação média anual

entre 2000 e 4000 mm, e floresta tropical semi-úmida com biotemperatura média anual

superior a 24°C e precipitação entre 1000 e 2000 mm.

Contudo, os limites até então definidos para distinguir as transições entre as várias

formações vegetais são subjetivos e arbitrários; ademais, essas classificações evoluíram de

análises descritivas da vegetação, baseadas em conhecimento botânico sobre a ocorrência

de poucas espécies marcantes e também na descrição de aspectos estruturais, fisiográficos

e climáticos (Nobre et al., 1998).

3.4.1 Levantamento preliminar como apoio ao Inventário Florestal

A definição de estratégias efetivas de conservação e uso sustentável da

biodiversidade pressupõe uma avaliação abrangente do status dos ecossistemas, em nível

da paisagem. Esse tipo de avaliação implica na disponibilidade de informações ecológicas

básicas, tais como levantamentos sobre a distribuição da flora e da fauna de uma

determinada unidade geográfica, que produzam informações confiáveis e de modo eficiente

sobre hábitats, ecossistemas ou espécies ameaçadas, em escala local e regional.

Levantamentos preliminares de cobertura/uso da terra são fundamentais para a

realização de inventários sobre flora e fauna de regiões desconhecidas e podem ser obtidos

a partir da interpretação de imagens aéreas e/ou orbitais e ainda pela integração de cartas e

dados sobre o ambiente físico utilizando técnicas de geoprocessamento e sistemas de

informações geográficas.

Segundo Husch et al. (1971) e Loetsch et al. (1973), o método de amostragem para

encontrar os objetivos do Inventário Florestal é determinado pelo tipo de unidade de

amostragem, seu tamanho e forma, o número a ser empregado e a distribuição sobre a área

florestal, seguidos pelos procedimentos para medições e análise dos dados resultantes. A

maximização da relação entre esforço/tempo e custo de amostragem, bem como a

confiabilidade dos resultados são os principais pré-requisitos para avaliação da

biodiversidade. O compromisso com tais pré-requisitos para avaliação de ecossistemas

florestais varia de acordo com os objetivos do trabalho e o tipo de ambiente (Sobrevilla &

Bath, 1992). A possibilidade de integração de dados preliminares e de informações sobre o

ambiente físico por meio de geoprocessamento e Sistemas de Informação Geográfica (SIG),

é produto indispensável e pré-requisito para o planejamento de avaliações mais

aprofundadas de ecossistemas florestais.

Como um primeiro produto deste projeto, foi elaborado um mapa fitogeográfico com

apoio da classificação feita pelo projeto RADAMBRASIL para visualizar as diferentes

tipologias da Reserva Extrativista do Baixo Juruá e dar base para a alocação das unidades

amostrais, maximizando o esforço de amostragem (Figura 1).

Fig.1- Mapa de vegetação com a classificação feita pelo

Projeto RADAMBRASIL.

Para cumprir com suas finalidades recreativas, sociais, econômicas e de proteção ao

meio ambiente, o universo da população florestal natural necessita que suas características

sejam conhecidas (IBGE). Normalmente, o Inventário Florestal é o primeiro passo para

lançar a base de pesquisas referentes a recursos naturais e também para tomada de

qualquer decisão relacionada ao uso da terra (Higuchi et al., 1982).

Naturalmente, o objetivo de qualquer inventário Florestal é obter o máximo de

informações de uma floresta com a máxima de precisão e um mínimo custo. Freese (1967)

sugere ainda que o objetivo do planejador de um levantamento florestal deveria ser de tomar

observações suficientes para obter a precisão desejada, nem mais e nem menos, e ainda, o

número de observações necessárias depende da precisão desejada e da variabilidade

inerente da população que está sendo amostrada.

3.5 Análise estrutural da Floresta

A vegetação pode ser avaliada tanto pela sua fisionomia, quanto pela estrutura que

apresenta. A fisionomia refere-se à aparência da vegetação: altura, cor, exuberância, e ao

tamanho e forma de suas folhas. A estrutura de uma comunidade requer o conhecimento de

suas espécies, já que se baseia no grau de ocorrência mútua de uma espécie com a outra.

(O’Brien & O’Brien, 1995). A análise da estrutura da floresta irá contemplar uma abordagem

criteriosa de parâmetros dendrométricos.

3.5.1 Estimativa dos Parâmetros Dendrométricos

A estrutura diamétrica ou distribuição diamétrica refere-se à distribuição do número

total de árvores ou densidade total (DT) do povoamento florestal por hectare (N/ha.) e por

classe de diâmetro a altura do peito (DAP). A estrutura diamétrica da espécie é a

distribuição do número de árvores por hectare ou densidade absoluta (DAí) da i-ésima

espécie por classe de dap. Para analisar a distribuição diamétrica, as árvores com dap igual

ou maior que o nível de inclusão são agrupadas em classes de dap, com uma determinada

amplitude. Em geral, adota-se amplitude de 5,0 cm se referirem a uma floresta secundária

em estágio inicial ou médio de regeneração e amplitude de 10,0 cm, se referirem-se a uma

floresta em estágio secundário avançado de regeneração ou em estágio primário (clímax).

As distribuições diamétricas do povoamento também podem ser estimadas por grupo de

espécies.

Os estudos relacionados com a estrutura diamétrica de floresta multiâneas ou

inequiâneas datam de 1898, na França, quando De Liocourt conceituou a distribuição do

número de árvores por hectare (n/há), por classe de diâmetro (Meyer et al., 1961). De

Liocourt mostrou que a razão entre n/há em classes diamétricas sucessivas segue uma

série geométrica decrescente. Esta razão foi denominada de Lei de De Liocourt.

Mais tarde, em 1933, Meyer criou o termo floresta multiânea balanceada. Floresta

balanceada é aquela onde o número de árvores em classes diamétricas sucessivas

decresce numa progressão geométrica constante, isto é, a razão q ou Quociente de De

Liocourt é constante. Como exemplo de floresta balanceada, pode-se citar as florestas

virgens e as bem manejadas, em que o número de árvores por hectare e por classe de

diâmetro segue uma distribuição da forma de um J-invertido.

Outro parâmetro que pode ser levado em consideração refere-se à distribuição da

área basal total da floresta, por hectare (m²/ha) e por classe de diâmetro. Tal como o

número de árvore, também pode ser estimada a área basal por hectare, por espécie, por

classe de dap e por grupo de espécie. Da mesma forma que o número de árvores e a área

basal, o volume também pode ser estimado por hectare, por espécie, por classe de dap e

por grupo de espécie. A distribuição volumétrica da floresta refere-se à distribuição dos

volumes total e do fuste, com e sem casca e volume da copa de um povoamento florestal,

por hectare (m³/ha).

3.6 Sensoriamento Remoto como ferramenta para o estudo da vegetação

Aliadas aos inventários florestais e considerando o aumento da complexidade dos

trabalhos de localização, mapeamento, caracterização e monitoramento da superfície

terrestre, estão as imagens de satélites. Essas imagens são as principais responsáveis

pelos avanços das formas de interpretação e manipulação das informações da superfície da

terra e contribuem para garantir a soberania sobre os limites territoriais, o conhecimento, a

utilização e a preservação de recursos naturais.

Os avanços das últimas décadas, nas áreas do sensoriamento remoto e do

geoprocessamento, lançaram no mercado uma enorme variedade de meios e aplicativos

para a execução destas tarefas. A correta integração dos produtos das diversas plataformas

orbitais disponíveis e dos aplicativos existentes é fator diretamente relacionado à qualidade

dos resultados obtidos.

O surgimento das imagens de satélite possibilitou, além da criação de um nível de

percepção mais global, complementar as fotografias aéreas e os levantamentos de campo,

com a obtenção de informações radiométricas digitais de grandes extensões da superfície

terrestre. As interpretações dos produtos de sensores remotos, realizadas principalmente de

forma analógica, onde a experiência e o conhecimento do autor são fatores determinantes

sobre a qualidade do resultado final, passaram a apresentar a possibilidade da execução de

tratamentos digitais, menos pessoais, subjetivos e mais padronizados.

3.6.1 Comportamento espectral da vegetação

Grande parte das aplicações do sensoriamento remoto em vegetação depende do

conhecimento das propriedades espectrais, de folhas individuais e do dossel, a partir de

dados radiométricos (Campbell, 1996). Essas propriedades espectrais podem ser melhor

compreendidas analisando-se o comportamento espectral das folhas. Slater (1980) define o

comportamento espectral de um objeto como um conjunto de medidas de radiância de um

objeto, efetuadas sob condições conhecidas ou controladas, onde cada medida corresponde

ao valor médio em diferentes intervalos de comprimento de onda eletromagnética.

O espectro da reflectância de folhas verdes sadias é tipicamente caracterizado por

baixos valores no comprimento de onda na região do visível (0,40 - 0,70 mm), conforme

pode ser observado na figura 2. Isto demonstra que grande parte da energia radiante nesta

faixa espectral é absorvida pela folha e deve-se principalmente à presença de pigmentos

fotossintéticos foliares, tais como a clorofila (a e b), carotenóides e xantofilas (Thomas e

Gausman, 1977). Um pico na reflectância do visível é geralmente observado na faixa

espectral do verde (0,5 a 0,60 mm), enquanto que valores mais baixos ocorrem nas faixas do

azul (0,4 a 0,5 mm) e do vermelho (0,6 a 0,7 mm), devido à alta absorção da radiação

eletromagnética pelas clorofilas, para realização das atividades fotossintéticas nessas

regiões.

Fig.2- Curva espectral representando a reflectância típica de uma folha

verde e sadia. FONTE: adaptada de Hoffer (1978, p.232).

Na região espectral do infravermelho próximo (0,7 mm a 1,3 mm), a folha absorve

pouca radiação, apresentando valores altos de reflectância. A região do infravermelho

próximo é caracterizada pela alta reflectância e pela baixa absorção causadas pela ausência

de substâncias que absorvem a radiação neste comprimento de onda e também decorrentes

do espalhamento interno causado pela estrutura interna da folha, ou seja, pelo arranjo do

mesófilo (Gates et al., 1965).

Nesta faixa espectral, a reflectância da folha é controlada não pelo pigmento da

planta, mas pela estrutura do tecido mesófilo esponjoso. A cutícula e a epiderme são quase

completamente transparentes à radiação infravermelha; assim, muito pouca radiação

infravermelha é refletida da parte externa da folha. A radiação que passa através da

epiderme é fortemente espalhada pelo tecido mesófilo e pelas cavidades internas da folha.

Muito pouco dessa energia infravermelha é absorvida internamente, a maioria (até 90%) é

refletida ou transmitida (Campbell, 1996). Alguns estudos sugerem que o parênquima

paliçádico pode também ser importante na reflectância do infravermelho (Gausman, 1974).

Assim, a estrutura interna da folha é responsável pelos valores altos de reflectância na faixa

espectral do infravermelho próximo. Este comportamento espectral na região do

Infravermelho próximo tem grande utilidade em estudos para discriminação de espécies

vegetais que não poderiam ser distinguidas no espectro do visível (Sabins, 1978; Chuvieco,

1996).

A partir da faixa espectral do infravermelho médio (1,3 mm a 2,8 mm), o conteúdo de

água presente no tecido foliar é que influenciará as bandas de absorção características da

folha. Assim, de acordo com Bohlman et al. (1998), quanto maior o conteúdo de água,

menor é a reflectância apresentada pela folha, pois essa faixa espectral está associada a

uma banda de absorção de água.

Goel (1988) descreveu os principais aspectos da interação da radiação

eletromagnética solar com um dossel sendo que esta interação dependente do fluxo

radiante solar e das propriedades espectrais dos elementos do dossel. O fluxo solar

incidente sobre um dossel pode ser de forma direta (a radiação que não é absorvida nem

espalhada pela atmosfera) ou difusa, que é espalhada pela atmosfera de acordo com o

comprimento de onda (maior no visível do que no infravermelho próximo). A direção de cada

fluxo é caracterizada pelos ângulos zenital e azimutal solares, no caso do fluxo direto e pela

distribuição angular no difuso.

Quando esta radiação eletromagnética incide sobre um dossel, seja de forma direta

ou difusa, está sujeita aos processos de espalhamento (transmissão e reflexão da energia) e

a absorção da energia incidente. Esses dois processos estão associados com as

características do fluxo incidente (comprimento de onda, ângulo de incidência) e com a

estrutura do dossel, que está diretamente relacionada com o tipo, grau e desenvolvimento

da vegetação.

Asrar (1989) descreve os principais fatores que afetam a resposta espectral de um

dossel em relação a sua arquitetura, dentre eles: (1) a distribuição espacial da vegetação;

(2) o índice de área foliar (IAF); (3) distribuição angular das folhas (DAF) e (4) distribuição

dos elementos da vegetação.

Desta forma, o aumento do IAF implica em um maior espalhamento do fluxo,

ocasionando a diminuição da reflectância no visível e no infravermelho médio e um aumento

no infravermelho próximo (Asner, 2001). Além disso, uma maior variação da distribuição dos

elementos da vegetação (dosséis com diversas camadas) acarreta uma diminuição de todas

as reflectâncias, ocasionando assim um maior sombreamento. Da mesma forma, pequenas

alterações na DAF podem resultar em grandes alterações tanto na composição espectral,

quanto na magnitude da reflectância espectral de um dossel (Knipling, 1970; Colwell, 1974).

Desta forma, a caracterização espectral da vegetação requer uma ferramenta capaz

de registrar a reflectância da cobertura vegetal em todo o espectro óptico. O sensor

Thematic Mapper (TM), a bordo do satélite Landsat 5, possui 6 bandas ópticas (azul, verde,

vermelho, infravermelho próximo e duas no infravermelho médio; 0,45-2,35 µm), de

resolução espacial de 30 metros, outra banda no infravermelho termal 10,4-12,5 µm, com 60

metros de resolução (NASA, 2001), e uma terceira banda pancromática (0,52-0,90 µm) com

15 metros de resolução (Tabela 1). A separabilidade do espectro eletromagnético em

diversas bandas permite que o sensor registre a radiância do alvo de acordo com seu

comprimento de onda, desenvolvendo assinaturas espectrais, e assim possibilitando uma

melhor discriminação dos elementos da superfície terrestre.

Tab.1- Faixas Espectrais de cada Banda do Sensor TM do LANDSAT 5

Thematic Mapper

λ (µm)

(azul)

(verde)

(vermelho)

(IFV

próximo)

(IFV

médio)

(Termal)

(IFV médio)

Inicial 0,45- 0,52- 0,63- 0,76- 1,55- 10,42- 2,08-

Final 0,52 0,60 0,69 0,90 1,75 12,50 2,35

Resolução 30 30 30 30 30 120 30

3.6.2 Influência da resolução espacial na classificação

Um aspecto a ser ressaltado em relação às informações espaciais no sensoriamento

remoto é a escala. Desta maneira, a seleção de uma imagem, com resolução espacial

apropriada para um estudo, deve examinar as características que a cena contém,

especialmente o padrão de mudança da cena em função de mudanças na escala e na

resolução (Cao e Lam, 1997). Assim, a escala deve ser um indicador de que tipo de sensor

é mais adequado.

A resolução espacial de uma imagem também tem efeitos relacionados à acurácia da

classificação de imagens. Markham e Townshend (1981), citados por Cao e Lam (1997),

indicaram que a acurácia da classificação é afetada por dois fatores. O primeiro fator é a

influência da quantidade de pixels de "borda" no resultado da classificação. À medida que a

resolução espacial se torna mais fina, a proporção de pixels presentes no limite dos objetos

na cena decresce. Os pixels de borda têm uma mistura de elementos, e a redução do

número de pixels mistos diminui a confusão no processo de classificação, resultando em

uma classificação de maior acurácia. O segundo fator é que resoluções mais finas

aumentam a variação espectral dos tipos de cobertura terrestres. Portanto, variações dentro

de uma classe de cobertura diminuem a separabilidade espectral de classes, resultando em

uma classificação de acurácia mais baixa. Assim, o efeito resultante de uma resolução

espacial mais fina está associado ao resultado dessas duas combinações de fatores

opostos, que variam em importância em função do tamanho relativo do objeto a ser

observado.

Um exemplo prático da influência da resolução espacial na classificação pode ser

observado em Ponzoni et al. (2001). Estes autores compararam diferentes resoluções

espaciais (60, 100, 120, 200 e 250 m), para quantificar áreas desflorestadas na Amazônia

simulando imagens do TM Landsat 5. As análises foram obtidas a partir da geração de

mapas temáticos, considerando tanto a interpretação visual como a classificação mista

(digital seguida pela interpretação visual na tela do monitor). Os resultados demonstraram

que resoluções até 200 m foram adequadas para o monitoramento do desflorestamento

(floresta vs. não floresta) considerando-se a interpretação visual. Porém, resoluções acima

de 100 m, não foram capazes de distinguir temas pouco diferenciados espectralmente, tal

como a distinção entre vegetação secundária em fase inicial e avançada de sucessão,

demonstrando que a resolução espacial pode ter grande influência na quantificação de

áreas desflorestadas.

3.7 Pré-processamentos

Os dados recebidos pelo imageamento de sensores orbitais na forma bruta,

geralmente apresentam falhas e distorções. Estas distorções podem ser de origem

radiométrica, resultante de uma resposta não linear dos detectores e de efeitos de

interferência atmosférica (espalhamento e absorção), e/ou geométrica, relacionadas às

distorções espaciais causadas pela variação das condições de aquisição dos dados orbitais.

A correção de distorções e a remoção de falhas (ruídos) presentes nos dados é chamada de

pré-processamento, isto porque, as operações são realizadas antes que os dados sejam

utilizados para algum propósito.

3.7.1 Correção geométrica

A transformação de uma imagem de satélite para que ela possua as mesmas

propriedades de escala e projeção de um mapa é definida como correção geométrica ou

registro (Mather, 1999). Imagens geradas por sensores remotos estão sujeitas a uma série

de distorções geométricas e variação de resolução espacial, não possuindo precisão

cartográfica quanto ao posicionamento dos objetos, superfície ou fenômenos nelas

representados (Crósta, 1999). As principais fontes destas distorções geométricas são erros

internos, causados por distorções referentes ao sensor, e erros externos, condicionados aos

efeitos da plataforma e das condições de imageamento. Essas distorções geométricas não

permitem que sejam realizadas, na ausência de correção, medidas precisas referentes ao

posicionamento de alvos (Sassagawa, 1999).

O georreferenciamento de uma imagem pode ser realizado através de duas

maneiras. A primeira é definida como modelo de geometria orbital e é realizada através do

conhecimento exato dos parâmetros geométricos da órbita do satélite e outras variáveis.

Outro método é através da definição de pontos de controle no terreno, que devem ser

reconhecidos tanto no mapa como na imagem que se quer registrar, ou então pode-se usar

ao invés de um mapa outra imagem que já esteja corrigida (Crosta, 1999).

As etapas de um processo de correção geométrica podem incluir (a) a determinação

de uma relação entre o sistema de coordenadas de um mapa e a imagem (ou registro

imagem-imagem, caso possua uma imagem já corrigida), (b) o estabelecimento de um

conjunto de pontos que definem o centro dos pixels na imagem corrigida, considerados

como um grid retangular definem a propriedade cartográfica desejada na imagem que se

pretende registrar e (c) cálculo dos valores de intensidade dos pixels na imagem corrigida,

por interpolação das intensidades dos pixels na imagem original (Crosta, 1999; Mather,

1999).

3.7.2 Correção atmosférica e Calibração Radiométrica

Como mencionado anteriormente, as partículas e os gases presentes na atmosfera

interferem na radiação eletromagnética através de processos de absorção, reflexão e

espalhamento, atenuando seus efeitos quando atingem a superfície terrestre. A correção

atmosférica consiste em remover esses efeitos a fim de se obter os dados reais de

reflectância dos alvos na superfície terrestre. A correção atmosférica pode contribuir

significativamente para a exatidão da classificação (Pax-Lenney et al., 2001; Song et al.,

2001).

As imagens, ao serem captadas pelo sensor, são gravadas em números digitais

(DN), que, antes de serem processadas, precisam ser convertidas para uma unidade física,

a fim de se expressar o “comportamento espectral” teórico dos principais alvos terrestres.

Geralmente, essa transformação é efetuada para reflectância (ρ) (Espírito-Santo, 2003). Os

resultados obtidos com números digitais podem ser incorretos e/ou imprecisos, pois os

valores em DN não representam quantitativamente os valores físicos reais dos alvos na

superfície terrestre (Robinove, 1982).

Os níveis digitais são relacionados por um modelo linear (calibração) com base na

intensidade da energia radiante refletida. Entretanto, não são diretamente comparáveis entre

diferentes satélites devido às diferenças na calibração dos sensores (Robinove, 1982).

Os valores físicos derivados dos números digitais são a radiância (mW cm

-2

-1

) e a

reflectância (valor adimensional, isto é, um número entre 0 e 1). A radiância é definida como

o fluxo radiante (mW) por unidade de ângulo sólido (esferroradiano – sr

-1

), que deixa uma

superfície numa dada direção, por unidade de área (cm

-2

) perpendicular àquela direção; e a

reflectância é a razão entre o brilho (radiância) refletido de um objeto e o brilho incidente

sobre aquele objeto (Mather, 1999).

A transformação de DN para valores de reflectância é especialmente importante em

estudos sobre a vegetação que utilizam, por exemplo, os índices de vegetação, calculadas

através de uma razão entre bandas (Shimabukuro, 1995).

3.7.3 Modelo linear de mistura espectral

Um Modelo de Mistura Espectral (MLME) tem a finalidade de identificar a proporção

do padrão de resposta espectral de diferentes alvos que compõem um elemento de cena.

Isto porque a radiância medida pelo sensor em um ponto é dada pela integração das

respostas de cada um dos componentes de um elemento de cena (pixel), uma vez que, em

geral, a resolução espacial de um sensor permite a inclusão de mais de um tipo de objeto

dentro de um pixel.

Em geral, a resolução espacial de um sensor permite que um pixel inclua mais de

um tipo de cobertura do terreno na cena. A radiância registrada pelo sensor será a soma

das radiâncias de todos os materiais dentro do seu campo de visada instantânea (IFOV

“Instantaneous Field of View”), resultando em um fenômeno chamado de mistura espectral

(Shimabukuro e Smith, 1991; Foody et al., 1997).

Desta forma, a radiância observada em um determinado ponto é dada pela mistura

das respostas espectrais de cada um dos componentes da cena, como, por exemplo, solo +

sombra + vegetação. Essa mistura de radiâncias pode afetar a análise de dados de

sensoriamento remoto, pois as feições de interesse podem ser mascaradas e a comparação

de assinaturas espectrais de classes de cobertura da superfície terrestre fica ainda mais

difícil.

Este problema pode ser resolvido através de técnicas que tentam modelar a relação

existente entre os tipos de componentes (conseqüentemente suas proporções) encontrados

em uma cena e as respectivas respostas espectrais registradas pelo sensor (Adams et al.,

1995; Shimabukuro e Smith, 1991; Hall et al., 1995; Shimabukuro , 1995).

O MLME é uma destas técnicas, que, através da extração dessas informações, visa

o realce das feições de interesse da imagem. Este modelo sugere que a resposta espectral

de cada pixel seja uma combinação linear das respostas espectrais de cada componente

existente na mistura (solo, sombra, vegetação, água, rochas), a qual pode ser representada

por uma relação linear. Desta forma, os valores de radiância dos objetos são calculados de

acordo com a proporção em que aparecem dentro de cada pixel, possuindo então um valor

digital, que contém a informação sobre esta proporção e a resposta espectral de cada

componente (Shimabukuro e Smith, 1991; Adams et al., 1995; Roberts et al., 1998; Aguiar et

al., 1999).

Diversos trabalhos indicam os componentes vegetação, solo e sombra como

constituintes básicos de cenas florestadas (Shimabukuro et al., 1997, Aguiar et al, 1999);

outros incluem ainda um quarto componente, como a madeira (Nascimento, 1997) ou

material vegetal não-fotossintético (Adams et al., 1995; Roberts et al., 1998;)

Cochrane e Souza Jr (1998) demonstraram o potencial do modelo linear de mistura

espectral para detectar áreas impactadas pelo fogo na Amazônia, sendo possível identificar

através da componente vegetação não fotossintética, áreas recentemente queimadas e

antigas queimadas (período maior que 1 ano).

Souza Jr e Barreto (2000) utilizaram a fração solo para identificar e estimar áreas de

corte seletivo em Paragominas, demonstrando uma valiosa metodologia para monitorar e

analisar o corte seletivo na Amazônia.

Thales (2001) utilizou a fração sombra para mapear e caracterizar áreas com

dominância de babaçu, sendo observado que, com o aumento da densidade do babaçu, os

valores de número digital e reflectância aparente diminuíam no infravermelho próximo e a

proporção do componente sombra aumentava.

A utilização de imagens fração derivadas da aplicação do MLME vem apresentando

bons resultados para estudos de detecção de características de cobertura do solo e

mudança do uso do solo, inclusive na determinação de classes de vegetação (Affonso et al.,

2005; Freitas e Cruz, 2005; Vasconcelos e Novo, 2004; Verona e Shimabukuro, 2005).

3.8 SRTM e o Modelo Digital de Elevação

O projeto SRTM (Shuttle Radar Topographic Mission) advém de cooperação entre a

NASA e a NIMA (National Imagery and Mapping Agency), do DOD (Departamento de

Defesa) dos Estados Unidos e das agências espaciais da Alemanha e da Itália. A missão

usou o mesmo instrumento utilizado em 1994 no programa Spaceborne Imaging Radar-C/X-

Band Synthetic Aperture Radar (SIR-C/X-SAR), a bordo do ônibus espacial Endeavour.

A identificação de formas de terreno é tradicionalmente feita por julgamentos em

termos qualitativos, que são baseados nas descrições obtidas na fase de interpretação.

Métodos paramétricos também são possíveis e de grande interesse, pois fornecem uma

base mais objetiva e uniforme para a identificação de sistemas terrestres. Estes requerem a

medição e o mapeamento de variáveis do relevo como altitude, declividade, curvaturas

vertical e horizontal, orientação de vertentes etc., que são combinados para identificar

elementos de terreno e que são, por sua vez, combinados em padrões de terreno. A adoção

dos métodos tradicionais de levantamento é justificada pela demora e pelo custo dos

métodos paramétricos. No entanto, alternativas como imageamento orbital e

geoprocessamento podem reduzir substancialmente estes custos, senão com a mesma

qualidade dos métodos tradicionais, ao menos com um grau aceitável de concordância com

aqueles (Dent & Young, 1981).

Dent & Young (1981) apresentaram uma descrição geral do trabalho de

levantamento de sistemas terrestres, em que fundamentam e delimitam a importância direta

do mapeamento de variáveis topográficas. Como em mapeamentos pedológicos, as

atividades do levantamento de sistemas terrestres começam pela interpretação (via

aerofotografias, imageamento orbital e análise do relevo) das formas de terreno e da

vegetação, mapeadas independentemente, em que se procuram as feições características

de cada sistema terrestre. Uma grande proporção de feições de ambos os aspectos recaem

sobre as formas de terreno, mais do que por razões práticas. É desejável que os sistemas

terrestres estejam definidos o quanto for possível em termos de tipos de terreno, para que

se atenda a uma base uniforme para o mapeamento. Em áreas planas, planícies costeiras e

aluviais, a vegetação deve ser utilizada.

Muitos estudos dão respaldo a esta alternativa com pesquisas voltadas à relação

entre variáveis topográficas e atributos da paisagem de maneira sistêmica, como a

caracterização de solos, clima ou vegetação. Assumindo o desenvolvimento de solos como

resposta à distribuição dos processos hidrológicos e erosivos e da temperatura do solo,

Moore et al. (1993) relacionaram atributos pedológicos a variáveis topográficas, verificando

que a situação topográfica explicou, em parte expressiva, a variação de importantes

propriedades do solo. Brubaker et al. (1993) fizeram inferências semelhantes baseados na

posição das observações sobre a superfície de vertentes. Briggs & Shishira (1985)

observaram uma considerável redução na variabilidade dos atributos de solo dentro de cada

unidade homogênea de relevo. Tais efeitos edáficos, associados a efeitos climáticos, além

da ação direta do relevo sobre a vegetação, têm dado suporte, por exemplo, ao estudo de

efeitos topográficos para o mapeamento de tipos florestais (Florinsky & Kuryakova, 1996).

Esses autores consideraram, como ação direta da topografia, o transporte e o acúmulo de

material orgânico, incluindo sementes e outras estruturas de propagação e recomendam o

uso de modelos digitais e mapas de variáveis topográficas para levantamento, mapeamento

e compreensão dos aspectos dinâmicos da vegetação.

Os estudos aplicados à caracterização da paisagem com variáveis morfológicas têm

sido favorecidos com o desenvolvimento de métodos automáticos de extração de variáveis

topográficas. Muitos trabalhos abordam os aspectos ligados à erosão em estimativas diretas

(Ranieri et al., 1998; Molnár & Julien, 1998) e desenvolvimento de métodos automáticos de

medição das variáveis (Desmet & Govers, 1996; Remortel et al., 2001; Kinnel, 2001;

Mizukoshi & Aniya, 2002; Valeriano & Garcia, 2000; Valeriano 2002a; Valeriano, 2003a; e

Valeriano 2003b). Como exemplos de extração digital de informações da topografia,

análises de redes fluviais (Turcotte et al., 2001), partição de microbacias hidrográficas

(Band, 1986) e a identificação de unidades de relevo (Miliaresis & Argialas, 1999; Meijerink,

1988; Giles & Franklin, 1998) vêm sendo desenvolvidas em ambiente computacional,

amenizando a demanda de trabalho manual e a subjetividade dessas atividades.

Outra utilização dos dados topográficos fundamenta-se nos seus efeitos sobre a

aquisição de dados remotos por sistemas sensores. Estes dados são fortemente

modificados pelo relevo, sobretudo na faixa do visível e do infravermelho próximo (Justice et

al., 1981). A redução do efeito topográfico sobre imagens multispectrais resulta numa

redução dos erros de classificação espectral de imagens, tanto maior quanto mais

acidentado for o terreno (Fahsi et al., 2000). Em imageamento por RADAR, a correção

topográfica dos dados mostrou aumentar ligeiramente o desempenho dos processos de

classificação, porém resultou em grande aumento da exatidão da estimativa de variáveis

biofísicas (Franklin et al., 1995).

Um ponto chave para a viabilidade técnica dos modelos digitais de elevação (MDE) é

sua preparação. Há trabalhos de pesquisa voltados exclusivamente à preparação e à

avaliação de MDE por diversos métodos, a partir de dados igualmente diversos (Valeriano,

2002b; Valeriano et al., 2002; Reiss, 2002; Özdamar et al., 1999; Li, 1992, por exemplo).

Dado um conjunto de pontos de elevação conhecida, a inserção da topografia em

SIG ocorre através de da interpolação destes para um plano de informação. Este processo

conta com a série de recursos diferentes, respondendo cada interpolador por uma série de

vantagens e desvantagens. Muitos trabalhos foram feitos para verificar o desempenho

destes interpoladores com base na comparação das cotas altimétricas entre as

metodologias e com os dados conhecidos, como ainda é feito, por exemplo, para testar MDE

obtidos por sensoriamento remoto, como da própria SRTM (Koch et al., 2002).

Em virtude das pequenas diferenças de exatidão encontradas entre as elevações

estimadas por um método ou outro, Kubik & Botman (1976) consideraram que outros

critérios, como facilidade e velocidade computacional, deveriam nortear a escolha do

método. Östman (1987), por sua vez, sugere que a qualidade dos MDE seja avaliada com

base em atributos derivados, como declividade e curvatura, a exemplo do que fez Giles &

Franklin (1996), que compararam resultados de declividade para testar MDE. Outros lidam

com a extração de informações sob variadas condições de preparo do MDE (Thompson et

al., 2001; Valeriano, 2003c), para o dimensionamento de demandas técnicas aplicadas em

pré-processamento, necessárias a uma utilização adequada.

O sobrevôo da SRTM ocorreu no período de 11 a 22 de fevereiro de 2000, durante o

qual foram percorridas 16 órbitas por dia, num total de 176 órbitas. O sobrevôo foi concluído

com a coleta de 12TB de dados, que vêm sendo processados para a formação de MDE.

O processamento dos dados coletados visou à formação de um MDE mundial,

elaborado continente por continente, iniciado com a América do Norte.

A cobertura foi feita em 80% da área terrestre do planeta, entre latitudes 60° N e

56°S. Nesta área, foram realizadas de uma a quatro passagens, de acordo com a figura 3.

Um conjunto menor de dados foi coletado sobre água para calibração.

Fig.3- Área de cobertura do sobrevôo da SRTM

3.9 Técnicas de classificação de imagens

A classificação de objetos ou fenômenos é feita pela escolha das características que

os descrevem para diferenciá-los entre si. Os métodos de classificação dividem-se

basicamente em duas categorias: a classificação supervisionada e a não-supervisionada.

Nesta segunda, não há qualquer conhecimento prévio do classificador sobre os atributos

das classes pertinentes à cena, enquanto que na classificação supervisionada, o

classificador orienta sua busca de classes a partir de amostras de treinamento feitas

anteriormente com as classes de interesse da cena (Crosta, 1999).

O princípio da classificação supervisionada é baseado no uso de algoritmos para se

determinar os pixels que representam valores de reflexão característicos para uma

determinada classe. A classificação supervisionada é a mais utilizada na análise quantitativa

dos dados de sensoriamento remoto.

Nas classificações digitais tradicionais, onde um conjunto de amostras é utilizado

para caracterizar cada classe temática a ser mapeada, os pixels (elementos básicos

constituintes da imagem) são comparados um a um às amostras fornecidas decidindo a qual

classe temática eles pertencem. Estas classificações são conhecidas por classificação pixel

a pixel e desconsideram, portanto, o contexto de inserção dos pixels e a textura da imagem.

Os problemas da classificação automática advêm, em larga escala, da dificuldade de

inserir, nos classificadores, regras de decisão que incluam os critérios que a mente do foto-

intérprete utiliza, como o contexto e a forma das feições. Portanto, ao basear-se

exclusivamente na intensidade da radiação, expressa pelos níveis de cinza (NC), a maioria

das técnicas classificatórias não alcançam níveis de acurácia satisfatórios para muitas

aplicações. A fraca separabilidade espectral entre classes de interesse está na origem dos

erros de classificação.

A necessidade de se criar métodos digitais de classificação de imagens, reduzindo a

subjetividade do intérprete humano e ao mesmo tempo considerando algumas

características do meio, e não exclusivamente o valor espectral do pixel, levou ao

desenvolvimento de novas técnicas e aplicativos.

3.10 Classificação por Árvore de Decisão

Amplamente utilizadas em algoritmos de classificação, as árvores de decisão são

representações simples do conhecimento e um meio eficiente de construir classificadores

que predizem classes baseadas nos valores de atributos de um conjunto de dados.

As árvores de decisão consistem de nodos que representam os atributos; de arcos,

provenientes destes nodos e que recebem os valores possíveis para estes atributos; e de

nodos folha, que representam as diferentes classes de um conjunto de treinamento

(Ingargiola,1996). Classificação, neste caso, é a construção de uma estrutura de árvore

(Figura 4), que pode ser usada para classificar corretamente todos os objetos do conjunto

de dados de entrada (Brazdil, 1999).

Fig.4- Exemplo da entrada de dados do classificador por Árvore de decisão.

Muitos são os algoritmos de classificação que constroem árvores de decisão. Não há

uma forma de determinar qual é o melhor algoritmo; um pode ter melhor desempenho em

determinada situação e outro pode ser mais eficiente em outros tipos de situações.

Após a construção de uma árvore de decisão, é importante avaliá-la. Esta avaliação

é realizada através da utilização de dados que não tenham sido usados no treinamento.

Esta estratégia permite estimar como a árvore generaliza os dados e se adapta às novas

situações, podendo, também, se estimar a proporção de erros e acertos ocorridos na

construção da árvore (Brazdil, 1999).

A partir de uma árvore de decisão, é possível derivar regras. As regras são escritas

considerando o trajeto do nodo raiz até uma folha da árvore. Estes dois métodos são

geralmente utilizados em conjunto. Devido ao fato de as árvores de decisão tenderem a

crescer muito, de acordo com alguma aplicações, elas são muitas vezes substituídas pelas

regras. Isto acontece em virtude das regras poderem ser facilmente modularizadas. Uma

regra pode ser compreendida sem que haja a necessidade de se referenciar outras regras

(Ingargiola, 1996).

Uma árvore de decisão tem a função de particionar recursivamente um conjunto de

treinamento, até que cada subconjunto obtido deste particionamento contenha casos de

uma única classe. Para atingir esta meta, a técnica de árvores de decisão examina e

compara a distribuição de classes durante a construção da árvore. O resultado obtido, após

a construção de uma árvore de decisão, são dados organizados de maneira compacta, que

são usados para classificar novos casos (Holsheimer & Siebes, 1994; Bradzil, 1999).

A árvore de decisão não assume nenhum modelo estatístico a priori, sendo a divisão

do espaço de atributos feita de acordo com as amostras provenientes do treinamento.

Assim, no espaço RGB, as classes são separadas por planos que as delimitam.

4. Material e Métodos

4.1 Descrição e Localização da área de estudo

A área de estudo está localizada no centro-oeste do estado do Amazonas, nos

municípios de Juruá e Uarini/AM (Figura 5). Com uma área aproximada de 188.000 ha, a

Reserva Extrativista do Baixo - Juruá limita-se ao Leste com o Rio Juruá e a Oeste com o

Rio Uarini.

Fig.5- Localização da área de estudo. Reserva Extrativista do Baixo Juruá/AM.

4.1.2 Características fisiográficas

A área de estudo pertence à unidade geomorfológica do Planalto Rebaixado da

Amazônia Ocidental com Domínio Morfoclimático em Planalto Dissecado e Superfície

Pediplanada, com diferentes índices de dissecação variando entre de 750 a 12.750 metros.

Composto por interflúvios tabulares e relevos de topo aplainado, separados por vales de

fundo plano e intensidade de aprofundamento da drenagem muito fraca.

Apresenta, também, segundo PROJETO RADAMBRASIL, uma Planície fluvial (Apf)

com área aplainada, resultante de acumulação fluvial, periódica ou permanentemente

alagada, que pode apresentar, geralmente, diques marginais, canais anastomosados e

lagos.

A geologia é composta pela Formação Solimões, com depósitos recentes e atuais de

planícies fluviais com predomínio de seixos. Quanto ao aspecto pedológico, há ocorrência

de solos hidromórficos gleyzados eutróficos, Podozólico vermelho-amarelo álico e Latossolo

vermelho-amarelo álico.

O clima é pertencente ao grupo tropical chuvoso, com precipitação pluviométrica

anual média de 2.500 mm. O período chuvoso inicia-se em Novembro, atingindo os maiores

índices entre os meses de Janeiro e Abril. A temperatura média do ar gira em torno de 24°C,

com pequena amplitude térmica. A umidade relativa do ar permanece geralmente acima de

90%.

Esta região caracteriza-se pela floresta tropical densa, da sub-região aluvial da

Amazônia, com terraços baixos e planos, sendo muito freqüente a presença da seringueira

(Hevea sp.), louro (Ocotea sp.), virola (Virola surinamensis) e samaumeira (Bombax

globosum). A vegetação das margens do Rio Juruá sofre o efeito das cheias, registrando a

ocorrência do capim canarana (Canarana ereta), consumido pela capivara (Hidrochoeris).

A Resex é composta por 11 comunidades e aproximadamente 750 habitantes. Os

principais meios de sobrevivência são o roçado, o cultivo de pequenas áreas de milho e

espécies frutíferas e a criação de animais de pequeno porte.

Com aproximadamente 7.500 habitantes, a sede do município de Juruá está situada

entre o Rio Juruá (a Leste) e o limite da Reserva Extrativista (a Oeste). Além da atividade

madeireira de subsistência, a região também possui algumas atividades agrícolas com o

predomínio de pequenas pastagens e enquadra-se no modelo típico de desenvolvimento do

interior do Estado do Amazonas. A Figura 6 mostra a sede do município de Juruá e a sua

zona rural.

Fig.6- Na figura da esquerda: Vista aérea da sede do município de Juruá/AM. Na figura da direita:

Pastagem na área rural da cidade.

4.2 Materiais e equipamentos

A seguir, serão descritos os materiais utilizados no desenvolvimento deste estudo,

tais como, imagens de satélite, cartas e equipamentos utilizados no levantamento de campo.

4.2.1 Equipamentos utilizados no levantamento de campo

Foram utilizados uma bússola e um equipamento de GPS (Sistema de

Posicionamento Global) de navegação, com precisão de 15 metros, para aquisição das

coordenadas geográficas dos pontos de interesse. Fotografias em nível do solo para

caracterização da área de estudo foram obtidas utilizando uma câmera da marca SONY 7.2

megapixel.

4.2.2 Produtos em formato digital

Para realização deste estudo, foram utilizadas imagens do sensor TM LANDSAT 5

correspondentes às bandas 1,2,3,4,5 e 7, órbita ponto 01/62 e 01/63 referentes ao ano de

2005 para a região de Juruá–AM (Tabela 2). Posteriormente, como complemento ao

trabalho, foram utilizadas as imagens do ano de 1997 e 2000 da órbita ponto 01/62.

As imagens foram fornecidas pela Divisão de Geração de Imagens (DGI) do Instituto

Nacional de Pesquisas Espaciais de Cachoeira Paulista, em formato GeoTiff. Estas foram

adquiridas com nível de correção 1G, isto é, com correções geométrica e radiométrica. A

correção geométrica é feita a partir de um modelo fotogramétrico e reamostragem pelo

interpolador do vizinho mais próximo, em projeção/datum UTM/SAD-69. A correção

radiométrica tem por finalidade igualar as diferenças das sensibilidades radiométricas entre

os 16 detectores de cada banda espectral dos sensor TM (Thematic Mapper).

Também foram utilizadas imagens do projeto SRTM (Shuttle Radar Topographic

Mission) de cooperação entre a NASA e a NIMA (National Imagery and Mapping Agency),

do DOD (Departamento de Defesa) dos Estados Unidos e das agências espaciais da

Alemanha e da Itália. A missão usou o mesmo instrumento utilizado em 1994 no programa

Spaceborne Imaging Radar-C/X-Band Synthetic Aperture Radar (SIR-C/X-SAR), a bordo do

ônibus espacial Endeavour (Tabela 3).

Tab.2- Características da imagem LANDSAT-TM utilizada

Data de

aquisição

Cena

Órbita/Ponto

Tipo de

Sensor

Elevação

solar

Resolução

espacial

Resolução

radiométrica

04/09/2005 001/62 TM 59,12 30 metros 8 bits

04/09/2005 001/63 TM 59,12 30 metros 8 bits

Tab.3- Características da imagem SRTM utilizada.

Ano de aquisição Cena Sensor Resolução espacial Altitude de vôo

11 a 22/02/2000 S04-W067 SRTM 90 metros 233 Km

11 a 22/02/2000 S04-W066 SRTM 90 metros 233 Km

4.2.3 Aplicativos computacionais:

* SPRING 3.6.03 (Câmara et al., 1996);

* Environment for Visualizing Images - ENVI 4.2 (Sulsoft, 2002) e,

* ARCGIS 9 (Esri).

4.3 Metodologia

O estudo foi dividido em 4 etapas consecutivas distintas:

1. Pré-processamento das imagens Landsat-TM5;

2. Pré-processamento das imagens SRTM;

3. Classificação e avaliação da técnica digital “Decision Tree” e

4. Processamento dos dados do Inventário Florestal.

4.3.1 Pré-processamento das imagens digitais Landsat-TM5

Os procedimentos utilizados no pré-processamento das imagens consistiram em:

1. Registro e Mosaico das cenas 1/62 e 1/63 do sensor TM-5, Landsat;

2. Correção atmosférica

e Calibração radiométrica;

4. Correção geométrica dos dados digitais e,

5. Geração das Imagens Fração.

4.3.1.1 Mosaico de imagens

Observando-se a necessidade de se utilizar mais de uma cena do sensor TM-5 para

poder cobrir toda a área deste estudo, as duas imagens foram ajustadas a partir de um

registro “imagem-imagem”, que teve como objetivo ajustar geometricamente as linhas e

colunas das cenas (1/62 e 1/63). Este é considerado o primeiro passo para se mosaicar

imagens não-georreferenciadas.

O registro foi realizado selecionando-se dez pontos de controle comuns às duas

imagens (na região de sobreposição entre as cenas) de locais de referência notória, tais

como pista de pouso, cruzamento de ramais de terra e cursos de água. A partir do momento

em que os pontos de controle foram definidos, o método de reamostragem “Vizinho mais

O termo mais adequado seria atenuação, uma vez que os modelos utilizados na correção

atmosférica são incapazes de aferir quantitativamente o ajuste do modelo, tal como a estimativa do

erro médio quadrático (RMSE- root mean squares error) em um registro geométrico.

próximo” (Nearest Neighbor) foi aplicado utilizando um polinômio do 1

grau para a

transformação de coordenadas.

4.3.1.2 Correção atmosférica e Calibração Radiométrica

A correção atmosférica foi realizada utilizando o método desenvolvido por Chavez

(1996), baseado na subtração do pixel escuro. Este método, também é denominado de

COST, é uma reformulação do método proposto pelo próprio Chavez (1988). Tal

reformulação foi necessária, pois a primeira versão do método apresentava falha nas

bandas onde existe predominância de absorção, no caso a TM4 (infravermelho próximo).

Segundo esse método, em toda e qualquer cena e em qualquer banda espectral, existem

pixels que deveriam assumir o valor “0”, uma vez que estes poderiam não receber radiação

incidente.

A correção atmosférica foi realizada na imagem mosaico TM Landsat 5 referente ao

ano de 2005 para as primeiras quatro bandas espectrais (do visível ao infravermelho

próximo), que são notoriamente as que mais sofrem interferência atmosférica (Slater, 1980).

Para isto, foi desenvolvido um algoritmo em linguagem computacional LEGAL (Linguagem

Espacial para Geoprocessamento Algébrico) (Câmara et al. 1995) baseado no método

descrito por Skirvin (2002)

. Este algoritmo combina o método COST para correção

atmosférica com a calibração radiométrica, reduzindo o consumo de tempo nas etapas do

processamento.

O primeiro passo deste método foi calcular a radiância mínima do alvo (L

i, min

) para

cada banda espectral do sensor, a partir da equação descrita a seguir:

(1) L

i, min

= LMIN

+ Qdark * (LMAX

– LMIN

) / Qcalmax

onde,

Qdark = o valor digital (DN) mínimo encontrado em uma cena sob efeito da

interferência atmosférica;

Qcalmax = valor máximo de quantização do pixel em DN, igual a 255,

LMIN

e LMAX, são os valores de radiância correspondentes aos valores DN=0 e

DN=255, respectivamente, sendo os valores de calibração revisados do sensor TM5

fornecidos em Chander e Markham (2003, pág.4).

O Qdark (valor digital mínimo ou pixel escuro) foi determinado para as quatro bandas

iniciais do TM Landsat 5 (TM1, TM2, TM3 e TM4), pela análise do histograma de acordo

com Milton (2002), adotando o modelo de espalhamento relativo de Rayleigh para condições

atmosféricas “muito limpa”, decaimento à quarta potência. Em seguida, para cada banda a

Disponível no site http://www2.erdas.com/supportsite/downloads/models/user_models/

ser corrigida, foi computada a radiância do pixel escuro (efeito da bruma), supondo-se uma

radiância de fundo igual a 1% de reflectância do pixel escuro (Chavez, 1996; Moran et al.,

1992), ou seja:

(2) L

= 0,01 * ESUN

* cos

q / (π * d

)

onde,

ESUN

i =

irradiância solar exoatmosférica, obtidas de Chander e Markham (2003, pág.

5) para cada banda espectral, “q” é o ângulo zenital solar, e “d” a distância Terra-Sol em

unidade astronômicas.

Computando-se a radiância corrigida de bruma (L

i, haze

) para cada banda:

(3) L

i, haze

= LMIN

– L

i, 1%.

Por fim, para se obter a reflectância de superfície (ρ

), derivada das correções

radiométrica e atmosférica, foi utilizada a formulação de acordo com Chavez (1996),

expressa por:

(4)

ρs

= π * d

* (L

sat

– L

i, haze

) / ESUN

* cos

onde a radiância bruta recebida pelo sensor Lsat

é dada por:

(5) L

i, sat

= LMIN

+ ND (im

) * (LMAX

– LMIN

) / Qcalmax

sendo, ND(im

) o número digital de um dado pixel para uma dada banda espectral.

A equação 4 foi modificada para calcular a reflectância aparente (sem correção) das

bandas do infravermelho médio (TM5 e TM7), desconsiderando os fatores de correção para

os efeitos atmosféricos, já que, nesta região do espectro, a atmosfera é praticamente

transparente (Slater, 1980), resultando na seguinte expressão:

(6) ρλ = π * d

* Li,

sat

/ ESUN

* cos q

Neste procedimento, a imagem teve seus valores em ND convertidos para valores de

reflectância aparente de acordo com a equação 6, utilizando-se os parâmetros de calibração

(Tabela 4) publicados por Chander e Markham (2003) para o sensor TM5 e também tendo

os efeitos atmosféricos atenuados conforme descrito anteriormente.

Tab.4- Valores de radiância Lmax e Lmin (W / m

.sr. µm) e irradiância solar (E

solar

) (W / m

.µm)

utilizados na conversão de número digital para reflectância aparente.

TM Landsat -5

De 01/03/1994 a 05/05/ 2003 Depois de 5/05/ 2003

Bandas LMIN

LMAX E

solar

LMIN LMAX E

solar

-1,52

152,1 1957 -1,52 193 1957

-2,84

296,81 1826 -2,84 365 1826

-1,17

204,3 1554 -1,17 264 1554

-1,51

206,2 1036 -1,51 221 1036

-0,37

27,19 215 -0,37 30,2 215

-0,15 14,38 80,67 -0,15 18,5 80,67

4.3.1.3 Correção geométrica

A “Imagem Mosaico” foi corrigida geometricamente com o auxílio do software ENVI

4.2 (Sulsoft), co-registrando esta com as imagens do Geocover (Nasa, 2000). Para isto,

utilizaram-se 10 pontos de controle correspondentes às suas coordenadas geográficas,

utilizando como base o Mosaico Geocover da NASA, já georreferenciado.

Foi adotada, para a “Imagem Mosaico”, a projeção geográfica UTM, por ser a mais

indicada para calcular distâncias em áreas relativamente pequenas (nível local), e datum

WGS-84, para representar a forma elipsóide da Terra (ITC, 2004).

Um modelo polinomial de primeiro grau, com reamostragem dos níveis de cinza pelo

interpolador do vizinho mais próximo e a avaliação da confiabilidade do processo foi

baseada no erro (RMS) das posições dos pontos controle.

4.3.1.4 Modelo linear de mistura espectral

A Imagem Mosaico do TM-5 foi processada pelo software ENVI 4.0, usando um

modelo linear de mistura espectral para a obtenção das imagens fração solo, vegetação e

sombra. O modelo linear de mistura espectral (MLME) visa estimar a proporção dos

componentes solo, vegetação e sombra para cada pixel, a partir da resposta espectral nas

diversas bandas do TM, gerando as imagens fração correspondentes.

Para a geração das imagens fração, foram utilizadas as 6 bandas da Imagem

Mosaico do satélite LANDSAT-TM5, formando um sistema de equações lineares, resolvido

pelo método dos Mínimos Quadrados. Esse modelo é expresso por um modelo matemático

de mistura espectral, conforme a equação abaixo, com restrição de solução (soma das

frações igual a 1).

iji

efr +=

onde,

r reflectância de um dado pixel na banda espectral

de n-bandas espectrais;

número de componentes de mistura;

fração de cada componente puro

dentro do pixel;

reflectância do componente puro

na banda espectral

;

Uma das maneiras de selecionar os componentes puros do Modelo Linear de Mistura

Espectral foi feito na própria imagem. Os pixels candidatos, com maior probabilidade a

serem considerados puros, foram obtidos usando um algoritmo de Índice de Pureza de Pixel

– PPI (Boardman et al. 1995), implementado no ENVI. Logo após este procedimento, foi

construído um gráfico contrapondo valores de reflectância na região do visível e do

infravermelho próximo, em um espaço bidimensional, conforme figura 7.

Fig.7- Espaço bidimensional compreendendo as Bandas 3 e

4 do sensor TM5Landsat. O triângulo vermelho corresponde a

área da distribuição de pontos e os retângulos brancos

indicam a provável localização dos pixels puros.

Observando o gráfico da figura 7, verifica-se que a distribuição da reflectância no

espaço bidimensional segue um padrão. Este padrão dependente das propriedades

espectrais dos elementos mais freqüentemente encontrados em uma cena, que, em se

tratando de recursos naturais, seriam a água, o solo e a vegetação.

Considerando que cada um desses elementos da cena ocorre em proporções

diferenciadas dentro de um mesmo pixel, aqueles pixels que contém as proporções mais

“puras” de um desses elementos se localizarão nos extremos dessa distribuição de pontos,

a qual freqüentemente assume a forma de um triângulo. Assim, no vértice inferior direito

estariam aqueles pixels representativos dos solos expostos, e que apresentam valores

“médios” de Reflectância nas duas faixas espectrais. Na porção inferior esquerda estariam

localizados os pixels representativos dos corpos de água e das regiões sombreadas. E, por

fim, no vértice superior estariam os pixels com as maiores proporções de cobertura vegetal,

apresentando altos valores de reflectância na região do infravermelho próximo e baixos na

região do visível.

Desta maneira, foram encontrados os pixels com as proporções mais puras de solo,

sombra e vegetação. Esses pixels foram inspecionados quanto à forma da curva espectral e

contexto de campo para a obtenção do conjunto final de componentes puros. A imagem erro

(RMS) gerada pelo modelo também foi um dos indicadores para avaliar a seleção dos pixels

puros.

4.3.2 Dados do SRTM e a construção do Modelo Digital de Elevação.

O Projeto SRTM faz parte de um programa que visa examinar a superfície terrestre,

oceanos, atmosfera, gelo e a vida como um sistema integrado e representa a primeira

experiência de interferometria a bordo de uma nave espacial.

No período de 11 a 22 de fevereiro de 2000, a bordo do Space Shuttle Endeavour

(Figura 3), numa altitude de vôo de 233 km e uma inclinação de 57º, um conjunto composto

por duas antenas coletou 14 Terabytes de dados que permitiram a avaliação do perfil de

altitude para criação de modelo digital tri-dimensional da Terra entre as latitudes 60ºN e

58ºS.

As imagens utilizadas neste trabalho foram adquiridas gratuitamente da rede mundial

de computadores diretamente do endereço http://srtm.usgs.gov/data/obtainingdata.html do

USGS (United States Geological Survey) disponíveis sob a resolução de aproximadamente

90 m na forma de grade de Modelos Numéricos do Terreno. As etapas de pré-

processamento para utilização dos dados SRTM foram:

1. Registro e Mosaico das cenas SRTM_S04-W067 e SRTM_S04-W66;

2. Remoção de falhas do Mosaico SRTM (resolução 90 metros);

3. Geração e avaliação de um novo SRTM de resolução 30 metros e,

4. Extração das variáveis de interesse.

Após o Registro e a criação do Mosaico, a imagem foi utilizada na resolução de 90

metros como Modelo digital de elevação (MDE). A imagem da região foi convertida em grid e

em seguida ela foi reclassificada para correção dos valores negativos gerados na conversão

de 16 bits para 32 bits. Após a correção, o MDE foi interpolado para melhorar sua resolução

e deixá-lo nas mesmas dimensões das imagens Landsat/TM5, com resolução aproximada

de 30 metros.

A krigagem simples foi utilizada na interpolação de 90 para 30 m conforme

metodologia proposta por Valeriano et al., (2006). Com os dados topográficos (altimétricos)

da coleção SRTM refinados com tratamento geoestatístico (Valeriano, 2006), foi gerado um

arquivo matricial de declividade derivado do MDE. Segundo o mesmo autor, o cálculo da

declividade requer alta resolução do Modelo Digital de elevação, podendo ser interpolado

através de krigagem. Este processo foi executado através da ferramenta “Slope” do

programa ARCGIS 9.0.

As variáveis altimétricas e de declividade foram extraídas do MDE e utilizadas em

uma fase posterior na classificação por Árvore de decisão. Todos os procedimentos

utilizados na geração do MDE foram realizados no programa ArcGis 9.0.

4.3.3 Classificação por Árvore de Decisão

O processo de classificação foi implementado por meio de uma série de regras que

determinaram o caminho a ser seguido, começando da raiz e finalizando em um nó terminal,

o qual representou a classe do objeto ao qual se pretendeu classificar. A raiz e os nós

interiores, referidos coletivamente como nós não terminais, estabelecem os estágios de

decisão. A cada nó não terminal, uma decisão tem que ser tomada acerca do caminho a se

seguir para o próximo nó (Tso & Mather, 2001).

Cada decisão separou pixels pertencentes a um arranjo de imagens, dentro de duas

classes baseadas numa determinada expressão. Para cada nova classe, foi possível

subdividi-la em mais duas classes, ou seja, podendo definir tantas classes quanto foram

necessárias para gerar a classificação. As variáveis utilizadas na classificação por Árvore de

Decisão foram:

1. Informações originárias da coleta de campo,

2. bandas 1 a 5 e 7 do sensor TM5, Landsat,

3. imagens Fração Solo, Sombra e Vegetação resultantes do MLME e,

4. dados de altitude gerados pelo MDE das imagens do SRTM.

Assim, as informações dos sensores remoto extraídas por meio das diferentes

metodologias foram utilizadas em conjunto para caracterizar e mapear a cobertura e uso do

solo na Reserva, como pode ser observado no fluxograma da figura 8.

Fig.8- Fluxograma da metodologia aplicada na classificação temática.

4.3.3.1 Avaliação da classificação

Para verificar a acurácia da classificação, foi gerada uma matriz de confusão ou de

Erros, comparando os dados de referência (“verdade”) de campo com os da classificação.

Os erros de classificação foram denominados de “Erros de inclusão (commission)”

quando foram incluídos pixels em uma classe que na verdade, pertenciam a outra, e

denominados “Erros de omissão (omition)” quando foram omitidos pixels da classe correta,

atribuindo-os a outra classe. Assim, tem-se o tipo de erro específico de cada classe e o

percentual do total de pixels classificados corretamente, ou seja, a exatidão global

(“accuracy”) da classificação.

Outro indicador de exatidão derivado da matriz de confusão, que auxiliou na

avaliação do classificador foi o coeficiente Kappa (K) (Colganton & Green, 1999; Tso &

Mather, 2001). Uma das vantagens alegadas ao uso desse coeficiente é de que ele

incorpora a informação dos pixels mal classificados e não apenas dos pixels classificados

corretamente. Portanto, o Kappa é sensível não só à perda de acurácia global como um

todo, mas também às variações dos erros de omissão e de inclusão.

4.3.4 Inventário Florestal

Os dados utilizados neste trabalho fazem parte do banco de dados para a

implantação do Plano de Manejo da RESEX do Baixo Juruá e foram coletados a partir de

um inventário florestal realizado no mês de fevereiro de 2006 pela equipe de inventário

Florestal do Laboratório de Manejo Florestal do INPA.

Foram instalados 13 transectos (Figura 9) localizados em floresta de Terra- Firme e

distribuídos sistematicamente de Norte a Sul da reserva. Os transectos são formados de 6

subunidades amostrais com 0,25 ha ou 2500m² (20 X 125 m) cada, sendo que entre as

subunidades amostrais foram deixados espaços de 200 metros em que não é inventariado

nenhum indivíduo. No total, foram inventariados 22,5 ha ou 225.000 m

, considerando todos

os indivíduos arbóreos com DAP > 10 cm.

Fig.9- Esquema da instalação no campo de um transecto composto de 6 sub-unidades.

O posicionamento das unidades amostrais foi adaptado de Higuchi et al. (1982), no

qual as unidades amostrais distribuem-se na forma de cruz (figura 10).

Fig.10- Modelo de unidade amostral composta por 4 sub-amostras. Higuchi et al (1982).

4.3.4.1 Estimativa dos parâmetros da estrutura diamétrica

Os parâmetros dendrométricos que serão estimados são: área basal (m

/ha), volume

comercial com casca (m

/ha) e biomassa fresca acima do nível do solo (t/ha). As estimativas

destes parâmetros são feitas em função dos indivíduos por hectare e por classe diamétrica.

10m10m

20m

125m

10m

75m

20m

125m

10m

Estimativa de área transversal (m²/ha)

g = (p . DAP

) / 40000

Onde:

g = área transversal em m

; e

DAP = diâmetro à altura do peito em cm.

Estimativa da Área Basal (G/m²/ha)

AB = Σg

Estimativas do volume comercial com casca (m³/ha)

A estimativa do volume comercial bruto de árvore em pé com casca para todos os

indivíduos com DAP ³ 20 cm foi obtida através da equação desenvolvida por Higuchi et al.

(1997), da seguinte maneira:

ln V = - 7.335 + 2.121 . ln DAP [R

= 0,95 e S

= 0,27]

Onde:

ln = logaritmo natural;

V = volume comercial com casca em m

; e

DAP = diâmetro à altura do peito em cm.

Estimativa de estoque de biomassa fresca (t/ha)

A biomassa fresca acima do nível do solo foi estimada com auxílio de modelos

bioestatísticos desenvolvidos por Higuchi et al. (1997):

ln P = - 1,754 + 2,665 . ln DAP [R

= 0,92 e S

= 43] (5 £ DAP < 20 cm)

ln P = - 0,151 + 2,170 . ln DAP [R

= 0,90 e S

= 2035] (DAP > 20 cm), onde:

ln = logaritmo natural;

P = peso fresco da fitomassa acima do nível do solo em kg; e

DAP = diâmetro à altura do peito em cm;

Estimativa de estoque de carbono da vegetação (t/ha)

Determinando-se que a quantidade de carbono presente em um organismo arbóreo

corresponde a aproximadamente 50% do valor da sua biomassa seca e que neste indivíduo,

arbóreo em pé, o teor de água corresponde a 40% do seu peso, pode-se inferir que, dos 60%

restantes, a metade corresponde ao elemento carbono em todas as suas formas moleculares.

4.3.5 Identificação de áreas com potencial para instalação de unidades de Manejo

Florestal

Com o propósito de eleger áreas propícias para a instalação de duas unidades de

manejo florestal na Reserva Extrativista do Baixo Juruá, o cruzamento dos diferentes planos

de informações extraídos até aqui pelos mais diferentes métodos de caracterização da área

foram analisados.

Esta análise conjunta e a eleição de uma área ao Norte e outra ao Sul da RESEX

foram feitas pela sobreposição dos produtos da classificação pelo método de Árvore de

Decisão, do Modelo Digital de Elevação (MDE) e das variáveis biométricas. Com isso,

pretendeu-se encontrar duas áreas com características ideais para a implantação destas

unidades de manejo. Uma área ideal seria aquela que atendesse aos requisitos de alta

biomassa florestal, maior homogeneidade topográfica, poucos interflúvios e, o mais

importante, a proximidade das comunidades extrativistas, localizadas ao Norte e ao Sul da

RESEX, para que estas possam vir a participar ativamente do processo de implantação

dessas áreas.

5. Resultados e Discussão

5.1 Técnicas de pré-processamento de imagens

5.1.1 Correção atmosférica

A correção atmosférica utilizando o método desenvolvido por Chavez (1996) foi

aplicada nas primeiras 4 bandas do sensor TM e apresentou um resultado satisfatório.

Quando comparado com os valores de reflectância aparente, sem a correção atmosférica,

nas bandas do visível (0,45 a 0,69 nm), nota-se que a correção reduziu visivelmente o efeito

do espalhamento atmosférico nestas bandas. Isso pode ser observado na figura 11.

Solo

0,0

0,1

0,2

0,3

0,4

0,5

B1 B2 B3 B4 B5 B7

Bandas TM5

Reflectância

sem correção Atm

com correção Atm

Sombra

0,1

0,2

0,3

0,4

0,5

B1 B2 B3 B4 B5 B7

Bandas TM5

Reflectância

sem correção Atm

com correção Atm

Vegetação

0,1

0,2

0,3

0,4

0,5

B1 B2 B3 B4 B5 B7

Bandas

Reflectância

sem correção Atm

com correção Atm

Fig.11- Curva espectral dos alvos: vegetação (a), solo (b) e água (c), em reflectância aparente (sem

correção) e reflectância de superfície (após correção). Os valores para as bandas 5 e 7 estão em

reflectância aparente.

A atenuação do espalhamento atmosférico foi mais evidente para a banda espectral

do azul (TM1), a que, segundo Chavez (1988), é considerada a mais afetada pela

interferência atmosférica.

Outro aspecto importante observado foi a capacidade do modelo em corrigir os

efeitos multiplicativos da absorção de gases na faixa do infravermelho próximo. Tais efeitos

causam a redução da reflectância nesse comprimento de onda.

Considerando-se tais aspectos, a metodologia adotada para correção dos efeitos

atmosféricos permitiu uma adequada atenuação de tais efeitos, aproximando os alvos

presentes na imagem à sua reflectância no terreno e apresentando um aspecto semelhante

às curvas espectrais encontradas na literatura.

5.1.2 Correção geométrica

O modelo polinomial de primeiro grau, com reamostragem pelo interpolador do

vizinho mais próximo foi aplicado na correção geométrica e resultou num erro quadrado

médio (RMS) de 0,193, ou seja, um erro de 5,8 metros, podendo ser considerado aceitável

para o tipo de aplicação utilizada neste estudo.

5.1.3 Modelo Linear de Mistura Espectral

O principal problema associado à mistura espectral está relacionado ao problema da

identificação de um pixel dito puro (Endmember), do qual possa ser extraída a curva

espectral de um determinado componente da cena imageada. Na figura 12, são

apresentadas as curvas espectrais dos alvos puros de solo, sombra e vegetação

selecionados para a aplicação do Modelo Linear de Mistura Espectral.

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

0,45

0,50

B1 B2 B3 B4 B5 B7

Bandas Landsat-TM5

Reflectância

solo sombra vegetação

Fig.12- Curvas espectrais dos alvos puros selecionados para a determinação do modelo linear de

mistura espectral.

Os componentes puros selecionados a partir da imagem Mosaico de 2005 foram

utilizados para gerar as Imagens Fração derivadas do MLME. O resultado demonstrou que o

modelo empregado foi bem ajustado, obtendo um erro médio quadrático do modelo (RMS –

Root Mean Squared “error”) de 1,03. De acordo com Adams et al. (1995), um modelo pode

ser considerado bem ajustado quando o valor do RMS é baixo e as frações estão dentro de

um limite entre 0 e 1. Assim, analisando-se os histogramas das imagens fração derivadas do

MLME, verificou-se que os componentes puros modelaram cerca de 95% dos pixels.

As imagens fração solo, sombra e vegetação resultantes da aplicação do MLME na

imagem do Landsat 5 TM sem a interferência da atmosfera são apresentadas na figura 13.

Esta figura mostra, em tons de cinza mais claro, a predominância dos componentes puros

de suas respectivas frações.

Fig.13- (A) Composição colorida TM/Landsat 5 (R5G4B3) da região de Juruá/AM; (B) Imagem fração

solo; (C) Imagem fração sombra; e (D) Imagem fração vegetação.

Na figura acima, nota-se que, na imagem fração vegetação, por exemplo, os pixels

mais claros são aqueles que possuem maior quantidade de vegetação. Nessa mesma

imagem fração vegetação, os corpos de água e as áreas desmatadas apresentam-se

escuros exatamente por não possuírem qualquer percentagem de cobertura vegetal. Assim,

pode-se afirmar que os pixels mais claros são aqueles que apresentam maiores proporções

da componente da imagem fração resultante do modelo linear de mistura espectral.

5.2 Dados SRTM no delineamento das florestas alagadas

Todas as discussões apresentadas até o momento referiram-se ao estudo das

propriedades espectrais dos objetos e, como foi observado anteriormente, as componentes

do MLME foram essenciais na discriminação de classes de cobertura e uso do solo pelo

algoritmo de Árvore de Decisão em grande parte das fisionomias presentes na área de

estudo. Porém, houveram dificuldades na separação entre as florestas de Terra-Firme e

Florestas Alagadas.

A biodiversidade e a estrutura dos ecossistemas estão intimamente relacionadas

com suas características físicas. Muitas dessas influências podem ser atribuídas a padrões

de distribuição espacial da freqüência e duração da inundação (Junk, 1997). Esta variação é

determinada pela elevação e posição das planícies fluviais e pela amplitude anual do nível

dos rios. Os padrões geomorfológicos locais também são determinantes para a

biodiversidade e estrutura das florestas alagadas. Sendo a geomorfologia um dos fatores

que influenciam na formação de florestas alagadas, essa característica pode ser utilizada

para distingui-las de outros ecossistemas.

Assim, foram utilizados os dados do Modelo Digital de Elevação derivados do SRTM

(Figura 14) para delinear os ecossistemas de florestas alagadas, na tentativa de discerni-las

das demais unidades geomorfológicas presentes na área de estudo.

Fig.14- Imagem SRTM da região do

Baixo Juruá /AM, na resolução 30 metros.

Hamilton et al. (2006) também utilizaram os dados do SRTM para delinear as

florestas alagadas no Peru, definidas pelos autores como sendo terras adjacentes aos rios

que apresentam um nível de elevação contrastante com os antigos aluviões das terras altas.

Os autores utilizaram um índice de razão computado pela média de altura de um objeto

específico na imagem dividido pela média de altura de todos os objetos circundantes a ele,

em um raio de 500 pixels. Este método mostrou-se eficiente para separar as florestas

alagadas do restante da cena.

De acordo com alguns autores, a distribuição de espécies e a estrutura

geomorfológica das florestas alagadas também podem ser analisadas pelo gradiente de

inundação dos rios. As florestas alagadas podem ser separadas em 3 habitats

característicos: Várzea Alta, Várzea baixa e Chavascal (Junk, 1989; Ayres,1993).

Wittmann et al. (2002) afirmam que as florestas de várzea alta estabelecem-se em

locais onde a coluna de água não ultrapassa 3 metros de inundação, permanecendo

inundadas por até 50 dias por ano. Já a várzea baixa ocorre em locais com inundação

superior a 3 metros, ficando submersas por mais de 50 dias por ano. Os chavascais são

áreas de terras baixas onde a coluna de água pode alcançar até 7 metros e permanecerem

inundados por até 8 meses por ano. Kubitzki (1988) relata que a coluna de água pode atingir

até 15 metros de altura a partir dos bancos de areia expostos.

Com base nesta definição, o critério utilizado para mapear as florestas alagadas

foram áreas que estivessem localizadas até 15 metros de altura medidos a partir de bancos

de areia expostos nas margens do Rio Juruá, utilizando para isso o Modelo digital de

elevação derivado dos dados SRTM para o delineamento das florestas alagadas. Dentro

dessa amplitude de 15 metros, considerada como florestas alagadas, foram separadas duas

outras subclasses baseadas em Wittmann et al. (2002), como mostra a figura 15.

Fig.15- Perfil esquemático da divisão em sub-classes das Florestas Alagáveis, adaptado de Wittmann

et al. (2002).

O critério para mapear as áreas de florestas alagadas até 15 metros de altura, a

partir de bancos de areia nas margens dos rios, pode gerar informações errôneas com uso

do SRTM. Isto se deve por ocorrer uma interferência da altura das árvores, considerando

que a superfície apresentada no modelo representa a topografia de topo dos dosséis

florestais. Entretanto, a metodologia aplicada apresentou resultados satisfatórios na

delimitação das florestas alagáveis, sendo caracterizadas da seguinte maneira:

Floresta Alagada Alta- Caracterizada pelas florestas de várzea alta que se

estabelecem em locais onde a coluna de água não ultrapassa 3 metros de inundação.

Floresta Alagada Baixa- Caracterizada pelas florestas de várzea baixa e áreas de

chavascais, ocorrendo em locais com inundação superior a 3 metros.

Floresta Alagada Baixa de Igapó- Áreas inundáveis por rios de água escura.

Na figura 16 podemos observar as características da Floresta Alagada Baixa de

Igapó, onde a topografia de topo do dossel revela os limites entre a floresta alagável e a

floresta não-alagável.

Fig.16- Fotografia aérea da região da Floresta Alagada

Baixa de Igapó, em 10/10/2007. Em “A” e “B” as setas

pretas indicam a linha limítrofe entre áreas alagáveis e não

alagáveis.

Floresta Alagável

Floresta não-Alagável

5.3 Classificação pela técnica de Árvore de Decisão

Este trabalho relacionou atributos derivados de um modelo digital de elevação, de

dados de sensoriamento remoto e de transformações de imagens para realçar áreas de

vegetação e uso do solo na área de estudo em uma classificação temática baseada num

algoritmo de Árvore de Decisão.

Os resultados mostraram que a classificação por Árvore de decisão apresentou-se

satisfatória e cumpriu os objetivos de mapeamento e caracterização da área de estudo,

gerando um mapa temático de cobertura e uso do solo com 9 classes distintas, classificadas

como: Floresta de Terra- Firme, Floresta Alagável Alta, Floresta Alagável Baixa, Floresta

Alagável Baixa de Igapó, Sucessão secundária, Agropastoril, Desmatamento recente,

Bancos de areia/ Solo exposto e Água.

Na figura 17 é apresentada a Árvore de Decisão, gerada para mapear e caracterizar

a cobertura vegetal e o uso do solo da Reserva, e na tabela 5 a respectiva legenda.

Fig.17- Árvore de Decisão. Retângulos em cinza (nó de decisão) apresentam as expressões

utilizadas pelo algoritmo. Os retângulos coloridos representam os nós da classificação final.

Tab.5- Variável e o seu respectivo arquivo

associado, utilizada pelo classificador.

Variável Arquivo associado

b1 Máscara "água e nodata"

b2 Mascara "nodata"

b3/b4 SRTM_Altitude (metros)

b5 MLME_Fração Solo

b6 MLME_Fração Sombra

b7 MLME_Fração Vegetação

O algoritmo de Árvore de Decisão apresenta os atributos com o maior poder

discriminatório. Assim, dos 12 atributos do conjunto de dados, 6 não foram utilizados pelo

algoritmo por apresentarem informações pouco significativas ou redundantes.

A imagem fração solo foi o atributo que mais vezes foi utilizado no classificador, oito

vezes ao todo. Já a Banda 7 do Landsat-TM5 foi utilizada uma vez apenas, no nó raiz, e foi

utilizada para separar a água das demais classes. Segundo Maciel & Padilha (2005), a regra

mais importante é apresentada no primeiro nó da árvore (nó raiz) e as regras menos

relevantes são apresentadas nos nós subseqüentes. A Tabela 6 apresenta os atributos que

mais contribuíram para a construção da Arvore de decisão pelo número de vezes que foram

utilizados.

Tab.6- Relação de atributos e a quantidade de

vezes que eles foram utilizados pelo algoritmo.

(*Atributos não utilizados)

Atributos

N° de

vezes

Banda 1 *

Banda 2 *

Banda 3 *

Banda 4 *

Banda 5 *

Banda 7 1

Fração Solo 8

Fração Sombra 2

Fração Vegetação 4

SRTM Altimétrico 2

SRTM Declividade *

No geral, os atributos gerados a partir do Modelo Linear de Mistura Espectral

mostraram-se os mais expressivos na separação das classes, considerando o número de

vezes em que foram utilizados.

5.4 Análise pelo índice de Jeffries-Matusita e Transformada de divergência

Uma primeira análise da classificação por árvore de decisão foi feita usando o índice

de distância de Jeffries-Matusita e Transformada de divergência (J.A. Richards, 1999). Este

índice calcula a separabilidade espectral entre pares de classes, considerando ambas as

análises. Este índice apresentará valores variando de 0 a 2 e indicarão o quanto se

diferenciam estatisticamente os pares de classes. Assim, valores maiores que 1,9 indicam

que o par de classes analisado apresentam uma boa separabilidade espectral, ou seja,

estes pares não apresentarão dificuldades em serem separados em uma classificação

espectral qualquer. Na tabela 7, são apresentados os valores obtidos pela análise de

Jeffries–Matusita e Transformada de divergência conforme descrito anteriormente.

Tab.7- Índices de Jeffries-Matusita e Transformada de divergência Os números em vermelho

mostram os valores abaixo de 1,9 e os números acima deste valor estão em verde.

Floresta

de Terra

Firme

Floresta

Alagada

Alta

Floresta

Alagada

Baixa

Floresta

de Igapó

Floresta

Secundária

Agro -

pastoril

Desmate

Solo

Exposto

Água

Floresta de

Terra Firme

Floresta

Alagada Alta

0,76

Floresta

Alagada Baixa

1,62 0,57

Floresta de

Igapó

1,99 1,99 1,99

Floresta

Secundária

1,99 1,97 1,97 2,00

Agro

pastoril

1,99 1,96 1,95 1,92 2,00

Desmate 2,00 2,00 2,00 1,99 2,00 1,53

Solo Exposto

2,00 2,00 2,00 2,00 2,00 2,00 2,00

Água 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00

Observa-se, pelos índices, que os pares de classes de floresta relacionado à

cobertura florestal apresentaram baixos valores no índice de Jeffries-Matusita (abaixo de

1,9), indicando uma baixa separabilidade destas classes quando analisadas apenas

espectralmente. Estes números indicam uma possível confusão espectral entre

determinadas classes de cobertura e uso do solo da cena estudada e também dão idéia da

dificuldade de distingui-las usando apenas os atributos espectrais das bandas do Landsat-

TM.

5.5 Análise da classificação por Árvore de Decisão

Nas imagens fração solo, sombra e vegetação resultante da aplicação do MLME

(Figura 18), têm-se uma área na Comunidade de Botafogo onde se percebe claramente, em

rosa, as áreas desmatadas que serão convertidas em roçado. Observam-se, também, em

amarelo nesta mesma figura, áreas com vegetação em regeneração. Estas áreas em

amarelo foram abandonadas após a colheita de dois ou três ciclos de roçado.

Fig.18- Área de uso do solo na Comunidade do Botafogo, Juruá/AM.

Em (A) Composição colorida TM/Landsat 5 (R5G4B3). Setas

brancas indicam novas áreas agrícolas; (B) Imagem fração solo; (C)

Imagem fração sombra, setas vermelhas indicando áreas sem

floresta e círculo vermelho indicando floresta intacta, e (D) Imagem

Fração Vegetação, círculos vermelhos indicam florestas

secundárias.

Áreas de floresta em processo de regeneração são evidenciadas em tons de cinza

claro na imagem fração vegetação (Figura 18-d). Por sua vez, áreas de florestas intactas e

que apresentam uma estrutura irregular do dossel apresentam uma maior quantidade de

sombra, podendo ser observadas, nesta mesma fração, em níveis de cinza mais escuros. A

componente sombra (Figura 18-c) pode ser considerada a mais expressiva para separar

floresta de não floresta e para caracterizar a estrutura do dossel (Shimabukuro e Smith,

1991). Além disso, esta componente possui pouca ou nenhuma contribuição nas áreas de

pastagem, solo exposto e vegetação secundária, como pode ser visto nesta mesma figura.

Os valores médios de proporção de cada componente nas diversas fisionomias são

apresentados na tabela 8.

Tab.8- Panorama comparativo dos valores médios das proporções dos componentes extraídos de 20

amostras de 4 x 4 pixels

Classes VEGETAÇÃO SOMBRA SOLO

FLORESTA DE TERRA-FIRME 57 32 12

FLORESTA ALAGADA ALTA 57 31 12

FLORESTA ALAGADA BAIXA 58 30 13

FLORESTA ALAGADA DE IGAPÓ 53 26 21

F SECUNDÁRIA/AGROSILVICULT 65 26 9

AGROPASTORIL / CIDADE 46 23 31

DESMATAMENTO /ROÇADO NOVO 21 21 58

SOLO EXPOSTO/ BANCOS DE AREIA

9 27 64

ÁGUA 12 72 16

A tabela 8 apresenta um panorama comparativo das proporções dos componentes

de mistura (solo, sombra e vegetação) em cada fisionomia. Em todas as amostras de cada

fisionomia analisada observou-se uma uniformidade das fisionomias de Floresta de Terra

Firme e Floresta Alagadas. Todas as fisionomias de floresta apresentaram proporções

médias da componente vegetação acima de 50%, entre 53 e 58%, com exceção da Floresta

Secundária, que teve em média 65% de componente vegetação, devido à baixa quantidade

de solo.

A Floresta Secundária obteve a maior proporção do componente vegetação, seguido

da Floresta Alagada baixa (58%). A classe “floresta secundária”, considerada nesta análise

como áreas florestais em processo de regeneração vegetal, foram caracterizadas por

apresentar o maior valor médio da fração vegetação, com acréscimo de 8 % em relação ao

da floresta de Terra-Firme. Já os valores médios da fração solo (9%) e sombra (26%) foram

respectivamente 3% e 6% mais baixos do que os da floresta de Terra-Firme.

A figura 19 mostra que algumas áreas de Floresta Secundária podem apresentar

mais sombra do que solo e outras áreas o inverso. Florestas secundárias mais velhas

desenvolvem uma estrutura complexa, assemelhando-se espectralmente à floresta primária.

Fig.19- (a) Regeneração densa de Cecrópia, (b) área em regeneração

pós-roçado, juntamente com plantios de Andiroba (agrofloresta).

Este fato está associado à diversidade de formações secundárias de diferentes

idades nesta região, nas quais o solo pode estar mais exposto nas florestas mais jovens, ou

então, no caso de florestas secundárias mais antigas, o dossel pode estar mais denso,

ocasionando um maior sombreamento e conseqüentemente uma menor influência do solo

na resposta espectral desta feição, a ponto de serem confundidas com floresta primária.

A análise dos estágios de sucessão reflete a evolução da área em termos de uso e

cobertura do terreno. A utilização de imagens referente a apenas uma data de aquisição não

permite inferências precisas sobre uma possível diferenciação espectral dos diferentes

estágios de sucessão, conforme demonstrado por Roberts et al. (2002), onde foram

utilizadas imagens de séries históricas do satélite Landsat (33 imagens dentro de três áreas

continuas) na estratificação de classes de uso da terra e dos estágios regenerativos da

cobertura vegetal.

A sucessão secundária também apresenta vários estágios em decorrência do tempo

de abandono da área e pode ser o resultado de áreas desmatadas para diversos fins, como

a agricultura familiar (Figura 20).

Fig.20- Área abandonada pós-roça.

Este trabalho considerou apenas um estágio sucessional, denominado floresta

secundária, que pode ser discriminado eficientemente dos outros tipos de florestas por suas

características espectrais. Assim, áreas onde a cobertura e o uso do solo apresentaram

assinaturas espectrais semelhantes àquelas da classe Floresta secundária poderão estar

relacionadas às áreas de cultivo agroflorestal, como culturas de frutíferas e oleaginosas, que

são tipos comuns de uso do solo na Reserva Extrativista do Baixo Juruá e estão incluídas

nesta classe, como pode ser observado na figura 21 abaixo.

Fig.21- Em (A) plantio de Andiroba consorciado com outras frutíferas em

meio a floresta secundária formada após abandono do roçado, e (B)

características espectrais das classes em uma composição RGB543

Landsat/TM.

Na figura 21 é apresentado o padrão de uso do solo nas comunidades da Resex,

onde o plantio consorciado de espécies arbóreas assemelha-se espectralmente às áreas de

sucessão florestal, podendo causar confusão na interpretação dos dados de sensoriamento

remoto. Isto explica a inclusão destas fisionomias na classe Floresta secundária.

As fisionomias de floresta (terra firme e alagada) diferenciaram-se bem das áreas

classificadas como Desmate e Agropastoril, sendo possível notar na imagem fração

vegetação as diferenças destas fisionomias de menor cobertura vegetal com aquelas

florestadas. Na figura 22, a seguir, nota-se que a imagem fração solo permitiu distinguir as

áreas em que a maior proporção do componente solo estava presente, mas não foi capaz

de separar as fisionomias de desmate recente das áreas de pasto e agricultura, inseridas na

classe Agropastoril. Já a imagem fração vegetação (Figura 22-c) apresentou-se mais

eficiente na distinção destas duas fisionomias.

Fig.22- Comunidade de Arati. Em (A) composição RGB543; (B) Imagem fração solo e (C) Fração

Vegetação. Em (A), (B) e (C) elipse vermelha indica a Floresta de Terra-Firme, setas brancas e azuis

indicam áreas de menor cobertura vegetal (Desmate recente) e setas vermelhas indicam pasto. Em

(C), seta amarela indica área de transição entre Pasto e Desmate recente.

As áreas de pastagens bem manejadas são minorias dos casos de padrões de uso

do solo na Amazônia. Em condições de pasto limpo, com área bem manejada, altura

uniforme da gramínea e baixa ocorrência de “espécies invasoras”, a influência do sinal

espectral do solo é maior quando comparada ao cenário mais comumente observado nas

atividades pecuárias da região Amazônica, onde a expressiva ocorrência de vegetação de

porte alto (espécies invasoras) apresenta uma relação diretamente proporcional com o fator

sombra.

Assim, esta relação pode estar acontecendo ao contrário em áreas onde a atividade

pecuária ocorra com menor intensidade e onde ocorre uma maior proporção da componente

vegetação, pois introduz um aumento conseqüente de sombra à medida que a vegetação

cresce. Esta relação “inversa” entre o solo e a vegetação pode estar associada à presença

de vegetação arbustiva e arbórea na área e, assim, a proporção da componente vegetação

pode ser maior do que o solo.

No caso da Resex do Baixo Juruá, pode-se afirmar que a maioria das áreas

destinadas ao pastoreio são consideradas “pastos sujos” e, por isso, foram reunidas em uma

única classe denominada “Agropastoril”, onde os roçados mais antigos e com maior

cobertura vegetal também estão incluídos (Figura 23).

Fig.23- (A), composição RGB543. Setas brancas indicam áreas de roçados

antigos; em (B), setas branca indicam áreas de roçado antigo gerado pela

classificação por árvore de Decisão; (C), roçado antigo com aproximadamente 1

ano e meio, e “D” pasto sujo aparentando bastante semelhança com as áreas

roçado antigo.

A análise das proporções de “vegetação”, “solo” e “sombra” foram essenciais para

caracterizar e distinguir as diferentes classes de uso e cobertura do solo, tais como: áreas

florestadas, áreas em uso, desmatamento, bancos de areia e água.

A figura 24, a seguir, representada por um diagrama ternário das proporções de cada

componente puro utilizado no MLME, ilustra a distribuição e o agrupamento de cada classe

de cobertura do solo nas proporções em que ocorrem em cada fração dos componentes.

Deste modo, realizou-se uma análise de 20 amostras de 16 pixels (4 x 4 pixels) obtidas a

partir das imagens sintéticas do MLME, para cada classe. Esta análise demonstra que, em

geral, as imagens fração solo, sombra e vegetação contribuíram sensivelmente na distinção

de classes feitas pelo classificador por árvore de decisão.

Fig.24- Diagrama ternário das proporções de cada componente puro utilizado no MLME.

A figura 24 apresenta um panorama comparativo das proporções dos componentes

de mistura (solo, sombra e vegetação) em cada fisionomia classificada. Na análise da

distribuição das classes num espaço de atributos tridimensional, observa-se que algumas

classes encontram-se tão próximas que é difícil observá-las no gráfico devido a esta

sobreposição de pontos.

Nas classes água, solo exposto e desmatamento recente, foi possível visualizar uma

sensível separação na distribuição destas fisionomias com uma maior quantidade do

componente solo na classe Solo exposto. Na área de estudo, esta classe esta caracterizada

pelos bancos de areia que ocupam grande parte do leito do Rio Juruá, visto que a única

cena Landsat utilizada na classificação foi obtida no período de maior vazante do rio. Estes

bancos de areia, mais conhecidos como “praias”, também devem a sua formação ao

elevado grau de meandricidade do curso deste rio. Estão inseridos nesta classe, os locais

de solo exposto referente aos lagos secos e proximidades de lagos em forma de “ferradura”,

típicos de áreas alagadas. Isso explica a significante contribuição da componente sombra

nas características desta classe (27%).

As áreas de desmatamento recente (Figura 25), observadas nas visitas de campo,

não seguem o padrão dos grandes desmatamentos da região Amazônica que ocorrem nas

fronteiras agrícolas dos estados do Pará e Mato Grosso. Ao contrário, estas novas áreas de

supressão florestal nas comunidades da Reserva Extrativista ocupam pequenas áreas e são

caracterizadas pela baixa utilização de maquinário e o uso intensivo da força humana.

Floresta de Terra Firme

Floresta Alagada-Alta

Floresta Alagada-Baixa

Floresta Alagada Baixa de Igapó

Floresta Secundária

Agropastoril

Desmate

Solo Exposto / Bancos de areia

Agua

Vegetação

Solo Sombra

Tais áreas apresentam uma grande quantidade de vegetação morta, às vezes

queimada e também com algumas espécies arbóreas como a castanheira (Bertholethia

excelsa) e algumas palmeiras permanecendo em pé, como pode ser observado na figura 25.

A configuração desta fisionomia pode explicar as altas taxas da componente sombra, e até

vegetação, sendo que a componente solo permanece sempre em maior proporção.

Fig.25- Em “A”, grande quantidade de vegetação morta, queimada e com algumas espécies arbóreas

permanecendo em pé. Em “B”, fotografia aérea de 10/10/2007 mostrando o padrão de

desflorestamento em comunidades tradicionais da Resex do Baixo Juruá.

A análise da distribuição das classes pelas proporções dos componentes de mistura

demonstrou que as florestas primárias (terra firme, inundada alta e baixa) não puderam ser

diferenciadas entre si somente pelas componentes solo, sombra e vegetação, exceto a

floresta Alagada de Igapó, que apresentou níveis mais baixos de proporção dos

componentes vegetação e sombra (53 e 26%) e a mais alta proporção de solo (21%), se

comparado com as outras fitofisionomias de floresta.

Esse resultado era esperado visto que o Igapó geralmente apresenta uma baixa

cobertura de vegetação e é composta predominantemente por pequenas árvores de no

máximo 10 metros de altura e muitos arbustos (Worbes, 1997), como pode ser observado na

figura 26. Esta fisionomia é caracterizada por ser uma floresta alagada por rios de água

preta e pobre em nutrientes devido a sua elevada acidez e baixa concentração de

sedimentos.

Visualmente, é possível observar uma grande diferença entre a fisionomia de floresta

de Igapó e as outras fitofisionomias (Figura 26-c,d,e), apresentando maior quantidade do

componente solo e valores de proporção da componente vegetação relativamente baixos se

comparados com as outras fitofisionomias florestadas.

Na figura 26-“a” e “b” é possível de se observar as áreas de solo exposto na Floresta

de Igapó, devido a baixa densidade de árvores de pequeno porte, dando um aspecto

particular a esta tipologia de floresta e explicando os altos valores de reflectância na Banda

5 e de proporção da fração solo do MLME.

Fig.26- (A) e (B) Imagem aérea da floresta de igapó no período de seca (10/10/2007). Setas pretas

indicam a baixa densidade da cobertura vegetal e o solo exposto logo abaixo do dossel. (C) Floresta

de Igapó em destaque na composição RGB543, (D) Imagem fração vegetação e (E) Imagem fração

solo.

5.6 Avaliação da exatidão do mapeamento resultante da técnica de Árvore de Decisão

Com base na matriz de erros (Tabela 9), pode ser observada a tendência da

distribuição dos erros ou confusões na classificação das classes de objetos. Assim, foi

avaliado o desempenho da classificação resultante da técnica de árvore de Decisão utilizada

para o mapeamento da vegetação e cobertura do solo pelos índices de exatidão global e de

coeficiente Kappa.

Tab.9- Matriz de confusão; TF=Terra Firme; FS=Floresta secundária; A/solo= Bancos de areia e solo

exposto; Desm=Desmatamento recente/roça nova; F.A.A=Floresta Alagável alta; Agrop=Agropastoril;

F.A.B=Floresta Alagada baixa; F.I=Floresta de Igapó.

Referência Terrestre

Classes

T.F Água

F.S A/solo

Desm.

F.A.A

Agrop

F.A.B

F.I Total

Erro de

Comissão

T.F 2008

0 57 0 0 168 2 0 0 2235 10.16

Água

2030

0 0 0 1 0 0 0 2031 0.05

F.S

6 0

1173

3 0 13 0 17 0 1212 3.22

A/solo

0 0 0

1389

0 0 9 1 178 1577 11.92

Desm.

0 0 0 2

512

0 120 0 0 634 19.24

F.A.A

0 0 0 0 0

1070

2 1 0 1073 0.28

Agrop

0 0 0 0 33 0

350

0 0 383 8.62

F.A.B

0 0 1 0 0 170 0

2233

75 2479 9.92

F.I

0 0 1 14 0 0 10 1

1794

1820 1.43

Total

2014

2030

1232 1408 545 1422

493 2253

2047

13444

Erro de

Omissão

0.30

0.00

4.79 1.35 6.06 24.75

29.01 0.89 12.36

Exatidão Global 93,4% Coeficiente Kappa = 0,92

Os resultados encontrados na tabela 9 indicam que a classificação obtida pela

técnica de árvore de decisão obteve um bom desempenho e pode ser considerada como

excelente, por apresentar um índice de exatidão global de 93,4% e um coeficiente Kappa de

0,92.

A exatidão global do mapa temático é expressa pela razão entre os pontos

corretamente classificados e o total de pontos de referência. O valor do Coeficiente Kappa

obtido foi menor que a exatidão global. Isto se justifica em função do Coeficiente Kappa

considerar todas as células da matriz de erros no seu coeficiente.

Durante a fase de análise da classificação, observou-se que uma confusão maior

ocorreu entre as três classes de floresta (Terra-Firme, Alagada Alta e Alagada baixa);

embora tendo uma “assinatura espectral” semelhante, a confusão observada entre estas

classes foi relativamente pequena. Segundo Crosta (1993), o resultado de uma classificação

normalmente é uma imagem com muito ruído, causado por pixels isolados ou poucos pixels

atribuídos a diversas classes, que ocorrem próximos a áreas homogeneamente

classificadas. Deste modo, utilizou-se um filtro de maioria (3x3) para eliminar estes ruídos,

de modo que o pixel isolado é incorporado à classe de maior freqüência na janela de 3 x 3

pixels. Em alguns casos, estes ruídos foram solucionados através da edição dos polígonos

erroneamente classificados.

5.7 A cobertura da terra na RESEX do Baixo Juruá

A etapa final constou da elaboração de um mapa de cobertura da terra para a

RESEX do Baixo Juruá de acordo com a classificação obtida pela árvore de decisão,

apresentando a distribuição espacial dos tipos de cobertura da terra, como áreas

florestadas, modalidades de uso do solo e informações atualizadas de desflorestamento

para o ano de 2005. Na tabela 10, são apresentadas as áreas de cobertura total da RESEX

e para cada classe de cobertura da terra obtidas pelo classificador.

Tab.10- Quantificação da cobertura da terra separada em classes,

obtidas pelo classificador por árvore de decisão

Classes ha %

1 Floresta de Terra-Firme 154.323,09

88,95

2 Floresta Alagada baixa 8.997,66

5,99

3 Floresta Alagada alta 3.832,56

2,19

4 Floresta secundária 2.383,29

0,42

5 Floresta de Igapó 2.098,89

1,20

6 Água 1.034,10

0,59

7 Solo exposto/areia 752,76

0,43

8 Agropastoril 597,15

0,18

9 Desmate/ novo roçado 99,90

0,04

TOTAL 174.119,40

100,00

Na tabela 10 nota-se que a Reserva Extrativista do Baixo Juruá é quase que

totalmente coberta por alguma tipologia florestal, destacando-se a Floresta de Terra-Firme

com 88,95% da área total. Essas relações podem ser visualizadas na figura 27 abaixo e no

mapa final da classificação (Figura 28).

Cobertura do solo na Resex do Baixo-Juruá (%)

0,59

1,20

5,99

0,42

0,43

0,18

2,19

0,04

88,95

Floresta de Terra-Firme

Desmate/ novo roçado

Floresta Alag. Alta

Floresta Alag. Baixa

Solo exposto/areia

Floresta de Igapó

Água

Floresta secundária

Agropastoril

Fig.27- Cobertura do solo na RESEX do Baixo Juruá

Fig.28- Mapa final da classificação. Reserva Extrativista do Baixo Juruá (AM)

5.8 A cobertura e o uso do solo nas comunidades da Resex do Baixo - Juruá

Na Reserva Extrativista do Baixo Juruá, criada em 2001, vivem aproximadamente

750 pessoas, agrupadas em 11 comunidades que se localizam nas calhas dos rios Juruá,

Andirá e Igarapé do Branco; 6 comunidades estão distribuídas ao longo do rio Juruá

(Botafogo, Antonina, Vai-Quem-Quer, Morada Nova, Arati, Forte da Graça I e II) ; 4

comunidades, no rio Andirá (São Francisco, 8 Voltas, Escondido e Cumarú); e, no Igarapé

do Branco, apenas uma comunidade, que leva o mesmo nome do rio. Essas comunidades

são consideradas populações tradicionais.

A infra-estrutura nestas comunidades varia um pouco entre si. Cinco das 11

comunidades possuem escola municipal ou áreas reservadas à educação, com turmas de 1°

a 4°série e até 7° série na comunidade de Antonina, que é freqüentada pelas comunidades

vizinhas que não possuem escola. Os jovens que desejam continuar os estudos são

obrigados a mudar para a cidade de Juruá, sede do município.

A maioria das comunidades possui um pequeno gerador de energia elétrica

(chamado pelos moradores de “motor de luz”, movido a óleo diesel), que garante o

fornecimento de, no máximo, três horas de energia elétrica por noite, entre às 18h30 e às

21h30.

No que diz respeito à moradia, em algumas comunidades as famílias estão sendo

assistidas pelo Instituto Nacional de Colonização e Reforma Agrária (INCRA) por meio de

uma experiência pioneira na implantação da política nacional de reforma agrária em

Unidades de Conservação. Em 1999, um convênio assinado entre o INCRA e o IBAMA

possibilitou aos moradores de Reservas Extrativistas (RESEX), Reservas de

Desenvolvimento Sustentável (RDS) e Florestas Nacionais (FLONAS), de serem

reconhecidos como assentados, pois se verificou que não havia diferença de perfil entre os

assentados dos projetos agro-extrativistas que o INCRA vinha criando desde 1987 e os

moradores das UC’s de uso direto. O primeiro convênio celebrado foi na RESEX do Médio

Juruá, no município de Carauari /AM.

Dados do INCRA de agosto de 2005 mostram que seis reservas extrativistas e duas

florestas nacionais já tinham adquirido o status de projetos de reforma agrária. São elas:

RESEX do Médio Juruá, em Carauari; RESEX do Baixo Juruá, em Juruá; RESEX Auati-

Paraná, em Fonte Boa; RESEX Rio Jutaí, em Jutaí; FLONA de Tefé, em Tefé, RESEX do

Lago do Capanã- Grande, em Manicoré; RESEX Catuá-Ipixuna, em Coari e FLONA de

Humaitá, em Humaitá.

Para ser reconhecido oficialmente como assentado, o morador deve atender ao perfil

estabelecido no Estatuto da Terra (1964): não pode ter renda mensal familiar superior a três

salários mínimos provenientes de atividades não agrícolas, não pode ser funcionário

público, aposentado, pensionista, nem empresário.

Assim, em algumas comunidades, famílias receberam do INCRA o crédito

implantação, que se divide na modalidade instalação (R$ 2.400,00 para a compra de

alimentos e equipamentos de trabalho) e na modalidade habitação (R$ 5.000,00 para

construção de uma casa), como pode ser observado na figura 29. O crédito implantação

modalidade instalação é um empréstimo a fundo perdido. Já o crédito implantação

modalidade habitação deve ser pago em até 20 anos, com três anos de carência e desconto

de 50% para pagamento em dia.

Fig.29- Modelo da “casa nova” viabilizada

pelo Incra e Ibama por meio de crédito

habitação. Com. Igarapé do Branco.

A melhoria das condições de moradia foi relatada pelos comunitários que avaliaram

positivamente o processo de reforma agrária no qual estão inseridos. O modelo da casa

nova pode ser parcialmente modificado por cada família, desde que elas construam um

banheiro dentro da casa e mantenham a arquitetura da fachada. Os próprios comunitários

avaliaram essa exigência da aparência externa comum como uma estratégia de construir um

aspecto distintivo do assentamento em relação às comunidades do entorno que não

pertencem à RESEX e também como uma forma de identificar automaticamente as áreas

beneficiadas pela política nacional de reforma agrária, onde o INCRA está atuando em

conjunto com o IBAMA.

As chamadas populações tradicionais da RESEX do Baixo Juruá, de acordo com a

definição de Diegues (1996), caracterizam-se basicamente pelo não uso de trabalho

assalariado; produção independente em pequena escala, baseada no uso equilibrado dos

recursos naturais renováveis e no conhecimento dos ciclos biológicos, transmitidos de

geração em geração e baixa densidade populacional.

As estratégias de subsistência econômicas dos moradores das comunidades da

RESEX estão baseadas principalmente na agricultura familiar, com destaque ao cultivo de

pequenas roças de mandioca para a produção de farinha e a criação de animais de

pequeno porte. Após separar um montante para o consumo, apenas o excedente produzido

é comercializado em Juruá, seja diretamente ou por meio de atravessadores que vivem ou

passam nas comunidades em barcos recreio, conhecido como regatões.

Como visto anteriormente, algumas classes que foram definidas para gerar a

classificação por árvore de decisão tiveram a necessidade de serem agrupadas devido a

sua similaridade espectral, o que não interferiu na discriminação e contabilização das

modalidades de cobertura e uso do solo da RESEX. Na figura 30 abaixo são apresentadas

as características das três principais classes de uso do solo geradas pelo classificador, bem

como suas características espectrais e suas descrições quanto a modalidade de uso do solo

encontrado na visita as áreas das comunidades.

Classe de

uso do solo

Aparência dos

alvos na

composição

R(5)G(4)B(3)

Característica

da área

Imagem

da área

DESMATE

Áreas recém-

desmatadas /

roçados novos

AGROPASTORIL

Pequenas

pastagens/

roçados antigos

FLORESTA

SECUNDÁRIA

Sucessão

florestal/

agrosilvicultura

Fig.30- Características das 3 principais classe de uso do solo nas comunidades da Resex

A seguir, no gráfico da figura 31, é apresentada a área total das modalidades de uso do solo

para cada comunidade da RESEX do Baixo Juruá, em hectares.

Uso do solo por comunidade

100

120

Botafogo

Antonina

VQQ

Mnova

Arati

Forte I e II

SF e 8V

Escondido

Cumarú

Ig. Branco

Comunidades

Hectares

Desmate/ novo roçado Agropastoril Floresta secundária

Fig.31- Área total em hectares das modalidades de uso do solo por comunidade.

Observa-se que apenas duas comunidades (Arati e Forte das Graças I e II)

diferenciaram-se do padrão de uso do restante das comunidades da RESEX, onde a

modalidade agropastoril apresentou valores de cobertura cinco vezes maior que as outras

oito comunidades. Este fato está relacionado à proximidade das comunidades com a sede

do município e também por ser uma das comunidades mais antigas que se tem registro

(relatos de que na década de 40 residiam ali famílias que exploravam um antigo seringal).

Segundo informações de comunitários, alguns conflitos por causa da criação de gado

e também por religião aconteceram nos anos 80 na comunidade do Forte das Graças, a

qual, em meados de 1985, foi dividida em duas (Forte das Graças I e II) por causa destes

episódios. Estas duas comunidades podem ser consideradas melhor estruturadas se

comparadas com as outras, possuindo escola, posto de saúde, água encanada em algumas

casas, alguns barcos, possuem geradores de energia e até painel de geração de energia

solar.

A comunidade de Arati é a que está localizada mais próxima da sede Juruá e

também apresentou uma área de cobertura de aproximadamente 100 hectares na

modalidade agropastoril, onde estão inseridos os pastos e roçados antigos. As visitas de

campo mostraram que aproximadamente 90% destas áreas são de pasto, ocorrendo poucos

roçados, sendo esta uma comunidade totalmente voltada à criação de gado. Relatos de

pessoas envolvidas no processo de criação da RESEX indicam que os moradores desta

localidade nunca estiveram de acordo com a criação da mesma, talvez por não

apresentarem características extrativistas.

Como nas demais comunidades no Estado do Amazonas, alguns moradores

apresentaram queixas em comum. Entre as queixas estão a falta de um atendimento

eficiente de saúde. Os comunitários enfermos de malária ou com verminoses, por exemplo,

tem que enfrentar pelo menos uma viagem de 9 horas de “rabeta” (motor de 2 HP’s) para

recorrer à rede pública hospitalar na cidade de Juruá, como é o caso de Cumarú e de todas

as comunidades situadas no rio Andirá e no Igarapé do Branco, sendo esta última a mais

distante da cidade.

Também se verificou uma escassa rede de comunicação entre as comunidades,

sendo que apenas duas delas possuem um sistema de radiofonia ligado com a sede da

Associação, na cidade de Juruá. Também não há sinal que permita o uso de telefones

celulares e em apenas três comunidades existe telefone público.

5.8.1 Áreas sob influência das comunidades

Neste tópico, serão apresentadas as áreas de cobertura e uso do solo para a área de

influência de cada comunidade da Reserva Extrativista do Baixo Juruá. Esta área de

influência foi delimitada por um hexágono de aproximadamente 1.400 hectares e que teve

como centro o ponto médio da distância entre uma determinada comunidade e a sua área

de uso mais distante (roçado mais distante, por exemplo). Assim, pode-se comparar a

intensidade de uso do solo de cada comunidade tendo como referência uma área de

influência em comum.

De acordo com a legenda apresentada na figura 30, foram analisadas considerando

a porcentagem de cobertura e uso do solo.as seguintes comunidades:

Comunidade Botafogo (Figura 32); Antonina (Figura 33); Vai-Quem-Quer (Figura 34);

Morada Nova (Figura 35); Arati (Figura 36); Forte das Graças I e II (Figura 37); São

Francisco e Oito Voltas (Figura 38); Escondido (Figura 39); Cumarú (Figura 40) e Igarapé do

Branco (Figura 41).

54,3%

30,0%

5,9%

3,1%

1,8%

0,8%

0,6%

3,5%

0,0%

Fig.32- Comunidade do Botafogo. (a) Área de influência da comunidade (1.400ha) e (b) porcentagem

ocupada por cada classe dentro da área de influência

56%

24%

Fig.33- Comunidade de Antonina. (a) Fotografia aérea (10/10/2007), (b) Área de influência da

comunidade (1.400ha) e (c) porcentagem ocupada por cada classe dentro da área de influência

0,0

0,3%

75%

12%

Fig.34- Comunidade Vai-Quem-Quer. (a) Área de influência da comunidade (1.400ha) e (b)

porcentagem ocupada por cada classe dentro da área de influência

4,85%

2,48%

0,33%

0,00%

0,88%

1,16%

6,20%

15,02%

69,09%

Fig.35- Comunidade Morada Nova. (a) Fotografia aérea (10/10/2007), (b) Área de influência da

comunidade (1.400ha) e (c) porcentagem ocupada por cada classe dentro da área de influência.

64%

10%

Fig.36- Comunidade de Arati. (a) Fotografia aérea (10/10/2007), (b) Área de influência da

comunidade (1.400ha) e (c) porcentagem ocupada por cada classe dentro da área de influência

10%

67%

Fig.37- Comunidade Forte das Graças I e II. (a) Fotografia aérea (10/10/2007), (b) Área de influência

da comunidade (1.400ha) e (c) porcentagem ocupada por cada classe dentro da área de influência

4,8%

1,3% 0,2%

2,4%

0,8%

6,9%

11,1%

71,7%

Fig.38- Comunidade de São Francisco e 8 Voltas. (a) Fotografia aérea (10/10/2007), (b) Área de

influência da comunidade (1.400ha) e (c) porcentagem ocupada por cada classe dentro da área de

influência

0,2%

3,4%

17,8%

2,2%

61,5%

7,8%

2,3%

3,8%

0,9%

Fig.39- Comunidade do Escondido. (a) Fotografia aérea (10/10/2007), (b) Área de influência da

comunidade (1.400ha) e (c) porcentagem ocupada por cada classe dentro da área de influência

13,1%

0,4%

2,7%

1,9%

1,1%

4,4%

7,9%

64,0%

Fig.40- Comunidade do Cumarú. (a) Fotografia aérea (10/10/2007), (b) Área de influência da

comunidade (1.400ha) e (c) porcentagem ocupada por cada classe dentro da área de influência

0,2%

1,7%

0,0%

3,6%

72,5%

19,4%

1,7%

0,5%

Fig.41- Comunidade do Igarapé do Branco. (a) Área de influência da comunidade (1.400ha) e (b)

porcentagem ocupada por cada classe dentro da área de influência

5.9 Identificação de áreas para manejo florestal sustentável na Resex

O levantamento estrutural da floresta primária de Terra-Firme foi realizado por meio

da alocação sistemática de 82 subunidades amostrais em 13 transectos distribuídos

sistematicamente próximo as comunidades da Reserva Extrativista do Baixo Juruá, como

pode ser visto na figura 42.

Fig.42- Distribuição dos transectos ao longo a RESEX.

As variáveis biométricas analisadas nesta pesquisa foram área basal (AB), Volume

(Vol), Peso (P) e Carbono (C), considerando todos os indivíduos levantados nas

subunidades das amostras (10.630 indivíduos no total). A área basal foi computada como

sendo a somatória das áreas transversais de todas as árvores expressa em m²/ha. A

estimativa de biomassa fresca acima do solo foi realizada pelo método indireto, com

aplicação da equação proposta por Higuchi et al. (1997). O volume total de cada indivíduo,

expresso em m3, foi obtido pela equação proposta por Higuchi et al. (1997). Na tabela 10

abaixo são apresentados os valores médios por hectare das variáveis analisadas.

Tab.11- Valores médios por hectare dos parâmetros biométricos nos transectos

Transecto

Comunidade

Volume

(m³/ha)

(m²/ha)

Peso

(t/ha)

1 BOTAFOGO 354,5 27,7 535,7 160,7

2 ANTONINA 316,7 24,9 477,4 143,2

3 VAI-QUEM-QUER 395,6 31,1 595,9 178,8

4 MORADA NOVA 348,8 27,3 530,5 159,2

5 SOCÓ 360,5 28,2 549,1 164,7

6 FORTE 316,1 24,7 479,0 143,7

7 LAGO GRANDE 358,5 27,9 543,8 163,1

8 S. FRANCISCO 375,2 28,8 576,8 173,0

9 8 Voltas 357,2 27,8 542,1 162,6

10 ESCONDIDO 348,7 27,1 528,4 158,5

11 CUMARU 349,0 26,9 534,5 160,4

12 TERRA CACHORRO

328,3 25,5 497,6 149,3

13 IG.BRANCO 338,3 26,0 520,2 156,1

A análise dos resultados obtidos para as variáveis área basal, volume, biomassa e

carbono nos 13 transectos, considerando indivíduos com DAP>10 cm, mostraram uma

pequena amplitude de valores entre as unidades amostrais, isso permite afirmar que as

mesmas encontram-se dentro de uma mesma unidade fitofisionômica, como pode ser

melhor visualizado no gráfico abaixo (Figura 43).

0,0

100,0

200,0

300,0

400,0

500,0

600,0

BOTAFOGO

ANTONINA

VAI-QUEM-QUER

MORADA NOVA

SOCÓ

FORTE

LAGO GRANDE

S. FRANCISCO

8 Voltas

ESCONDIDO

CUMARU

TERRA CACHORRO

IG.BRANCO

Comunidades

Valores/ha

Volume(m³) AB(m²) Peso(t) C(t)

Fig.43- Valores médios por hectare dos parâmetros biométricos por comunidade.

No intuito de se definir duas áreas de aproximadamente de 2.000ha cada, destinadas

ao desenvolvimento de práticas de manejo florestal sustentável na RESEX e auxiliar os

órgãos competentes e as comunidades extrativistas na escolha destas áreas, foram

cruzados os planos de informações gerados pela análise das imagens de sensoriamento

remoto e os dados biofísico obtidos das amostras de inventário florestal.

Foi estabelecido que a localização geográfica destas unidades de manejo teria que

ser distribuída de forma que atendesse a todas as comunidades da reserva, ou seja, uma

unidade de manejo para atender as comunidades localizadas na porção norte da reserva e a

outra localizada mais ao sul. Posteriormente, escolheu-se a comunidade cujo volume médio

por hectare tenha sido o maior entre todas as comunidades amostradas; neste caso, a

Comunidade Vai-Quem-Quer, que obteve um volume médio de 395,6 m³/há, foi eleita como

a área em que será instalada a “unidade de manejo florestal 1“, localizada na porção norte

da RESEX do Baixo Juruá.

Na escolha da segunda unidade de manejo, não foi levado em conta o volume de

madeira apresentado na amostragem e sim uma área que atendesse às comunidades da

porção sul de RESEX, mais especificamente as localizadas no Rio Andirá. Dentre estas

comunidades, a do Cumarú mostrou-se a mais apta a ser escolhida, pelo grande interesse

demonstrado pelo líder da comunidade em que se desenvolvessem ali as práticas de

manejo florestal sustentável.

Deste modo, foram utilizados os planos de informações gerados até aqui para sugerir

e delimitar as áreas onde poderão vir a ser implantadas as unidades de manejo florestal na

RESEX do Baixo Juruá. Assim, foi sobreposta a imagem de declividade gerada a partir dos

dados SRTM com a imagem da classificação final por árvore de decisão e, visualmente,

foram delimitadas as duas áreas de 2.000 hectares cada nas proximidades das

comunidades escolhida. O cruzamento dos dois planos de informação (declividade x

imagem classificada) possibilitou definir as áreas que eram de Floresta de Terra-Firme e que

tivessem uma declividade menor que 2% (Figuras 44 e 45).

+ =

Fig.44- Proposta de localização da Unidade de Manejo Florestal na Comunidade Vai-Quem-Quer. (a)

Classificação por árvore de decisão, (b) Mapa de declividade (SRTM) e (c) cruzamento dos dois

planos de informações anteriores (a+b).

+ =

Fig.45- Proposta de localização da Unidade de Manejo Florestal na Comunidade Cumarú. (a)

Classificação por árvore de decisão, (b) Mapa de declividade (SRTM) e (c) cruzamento dos dois

planos de informações anteriores (a+b).

5.10 Detecção e mapeamento de áreas afetadas por distúrbios naturais

As análises da cena 01/62 do Landsat/TM-5 de 04-09-2005 revelaram a presença de

algumas áreas características com alta radiância na banda TM-4 (infravermelho próximo).

Tal padrão espectral é típico de floresta secundária jovem na região amazônica e está

relacionado com o grande número de espécies pioneiras de crescimento rápido como as

Cecropiáceas e Vismias, formando um dossel denso e quase que totalmente uniforme.

Nesta análise, atentou-se para uma área localizada nas proximidades da cidade de

Juruá (zona rural), apresentando características espectrais semelhantes as das florestas

secundárias jovens; porém, com uma geometria diferente do padrão regional e área de

cobertura relativamente maior do que normalmente é encontrado na região, como pode ser

visto na figura 46.

Fig.46- Área localizada na zona rural da cidade de Juruá/AM

detectada na cena Landsat/TM 01/62 de 04/09/2005

A partir daí, em pesquisa informal realizada em campo, foram coletados alguns

relatos dos moradores da cidade que diziam ter formado um “grande tempo” nas

proximidades daquela área, em meados do ano 2000. Este termo esta relacionado a uma

grande tempestade ocorrida naqueles dias e é desta maneira que grande parte dos

moradores da região se referem as fortes chuvas de verão.

De acordo com explicações em livros convencionais, rajadas de vento descendentes

estão associadas a nuvens Cumulus ninbus altas. Na Amazônia, estas nuvens apresentam

suas partes mais altas deslocadas para oeste devido à prevalência de troca de ventos

(Alísios); estas porções mais altas “derrubam” a chuva através da camada de ar seco,

produzindo um movimento descendente da coluna de ar ao seu redor. A precipitação

evapora à medida que passa pela camada seca, resfriando a coluna de ar e tornando-a

mais densa, fazendo acelerar o movimento convectivo descendente.

Os ventos prevalentes influenciam a coluna convectiva de ar em tal extensão que ela

se movimenta na direção oeste e, quando impacta com a floresta, causa o formato típico dos

eventos conhecidos por Blowdowns (Nelson & Amaral, 1994). Os blowdowns são maiores e

mais freqüentes em uma faixa norte-sul que se estende da Venezuela, passando pela região

central do Estado do Amazonas até os estados de Rondônia e Acre, no Brasil. A cidade de

Manaus está situada dentro do “coração da zona de alta freqüência de Blowdowns”.

A concentração destes ventos destrutivos não pode ser explicada somente pela

formação de nuvens Cúmulus ninbus convectivos, já que essas ocorrem em toda a bacia

amazônica. Um outro sistema convectivo organizado em larga-escala e conhecido como

linhas de tempestade também podem explicar a concentração de ventos convectivos na

região central da Amazônia, como foi sugerido por Mofien & Kousky (1965) e Cohen (1989).

Segundo estes autores, estas linhas de tempestade formam-se na costa do Oceano

Atlântico e propagam-se em direção oeste pela Amazônia a uma taxa de 10 graus de

longitude por dia, atingindo a parte central na tarde do dia seguinte. No entanto, a maioria

destas linhas de tempestade não penetram muito na região, não ultrapassando os 66 graus

de longitude oeste.

A cidade de Juruá (AM) está situada a aproximadamente 66°04’ de longitude oeste,

sendo que a parte central da área que apresentou características espectrais semelhantes as

das florestas em regeneração após eventos de Blowdown está localizada na longitude

66°01’ W, aproximadamente. Ambas muito próximas dos limites verificados por Mofien &

Kousky (1965), de 66° W.

Deste modo, foram efetuadas buscas em algumas imagens da cena 01/62 referentes

as datas citadas pelos moradores como prováveis épocas de ocorrência da tempestade da

cidade de Juruá, em meados do ano 2000, no intuito de encontrar a data aproximada do

acontecimento. Na figura 47, é apresentado um recorte da cena 01/62 do Landsat/TM de

25/11/2000, em que pode ser observada a época aproximada de ocorrência do distúrbio

natural.

Fig.47- Recorte da cena 01/62 do Landsat/TM de

25/11/2000 indicando, na elipse em branco, a área

afetada por distúrbio natural blowdown. Para efeito

de comparação, a seta preta indica a pista do

aeroporto de Juruá/AM.

Na figura 47 acima, observa-se as grandes proporções deste evento se comparado

com a pista de pouso do aeroporto de Juruá. Estima-se que a área atingida diretamente pelo

Blowdown do Baixo Juruá tenha aproximadamente 420 ha. A área compreendida pela elipse

branca mede aproximadamente 900 ha e pode ser considerada como área que foi afetada

indiretamente pelo distúrbio.

Segundo Fugita (1985), além da área diretamente afetada pelos ventos convectivos

descendentes, acelerações adicionais do vento convectivo podem penetrar por diversos

quilômetros a partir da ponta mais distante da área principal do blowdown, como pode ser

observado abaixo na figura 48.

Fig.48- As setas brancas indicam uma possível trajetória seguida por estes

micro-ventos rotatórios e mostram, no final destas trajetórias, as porções

mais distantes do centro de impacto.

Estas acelerações adicionais ocorrem se vórtices de ar em forma de “anéis de

fumaça” se formam ao redor da coluna de ar descendente, que, ao entrar em contato com a

superfície quebram-se em pequenos segmentos conhecidos como ”rotor microburst”, os

quais são empurrados para frente como numa explosão. Isso leva estes micro-ventos

rotatórios a penetrar em alta velocidade sobre a superfície do solo ou do dossel (Figura 48-

b).

Como pode ser observado nas imagens, este grande evento detectado nas

proximidades da cidade do Juruá é aproximadamente do tamanho de sua área urbana.

Outros eventos desta magnitude causados por ventos destrutivos no oeste e na Amazônia

central já foram descritos na literatura ou relatados por moradores e viajantes da região

amazônica. Nelson & Amaral (1994), citam dois casos de blowdowns nas proximidades da

cidade de Tefé (AM), em que os eventos detectados seriam maiores que o próprio centro

urbano desta cidade. Outro caso citado foi um blowdown de aproximadamente 1 km

quadrado que ocorreu entre 1986 e 1989 a apenas 4 km da área do aeroporto que serve de

apoio aos campos de petróleo de Urucu (AM). Eventos como estes podem ser considerados

riscos eminentes para o transporte de produtos por navegação e aviação nessas áreas.

A Figura 49 nos mostra uma seqüência de recortes das cenas do Landsat/TM5 na

composição RGB543 e suas respectivas datas de aquisição. Esta seqüência nos permite

inferir sobre o provável período de ocorrência do evento próximo a cidade de Juruá, entre os

anos de 1997 e 2000, e a conseqüente recuperação da floresta (ano 2005).

Fig.49- Seqüência de recortes das cenas Landsat/TM5 na composição RGB543. A seqüência nos

mostra a área afetada por distúrbio natural, o provável período do acontecimento e a conseqüente

recuperação da floresta.

5.11 Detecção de “Manchas” de vegetação e expedição ao campo

O estudo dos padrões espectrais de uma única folha é fundamental para o

entendimento do comportamento espectral das diferentes coberturas vegetais, mas não

podem ser generalizados para uma planta ou para uma formação vegetal. A reflectância de

uma cobertura vegetal é consideravelmente menor do que uma simples folha devido

principalmente ao ângulo de incidência da radiação e da arquitetura do dossel.

Nas áreas de florestas primárias, a complexidade do dossel faz com que estas áreas

apresentem baixa reflectância na região do infravermelho próximo, diferenciando-se das

áreas de sucessão secundária e pastos verdes, onde os dosséis são mais homogêneos e

apresentam maior reflectância.

Alguns estudos comprovaram a eficiência de se distinguir fisionomias ou grandes

densidades de vegetação pertencentes a mesma espécie, dentro da floresta primária.

Nelson (1997) detectou manchas mais escuras em florestas primárias do Estado do Pará

utilizando imagens Landsat/TM e comprovou que este padrão espectral mais escuro

correspondia a áreas com predominância da palmeira babaçu (Attalea speciosa Mart ex

Spreng), cobrindo 20 a 50% do dossel. Também no Pará, na Floresta Nacional do Tapajós,

foi observada uma alta densidade de várias espécies de palmeiras não identificadas e que

também apresentavam um padrão espectral escuro nas imagens.

Como nos estudos citados acima, também foram identificadas nas imagens

Landsat/TM da área da Reserva Extrativista do Baixo Juruá algumas “manchas” na floresta

primária, apresentando padrões espectrais diferentes da maioria de cena. A partir daí, foi

organizada uma expedição na parte norte da RESEX, com o objetivo de se chegar, por via

terrestre, o mais próximo possível do centro de uma destas “manchas”, como pode ser

observado na figura 50 abaixo.

Fig.50- Composição colorida RGB543, Landsat/TM da área onde se detectou uma das “manchas”.

Pontos brancos mostram os pontos de GPS coletados.

Como pode ser observado na figura 48 acima, estas manchas possuem uma

coloração mais esverdeada e diferenciam-se do padrão de manchas escuras encontradas

em áreas com predominância de Babaçu, como citado anteriormente. No gráfico 51 abaixo,

tem-se os valores médios de reflectância da floresta primária e da floresta “mancha”.

Fig.51- Curvas espectrais da Floresta primária de Terra Firme e Floresta Mancha.

De uma forma geral, observa-se que as duas fisionomias apresentam um

comportamento típico de coberturas vegetais, com respostas baixas nas bandas do visível e

altas no infravermelho próximo, diminuindo novamente nas banda 5 e 7 do infravermelho

médio. Embora os valores de reflectância destas fisionomias tenham sido muito próximos

em todas as bandas, pode-se observar que a floresta primária apresenta menores valores

de reflectância na banda 4, o que pode indicar que as florestas “mancha” tenham um dossel

menos complexo e heterogêneo do que a floresta primária.

Padrões como este são característicos de florestas secundárias, ou de áreas em

recuperação, onde a vegetação em sucessão apresenta um dossel mais homogêneo (menor

sombreamento) de espécies pioneiras extremamente dependentes da alta luminosidade,

fornecendo índices mais elevados na resposta espectral da banda 4. Dependendo da idade

do estágio de sucessão, a influência de sombra será menor (em estágios mais novos) ou

maior (estágios mais velhos).

Já para o comprimento de onda no infravermelho médio (bandas 5 e 7), a resposta

espectral das duas fisionomias também são um pouco similares entre si e aos valores

encontrados nas bandas do visível. Nestes comprimentos de onda (banda 5 e 7), a energia

incidente que interage com a vegetação é controlada pela quantidade de água presente no

alvo; sendo que um maior conteúdo de umidade na folha fará diminuir proporcionalmente a

reflectância nas bandas do infravermelho médio. Ao analisar o gráfico 51, supõe-se que a

floresta “Mancha” seja mais úmida e jovem que a floresta primária.

As imagens fração geradas pelo Modelo Linear de Mistura Espectral também se

mostraram eficientes na detecção destas manchas de vegetação na RESEX do Baixo Juruá.

Abaixo são apresentadas as imagens fração solo e sombra da área visitada (Figura 52).

Fig.52- Imagens fração solo(a) e sombra(b) mostrando a variação dos níveis de cinza na

área de estudo.

A proporção dos componentes nas imagens resultantes da aplicação do MLME é

representada pela variação em seu nível de cinza, em que, quanto mais claro o pixel, maior

será a quantidade do componente em questão. Pode-se observar visualmente, na figura 51,

as diferenças existentes entre as fisionomias de floresta primária e “mancha” nas imagens

fração solo e sombra. No gráfico 53 abaixo, também se pode observar estas diferenças nas

proporções das imagens fração solo, sombra e vegetação. Pode-se perceber que os

componentes solo, sombra e vegetação ajudaram na discriminação das fisionomias

investigadas. A floresta “mancha” apresentou valores mais baixos da fração solo e valores

ligeiramente mais altos nas frações sombra e vegetação.

Fig.53- Proporção das componentes nas 3 frações para a

Floresta “Mancha” e Floresta primária.

O componente puro da vegetação está associado a uma vegetação com dossel

uniforme e bem iluminado e pode explicar os valores mais altos da fração vegetação em

relação aos valores da fração sombra. Tais características estão associadas a uma

vegetação mais jovem, como as florestas secundárias, onde uma diversidade menor de

espécies pioneiras constitui um dossel menos complexo que as florestas primárias.

A análise das bandas do Landsat/TM e das imagens geradas pelo MLME indicaram

que a floresta investigada, também conhecida como “Mancha”, possuía indícios de ser uma

formação mais uniforme do que a floresta primária ao seu entorno e diferente das florestas

de babaçu, encontradas na literatura, que apresentaram um nível de sombra maior que as

florestas primárias as quais foram comparadas.

Foi constatado em campo, no decorrer de todo o percurso de Terra- Firme até a

“mancha”, algumas variações na fisionomia da floresta. Estas variações foram aumentando

à medida que se aproximava do ponto geográfico escolhido no mapa como centro da

“mancha”. Esta mudança foi mais claramente perceptível a partir do quilometro cinco da

picada, onde uma vegetação densa, uniforme e aparentemente jovem tomou conta de todo

o campo de visão, dando lugar a uma composição florestal homogênea e dominada quase

que totalmente por uma única espécie arbórea, que foi identificada somente mais tarde no

herbário do INPA. A figura 54 abaixo mostra as características da floresta “mancha” após

expedição de campo.

Fig.54- Características da floresta mancha, em (a) dossel baixo e dominado por apenas uma espécie,

em (b) espécie com raízes características de áreas alagáveis e (c) serapilheira.

A espécie em questão pertence à família Euphorbiaceae, gênero Discocarpus sp e

tem ampla distribuição nos trópicos, contando com cerca de 8.000 espécies agrupadas em

317 gêneros (Webster,1994). Segundo Angiosperm Phylogeny group, (2003) e de acordo

com dados moleculares, as Euphorbiáceaes foram divididas em várias sub-famílias, sendo

Discocarpus considerada uma delas.

Não foram encontrados na literatura indícios de grandes agrupamentos homogêneos

desta espécie, também podendo ser conseqüência de ações antrópicas que permaneceram

por longos períodos nestas áreas (civilizações indígenas), ou até mesmo áreas de sucessão

pós-distúrbios naturais.

A figura 55 nos mostra duas fotografias digitais feitas a partir de um sobrevôo

realizado na aérea da Floresta Mancha em 10/10/2007.

Fig.55- Vista aérea da Floresta Mancha. Elipse vermelha indicando agrupamentos monoespecíficos

de Discocarpus sp.

6. Conclusão

Utilizando-se um classificador por Árvore de Decisão junto com as imagens fração

solo, sombra e vegetação derivadas do Modelo Linear de Mistura Espectral e variáveis

altimétricas do radar SRTM foi possível caracterizar e mapear a vegetação e o uso do solo

da Reserva Extrativista do Baixo Juruá. A eficácia da classificação pode ser observada pelo

índice de exatidão global e de kappa obtidos, de 93,4 % e 0,92 respectivamente, sendo

considerado excelente. O resultado final da classificação da cobertura da terra também foi

considerado satisfatório por permitir a discriminação de um número maior de classes que os

mapas gerados pelo Projeto RADAMBRASIL.

A análise estatística mostrou que as imagens fração derivadas do MLME foram

essenciais para a correta distinção das classes pelo algoritmo de Árvore de decisão. Os

dados de radar, por sua vez, mostraram-se eficientes na separação das classes de Floresta

de Terra- Firme e Florestas Alagáveis, que quando analisadas apenas pelos seus atributos

espectrais apresentavam ligeira confusão de separabilidade.

O estudo mostrou que a análise detalhada de uma única cena do sensor Landsat

pode ser considerada ferramenta eficaz na distinção de diferentes tipos de cobertura da

terra dentro das unidades de conservação, podendo ser um passo importante para a

manutenção da integridade dessas áreas consideradas fontes de recursos naturais e de

biodiversidade, por meio de seu monitoramento e no auxílio à implementação de práticas

sustentáveis de uso da terra, como o manejo florestal.

A RESEX do Baixo Juruá, que se constitui numa área utilizada por comunidade

tradicional cuja subsistência se baseia no extrativismo e na criação de animais de pequeno

porte mostrou estar cumprindo com seus objetivos de proteger os meios de vida e a cultura

dessas populações, bem como no que se refere a integridade física da área, por apresentar

aproximadamente 0,6% de áreas destinadas ao uso do solo pelas comunidades.

Os trabalhos de campo foram imprescindíveis para a geração do mapa de cobertura

e uso do solo condizente com a realidade, segundo a resolução espacial e temporal dos

dados utilizados e as características dos alvos detectados. Os resultados obtidos para as

classes de cobertura da terra devem ser analisados conjuntamente e dentro do contexto em

que estão inseridos, uma vez que as classes foram pré-definidas em trabalhos de campo.

É importante considerar que a estratificação proposta neste trabalho é valida para a

área em questão. Cada área possui suas peculiaridades em relação a solo, clima,

vegetação, topografia e diferenças nos padrões de uso e ocupação do solo incluindo as

interações entre esses e outros fatores, tornando cada situação um caso particular a ser

analisado.

7. Referências Bibliográficas

Adams, J.B.; Sabol, D.E.; Kapos, V.; Almeida Filho, R.; Roberts, D.A.; Smith, M.O.; Gillespie, A. R.

1995. Classification of multispectral images based on fractions of endmembers: application to

land-cover change in the Brazilian Amazon. Remote Sensing of Environment. v.52, p.137-154.

Affonso, A.G.; Valeriano, D.M.; Batista, G.T. 2005. Caracterização de fisionomias vegetais na

Amazônia oriental através de videografia aerotransportada e imagens derivadas do modelo linear

de mistura espectral do sensor ETM+ do Landsat 7. Anais XII Simpósio Brasileiro de

Sensoriamento Remoto, Goiânia, Brasil, INPE. 1399-1406.

Aguiar, A.P.D.; Shimabukuro, Y.E.; Mascarenhas, N.D.A. 1999. Use of synthetic bands from mixing

models in the multispectral classification of remote sensing images. International Journal of

Remote Sensing, 20(4): 647-657.

Allegretti, M. 1990. "Extrativist Reserve: an alternative for reconciling development and environmental

conservation in Amazonia" in ANDERSON, Anthony (ed). Alternative to Deforestation: Steps

Towards Sustenable Use of the Amazon Rainforest. New York, Columbia University Press.

Amaral, S.; Soares, J. V.; Alves, D. S.; Mello, E. M. K.; Almeida, S. A. S.; Silva, O. F.; Silveira, A. M.

1997. Relações entre índice de área foliar (LAI), área basal e índice de vegetação (NDVI) em

relação a diferentes estágios de crescimento secundário na Floresta Amazônica em Rondônia.

Revista Selper, v. 13, p. 35-39.

Almeida, M. 1992. The Making of a Forest Peasant Economy. Ph.D. Dissertation, University of

Cambridge.

Almeida, M. 1994. As Reservas Extrativistas e o Valor da Biodiversidade in ARNT, Ricardo (org.). O

Destino da Floresta: Reservas Extrativistas e desenvolvimento sustentável na Amazônia. Rio de

Janeiro, Relume Dumará.

Anderson, A. 1990. Alternative to Deforestation: Steps Towards Sustenable Use of the Amazon

Rainforest. New York, Columbia University Press.

Asner, G. P. 2001. Cloud cover in Landsat observations of the Brazilian Amazon. International Journal

of Remote Sensing, 22, 3855– 3862p.

Asrar, G. 1989. Theory and applications of optical remote sensing. New York, John Wiley & Sons.

Atkinson, P.M.; Lloyd, C.D. 1998. Mapping precipitation in Switzerland with ordinary and indicator

kriging. Journal of Geographic Information And Decision Analysis, v.2, n.2, p.65-76, July.

Ayres, J.M. 1993. As matas de várzea do Mamirauá. Estudos de Mamirauá, Vol.1. Sociedade Civil

Mamirauá, Brasília, pp.1-123.

Band, L. E. 1986. Topographic partition of watersheds with digital elevation models. Water Resources

Research, v. 22, n. 1 p. 15-24.

Balick, M.J.1985. Useful Plants of Amazonia: A Resource of Global Importance. In: G.T. Prance and

T. Lovejoy (Eds) Key Enviroments: Amazonia, Pergamom Press, New York, pp 339-368.

Bierregaard, R.O., Lovejoy, T.E., Kapos, V., Santos, A.A. & Hutchings, R.N. 1992. The biological

dynamics of tropical rain forest fragments. Bioscience 42:859-866.

Blomgren, S. 1999. A digital elevation model for estimating flooding scenarios at the Falsterbo

Peninsula. Environmental Modelling & Software, v. 14, p. 579-587.

Boardman et al., 1995. Mapping target signatures via partial unmixing of AVIRIS data. Summaries of

the Fifth Annual JLP Airborne Geoscience Workshop (pp.23-26). Pasadena, CA: Jet Propulsion

Laboratory.

Boyd, D. S.; Foody, G. M.; Curran, P. J. 1999. The relationship between the biomass of Cameroonian

tropical forests and radiation reflected in middle infrared wavelenghts (3.0-5.0µm). International

Journal of Remote Sensing, v. 20, p. 1017-1023.

Briggs, D. J.; Shishira, E. K.1985. Soil variability in geomorphologically defined survey units in the

Albudeite area of Murcia Province, Spain. In: Jungerius, P. D. (ed.). Soils and geomorphology

(Catena supplement no 6).cap. 2, p.69-84.

Brubaker, S. C.; Jones, A. J.; Lewis, D. T.; Frank, K. 1993. Soil properties associated with landscape

position. Soil Science Society of America Journal, Madison, v. 57, n. 2, p. 235-239.

Braga, P.I.S. 1979. Subdivisão Fitogeográfica, Tipos de Vegetação, Conservação e Inventário

Florístico da Floresta Amazônica. Acta Amazonica 9(4) :53-80.

Bernardes, S. 1998. Índices de vegetação e valores de proporção na caracterização de floresta

tropical primária e estádios sucessionais na área de influência da Floresta Nacional do Tapajós -

Estado do Pará. Dissertação Mestrado em Sensoriamento Remoto - São José dos Campos.

(INPE-6890-TDI/651). 97 p

Brazdil, P.1999. Construção de Modelos de Decisão a partir de Dados. Disponível por em:

http://www.ncc.up.pt/~pbrazdil/Ensino/ML/DecTrees.html.

Brubaker, S. C.; Jones, A. J.; Lewis, D. T.; Frank, K. 1993. Soil properties associated with landscape

position. Soil Science Society of America Journal, Madison, v. 57, n. 2, p.235-239.

Briggs, D. J.; Shishira, E. K. 1985. Soil variability in geomorphologically defined survey units in the

Albudeite area of Murcia Province, Spain. In: Jungerius, P. D. (ed.). Soils and geomorphology

(Catena supplement no 6). cap. 2, p.69-84.

Bohlman, S.A.; Adams, J.B.; Smith, M.O.; Peterson, D.L. 1998. Seasonal foliage changes in the

eastern Amazon basin detected from Landsat Thematic Mapper satellite images. Biotropica. v.30,

n.3. p. 373-391.

Cain, S.A.; Castro, G.M. De O. 1959. Manual of vegetation analysis. New York: Harper, 325p.

Câmara, G. 1995. Modelos, linguagens e arquiteturas para bancos de dados geográficos. São José

dos Campos, 286p. Tese (Doutorado em Computação Aplicada) – Instituto Nacional de

Pesquisas Espaciais.

Camargo, C.G.E. 1997. Desenvolvimento, implementação e teste de procedimentos geoestatísticos

(krigeagem) no sistema de processamento de informações georreferenciadas (Spring).

Dissertação (Mestrado em Sensoriamento Remoto) - São José dos Campos. (INPE-6410-

TDI/620). 106 p.

Campbell, J.B.1996. Introduction to remote sensing. 2.ed. New York: The Guilford Press, 622p.

Cao, C.; Lam, N.S.1997. Understanding the scale and resolution effects in remote sensing and GIS.

In: Quattrochi, D.A.; Goodchild, M.F. Scale in remote sensing and GIS. Boca Raton: Lewis

Publishers, p.57-72.

Carvalho Júnior, O. A. 2003(a). Geoprocessamento de modelos digitais de elevação para

mapeamento da curvatura horizontal em microbacias. Revista Brasileira de Geomorfologia, v.4,

n.1, p.17-29.

Castro, A. G.; Valério Filho, M. 1997. Simulação da expectativa de perdas de solo em microbacia sob

diferentes manejos florestais. Revista Brasileira de Ciência do Solo,n°3, p.419-26.

Castro, J. F. M; Viadana, J. G. 2002. A relevância da cartografia nos estudos de bacias hidrográficas:

o exemplo da bacia do rio Corumbataí. Geografia, v. 27, n. 3, p. 157-169.

Chander, G.; Markhan, B. 2003. Revised Landsat-5 TM radiometric calibration procedures and

postcalibration dynamic ranges. IEEE Transactions on Geoscience and Remote Sensing, v.41,

n.11.

Chavez Jr., P.S. 1988. An improved dark-object subtraction technique for atmospheric scattering

correction of multiespectral data. Remote Sensing of Environment, v.24, p. 459-479, 1988.

Chavez Jr., P.S. 1996. Image-based atmospheric corrections - revisited and improved.

Photogrammetric Engineering and Remote Sensing, v. 62, n. 9, p.1025-1036, 1996.

Chuvieco, E.1996. Fundamento de teledetección espacial. 3.ed. Madrid: RIALP, 568p.

Cochrane, M. A.; Souza Jr., C. 1998. Linear mixture model classification of burned forest in the

eastern Amazon. International Journal of Remote Sensing, v.19, n.17, 3433–3440.

Corlett, R. T.1995. Tropical secondary forests. Progress in Physical Geography, v. 19, p. 159-172.

Couto, E.G. 1997. Variabilidade espacial de propriedades do solo influenciadas pela agricultura em

escala regional e local, no sul do estado de Mato Grosso, Cuiabá. Tese (Doutorado em

Agronomia), Universidade Federal do Rio Grande do Sul. Porto Alegre. 178p.

Colwell, J. E. 1974. Vegetation canopy reflectance. Remote Sensing of Environment, New York, v. 3,

n. 2, p.175-183.

Congalton, R.G. 1999. Green, K. Assessing the accuracy of remotely sensed data: principles and

practices. Boca Raton: Lewis Publishers, 137p.

Crósta, A.P.1999. Processamento digital de imagens de sensoriamento remoto. Campinas: Instituto

de Geociências, UNICAMP, 170 p.

D’Olne Campos,M. 1994. Fazer o Tempo e o Fazer do Tempo: Ritmos em concorrência entre o ser

humano e a natureza.

Dent, D.; Young, A. 1981. Soil Survey and Land Evaluation. London: George Allen & Unwin (Ed.),

278p.

Desmet, P. J. J.; Govers, G. 1996. A GIS procedure for automatically calculating the USLELS factor

on topographically complex landscape units. Journal of Soil and Water Conservation, v. 51, n. 5, p.

427-433.

Deutsch, C.V.; Journel, A.G. 1998. Geostatistical Software Library and User’s Guide. New York:

Oxford University Press, 369 p.

Diegues, A.C. 1996. O mito moderno da natureza intocada. São Paulo. HUCITEC. 169p.

Druck, S. 2002. A geoestatística e os sistemas de informações geográficas. Espaço e Geografia. v.5,

n. 1, p. 1-15.

Eastman, J. R.1995. Idrisi for Windows: User’s Guide. Worcester: Clark University,440p.

Espirito-Santo, F.D.B. 2003. Caracterização e mapeamento da vegetação da região da Floresta

Nacional do Tapajós através de dados óticos, radar e inventários florestais. Dissertação de

mestrado. INPE, 279p.

Fadell, M.J.S. 1997. Viabilidade econômica das reservas extrativistas vegetais da Amazônia.

(Dissertação de Mestrado), Viçosa: Universidade Federal de Viçosa, 72 p.

Fahsi, A.; Tsegaye, T.; Tadesse, W.; Coleman, T. 2000. Incorporation of digital elevation modelos with

Landsat-TM data to improve land cover classification accuracy. Forest Ecology and Management,

v. 128, p. 57-64.

Fearnside, P.M. 1986. Alternativas de desenvolvimento na Amazônia Brasileira: uma avaliação

ecológica. Ciência e Cultura, 38(1) 37-59.

Felgueiras, C.A. 1999. Modelagem ambiental com tratamento de incertezas em sistemas de

informação geográfica: o paradigma geoestatístico por indicação. Tese (Doutorado em

Sensoriamento Remoto) (INPE-8180-TDI/760) Instituto Nacional de Pesquisas Espaciais, São

José dos Campos. 198 p.

Finol U, H. 1970. Nuevos parámetros a considerarse en el análisis estructural de Ias selvas virgenes

tropicales. s.n.t. 17p. Trabalho apresentado na Reunião da Seção 23 (Silvicultura Tropical) da

IUFRO, out. 1970, Ljublana, Yugoeslavia.

Florinsky, I. V.; Kuryakova, G. A. 1996. Influence of topography on some vegetation cover properties.

Catena, v. 27, p. 123-141.

Foody, G.M.; Lucas, R.M.; Curran, P.J. 1997. Non-linear mixture modelling without endmembers using

an artificial neural network. International Journal of Remote Sensing, v. 18, n. 4, p. 937-953.

Foody, G. M.; Boyd, D. S.; Cutler, M. E. J. 2003. Predictive relations of tropical forest biomass from

Landsat TM data and their transferability between regions. Remote Sensing of Environment, v. 85,

p. 463-474.

Foody, G. M.; Cutler, M. E.; McMorrow, J.; Pelz, D.; Tangki, H.; Boyd, D. S.; Douglas, I. 2001.

Mapping the biomass of Bornean tropical rain forest from remote sensed data. Global Ecology &

Biogeography, v. 10, p. 379-387.

Franklin, S. E.; Lavigne, M. B.; Hunt Jr., E. R.; Wilson, B. A.; Peddle, D. R.; McDermid, G. J.; Giles, P.

T. 1995. Topographic dependence of synthetic aperture RADAR imagery. Computers &

Geosciences, v.21, n.4, p.521-532.

Freitas, S.R.; Cruz, C.B.M. 2005. Análise de componentes principais e modelo linear de mistura na

discriminação de classes de vegetação na Mata Atlântica. Anais XII Simpósio Brasileiro de

Sensoriamento Remoto, Goiânia, INPE. p.1529-1536.

Freese, F. 1967. Elementary statistical methods for foresters. Washington: Department of Agriculture

Forest Service, 87p.

Fujita, T.T. 1985. The Downburst microburst and Macroburst. Chicago: The University of Chicago,

Dept. of Geophysical Sciences.

Goel, N. S. 1988. Models of vegetation canopy reflectance and their use in estimation of biophysical

parameters from reflectance data. Remote Sensing Reviews, v. 4 p. 1-21.

Gao, J. 1995. Comparison of sampling schemes in constructing DTMs from topographic maps. ITC

Journal, n.1, p. 18-22.

Gamon, J. A.; Field, C. B.; Goulden, M. L.; Griffin, K. L.; Hartley, A. E.; Joel, G.; Peñuelas, J.;

Valentini, R. 1995. Relationships between NDVI, canopy structure, and photosynthesis in three

californian vegetation types. Ecological Applications, v. 5, p. 28-41.

Gates, D.M.; Keegan, J.H.; Schleter, J.C.; Weidner, V.R. 1965. Spectral properties of plants. Applied

Optics, v.4, p.11-20.

Gausman, H.W. 1974. Leaf reflectance of near-infrared. Photogrammetric Engineering and Remote

Sensing, v.40, p. 183-191.

Giles, P.T.; Franklin, S.E. 1996. Comparison of derivative topographic surfaces of a DEM generated

from stereoscopic SPOT images with field measurements. Photogrammetric Engineering &

Remote Sensing, v.62, n.10, p.1165-1171.

Giles, P.T.; Franklin, S.E. 1998. An automated approach to the classification of the slope units using

digital data. Geomorphology, v.21, p251-264.

Golden Software. 1995. Surfer Version 6.01- Surface Mapping System. Golden: Golden Software,

Inc., 1995.

Goovaerts, P. 1997. Geostatistics for natural resources evaluation. New York: Oxford University, 482

Guth, P. L. 1999. Contour line “ghosts” in USGS Level 2 DEMs. Photogrammetric Engineering and

Remote Sensing, v. 65, n.3, p.289-296.

Hamilton S.K. et al 2006. Remote sensing of floodplain geomorphology as a surrogate for biodiversity

in a tropical river system (Madre de Dios, Peru), Geomorphology (2006), doi:

10.1016/j.geomorph.2006.07.024.

Hall, F.G.; Strebel, D.E.; Nickeson, J.E.; Goetz, S.J. 1995. Radiometric rectification: toward a common

radiometric response among multidate, multisensor images. Remote Sensing of Environment,

v.35, n.1, p. 11-27.

Higuchi et al., 1997. Crescimento e incremento de uma floresta amazônica de terra-firme manejada

experimentalmente. In: MCT-INPA. Biomassa e nutrientes florestais – Relatório Final do Projeto

Bionte. Manaus. 89-131.

Higuchi, N.; Santos, J.; Jardim, F. 1982. Tamanho de Parcela amostral para Inventários Florestais.

Acta Amazonica 12(1): 91-103.

Hill, R. A., & Foody, G. M. 1994. Separability of tropical rain-forest types in the Tambopata–Candamo

reserved zone, Peru. International Journal of Remote Sensing, 15, 2687–2693.

Hoffer, M.R. 1978. Biological and physical considerations in applying computer-aided analysis

techniques to remote sensor data. In: Swain, P.H.; Davis, S.M. Remote Sensing: the quantitative

approach. New York: McGraw-Hill, p.227-287.

Hogan, D.J.; Vieira, P.F. 1992. Dilemas socioambientais e desenvolvimento sustentável. Campinas-

SP: Unicamp, 234p.

Holsheimer, M. and Siebes, A. 1994. Data Mining: the search for knowledge in databases. Disponível

por FTP anônimo em ftp.cwi.nl no arquivo /pub/CWIreports/AA/CS-R9406.ps.Z.

Homma, A.K.O. 1989. Reservas Extrativistas: Uma alternativa de Desenvolvimento Viável para a

Amazônia? Pará Desenvolvimento 25: 38-48.

Hosokawa, R. T.; Moura, J. B.; Cunha, U. S. 1998. Introdução ao Manejo e Economia de Florestas.

Curitiba: Universidade Federal do Paraná, 162 p.

Husch, B.; Miller, C.I. & Beers, T.W. 1971. Forest Mensuration. New York, Ronald Press, 410p.

Ingargiola, G. 1996. Building Classification Models: ID3 and C4.5. Disponível em:

http://www.cis.temple.edu/~ingargio/cis587/ readings/id3-c45.html.

Iri, M.; Shimakawa, Y.; Nagai, T. 2001. Extraction of invariants from digital elevation data with

application to terrain topography. Nonlinear Analysis, v.47, p.5585-5598. 2001.

Isaaks, E.; Srivastava, R.M. 1989. An introduction to applied geostatistics. New York: Oxford

University Press, 560p.

INPE/CPTEC, 2006. Instituto nacional de pesquisas espaciais. Ministério da Ciência e Tecnologia.

http://www.inpe.gov.br. Consultado em: 12/2005.

ITC. 2004. Principles of remote sensing. Terceira edição. The International Institute for Geo-

Information Acience and Earth Observation – ITC, Enschede, The Netherlands, 250p.

Journel, A.G. 1988. Fundamentals of geostatistics in five lessons. Stanford, Ca: Stanford Center for

Reservoir Forecasting Applied Earth Sciences Department, 85p.

Junk, W. J. 1997. General aspects of a floodplain ecology with special reference to Amazonian

floodplains. The central Amazon floodplain: ecology of a pulsating system. Ecological Studies,

Vol.126 (ed.by W .J. Junk), pp. 3-22. Springer, Berlin.

Justice, C. O.; Wharton, S. W.; Holben, B. N.1981. Application of digital terrain data to quantify and

reduce the topographic effect on Landsat data. International Journal of Remote Sensing, v.

2, n. 3 p. 213-230.

Knipling, E.B. 1970. Physical and physiological basis for the reflectance of visible and near-infrared

radiation from vegetation. Remote Sensing of Environment, 1(3):155- 159.

Kinnel, P. I. 2001. A slope length factor for applying the USLE-M to erosion in grid cells. Soil and

Tillage Research, v.58, n.1, p.11-17.

Koch, A.; Heipke, C.; Lohmann, P. 2002. Bewertng von SRTM Digitalen Geländemodellen – Methodik

und Ergebnisse. Photogrammetrie Fernerkundung Geoinformation, v.6, p.389-398.

Krige, D.G. 1951. A statistical approaches to some basic mine evaluation problems on Witwatersrand.

Johanesburg Chemistry Metallurgy Mining Society South African, v. 52, n. 6, p. 119-139.

Kubik, K.; Botman, A. G. 1976. Interpolation accuracy for topographic and geological surface. ITC

Journal, n.2, pp. 236-273.

Kubitzky, K. 1998. The ecogeographical differentiation of Amazonian inundation forests. Plant Syst.

Evol. 162: 285-304.

Küchler, A. W. 1973. Problems in classifying and mapping vegetation for ecological regionalization.

Ecology 54: 512-523.

Lamprecht, H. 1964. Ensaio sobre Ia estructura floristica de Ia parte sur-oriental del bosque

Universitário "El Caimital", Estado Barinas. Revista Forestal Venezolana, 7 (10/11): 77-119.

Loetsch,F.; Zohrer,F. & Haller, K.E.1973. Forest inventory.Munchen, BLV Verlagsgesellschaft,

Wien,v.2.

Li, Z. 1992. Variation of the accuracy of digital terrain models with sampling interval. Photogrammetric

Record, v.14, n.79, p.113-128.

Mapeamento da declividade em microbacias com sistemas de informação geográfica.2003c. Revista

Brasileira de Engenharia Agrícola e Ambiental, v.7, n.2, p.303 - 310.

Mather, P.M. 1999. Computer processing of remotely-sensed images: an introduction. 2ed. London:

John Wiley & Sons, 292 p.

Meijerink, A. M. J.1998. Data acquisition and data capture through terrain mapping units. ITC Journal,

v.1988, n. 1, p.23-44.

Melo, A. R.; Sarraipa, L. A. S. ; Negreiros, I. P. M.; Pallone Filho, W. 2002(a). Formação de base

topográfica digital (1:1.000.000) do Estado de São Paulo com dados RADARSAT-1. Acta

Scientiarum, v. 24, n. 6, p.1825-1831.

Meyer, H.A.; Recknagel, A.B.; Stevenson, D.D. & Bartoo, R.A. 1961. Forest management. Belhaven

Press, London.

Milano, M.S. 1994. Unidades de Conservação: conceitos básicos e princípios gerais de planejamento,

manejo e gestão. In: Curso sobre manejo de áreas naturais protegidas. Curitiba: Unilivre, p01-62.

Miliaresis, G. 2001. Geomorphometric mapping of Zagros Ranges at regional scale. Computers and

Geosciences, v.27, n.7, p.715-728.

Miliaresis, G.; Argialas, D. 1999. Segmentation of physiographic features from the global digital

elevation model/GTOPO30. Computers and Geosciences, v.25, n.7, p.715-728.

Minitab Inc. 2000. Meet MINITAB, Release 13 for Windows. Pennsylvania: State College, não

paginado.

Mizukoshi, H.; Anyia, M. 2002. Use of contour-based DEMs for deriving and mapping topographic

attributes. Photogrammetric Engineering and Remote Sensing, v. 68, n. 1, p.83-93.

Modelos digitais de elevação de microbacias elaborados com krigagem. 2002b. São José dos

Campos: INPE: Coordenação de Ensino, Documentação e Programas Especiais (INPE-9364-

RPQ/736). 54p.

Molnár, D. K.; Julien, P. Y. 1998. Estimation of upland erosion using GIS. Computers and

Geosciences, v.24, n.2, p.183-192.

Moore, I. D.; Gessler, P. E.; Nielsen, G. A.; Peterson, G. A. 1993. Soil attribute prediction using terrain

analysis. Soil Science Society of America Journal, Madison, v. 57, n. 2, p. 443-452.

Moore, I. D.; Gessler, P. E.; Nielsen, G. A.; Peterson, G. A. 1993. Soil attribute prediction using terrain

analysis. Soil Science Society of America Journal, Madison, v. 57, n. 2, p. 443-452.

Moraes, J. F. L. 2001. Extração de rede de drenagem e divisores por processamento digital de dados

topográficos. [CD-ROM] In: 10° Simpósio Brasileiro de Sensoriamento Remoto, Anais Foz do

Iguaçu.

Móran, M.S.1992, Evaluation of simplified procedure for retrival of land surface reflectance factor from

satellite sensor output. Remote Sensing Environ., 41:169-184.

Móran, E. F. & Herrera, R.1984. Ecologia Humana na Bacia Amazônica. Interciência. vol 9 n°6.

Nanos, N.; Monteiro, G. 2002. Spatial prediction of diameter distribution models. Forest Ecology and

Management. v.161, n.1-3, p. 147-158.

NASA. Landsat 7: science data user’s handbook. Disponível em:

http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_toc.html>.

Nasser, V.L 2001. Estudo da qualidade de água na baía de Guanabara utilizando técnicas de

sensoriamento remoto e análise geoestatística. Dissertação (Mestrado em Engenharia Civil),

Universidade Federal do Rio de Janeiro. Rio de Janeiro. 167 p.

Nelson, B.W & Amaral, I.L.1994. Destructive wind effects detected in TM images of the Amazon

Basin. International Archives of Photogrammetry and Remote Sensing 30(7a): 339-343.

Nobre, A.D. 1989. Relação entre matéria orgânica e mineral de uma topossequência Latossol-Podzol

e a cobertura de floresta tropical úmida na bacia do rio Curiaú, Amazônia Central. Tese de

Mestrado, INPA, Manaus/AM.100p.

Nobre, C. A., Mattos, L. F., Dereczynski, C. P., Tarasova, T. A. & Trosnikov, I., 1998. Overview of

atmospheric conditions during the Smoke, Clouds and Radiation-Brazil (SCAR-B) field experiment,

J. Geophys., Res. 103(D24): 31809 – 31820.

Pires-O'Brien, M.J.; O'Brien, C.M. 1995. Ecologia e modelamento de florestas tropicais. Belém:

FCAP.400p.

Östman, A. 1987. Quality control of photogrammetrically sampled Digital Elevation Models.

Photogrammetric Record, v.12, n.69, 333-341.

Özdamar, L; Demirhan, M.; Özpinar, A. 1999. A comparison of spatial interpolation methods and a

fuzzy areal evaluation scheme in environmental site characterization. Computers, Environment

and Urban Systems, v.23, p.399-422.

Panayotou, T e P.S. Ashton. 1992. Not by timber Alone: Economics and Ecology for sustaining

Tropical Forests. Island Press. Washington, D.C. 281p.

Pannatier, Y. VarioWin: Software for Spatial Data Analysis in 2D. New York: Springer-Verlag, 1996.

Paradella W. R., Liu C. C., Veneziani P, Santos A. R., Bignelli P. A., Dias R. R., Singhroy V. H. 1994.

An overview of S AREX'92 (South American Radar Experiment) data acquisition and preliminary

results from Carajás Mineral Province (Brazilian Amazon Region). In: ERIM, Thematic Conference

on Geologic Remote Sensing, 10, San António, Texas, Proceedings, 1:214-225.

Pax-Lenney, M., Woodcock, C.E., Macomber, S.A., Gopal, S., Song, C. 2001. Forest mapping with a

generalized classifier and Landsat TM data. Remote Sensing of Environment, 77: 241-250.

Peters, C. 1996(a). Observations of the Sustainable Exploitation of Non-Timber Tropical Forests

Products: An Ecologist’s Perspective. In: Pérez, M. R.; Arnold, J.E.M. Current Issues in Non-

Timber Forest Products Research. Proceedings of the Workshop “Reserch on NTFP”, Zimbabwe.

CIFOR, 19-39pp.

Picini, A. G. 2000. Uso de Sistema de Informação Geográfica para a geração de mapas de médias

mensais de temperatura do Estado de São Paulo. Revista Brasileira de Agrometeorologia, v.8,

n.2, p.255-262.

Picini, A. G. 2003. Geoprocessamento de informações agroclimatológicas. São José dos Campos,

SP: INPE: Coordenação de Ensino, Documentação e Programas Especiais (INPE-1028-

RPQ/751). 133p.

Picini, A. G.; Mello, M. H. A. 2002b. Estratificação de efeitos anisotrópicos do relevo na geração de

mapas pluviométricos por geoprocessamento. Revista Brasileira de Agrometeorologia, v. 10, n. 1,

p. 167-177.

Pires-O’Brien, M.J., O’Brien, C.M. 1995. Ecologia e modelamento de florestas tropicais. FCAP.

Serviço de Documentação e Informação. 400p

Pires, J.M. & G.T. Prance. 1985. The vegetation types of the Brazilian Amazon. In Key Environments:

Amazonia (G.T. Prance & T. E. Lovejoy, eds.), pp. 109-145. Pergamon Press, Oxford.

Ponzoni, F.J.; Galvão, L. S.; Epiphanio, J. C. N. 2001. Influência da resolução espacial sobre a

quantificação de áreas não florestadas em ambiente amazônico. In: Simpósio Brasileiro De

Sensoriamento Remoto, 10., 2001. Foz do Iguaçú. Anais, Foz do Iguaçu, CD-ROM

Programação do cálculo da declividade em SIG pelo método de vetores ortogonais. 2002a Espaço e

Geografia, v.5, n.1, p.69-85.

RADAMBRASIL, 1978. Departamento Nacional de Produção Mineral. Projeto RADAMBRASIL, Folha

SA. 20 Manaus – Levantamento de recursos naturais, 18. DNPM, Rio de Janeiro – RJ.

Ranieri, S. B. L.; Sparovek, G.; Souza, M. P.; Dourado Neto, D. 1998. Aplicação de índice

comparativo na avaliação do risco de degradação das terras. Revista Brasileira de Ciência do

Solo, v. 22, n.4, p.751-60.

Reiss, P. High-quality DTMs. 2002. GIM International, v. 16, p. 40-43.

Remortel, R. D.; Hamilton, A. E.; Hickey, R. J. 2001. Estimating the LS Factor for RUSLE through

Iterative Slope Length Processing of Digital Elevation Data within ArcInfo Grid. Cartography, v.30,

n.1, p.27-35.

Research Systems Inc. Environment for Visualizing Images – ENVI Version 3.6. Colorado: Boulder,

2002. 126p.

Rizzini, C.T. 1997. Tratado de fitogeografia do Brasil: aspectos ecológicos, sociológicos e florísticos.

2.ed. Rio de Janeiro: Âmbito Cultural, 747 p.

Roberts, D.A.; Batista, G.B.; Pereira, J.L.G.; Waller, E.K.; Nelson, B.W. 1998. Change identification

using multitemporal spectral mixture analysis: aplications in eastern Amazônia. Remote Sensing –

Change Detection – Enviromental Monitoring Methods and Applications. Cap 9, Ann Arbor Press:

137-161.

Robinove, C.J. 1982. Computation with physical values from Landsat digital data. Photogramm. Eng.

& Remote Sens., 48(5): 781-784.

Ross, J. L. S.; Moroz, I. C. 1997. Mapa Geomorfológico do Estado de São Paulo. São Paulo, SP:

FFLCH/USP e IPT/FAPESP. Mapas e Relatório.

Sabins, F.F. 1987. Remote sensing: Principles and interpretation. 2d. New York, W.H. Freeman, 449p.

Salati, E. 1985. The climatology and hydrology of Amazonia. In G.T. Prance & T.E. Lovejoy (eds.),

Key environments Amazonia, Oxford, Pergamon Press, p.18-48, 442p.

Sassagawa, H.S.Y.1999.Técnicas de Sensoriamento Remoto e Sistemas de Informações

Geográficas (SIG) para o Estudo da Ocupação do Espaço Físico e dos Tipos Florestais da

Reserva Extrativista Chico Mendes, Estado do Acre. (Dissertação de Mestrado em Sensoriamento

Remoto). São José dos Campos: INPE. 185p.

Schubart, H.O.R.; Franken, W. & Luizão, F.J.1984. Uma floresta sobre solos pobres. Ci. Hoje, 2:26-

32.

Shimabukuro, Y.E. 1995. Fraction Images Derived from Landsat TM and MSS Data for Monitoring

Reforested Areas. Canadian Journal of Remote Sensing, 21 (1):67-74.

Shimabukuro, Y.E.; Smith, J.A. 1991. The least-square mixing models to generate fraction images

derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote

Sensing, 29: 16-20.

Shimabukuro, Y.E., Mello, E.M.K., Moreira, J.C., Duarte V.D.1997. Segmentação e classificação da

imagem sombra do modelo de mistura para mapear desflorestamentos na Amazônia, São José

dos Campos: INPE, (Relatório INPE-6147-PUD/029).

Silberling, L. 1991. Self Manage and Property Rights: the Rubber Tappers oj Acre. Cornell, PhD.

Thesis.

Simão, F.B. 2001. Mapeamento de risco de malária na área urbana de Porto Velho - RO, pela

Krigeagem Indicativa. Dissertação (Mestrado em Geociência), Universidade Estadual Paulista -

Rio Claro.149 p.

Slater, P.N. 1980. Remote sensing: optics and optical systems. Reading, MA, Addison - Wesley, 1980.

574 p.

Sobrevilla, C.L., Bath, P.1992. Evaluación Ecológica Rápida: Un manual para usuários de America

Latina y el Caribe. The Nature Conservancy, 23.

Song, C., Woodcock, C.E., Seto, K.C., Pax-Lenney, M., Macomber, S.A. 2001. Classification and

change detection using Landsat TM data: When and how to correct atmospheric effects? Remote

Sensing of Environment, 75: 230-244.

Sousa, C. L.; Ponzoni, F. J. 1998. Avaliação de índices de vegetação e de bandas TM/Landsat para

estimativa de volume de madeira em floresta implantada de Pinus spp. In: IX Simpósio Brasileiro

de Sensoriamento Remoto, 1998, Santos. Anais. São José dos Campos: INPE/SELPER. p. 11.

Repositório da URLib: <sid.inpe.br/deise/1999/02.11.10.35>. Disponível em:

<http://iris.sid.inpe.br:1908/rep/sid.inpe.br/deise/1999/02.11.10.35>.

Souza Jr., C; Barreto, P. 2000. An alternative approach for detecting and monitoring selectively logged

forests in the Amazon. International Journal of Remote Sensing, v.21, n.1, p.173-179.

Thales, M.C.2001. Imagem fração sombra na caracterização e mapeamento de babaçu (Attalea

speciosa Mart ex Spreng.) em áreas de floresta. Dissertação (Mestrado em Sensoriamento

Remoto) (INPE-8382-TDI/772). – Instituto Nacional de Pesquisas Espaciais São José dos

Campos. 140p.

Thelen, R.D.; Dalfelt, A. 1979. Políticas para el manejo de áreas silvestres San Jose. Serie Educacion

Ambiental n°1. Editorial Universidad Estatal a Distancia, 107p.

Thomas, J.R.; Gausman, H.W. 1977. Leaf reflectance vs. leaf chlorophyll and carotenoid

concentrations for eight crops. Agronomy Journal, v.69, p.799-802.

Thompson, J. A.; Bell, J. C.; Butler, C. A. 2001. Digital elevation model resolution: effects on terrain

attribute calculation and quantitative soil-landscape modeling. Geoderma, n.100, p.67-89.

Toledo, V. 1991. Utopia e Naturaleza. El movimiento ecológico de los campesinos e indígenas d

América Latina. Nueva Sociedad, n°122, p72-85.

Tuomisto, H., Linna, A., & Kalliola, R. 1994. Use of digitally processed satellite images in studies of

tropical rain forest vegetation. International Journal of Remote Sensing, 15, 1595–1610.

Tuomisto, H., Ruokolainen, K., Kalliola, R., Linna, A., Danjoy, W., & Rodriguez, Z. 1995. Dissecting

Amazonian biodiversity. Science, 269, 63– 66.

Turcotte, R.; Fortin, J.-P.; Rousseau, A. N.; Massicote, S.; Villeneuve, J.-P. 2001. Determination of the

drainage structure of a watershed using a digital elevation model and a digital river and lake

network. Journal of Hidrology, v.240, p.225-242.

Tso, B.; Mather, P.M. 2001. Classification Methods for remotely sensed data. New York: Taylor &

Francis, 332 p.

Uribe, C.C. 1993. Situación general de la conservación de la biodiversidad en la región amazonica:

evaluación de las areas propuestas y estrategias. TCA, SURAPA, FAO, CEE, UICN. Quito. P21.

Webster G. 1994. Synopsis of the genera and suprageneric taxa of Euphorbiaceae Annals of the

Missouri Botanical Garden 81:33-144.

Wladis, D. 1999. Automatic lineament detection using Digital Elevation Models with second derivative

filters. Photogrammetric Engineering and Remote Sensing, v. 65, n. 4, p.453-458.

Worbes, M. 1997. The forest ecosystem of the floodplains. In W.Junk (Ed). The central Amazon

floodplain: Ecology of a pulsating system, pp.223-265. Ecological Studies, Vol. 126. Springer,

Berlin.

Wittmann et al., 2002. Tree species distribution and community structure of Central Amazonian várzea

forests by remote sensing techniques. J. Trop. Ecol. 18:805-820.

Valenzuela, C. R. Data analysis and models In: Belward, A. S,; Valenzuela, C. R. 1991. Remote

Sensing and Geographical Information Systems for Resource Management in Developing

Countries. Euro Courses: Remote Sensing, Netherlands: Kluwer, 1991. v.1, cap. 18,p. 335-48.

Valeriano M. 2004. Modelo digital de elevação com dados SRTM disponíveis para a América do Sul.

São José dos Campos, SP: INPE: Coordenação de Ensino, Documentação e Programas

Especiais (INPE-10550-RPQ/756). 72p.

Valeriano, M., 2003. Curvatura vertical de vertentes em microbacias pela análise de modelos digitais

de elevação. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, PB, v.7,

n.3, p.539-546.

Valeriano, M. M.; Garcia, G. J. 2000. The estimate of topographical variables for soil erosion modelling

through geoprocessing. International Congress of Photogrammetry and Remote Sensing, 33.

Amsterdam. International Archives of Photogrammetry & Remote Sensing. Amsterdam: ISPRS,

2000, v.33, part B, p.678-685.

Valeriano, M.M.; Picini, A.G.; Mello, M.H.A.2002. Estratificação de efeitos anisotrópicos do relevo na

geração de mapas pluviométricos por geoprocessamento. Revista Brasileira de Agrometeorologia,

v.10, n.1, p. 167-177.

Vasconcelos, C.H.; Novo, E.M.L.M. 2004. Mapeamento do uso e cobertura da terra a partir da

segmentação e classificação de imagens-fração solo, sombra e vegetação derivadas do modelo

linear de mistura aplicado a dados do sensor TM/Landsat 5, na região do reservatório de Tucuruí-

PA. Acta Amazonica, 34(3): 487-493

Verona, J.D.; Shimabukuro, Y.E. 2005. Classificação da cobertura vegetal da região norte da FLONA

do Tapajós utilizando a segmentação de imagens-fração. Anais XII Simpósio Brasileiro de

Sensoriamento Remoto, Goiânia, Brasil, INPE. 1685-1689.

Viana, V. M., Tabanez, A. J. 1996. Biology and conservation of forest fragments in brazilian atlantic

moist florest. In: SCHELHAS, J., GREENBERG, R. (Ed.). Forest patches: in tropical landscapes.

Washington, D.C.: Island Press, p. 151-167.

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 