Cartografia do Invisível: Revelando a Agricultura de Pequena Escala com Imagens Rapideye na Região do Baixo Tocantins, Pa.

Abstract

Dados derivados de sensoriamento remoto aliados ao uso de técnicas de classificação digital de imagens fornecem uma visão sinóptica e informações sobre a dimensão temporal dos fenômenos espaciais, possibilitando gerar informações sobre a dinâmica e os padrões espaciais da paisagem em áreas de grandes extensões territoriais como a Amazônia. Nos mapeamentos extensivos, como os realizados com imagens de satélite pelo INPE para a Amazônia Legal, é comum a definição e descrição de classes de uso e cobertura da terra em função da resolução espacial e radiométrica dos sensores utilizados. Por essa razão, pequenas áreas que não atingem o tamanho mínimo da área de mapeamento e/ou com usos diversificados são, em geral, agregadas em uma única classe. Esse é o exemplo da classe denominada Mosaico de Ocupação presente na legenda do sistema de monitoramento do uso e cobertura da terra da Amazônia-TerraClass. Esta classe procura representar, em parte, a agricultura familiar, no entanto, como o mapeamento é feito pelo sensor TM ou OLI dos satélites da série Landsat, com resolução espacial de 30m e como o TerraClass define uma área mínima de mapeamento de 6,25 hectares (ha), a identificação de pequenas áreas agrícolas é comprometida, pois essas categorias são agregadas em classes mistas e não são mais distinguíveis. Para estudos que procuram dar visibilidade aos padrões espaciais de atividades de produção de pequena escala torna-se necessário realizar o refinamento dessas classes com dados de resolução espacial com melhor definição. Neste contexto, o objetivo desse trabalho é testar três algoritmos semiautomáticos de classificação, baseados em pixel e em regiões: os algoritmos MAXVER, Bhattacharya e K-Vizinho Mais Próximo (KNN), para avaliar a capacidade de refinamento da classe Mosaico de Ocupação do dado produzido pelo TerraClass-2014. A área de estudo compreende parte dos municípios de Cametá, Mocajuba e Baião, localizados na região Nordeste do Pará, onde a produção de mandioca, pimenta-do-reino, cacau e açaí têm grande importância econômica para população local. Para o mapeamento das categorias contidas na classe Mosaico de Ocupação, foram utilizadas imagens do RapidEye, sensor REIS, ortoimagens com 5m de resolução espacial. Foi estimada a exatidão global dos algoritmos testados obtendo-se índices de 26%, 38% e 78%, para os algoritmos MAXVER, Bhattacharya e K-Vizinho Mais Próximo, respectivamente. Além da maior exatidão Global (78%), o algoritmo K-Vizinho Mais Próximo apresentou melhores resultados relativo às classes de vegetação secundária, hidrografia, e pasto sujo, com mais de 90% de acerto. A classe agricultura anual de pequena escala apresentou acerto de 62%, enquanto o índice de acerto dos outros dois algoritmos testados não passou de 8%. A abordagem metodológica desenvolvida demonstrou a viabilidade do uso das imagens de alta resolução espacial e de métodos semiautomáticos para a classificação de classes de uso e cobertura da terra associadas à classe Mosaico de Ocupação do TerraClass. A metodologia pode ser utilizada para complementar às atuais bases de dados existentes para a Amazônia (TerraClass, MapBiomas e IBGE), explicitando as categorias agrícolas de produção em pequena escala, dando visibilidade a esses sistemas de produção, frequentemente negligenciados nos mapeamentos que abrangem grandes extensões territoriais.