BULGULAR VE YORUM
4.6 Altıncı Alt Probleme Ait Bulgular ve Yorumlar
A importância ecológica da vegetação ribeirinha foi apontada na seção 2.3. O inventário deste ambiente possui um papel chave e essencial para as políticas que tenham como o objetivo a manutenção e conservação deste ecossistema. Contudo, o trabalho de levantamentos de dados em regiões ribeirinhas não é uma tarefa fácil devido à sua extensão territorial e variação ecológica. Trabalhos de campo, além de dispendiosos, mostram-se inviáveis em análises de monitoramento ao longo do tempo.
Por outro lado, vários estudos demonstraram que dados de sensoriamento remoto, provenientes de satélites orbitais e técnicas de processamento digital de imagens, podem ser utilizados na delimitação e caracterização das zonas ribeirinhas. De acordo com Asrar (1989), a aplicação de sensoriamento remoto para estudos ribeirinhos está concentrada em duas categorias. A primeira refere-se à extração de parâmetros biofísicos da vegetação e a segunda vertente concentra-se na delimitação e separação da zona ribeirinha em relação às áreas não ribeirinhas.
Estudos utilizando Landsat-5 TM mostram a capacidade de se estimar a quantidade de vegetação ribeirinha, em diversas regiões do globo (Coleman et al., 1992). Carvalho et al. (2005) utilizaram imagens provenientes dos satélites Landsat-5 TM e Landsat-7 ETM+ para mapear o estado de conservação das APPs de curso d’água ao longo dos rio da bacia do rio São Francisco no trecho do estado de Minas Gerais. O estudo quantificou a área de APP por município e a porcentagem de uso indevido realizado nesta região. Em outro estudo Carvalho et al. (2006) utilizaram imagens Landsat-5 TM e Landsat-7 ETM+ de três períodos diferentes do ano (primavera, verão e inverno) para mapear a flora nativa do estado de Minas Gerais. Uma das classes mapeadas na classificação foi o ambiente de vereda. Neste estudo, utilizou-se a classificação supervisionada e um algoritmo de árvore de decisão. O resultado quantitativo do sucesso da classificação não foi demonstrado.
Baker et al. (2006) utilizaram imagens do satélite Landsat-7 ETM+ provenientes de dois períodos diferentes do ano e uma árvore de decisão para mapear as áreas de terras úmidas e vegetação ribeirinha do vale do Gallantin (Montana/EUA). Os resultados apontam para uma precisão de classificação de 40,0% para as classes de terras úmidas e vegetação ribeirinha. Um estudo utilizando imagens Landsat-5 TM e interpretação de fotografias, para o mapeamento da mata ciliar do rio Yaquina - Oregon/EUA, mostrou
uma taxa de sucesso de apenas 30,0% entre as imagens de satélite e interpretação de fotografias (Congalton et al., 2002). Os autores ponderam que o baixo sucesso deste estudo deve-se ao fato da extensão transversal da vegetação ribeirinha, que em muitos casos é inferior à resolução de imagens de média resolução.
De acordo com Johansen e Phinn (2006a) as imagens com resolução espacial média (Landsat-TM e ETM+) são deficientes para o mapeamento de ambientes estreitos (<30m). Uma alternativa para isto é a utilização de produtos de alta resolução (Ikonos e Quickbird) que cada vez mais se tornam acessíveis. Contudo, os mesmos autores demonstram a dificuldade de se classificar, de forma automática e semi-automática, estas imagens, devido à confusão interclasse ocasionada pela variação espectral de um objeto em imagens de alta resolução.
Estudos realizados por Davis et al. (2002) e Johansen e Phinn (2006a) mostraram um ganho significativo de precisão na classificação das zonas ribeirinhas ao usar os parâmetros de textura no processo. O estudo de Davis et al. (2002) analisou fotografias aéreas de alta resolução (resolução entre 11 e 100 cm). A acurácia da classificação foi de 75,0% para as áreas ribeirinhas utilizando o algoritmo da máxima verossimilhança e feições de textura da imagem.
Dillabaugh e King (2008) utilizaram imagens de alta resolução para mapear a vegetação ribeirinha próxima à cidade de Otawa/Canadá. Neste mesmo estudo os autores utilizaram dados de campo, dados espectrais e de textura para elaborar um modelo de biomassa para a região. Os resultados apontam para um sucesso geral de classificação entre 61 e 88,0% e um modelo de biomassa com R2=0,61.
Alencar-Silva e Maillard (2009) compararam dois métodos distintos de segmentação em áreas de veredas em uma imagem IKONOS: (i) a classificação pelo método clássico baseada no pixel, utilizando o algoritmo K-means e (ii) a segmentação baseada nos Campos Aleatórios de Markov (através do software MAGIC). O MAGIC apresentou os melhores resultados quando comparado com a segmentação tradicional e foi eficaz na diminuição significativa do efeito “sal e pimenta” comum nas classificações de imagens de alta resolução. Na mesma linha de estudo, (Johansen et al., 2011) utilizaram imagens LIDAR para mapear zonas ribeirinhas e leitos de rios na bacia de Werribee na Austrália. Para isto, os autores utilizaram o classificador orientado ao objeto eCognition, associado a segmentação de multiresolução e um conjunto de regras desenvolvidas. Os resultados apontam para um alto valor de correlação quando comparado os dados obtidos na classificação e os dados de validação obtidos em campo: R2=0,93 e R2=0,74, respectivamente para a classificação dos leitos dos rios e zonas ribeirinhas.
Alencar-Silva e Maillard (2010) utilizaram uma cena IKONOS, fusionada, para determinar os parâmetros biofísicos da vegetação ribeirinha em um trecho do Rio
Pandeiros localizado no norte de Minas Gerais. A metodologia utilizada pelos autores foi dividida em duas etapas: (i) segmentação e classificação não-supervisionada da imagem e (ii) análise de regressão estatística para a elaboração de modelos biofísicos. A classificação não-supervisionada foi realizada através do programa MAGIC em zonas ribeirinhas fixas de 50m, e atingiu o sucesso geral de 85%, quando comparada com dados de validação provenientes de interpretação visual. Os melhores modelos obtidos foram para os parâmetros florestais área basal e volume, com coeficientes de determinação respectivos de R2=0,61 e R2=0,66. Os autores apontaram a necessidade de se utilizar dados não fusionados além de índices de vegetação para o incremento dos modelos.
Johansen et al. (2008) avaliaram indicadores de condições ambientais de áreas ribeirinhas, em região savânica na Austrália, através da classificação orientada ao objeto e regressões estatísticas. Neste estudo, foram utilizadas duas cenas Quickbird e dados de transectos obtidos em campo. Os indicadores ambientais avaliados foram: porcentagem da cobertura da área foliar, quantidade de serrapilheira, continuidade das copas das árvores, estabilidade dos bancos fluviais, danos ocasionados pela inundação do rio e largura da zona ribeirinha. As imagens foram classificadas utilizando os seguintes dados espectrais e de textura da imagem: (i) bandas azul, verde, vermelha e infravermelho próximo; (ii) índices de vegetação de razão simples, NDVI e SAVI; (iii) componentes principais 1 e 2 e (iii) feição de textura homogeneidade obtida através de uma janela 11x11 da GLCM. Os resultados obtidos pelos autores foram de R2= 0,59; 0,70; 0,78 e 0,81 respectivamente para avaliação da serrapilheira, estabilidade dos bancos fluviais, porcentagem de cobertura do dossel e danos ocasionados pela inundação. Os autores obtiveram sucesso geral de 90% na classificação supervisionada para a determinação da largura da zona ribeirinha.