Search

In environmental research, remote sensing techniques are mostly based on orbital data, which are characterized by limited acquisition and often poor spectral and spatial resolutions in relation to suborbital sensors. This reflects on carbon patterns, where orbital remote sensing bears devoted sensor systems for CO2 monitoring, even though carbon observations are performed with natural resources systems, such as Landsat, supported by spectral models such as CO2Flux adapted to multispectral imagery. Based on the considerations above, we have compared the CO2Flux model by using four different imagery systems (Landsat 8, PlanetScope, Sentinel-2, and AisaFenix) in the northern part of the state of Mato Grosso, southern Brazilian Amazonia. The study area covers three different land uses, which are primary tropical forest, bare soil, and pasture. After the atmospheric correction and radiometric calibration, the scenes were resampled to 30 m of spatial resolution, seeking for a parametrized comparison of CO2Flux, as well as NDVI (Normalized Difference Vegetation Index) and PRI (Photochemical Reflectance Index). The results obtained here suggest that PlanetScope, MSI/Sentinel-2, OLI/Landsat-8, and AisaFENIX can be similarly scaled, that is, the data variability along a heterogeneous scene in evergreen tropical forest is similar. We highlight that the spatial-temporal dynamics of rainfall seasonality relation to CO2 emission and uptake should be assessed in future research. Our results provide a better understanding on how the merge and/or combination of different airborne and orbital datasets that can provide reliable estimates of carbon emission and absorption within different terrestrial ecosystems in southern Amazonia.

Nas últimas duas décadas, a partir de 1990 e intensificando-se em 2000, nota-se que a região começa a imprimir novas mudanças de usos da terra, tais como a conversão de pastagens em área de agricultura de commodities através do sistema de irrigação por pivô central, aumento das áreas de agricultura de sequeiro, incluindo a conversão de áreas de remanescentes de vegetação em pastagem, uma vez que a microrregião apresenta características edafoclimáticas e relevo com condições favoráveis à prática de uma agricultura tecnificada. Diante desse quadro, a Microrregião Rio Vermelho sinaliza para a necessidade de geração de informações espaciais e não-espaciais multitemáticas e multitemporárias orientadas para a construção de diagnósticos e cenários prospectivos, determinando as potencialidades e fragilidades naturais sob a ótica da análise geossistêmica. Neste sentido, o objetivo geral da pesquisa consistiu na identificação de áreas com potencialidades para a expansão agrícola tecnificada como subsídio na formulação de estratégias de desenvolvimento no âmbito do planejamento e gestão do território. Para atingir o propósito estabelecido foram desenvolvidos os objetivos específicos: i) Construir um banco de geodados multifinalitário reportando aspectos físicos, socioeconômicos da área de estudo, subsidiando sua caracterização socioambiental; ii) Realizar o diagnóstico e análise multitemporal da dinâmica de uso e ocupação da terra à escala de município, possibilitando a compreensão das alterações do espaço geográfico, assim como suas consequências sobre o mesmo; iii) Definir e analisar as áreas de fragilidade ambiental na Microrregião Geográfica Rio Vermelho, proporcionando o entendimento acerca do ambiente natural sofrer alterações em seu estado de equilíbrio ; iv) Produzir documentação cartográfica multitemática para orientar as atividades de planejamento e gestão do território. Para tanto, a pesquisa pautou-se na utilização de dados de Sensoriamento Remoto Orbital, Análise Espacial, Modelagem Geográfica recorrendo a aplicação de técnicas de Análise Multicritério e Processo de Análise Hierárquica (AHP) integrada em Sistemas de Informações Geográficas. Como resultados gerados temos: No contexto de estruturação da análise integrada do meio ambiente sob a ótica sistêmica, a Microrregião Geográfica Rio Vermelho – GO foi classificada em 5 unidades de paisagem: Planície fluvial; Superfície regional de aplainamento com dissecação muito fraca; Superfície regional de aplainamento com dissecação média; Superfície regional de aplainamento com dissecação média e altimetria entre 700 e 800 m; e Relevo de morros, colinas e estruturas dobradas com forte dissecação. A partir da análise multitemática e multitemporal realizada, verificou-se que a área agrícola irrigada aumentou de 112,5 km² em 2000 para 151,96 km² e 253,02 km² em 2018. A agricultura de sequeiro também vem apresentando crescimento, sendo constatado 17,53 km² de área em 2000, aumentando para 28,54 km² em 2010 e chegando a 225,65 km² em 2018. As áreas remanescentes de vegetação sofreram redução de 8.422, 17 km² em 2000 para 7.753,57 km² em 2010 e 7.487,74 km² em 2018. Com base na proposta metodológica de Ross (1994), foram identificadas e espacializadas classes hierárquicas de muito fraco (37,57%), fraco (29,132%), médio (32,814%) e forte (0,487%) para Fragilidade Potencial e fraco (69,04%), médio (30,94%) e forte (0,02%) para Fragilidade Emergente na microrregião. A partir da aplicação do modelo de identificação de áreas que apresentam potencialidades para a expansão agrícola tecnificada, a microrregião apresenta áreas classificadas como: i) Sem Potencial para a prática de atividade agrícola tecnificada corresponde a 4.161,53 km² (20,59%), pelo fato de apresentar características de solos com limitações de uso devido sua composição física e química, ii) Potencial Baixo com área de 4.916,74 km² (24,32%), verifica-se seu predomínio em toda extensão oeste da microrregião estando associada à fragilidade ambiental de nível médio e as características do solo Cambissolos classificado como solos jovens, pouco profundos, pois estão em fase inicial de sua formação, apresentando textura média, solos de cascalho e relevo ondulado e forte ondulado. E também áreas de solos do tipo Neossolos (solo mineral pouco evoluídos) com textura arenosa, relevo plano com a presença de área de contato de vegetação na forma de enclaves e savana parque; iii) Potencial Médio compõe 3.100,42 km² (15,34%) da área, aparece predominantemente no sul do município de Aruanã, uma faixa sentido norte/sul ocupando desde o oeste de Araguapaz, noroeste de Faina, o centro de Matrinchã, todo o centro/sul de Itapirapuã e o sul de Jussara e Santa Fé de Goiás, consistindo em zonas com nível de fragilidade ambiental fraca; iv) Potencial Alto constitui-se na maior área ocupando 8.036,11 km² (39,75%), integrando características de relevo plano com nível de fragilidade ambiental classificada como muito fraca e fraca. Estas áreas reúnem condições favoráveis para a expansão da agricultura tecnificada com recurso à mecanização e sistemas de manejo com emprego de investimento em pesquisa agropecuária para correção do solo, suprindo deficiências de fertilidade do solo, porém ressalta-se a importância da adoção de sistemas de manejo que levem em consideração práticas conservacionistas de água e solo que contribuam para a minimização dos impactos ao meio natural nos seus diferentes níveis hierárquicos de adequações. The study area comprises the Geographic Microregion Rio Vermelho - Goiás, where livestock activity is an important component of the economy of Goiás. In the last two decades, starting in 1990 and intensifying in 2000, it is noted that the region begins to print new changes in land uses, such as the conversion of pastures into agricultural commodity areas through the irrigation system by central pivot, increase in rainfed agriculture areas, including the conversion of areas of remaining vegetation into pasture, since the micro-region has edaphoclimatic characteristics and relief with favorable conditions for the practice of technified agriculture. In view of this situation, the Microregion Rio Vermelho points to the need to generate multithematic and multitemporary spatial and non-spatial information aimed at building prospective diagnoses and scenarios, determining the natural strengths and weaknesses from the perspective of geosystemic analysis. In this sense, the general objective of the research consisted in the identification of areas with potential for technological agricultural expansion as a subsidy in the formulation of development strategies within the scope of planning and management of the territory. To achieve the established purpose, the specific objectives were developed: i) Build a multi-purpose geodata bank reporting physical, socioeconomic aspects of the study area, subsidizing its socio-environmental characterization; ii) Carry out the diagnosis and multitemporal analysis of the dynamics of land use and occupation at the municipality level, enabling the understanding of changes in geographical space, as well as their consequences on it; iii) Define and analyze the areas of environmental fragility in the Rio Vermelho Geographic Microregion, providing an understanding about the natural environment undergoing changes in its equilibrium state; iv).Produce multi-thematic cartographic documentation to guide the planning and management activities of the territory. To this end, the research was based on the use of data from Remote Orbital Sensing, Spatial Analysis, Geographic Modeling using the application of Multicriteria Analysis techniques and Hierarchical Analysis Process (AHP) integrated in Geographic Information Systems. The results generated include: In the context of structuring the integrated analysis of the environment from a systemic perspective, the Geographical micro-region of Rio Vermelho - GO was classified into five landscape units: Fluvial plain; Regional planing surface with very weak dissection; Regional planing surface with medium dissection; Regional planing surface with medium dissection and altimetry between 700 and 800 m; and Relief of hills, hills and folded structures with strong dissection. From the multithematic and multitemporal analysis carried out, it was found that the irrigated agricultural area increased from 112.5 km² in 2000 to 151.96 km² and 253.02 km² in 2018. Rainfed agriculture has also shown growth, with an area of ​​17.53 km² in 2000, increasing to 28.54 km² in 2010 and reaching 225.65 km² in 2018. The remaining areas of vegetation were reduced from 8,422, 17 km² in 2000 to 7,753.57 km² in 2010 and 7,487.74 km² in 2018. Based on Ross's methodological proposal (1994), hierarchical classes of very weak (37.57%), weak (29.132%), medium (32.814%) and strong (0.487%) for Potential Fragility and weak (69.04%), medium (30.94%) and strong (0.02%) for Emerging Fragility in the microregion. In relation to the application of the model for identifying areas that have potential for technified agricultural expansion, the micro-region presents areas classified as: i) Without Potential for the practice of technified agricultural activity corresponds to 4,161.53 km² (20.59%), due to the fact that it presents characteristics of soils with limited use due to its physical and chemical composition, ii) Potential Low with an area of ​​4,916.74 km² (24.32%), its predominance is observed in all the western extension of the micro-region, being associated with the medium level environmental fragility and the characteristics of the Cambissolos soil classified as young, shallow soils, as they are in its initial formation stage, presenting medium texture, gravel soils and wavy and strong wavy relief. And also areas of Neossolos type soils (poorly evolved mineral soil) with sandy texture, flat relief with the presence of vegetation contact area in the form of enclaves and park savanna; iii) Average Potential makes up 3,100.42 km² (15.34%) of the area, appearing predominantly in the south of the municipality of Aruanã, a strip north / south, occupying from the west of Araguapaz, northwest of Faina, the center of Matrinchã, all the center / south of Itapirapuã and the south of Jussara and Santa Fé de Goiás, consisting of areas with a weak level of environmental fragility; iv) High Potential is the largest area occupying 8,036.11 km² (39.75%), integrating flat relief characteristics with a level of environmental fragility classified as very weak and weak.These areas have favorable conditions for the expansion of technified agriculture using mechanization and management systems with the use of investment in agricultural research to correct the soil, supplying deficiencies in soil fertility, but the importance of adopting management systems is emphasized. that take into account water and soil conservation practices that contribute to minimizing impacts on the natural environment at their different hierarchical levels of adequacy. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES

This study aimed at identifying different conditions of coffee plants after harvesting period, using data mining and spectral behavior profiles from Hyperion/EO1 sensor. The Hyperion image, with spatial resolution of 30 m, was acquired in August 28th, 2008, at the end of the coffee harvest season in the studied area. For pre-processing imaging, atmospheric and signal/noise effect corrections were carried out using Flaash and MNF (Minimum Noise Fraction Transform) algorithms, respectively. Spectral behavior profiles (38) of different coffee varieties were generated from 150 Hyperion bands. The spectral behavior profiles were analyzed by Expectation-Maximization (EM) algorithm considering 2; 3; 4 and 5 clusters. T-test with 5% of significance was used to verify the similarity among the wavelength cluster means. The results demonstrated that it is possible to separate five different clusters, which were comprised by different coffee crop conditions making possible to improve future intervention actions.

This study aimed at identifying different conditions of coffee plants after harvesting period, using data mining and spectral behavior profiles from Hyperion/EO1 sensor. The Hyperion image, with spatial resolution of 30 m, was acquired in August 28th, 2008, at the end of the coffee harvest season in the studied area. For pre-processing imaging, atmospheric and signal/noise effect corrections were carried out using Flaash and MNF (Minimum Noise Fraction Transform) algorithms, respectively. Spectral behavior profiles (38) of different coffee varieties were generated from 150 Hyperion bands. The spectral behavior profiles were analyzed by Expectation-Maximization (EM) algorithm considering 2; 3; 4 and 5 clusters. T-test with 5% of significance was used to verify the similarity among the wavelength cluster means. The results demonstrated that it is possible to separate five different clusters, which were comprised by different coffee crop conditions making possible to improve future intervention actions. Este trabalho teve o objetivo de identificar diferentes condições na cultura do café, após a colheita, utilizando mineração de dados e curvas espectrais obtidas do sensor Hyperion/EO1.A imagem Hyperion, com resolução espacial de 30 m,foi obtida em 28 de agosto de 2008, fim de safra do café na área de estudo.Como pré-processamentos, foram realizadas a correção atmosférica através do algoritmo Flaash e a correção do sinal/ruído pelo algoritmo MNF (Minimum Noise Fraction Transform). Posteriormente, foram geradas curvas espectrais (38) de 150 comprimentos de onda, que foram analisadas através do algoritmo EM (Expectation-Maximization), considerando simulações de 2; 3; 4 e 5 clusters. Para verificar a igualdade das médias dos comprimentos de onda dos clusters, foi utilizado o teste t, com 5% de significância. Os resultados mostraram que foi possível separar os cafés em cinco diferentes grupos, segundo sua condição pós-colheita, possibilitando melhorar ações futuras de intervenção.

Este trabalho apresenta os resultados do reconhecimento e mapeamento dos ambientes costeiros da região do Golfão Maranhense, Brasil, utilizando uma abordagem metodológica que incluiu: (a) análise integrada com base no processamento digital de imagens, ópticas Landsat-4 TM e SPOT-2 HRV, de imagens SAR (Synthetic Aperture Radar) do RADARSAT-1, e dados de elevação da SRTM (Shuttle Radar Topography Mission); (b) sistema de informações geográficas; e (c) levantamentos de campo relativos à geomorfologia, topografia e sedimentologia. Os ambientes costeiros, assim mapeados foram agrupados em quatro setores: Setor 1, com pântanos salinos, pântanos de água doce, lagos intermitentes e canal estuarino; Setor 2, abrangendo tabuleiro costeiro, planície de maré lamosa, planície fluvial, planície de maré arenosa, praias de macromaré, área construída e lagos artificiais; Setor 3, com manguezal, paleodunas e planície de maré mista; e Setor 4, constituído por dunas móveis. Além disso, foram também reconhecidos lagos perenes, deltas de maré vazante e planícies de supramaré arenosas. O processamento digital e a análise visual das imagens de sensores remotos orbitais, associados ao uso de sistemas de informações geográficas, mostraram-se eficazes no mapeamento de zonas costeiras tropicais, possibilitando a geração de produtos com boa acurácia e precisão cartográfica. This paper presents the results of coastal environmental mapping of Golfão Maranhense, Brazil, using a methodological approach that includes: (a) integrated analysis based on digital image processing of Landsat-4 TM, SPOT-2 HRV, RADARSAT-1 SAR (Synthetic Aperture Radar) and SRTM (Shuttle Radar Topography Mission) data; (b) geographic information system; (c) field surveys related to geomorphology, topography and sedimentology. Mapped environments were grouped into four sectors: Sector 1, with salt marsh, fresh marsh, estuarine channel and intermittent lake; Sector 2, embracing coastal plateau, fluvial floodplain, sandflats, macrotidal beach, urban areas, artificial lakes and mudflats; Sector 3, including, paleodunes covered with grass, mangroves and mixed intertidal banks; Sector 4, constituted by mobile dunes. In addition, perennial lakes, ebb-tidal deltas and supratidal sandflats were recognized. Digital image processing visual analysis of orbital remote sensing data in association with geographic information system, proved to be effective in tropical coastal mapping, allowing the generation of products with good accuracy and cartographic precision.

O presente trabalho teve como proposta avaliar a identificação e o mapeamento das áreas de milho da região noroeste do Estado do Rio Grande do Sul a partir de dados multitemporais do sensor MODIS (Moderate Resolution Imaging Spectroradiometer) a bordo do satélite Earth Observing System - EOS-AM (Terra). O algoritmo de classificação supervisionada Spectral Angle Mapper (SAM) foi aplicado com sucesso em uma série multitemporal de imagens EVI pré-processadas. Verificou-se que as áreas classificadas como milho na imagem coincidiam plenamente com áreas mais extensas ou contínuas (> 90 ha) de milho. Áreas de menor extensão ou localizadas em encostas de morros, ao lado de vegetação arbórea, não foram detectadas pelo classificador devido à baixa resolução espacial das imagens. A maior utilidade prática da identificação e da classificação digital das áreas de milho obtidas das imagens MODIS está na sua aplicação para isolar ou complementar o mapeamento das áreas agrícolas visando ao seu monitoramento a partir de diferentes índices de vegetação, derivados de imagens de alta resolução temporal e baixa resolução espacial. The present work had the proposal of evaluating the identification and mapping of maize areas in the northwestern region of the State of Rio Grande do Sul using multi-temporal data from MODIS (Moderate Resolution Imaging Spectroradiometer) sensor on board of the Earth Observing System satellite - EOS-AM (Terra). The supervised classification algorithm Spectral Angle Mapper (SAM) was successfully applied in a multi-temporal series of pre-processed EVI images. It was verified that the areas classified as maize in the image fully agree with more extensive or continuous maize areas (> 90 ha). Small or hillsides maize areas having close to shrub and wood vegetation were not detected by the classifier mainly due low spatial resolution of images. The main practical utility of maize’s areas digital classification and identification using MODIS images is in its application to isolate or to complement the crop areas mapping, in order to monitor these areas, using different vegetation indices derived from high temporal and low spatial resolution images.