Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de caatinga e estudo das relações com atributos físico-químicos dos solos

• Ano de defesa: 2018
• Autor(a) principal: Hilton Luís Ferraz da Silveira
• Orientador(a): Lênio Soares Galvão, Ieda Del' Arco Sanches
• Banca de defesa: Antônio Roberto Formaggio, Iedo Bezerra Sá
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Sensoriamento Remoto
• País: BR
• Resumo em Inglês: Caatinga is a natural semi-arid vegetation type, which occupies great part of northeastern region of Brazil. This ecosystem contains a variety of phytophysiognomies of difficult mapping with their occurrence influenced by local rainfall and soil attributes. This work verified the potential use of multi-temporal data from the MSI/Sentinel-2, obtained in four dates between 2015 and 2016 (rainy to dry seasons), along with LiDAR observations, for mapping seven Caatinga´s phytophysiognomies in a study area located in the state of Pernambuco. Using a vegetation reference map and Random Forest (RF) classification, eventual gains in classification accuracy have been evaluated from multi-temporal over mono-temporal MSI data (rainy and dry seasons); from adding vegetation indices into the analyses; and from inserting LiDAR metrics into the classification. The relationships between the mapped vegetation by RF and 20 physico-chemical attributes of 75 soil profiles were studied by using principal component analysis (PCA) and ordinary kriging. The results showed that: (a) there were no differences in classification accuracy between the dry and rainy seasons; (b) multi-temporal data improved classification accuracy compared to mono-temporal observations; (c) a smaller number of vegetation indices had similar classification performance than a greater number of reflectance of bands; and (d) LiDAR metrics improved classification accuracy of arboreous and sub-shrub classes (11,1% and 10,7% respectively). Statistically significant differences were observed in organic carbon content, cation exchange capacity, water retention at field capacity, horizon thickness, soil porosity and rock fragments (% pebble, gravel, fine-earth fraction) between these two types of phytophysiognomies (arboreous and sub-shrub classes).
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m21c/2018/04.26.18.25

A Caatinga, vegetação natural adaptada às condições do semiárido brasileiro, possui fitofisionomias variadas de difícil mapeamento, cuja distribuição é influenciada pelas características pluviométricas e pedológicas locais. No presente estudo, testou-se o potencial de dados multi-temporais do sensor MSI/Sentinel-2, obtidos em quatro datas de 2015 a 2016 (período chuvoso e seco), juntamente com observações LiDAR, para o mapeamento de sete fitofisionomias da Caatinga. A área de estudo está localizada no Estado de Pernambuco. Usando um mapa de referência da vegetação e o classificador Random Forest (RF), avaliou-se, em primeiro lugar, a capacidade do MSI/Sentinel-2 em mapear fitofisionomias de Caatinga e os eventuais ganhos na classificação decorrentes do uso de dados multi-temporais sobre dados monotemporais (período chuvoso ou seco); do uso de índices de vegetação sobre dados de reflectância; e da incorporação de métricas derivadas de dados LiDAR. Estudou-se também a existência de possíveis relações espaciais entre a vegetação mapeada por RF e 20 atributos físico-químicos determinados de 75 perfis de solos, que foram submetidos à Análise por Componentes Principais (ACP) e procedimentos de krigeagem. Os resultados mostraram que: não há diferenças entre as classificações dos períodos seco e chuvoso; classificações com dados multi-temporais são superiores às que utilizam apenas dados monotemporais; os índices de vegetação, por resultarem em classificações semelhantes aos dados de reflectância, podem substituir estes últimos com menor volume de dados; dados LiDAR melhoram a classificação das classes arbórea aberta (Aa) em 11,1%, das arbórea rala (Ar) em 18,5% e das subarbustivas (S) em 10,7%. Foram encontradas diferenças estatisticamente significativas entre os atributos do solo carbono orgânico, capacidade de troca catiônica, capacidade de campo, profundidade do solo, porosidade e % de terra fina, cascalho e calhau entre fitofisionomias arbóreas e subarbustivas.