Classificação do uso e cobertura da terra utilizando algorítmo de aprendizado de máquina no Google Earth Engine para o semiárido de Pernambuco

Abstract

O clima semiárido é característico de boa parte da região Nordeste do Brasil. Na região semiárida, a distribuição irregular de chuvas e a alta evapotranspiração restringem o desenvolvimento econômico, que se baseia prioritariamente na pecuária, agricultura de sequeiro e extração de lenha, em uma estrutura fundiária de pequenas propriedades. A remoção da vegetação florestal normalmente é seguida pelo estabelecimento campos de cultivo e pastagens e, após alguns anos, é comum o abandono dessas áreas, que leva à regeneração de floresta secundárias. Esses processos de uso da terra criaram paisagens caracterizadas por um mosaico de pastagens, campos agrícolas e fragmentos florestais em diferentes níveis de sucessão, submetidos a constantes mudanças. O entendimento da dinâmica das mudanças de cobertura e uso da terra nessa região é uma condição importante para a quantificação dos estoques de carbono, dos balanços de emissões de gases de efeito estufa e, consequentemente, para o desenvolvimento de estratégias de adaptação aos efeitos do clima. O sensoriamento remoto é uma alternativa de baixo custo que pode abranger áreas extensas e, portanto, é provavelmente a melhor estratégia para o monitoramento das mudanças de cobertura e uso da terra. Entretanto, ainda são limitadas as ferramentas de sensoriamento remoto utilizadas para a classificação e monitoramento dessas mudanças na região semiárida do NE do Brasil. Assim, o objetivo deste estudo foi mapear e analisar a classificação de uso e cobertura do solo no semiárido pernambucano, por meio de uma plataforma baseada na nuvem, utilizando métodos de aprendizado de máquina. Utilizou-se a plataforma do Google Earth Engine para classificar área urbana e solo exposto, pastagens, caatinga aberta, caatinga densa, floresta perene e água. A classificação foi realizada com o algoritmo de aprendizado de máquina Random Forest, e foram testadas duas combinações de bandas como parâmetros de entrada do treinamento do classificador. Foram coletados 3000 pontos para treinamento e teste da classificação, por meio de coletas de campo e através do software Google Earth Pro. Também foram extraídos dados de área e NDVI médio destas classes. As classificações tiveram precisão geral de 78,4% e 76,8%, os dados de área concordam com a literatura e as médias de NDVI possibilitaram a diferenciação das classes. O algoritmo de classificação desenvolvido obteve boa precisão e pode contribuir na análise e extração de dados para estudos ambientais, como análises de mudanças do uso e cobertura, restauração de áreas degradadas, e estimativas de estoque de carbono. O desenvolvimento e aplicação dessa ferramenta poderá colaborar para tomadas de decisão no planejamento e gestão dos municípios de Pernambuco.