UNIVERSIDADE ESTADUAL PAULISTA "CAMPUS DE RIO CLARO" INSTITUTO DE GEOCIÊNCIAS E CIÊNCIAS EXATAS Programa de Pós Graduação em Geografia UNIVERSIDADE ESTADUAL PAULISTA “Júlio de Mesquita Filho” Instituto de Geociências e Ciências Exatas Câmpus de Rio Claro EDVALDO GUEDES JÚNIOR SÉRIES TEMPORAIS DE IMAGENS DE SENSORIAMENTO REMOTO APLICADAS AO ESTUDO DE ÁREAS DE CULTIVO AGRÍCOLA: CONTRIBUIÇÃO METODOLÓGICA PARA ANÁLISE DO USO DA TERRA Tese de Doutorado apresentada ao Instituto de Geociências e Ciências Exatas do Campus de Rio Claro, da Universidade Estadual Paulista “Júlio de Mesquita Filho”, como parte dos requisitos para obtenção do título de Doutor em Geografia. Orientador: Prof. Dr. Sergio dos Anjos Ferreira Pinto Rio Claro - SP 2021 EDVALDO GUEDES JÚNIOR SÉRIES TEMPORAIS DE IMAGENS DE SENSORIAMENTO REMOTO APLICADAS AO ESTUDO DE ÁREAS DE CULTIVO AGRÍCOLA: CONTRIBUIÇÃO METODOLÓGICA PARA ANÁLISE DO USO DA TERRA Tese de Doutorado apresentada ao Instituto de Geociências e Ciências Exatas do Câmpus de Rio Claro, da Universidade Estadual Paulista “Júlio de Mesquita Filho”, como parte dos requisitos para obtenção do título de Doutor em Geografia. Orientador: Prof. Dr. Sergio dos Anjos Ferreira Pinto Rio Claro - SP 2021 EDVALDO GUEDES JÚNIOR SÉRIES TEMPORAIS DE IMAGENS DE SENSORIAMENTO REMOTO APLICADAS AO ESTUDO DE ÁREAS DE CULTIVO AGRÍCOLA: CONTRIBUIÇÃO METODOLÓGICA PARA ANÁLISE DO USO DA TERRA Tese de Doutorado apresentada ao Instituto de Geociências e Ciências Exatas do Câmpus de Rio Claro, da Universidade Estadual Paulista “Júlio de Mesquita Filho”, como parte dos requisitos para obtenção do título de Doutor em Geografia. Comissão Examinadora ________________________________________________________ Prof. Dr. Sergio dos Anjos Ferreira Pinto (IGCE/UNESP/Rio Claro) ________________________________________________________ Prof. Dr. Sergio Luis Antonello (IGCE/UNESP/Rio Claro) _________________________________________________________ Profa. Dra. Andreia Medinilha Pancher (IGCE/UNESP/Rio Claro) _________________________________________________________ Prof. Dr. Luis Henrique Pereira (IDgeo/Piracicaba) __________________________________________________________ Prof. Dr. Pedro Augusto Breda Fontão (CT/UFPR/Curitiba) CONCEITO: APROVADO Rio Claro, 1 de dezembro de 2021 AGRADECIMENTOS O presente trabalho foi realizado com apoio do Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) – Código de Financiamento 001, e do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), que contribuíram integralmente para o desenvolvimento desta pesquisa. Agradeço a Deus e a minha família, em especial meus pais Edvaldo e Vera; irmãos André, Davi e Larissa; e meus avós Laerte (in memoriam) e Elisa. Vocês são a minha maior motivação. Agradeço ao meu orientador Prof. Dr. Sergio dos Anjos. Me sinto privilegiado pelos anos que pude conviver a aprender com o professor Sergio. Agradeço ao meu orientador de mestrado professor Dr. Fabiano Tomazini da Conceição, e ao professor Dr. Alexandre Martins Fernandes. Obrigado por terem sempre me ajudado com seus valorosos conselhos. Agradeço ao meu amigo professor Dr. Luiz Henrique Pereira, que durante minha graduação me ensinou tudo o que pode sobre geoprocessamento. Sua amizade, ajuda e compreensão me serviram de suporte nos momentos difíceis deste doutorado. Agradeço ao Programa de Pós Graduação em Geografia do Instituto de Geociências e Ciências Exatas e UNESP por todo apoio e suporte fornecido durante a Pandemia de Covid 19. Agradeço aos queridos Técnicos Administrativos do Departamento de Geografia e Planejamento, em especial a Magali, ao amigo Ubirajara (Bira). Agradeço a toda equipe de profissionais da Unesp de Rio Claro. SÉRIES TEMPORAIS DE IMAGENS DE SENSORIAMENTO REMOTO APLICADOS À IDENTIFICAÇÃO DE CULTURAS AGRÍCOLAS: CONTRIBUIÇÃO METODOLÓGICA PARA ANÁLISE DO USO E COBERTURA DA TERRA Resumo O estudo do uso e cobertura da terra é importante para o entendimento dos sistemas terrestres e da dinâmica geográfica resultante da interação entre o homem e a natureza. Como resultado desta interação, observamos padrões de uso e cobertura da terra como áreas agrícolas, florestas e centros urbanos que configuram as paisagens terrestres, de forma que nestes recortes geográficos ocorrem as complexas relações de troca entre matéria e energia que sustentam a vida na Terra. Como contribuição para o entendimento dos padrões de uso e cobertura da terra, esta pesquisa utilizou técnicas de classificação supervisionada e extração de índice de vegetação em séries temporais de imagens dos sistemas orbitais LANDSAT e SENTINEL-2 para avaliar a dinâmica do uso e cobertura da terra na região centro leste do Estado de São Paulo. As imagens dos sistemas orbitais foram processadas a partir do sistema de geoprocessamento na nuvem “Google Earth Engine” (GEE), sendo geradas as classes de uso e cobertura da terra compostas por áreas urbanas, vegetação natural, pastagens, lavouras de ciclo anual, lavouras de ciclo perene, solo exposto e corpos d’ água. O processo de classificação das imagens orbitais teve frequência mensal abrangendo o período de janeiro a dezembro de 2020 e foi estatisticamente validado através do índice kappa, matriz de confusão e pelos índices de acurácia do produtor e consumidor. Os resultados do processo de classificação do uso da terra permitiram observar uma dinâmica espacial dominada por culturas agrícolas de ciclo anual, onde a cana-de-açúcar é a cultura dominante, exercendo grande influência no aspecto ambiental da área de estudo. Palavras chave: Uso e Cobertura da Terra, Sensoriamento Remoto, Geoprocessamento. TIME SERIES OF REMOTE SENSING IMAGES APPLIED TO THE IDENTIFICATION OF AGRICULTURAL CROPS: METHODOLOGICAL CONTRIBUTION TO ANALYSIS OF LAND USE AND COVERAGE Abstract The study of land use and land cover is important for the understanding of land systems and the geographic dynamics resulting from the interaction between man and nature. As a result of this interaction, we observe patterns of land use and land cover such as agricultural areas, forests and urban centers that configure terrestrial landscapes, where take a place the complex relations exchange between matter and energy that sustain life on Earth. As a contribution to understand land use and land cover patterns, this research used supervised classification techniques and vegetation index extract by time series images from the LANDSAT and SENTINEL-2 orbital systems to assess the dynamics of land use and land cover in the central eastern region of the São Paulo State. The images of the orbital systems were processed using the “Google Earth Engine” (GEE) cloud geoprocessing system, generating land use and land cover classes composed of urban areas, natural vegetation, pastures, annual crops, perennial crops, bare soil and water. The classification process of orbital images had a monthly frequency covering the period from January to December 2020 and was statistically validated through the kappa index, confusion matrix and the producer and consumer accuracy indices. The results of the land use classification allowed us to observe a spatial dynamic dominated by annual crops, where sugarcane is the dominant crop with great influence on environmental aspect of the study area. Key words: Land Use, Land Cover, Remote Sensing, Geographic Information Systems. LISTA DE FIGURAS Figura 1: Variação de classes de cobertura da terra no Brasil entre 1985 e 2015. ...................... 16 Figura 2: Distribuição espacial de imagens LANSAT arquivadas no USGS até jan/2015 ......... 32 Figura 3: Fluxograma metodológico. .......................................................................................... 36 Figura 4: Características espectrais dos sensores OLI e MSI. ..................................................... 39 Figura 5: Application Programming Interface (API) – entrada e visualização de dados no GEE. ....................................................................................................................................................... 47 Figura 6: Localização da área de estudo. ..................................................................................... 51 Figura 7: Comparação da imagem do sensor OLI e classificação supervisionada - jan. 2020. .. 59 Figura 8: Comparação da imagem do sensor OLI e classificação supervisionada - fev. 2020. .. 60 Figura 9: Comparação da imagem do sensor OLI e classificação supervisionada - mar. 2020. . 61 Figura 10: Comparação da imagem do sensor OLI e classificação supervisionada - abr. 2020. 62 Figura 11: Comparação da imagem do sensor OLI classificação supervisionada - mai. 2020. .. 63 Figura 12: Comparação da imagem do sensor OLI e classificação supervisionada - jun. 2020. 64 Figura 13: Comparação da imagem do sensor OLI e classificação supervisionada - jul. 2020. . 65 Figura 14: Comparação da imagem do sensor OLI e classificação supervisionada - ago. 2020. 66 Figura 15: Comparação da imagem do sensor OLI e classificação supervisionada - set. 2020. . 67 Figura 16: Comparação da imagem do sensor OLI e classificação supervisionada - out. 2020. 68 Figura 17: Comparação da imagem do sensor OLI e classificação supervisionada - nov. 2020. 69 Figura 18: Comparação da imagem do sensor OLI e classificação supervisionada - dez. 2020. . 70 Figura 19: Comparação da imagem do sensor MSI e classificação supervisionada - jan. 2020. 72 Figura 20: Comparação da imagem do sensor MSI e classificação supervisionada - fev. 2020. 73 Figura 21: Comparação da imagem do sensor MSI e classificação supervisionada - mar. 2020.74 Figura 22: Comparação da imagem do sensor MSI e classificação supervisionada - abr. 2020. 75 Figura 23: Comparação da imagem do sensor MSI e classificação supervisionada - mai. 2020. 76 Figura 24: Comparação da imagem do sensor MSI e classificação supervisionada - jun. 2020. 77 Figura 25: Comparação da imagem do sensor MSI e classificação supervisionada - jul. 2020. . 78 Figura 26: Comparação da imagem do sensor MSI e classificação supervisionada - ago. 2020. 79 Figura 27: Comparação da imagem do sensor MSI e classificação supervisionada - set. 2020. 80 Figura 28: Comparação da imagem do sensor MSI e classificação supervisionada - out. 2020. 81 Figura 29: Comparação da imagem do sensor MSI e classificação supervisionada - nov. 2020. 82 Figura 30: Comparação da imagem do sensor MSI e classificação supervisionada - dez. 2020. 83 Figura 31: Cultivos identificados em campo ............................................................................... 85 Figura 32: Índice NDVI estágios iniciais do milho ..................................................................... 86 Figura 33: índice NDVI estágios iniciais da cana-de açúcar ....................................................... 87 Figura 34: Índice NDVI - cultivo de café .................................................................................... 88 Figura 35: Índice NDVI – cultivo de café nos estágios iniciais .................................................. 89 Figura 38: Índice NDVI algodão em estágio pré-colheita ........................................................... 90 Figura 39: Cultivo de milho com presença de ervas daninhas .................................................... 91 Figura 40: Índice NDVI do trigo em estágio pré-colheita ........................................................... 92 Figura 41: Índice NDVI cultivo de girassol ................................................................................ 93 Figura 42: Índice NDVI de cultivo de sorgo ............................................................................... 94 Figura 44: índice NDVI de cultivo de trigo ................................................................................. 95 LISTA DE GRÁFICOS Gráfico 1 - Precipitação média mensal - Posto D4-036 Graúna. ................................................. 52 Gráfico 2 - Precipitação média mensal - Posto D4-074 Ipeúna ................................................... 53 Gráfico 3 - Temperatura máxima - média mensal (°C) ............................................................... 53 Gráfico 4 - Temperatura mínima - média mensal (°C) ................................................................ 54 Gráfico 5 - Umidade relativa do ar - média mensal (%) .............................................................. 55 LISTA DE TABELAS Tabela 1 - Evolução das ferramentas de análise espacial. ........................................................... 33 Tabela 2 – Características dos sensores OLI e MSI ..................................................................... 39 Tabela 3 - Características do sensor OLI ..................................................................................... 41 Tabela 4 - Características do sensor MSI..................................................................................... 43 Tabela 5 - Principais dados disponíveis nas bibliotecas do Google Earth Engine ...................... 44 LISTA DE ABREVIATURAS API ........................................................................................... Application Programming Interface CEAPLA ............................................ Centro de Análise e Planejamento Ambiental – UNESP/RC CBERS...................................................................Satélite Sino-Brasileiro de Recursos Terrestres DAEE ...................................... Departamento de Águas e Energia Elétrica do Estado de São Paulo DGI-INPE ................. Divisão de Geração de Imagens – Instituto Nacional de Pesquisas Espaciais EROS …………………………………………………. Earth Resources Observation and Science ESA .............................................................. Europan Space Agengy – Agência Espacial Europeia ESRI ............................................................................. Environmental Systems Research Institute EVI ................................................................................................... Índice de Vegetação Realçado INPE .............................................................................. Instituto Nacional de Pesquisas Espaciais IPCC ………………................................. Painel Intergovernamental Sobre Mudanças Climáticas IPT ........................................................................................... Instituto de Pesquisas Tecnológicas IRS ………………………………………………………………. Indian Remote Sensing Satellite FAO.........................................Organização das Nações Unidas para a Alimentação e Agricultura GEE………………………………………………………………………… Google Earth Engine GOES ............................................................ Geoestacionary Operational Environmental Satellite LANDSAT……………………………………………………………….. Land Resource Satellite LaSRC ........................................................................................... Land Surface Reflectance Code Ma ........................................................................................................................... Milhões de anos Mha................................................................................................................... Milhões de hectares MODIS............................................................................. Moderate Resolution Spectroradiometer MSI……………………………………………………………............... Multispectral Instrument NDVI…………………………………………………... Normalized Difference Vegetation Index NIR ..................................................................................... Near Infrared (Infravermelho próximo) NASA …………………………………………... National Aeronautics and Space Administration NOOA ………………………………………. National Oceanic and Atmospheric Administration OLCI ………………………………………………………… Ocean and Land Colour Instrument OLI………………………………………………...………………………… Object Land Imager SAR .......................................................... Synthetic Aperture Radar – Radar de Abertura Sintética SIG............................................................................................ Sistema de Informação Geográfica S-NPP ………………………………………………… Suomi National Polar-orbiting Partnership SWIR .......................................................... Short Wave Infrared (Infravermelho de Ondas Curtas) TIRS …………………………………………………………………….. Thermal Infrared Sensor USDA ............................................... Departamento de Agricultura do Estados Unidos da América USGS ............................................................... Serviço Geológico dos Estados Unidos da América VLS .................................................................................................... Veículo lançador de satélites SUMÁRIO 1. INTRODUÇÃO E JUSTIFICATIVA ................................................................................... 14 2. OBJETIVOS E PREMISSAS DA PESQUISA ..................................................................... 19 3. REVISÃO BIBLIOGRÁFICA .............................................................................................. 21 3.1 Uso e cobertura da terra e mudanças ambientais ............................................................... 23 3.2 Uso e cobertura da terra e sua relação com as atividades agrícolas ................................... 27 3.3 Geotecnologias aplicadas ao ensino e análise geográfica .................................................. 32 4. MATERIAIS E MÉTODOS. ................................................................................................. 36 4.1 Sistemas Sensores de média resolução espacial ................................................................. 38 4.2 Sistema LANDSAT 8......................................................................................................... 40 4.3 Sistema SENTINEL-2 ........................................................................................................ 42 4.4 Google Earth Engine ........................................................................................................... 43 4.5 Classificação supervisionada através do algoritmo Random Forest .................................. 47 4.6 Testes de validação do mapeamento .................................................................................. 48 4.7 Índice NDVI ........................................................................................................................ 49 4.8 Trabalho de campo .............................................................................................................. 50 5. ÁREA DE ESTUDO ............................................................................................................. 50 6. RESULTADOS E DISCUSSÃO........................................................................................... 58 6.1 Classificação supervisionada de imagens do sensor OLI – janeiro 2020. ......................... 58 6.2 Classificação supervisionada de imagens do sensor OLI – fevereiro 2020. ...................... 59 6.3 Classificação supervisionada de imagens do sensor OLI – março 2020............................ 60 6.4 Classificação supervisionada de imagens do sensor OLI – abril 2020. ............................. 61 6.5 Classificação supervisionada de imagens do sensor OLI – maio 2020.............................. 62 6.6 Classificação supervisionada de imagens do sensor OLI – junho 2020. ........................... 63 6.7 Classificação supervisionada de imagens do sensor OLI – julho 2020. ............................ 64 6.8 Classificação supervisionada de imagens do sensor OLI – agosto 2020. .......................... 65 6.9 Classificação supervisionada de imagens do sensor OLI – setembro 2020. ...................... 66 6.10 Classificação supervisionada de imagens do sensor OLI – outubro 2020. ...................... 68 6.11 Classificação supervisionada de imagens do sensor OLI – novembro 2020. ................... 69 6.12 Classificação supervisionada de imagens do sensor OLI – dezembro 2020. ................... 70 6.13 Resultados da classificação de imagens do sensor MSI – janeiro 2020........................... 71 6.14 Resultados da classificação de imagens do sensor MSI – fevereiro 2020. ....................... 72 6.15 Resultados da classificação de imagens do sensor MSI – março 2020. ........................... 73 6.16 Resultados da classificação de imagens do sensor MSI – abril 2020. ............................. 74 6.17 Resultados da classificação de imagens do sensor MSI – maio 2020. ............................. 76 6.18 Resultados da classificação de imagens do sensor MSI – junho 2020............................. 77 6.19 Resultados da classificação de imagens do sensor MSI – julho 2020. ............................ 78 6.20 Resultados da classificação de imagens do sensor MSI – agosto 2020. .......................... 78 6.21 Resultados da classificação de imagens do sensor MSI –setembro 2020. ....................... 80 6.22 Resultados da classificação de imagens do sensor MSI – outubro 2020. ........................ 81 6.23 Resultados da classificação de imagens do sensor MSI – novembro 2020. .................... 82 6.24 Resultados da classificação de imagens do sensor MSI – dezembro 2020. ..................... 83 6.25 Trabalho de Campo .......................................................................................................... 84 14 1. INTRODUÇÃO E JUSTIFICATIVA Dentre os eixos temáticos que constituem a formação e evolução da Geografia como ciência, podemos observar a contribuição das ciências naturais, contextualizada sob a ótica dos geossistemas e, de igual modo, uma grande influência e contribuição das linhas de pensamento ligadas às ciências humanas com ênfase nos fenômenos sociais e históricos que direcionam as diversas configurações do espaço geográfico. Neste contexto, a partir da intersecção entre as ciências naturais e humanas, Ross (2019, p. 15) situa como objeto máximo de preocupação da Geografia como sendo as relações entre o homem e a natureza, que se processam de forma complexa ao longo do tempo e sobre o espaço. Essas relações ocorrem em um lapso espaço temporal que constitui o palco onde as sociedades se organizam, se desenvolvem e promovem as mudanças na biosfera terrestre. A partir deste cenário, o conceito de uso e cobertura da terra surge como uma variável de dimensões significativas no contexto das relações entre o homem e a natureza, uma vez que o uso e cobertura da terra tem relação com todas as atividades humanas, dentre elas a exploração dos recursos naturais para atender as demandas das sociedades, instaurando o processo de apropriação da natureza e seus recursos e gerando os impactos ambientais que alteram os fluxos de matéria e energia dos geossistemas. De acordo com Christofoletti (1993, p.21), os geossistemas constituem uma organização espacial resultante da interação entre os elementos físicos e biológicos como o clima, o ciclo hidrológico, a vegetação, a cobertura da terra, entre outros fatores que fazem com que esta organização espacial se ajuste aos fluxos de matéria e energia que circulam no ambiente. Conforme o IPCC (Intergovernamental Panel on Climate Change, 2019), muitas das atividades humanas que são expressas através do uso e cobertura da terra, têm provocado modificações no meio ambiente. Essas mudanças ambientais são decorrentes principalmente da supressão de florestas para instauração de lavouras, pastagens e centros urbanos; e da poluição atmosférica, decorrente da queima de combustíveis fósseis. Conforme Eyring et al. (2021, p.12), estes cenários decorrentes das ações humanas possuem a capacidade de alterar os fluxos de matéria e energia dos ecossistemas globais, constituindo desta forma o presente cenário das crises ambientais e mudanças climáticas que afetam as sociedades e o equilíbrio de toda Terra. Considerando que os padrões de uso e cobertura da terra geram configurações espaciais capazes de alterar os fluxos de matéria e energia que dão suporte para os ecossistemas globais, 15 observa-se um crescente aumento na frequência com que ocorrem eventos climáticos extremos, de forma que hoje é aceita a correlação entre o aumento dos eventos climáticos extremos e as ações humanas sobre a superfície terrestre (IPCC, 2019, p. 74). O aumento dos eventos climáticos extremos, causadores de perdas materiais e humanas, podem ser potencializados pela remoção e alteração da cobertura vegetal natural, pelo crescimento das áreas urbanas, pelas atividades de garimpo e exploração de recursos contidos no subsolo, em função do aumento das áreas destinadas a produção de proteínas, fibras e insumos industriais. Essas atividades, produtoras de passivos e externalidades ambientais, condizem com categorias de uso e cobertura da terra que conduzem à degradação e perda de sustentabilidade dos ecossistemas. Neste sentido, podemos afirmar que o planejamento e gestão do uso e cobertura da terra é de fundamental importância para manutenção da sustentabilidade e preservação dos sistemas terrestres, constituindo um elemento sobre o qual vários segmentos das ciências têm dedicado esforços. De acordo com a FAO (Organização das Nações Unidas para a Alimentação e Agricultura, 2002, p. 57), podemos elencar quatro principais macro categorias de uso e cobertura da terra: a) Uso Urbano, relacionado com toda infra estrutura das cidades e obras de construção civil; b) Uso agrícola, que diz respeito as áreas destinadas ao cultivo de culturas agrícolas, pastagens ou qualquer atividade de caráter agropecuário; c) Áreas de cobertura vegetal natural, constituídas por fito biomas sazonalmente distribuídos. Exemplos esta macro categoria são as florestas tropicais úmidas situadas na região equatorial, e as Savanas na faixa tropical do hemisfério sul; d) Áreas inóspitas para ocupação humana, como os cinturões orogênicos, desertos e regiões polares. Estas categorias de uso e cobertura da terra caracterizam sistemas ambientais que podem apresentar-se, em sua maior parte ainda preservados, mas com uma crescente influência humana, a exemplo do bioma Amazônico descrito por Ab’Saber (2003); e ambientes que perderam toda sua cobertura natural, tendo como exemplo a configuração espacial dos grandes centros urbanos descritos por Santos (1993). Dentre as categorias de uso e cobertura da terra, Loveland (2012, p. 14) observa que as atividades com maior potencial de gerar externalidades negativas para os sistemas terrestres estão ligadas a setores relevantes da econômica, como a mineração e as atividades agropecuárias. 16 Especificamente, em se tratando da parcela de uso e cobertura da terra ocupada por atividades agropecuárias, Hooke et al. (2012, p. 73) afirmam que tais atividades ocupam quase metade da área da superfície terrestre, tendo um peso relevante no conjunto de atividades de uso e cobertura da terra e na alteração dos ecossistemas. Conforme Souza et al. (2020, p. 2), a porção do território brasileiro ocupado pelas atividades agropecuárias teve um expressivo aumento em detrimento de áreas de cobertura natural. Segundo o autor, no período entre 1985 e 2015 foi constatado um aumento de 46% nas áreas de pastagens e 172% nas áreas ocupadas pelas atividades agrícolas. Em contrapartida, a área ocupada por vegetação natural foi reduzida em 71 Mha (Milhões de hectares). A Figura 1 resume as variações na cobertura de terra, destacando o aumento das áreas ocupadas por agricultura e pastagem, e o declínio das áreas ocupadas por formações vegetais de médio e grande porte que ocorreram no território brasileiro no período que se estende de 1985 até 2015. Figura 1: Variação de classes de cobertura da terra no Brasil entre 1985 e 2015. FONTE: Modificado de SOUZA et al. 2020. Tendo em vista as mudanças no uso e cobertura da terra, são necessários estudos para a compreensão das mudanças em suas configurações espaciais, tendo por objetivo atenuar os cenários de mudanças ambientais. Neste sentido, o processamento de séries temporais de imagens digitais, feitas a partir de sensores a bordo de plataformas orbitais, possui a capacidade de retratar de forma ampla as variações na matéria (vegetação, solos, rochas e água) que compõe cobertura da 17 superfície terrestre ao longo do tempo e em amplas escalas que variam do local ao global. Neste sentido, muitos aspectos da interação entre as sociedades e a natureza podem ser estudados através do uso de séries temporais de imagens de sensoriamento remoto, que retratam os padrões de uso e cobertura da terra, sendo aplicadas em pesquisas de diversas áreas do conhecimento. Yang et al. (2021) e Lu et al. (2019) utilizaram séries temporais de imagens de sensoriamento remoto foram aplicadas no estudo de processos que ocorrem nos centros urbanos, relacionando índices de cobertura vegetal com índices de qualidade de vida em cidades médias na China. Bayad et al. (2020) utilizaram séries temporais de sensoriamento remoto para estudar cenários de déficit hídrico em regiões de pastagens na Nova Zelândia. Arabi et al. (2018) aplicaram séries temporais de imagens de sensoriamento remoto na caracterização físico-químicas das águas do Mar de Wadden na Holanda. No Brasil, Pinto (1996) utilizou técnicas de sensoriamento remoto, geoprocessamento e modelagem ambiental para estudar processos erosivos. Chistofolletti (1999, p. 231) considera que a organização espacial dos sistemas ambientais, representa uma visão abrangente da natureza, segundo uma perspectiva geográfica. Neste sentido, considerando a perspectiva de análise da Geografia Física, os sistemas ambientais de uso e cobertura da terra, podem ser pesquisados a partir de uma abordagem integradora de suas correlações com os elementos do meio físico, representados pelos alvos de sensoriamento remoto (vegetação, solos, rochas, água, atmosfera) registrados nas séries temporais. Os dados registros nas séries temporais de sensoriamento são estudados com o auxílio de ferramentas de geoprocessamento que permitem a manipulação e interpretação de dados necessários para o mapeamento do uso e cobertura da terra. Tais procedimentos metodológicos se apoiam no conceito de inteligência geográfica, que está relacionado com as aplicações das tecnologias locacionais na resolução de problemas diários (LONGLEY et el., 2012). Neste sentido, a inteligência geográfica, através de seu conjunto conceitual, fornece as ferramentas e métodos necessários para auxiliar na resolução de problemas decorrentes do mal uso dos recursos naturais. Para este afim, utiliza-se os produtos cartográficos, obtidos através de imagens de sistemas orbitais e séries temporais que permitem a gestão eficiente do uso e cobertura da terra. Neste sentido, considerando os argumentos exposto concernentes à ciência da informação geográfica, esta pesquisa teve por objetivo o desenvolvimento e aplicação de proposta metodológica para o mapeamento do uso e da cobertura e da terra com ênfase no uso agrícola, sendo desenvolvida com o auxílio de tecnologias de geoprocessamento em nuvem, arquitetadas na 18 plataforma computacional Google Earth Engine (GEE). O mapeamento de uso e cobertura da terra foi realizado através de técnicas de geoprocessamento voltadas à classificação de produtos de sensoriamento remoto obtidos pelo satélite de recurso terrestre LANDSAT 8 (Land Resources Satellite), que carrega a bordo os sensores OLI (Operational Land Imager) e TIIRS (Thermal Ingra Red Sensor); e pelo satélite de recursos terrestres SENTINEL-2, que opera o sensor MSI (Multispectral Instrument). Os dados obtidos a partir da série histórica de 2020 foram processadas por algoritmos de classificação supervisionada pixel a pixel, e de classificação não supervisionada orientada a objeto, presentes como funções de análise de dados no ambiente de programação do Google Earth Engine. Essas tecnologias direcionas pelos procedimentos metodológicos adotados por essa pesquisa podem fornecer soluções para minimizar os impactos causados pelas atividades relacionadas com o uso da terra, servindo como material didático direcionado ao ensino em nível de graduação. 19 2. OBJETIVOS E PREMISSAS DA PESQUISA O objetivo desta pesquisa consiste em avaliar o uso e cobertura da terra registradas em séries temporais de imagens de sensoriamento remoto, buscando identificar as áreas de uso e cobertura agrícola, com o auxílio de Sistemas de Informações Geográfica (SIG’s). O estudo do uso e cobertura da terra se pautara na programação e execução de algoritmos de classificação de imagens, estruturados na arquitetura computacional dos servidores do Google. As análises das imagens de sensoriamento remoto foram feitas a partir de procedimento metodológico que explora a plataforma de geoprocessamento na nuvem Google Earth Engine que permite aplicar os algoritmos de classificação na estrutura matricial das imagens do sensor Object Land Imager (OLI), a bordo do satélite de recursos terrestres LANDSAT 8; e do sensor Multispectral Instrument (MSI), a bordo do satélite de recursos terrestres SENTINEL-2. As premissas de uma pesquisa são ocasiões, eventos ou circunstâncias que balizam o desenvolvimento de um estudo e direcionam seus possíveis resultados. Tomando esta ideia como base, esta pesquisa partiu das seguintes premissas: a) O perfil temporal da distribuição dos valores de índices espectrais registrados em imagens multiespectrais de sensores orbitais, expressam a curva de variação de um alvo ao longo do tempo e no espaço; b) A dinâmica temporal de reflectância dos alvos variam sazonalmente, podendo se estabelecer padrões em função da época do ano e tempo de duração de incidência de radiação solar, que influencia nas características da cobertura da terra, principalmente no que diz respeito à cobertura vegetal. Assim, assume-se como premissa de pesquisa que as curvas espectrais, obtidas a partir de séries temporais de dados de sensoriamento remoto, constituem um critério para discriminação e identificação de diferentes alvos terrestres, sendo estabelecidas as classes de uso que classificaram os alvos em função da variação de suas características espectrais. Alvos como solo e vegetação possuem assinaturas espectrais muito distintas, sendo desta forma classificadas sem dificuldades. Alvos dentro de uma mesma macro classe, como diferentes tipos de vegetação, possuem assinaturas espectrais muito semelhantes, sendo necessário utilizar critérios que levam em consideração a variação temporal nos níveis de reflectância de determinada espécie vegetal. Neste 20 sentindo, espera-se que mesmo os alvos agrícolas que apresentam similaridade espectral em suas respostas nas imagens, (colo solo exposto e áreas urbanas), podam ser particularizados ao incorporar atributos temporais como critério de decisão para distinção. Tendo em vista as premissas acima indicadas, os objetivos gerais desta pesquisa foram: a) Caracterizar o uso e cobertura da terra na região centro-leste do Estado de São Paulo através de séries temporais de imagens orbitais de média resolução espacial, feitas a partir dos sensores OLI e MSI; b) Utilizar os algoritmos de classificação de imagens do sistema de geoprocessamento em nuvem GEE para classificar os alvos terrestres presentes nas respectivas séries temporais, tendo como resultados mapas mensais de uso e cobertura da terra; c) Explorar as etapas descritas nos procedimentos metodológicos como recurso didático de apoio a rotinas de geoprocessamento. Os objetivos específicos desta pesquisa foram: a) Utilizar métodos de classificação pixel a pixel e orientado a objeto, a partir da arquitetura do tipo árvore de decisão como abordagem para combinação de dados de sensoriamento remoto e padrões temporais de variação espectral; b) Avaliar o desempenho dos classificadores com base nos resultados dos testes de validação do processo de classificação das imagens de sensoriamento remoto. 21 3. REVISÃO BIBLIOGRÁFICA Partindo do objetivo principal desta pesquisa de caracterizar o uso e cobertura da terra a partir de técnicas de sensoriamento e geoprocessamento aplicados à análise geográfica, até os objetivos específicos de avalição dos métodos de mapeamento, utiliza-se uma série de métodos provenientes do conhecimento acumulado ao longo do desenvolvimento do Sensoriamento Remoto e do Geoprocessamento como áreas do conhecimento que fornecem suporte para o desenvolvimento de várias ciências, dentre elas a Geografia. Ao longo de seu desenvolvimento como ciência, temos que o tema central da geografia é o entendimento de uma determinada porção do espaço em um intervalo de tempo onde ocorrem as interações entre os fenômenos ambientais, representados pelos geossistemas ou sistemas ambientais; e sociais, representado pela reprodução das relações humanas no que se refere aos aspectos socioeconômicos e culturais (ROSS, 2019, p. 16). Essa interação espaço-temporal dos fenômenos sociais e ambientais, nos dias atuais, é moldada pela componente da informação, que surge como uma categoria capaz de produzir efeitos sobre o contexto espaço-temporal ao qual as sociedades estão sujeitas. A natureza do conceito de informação como componente da produção espaço-temporal diz respeito ao conhecimento (e também propriedade do conhecimento) de toda sorte de fatos, eventos, acontecimentos, em razão dos quais as dinâmicas espaço-temporais podem ser modificadas no que diz respeito ao seu contexto socioambiental. A título de exemplo, temos que as informações sobre as reservas de ouro e prata nas Américas, exploradas durante os séculos XV e XVI exerceram uma grande influência sobre as esferas social, econômica e ambiental sobre o plano espaço-temporal da época. A dinâmica deste contexto social, econômico e ambiental e seus desdobramentos no tempo e no espaço, eram em grande parte influenciados pela fluidez e velocidade com que a informação era transmitida. Este padrão permanece nos dias atuais e possui um peso muito mais relevante. Nos dias atuais, considera-se que o avanço tecnológico das redes de transmissão, armazenamento de modelagem de dados, a informação é gerada, transmitida e assimilada quase que de maneira instantânea, fazendo com que as dimensões espaciais e temporais adquiram grande fluidez e lancem novos desafios para o entendimento da construção do espaço (SANTOS. 2013, p. 29). Tendo em vista o avanço da tecnologia da informação e a forma como essas tecnologias 22 locacionais influenciam na construção do espaço geográfico, Longley et al. (2013, p. 18) situam a ciência da informação geográfica como um conceito chave para o entendimento das dinâmicas espaço-temporais influenciadas pela fluidez e volume de informações geradas diariamente. Neste contexto, de acordo com Longley et al. (2013, p. 15), a ciência da informação geográfica, fornece as ferramentas para o entendimento da dinâmica espaço temporal moldada pelo contexto da hiper conectividade e transmissão de dados quase que instantaneamente. Desta forma, a ciência da informação geográfica aplicada ao monitoramento das atividades de uso e cobertura da terra, possui capacidade de proporcionar economia de recursos e sustentabilidade. Os produtos de sensoriamento remoto, através de suas séries temporais de imagens multiespectrais, carregam consigo valiosas informações sobre a dinâmica de uso e cobertura da terra. Aliado a técnicas computacionais que permitem o processamento de grandes quantidades de dados espaciais, é possível a obtenção de uma visão sinóptica do contexto espaço-temporal de qualquer ponto da superfície terrestre onde haja o desenvolvimento de qualquer atividade de caráter humano que, em um contexto mais amplo, terá desdobramentos sociais, econômicos e ambientais sobre o espaço. Neste sentido, as técnicas de mapeamento de uso e cobertura da terra contribuem para o entendimento de parte da dinâmica de interação das esferas social, ambiental e econômica. uma vez que o conhecer a localização precisa das culturas agrícolas podem fornecer informações de caráter estratégico para segurança alimentar, previsão de safras, otimização da alocação de insumos, podendo colaborar para o entendimento da organização do espaço no meio rural. Deste modo, os mapas e produtos cartográficos podem apresentar-se como uma ferramenta de síntese, que retrata o uso e cobertura da terra ao longo do tempo num determinado espaço, representando graficamente padrões de uso e cobertura da terra e as mudanças socioambientais decorrentes de cada padrão. Em se tratando do mapeamento das áreas agrícolas, fundamental para o entendimento da dinâmica espacial rural, o desenvolvimento de ferramentas automáticas de mapeamento, baseadas em técnicas de geoprocessamento e sensoriamento remoto, pode conduzir a uma eficaz gestão do espaço agrícola, devido acurácia e precisão geográfica. Neste aspecto, Wang et al. (2019, p. 303) relatam que várias agências governamentais e grupos de pesquisa de universidades, vêm empreendendo esforços no sentido de elaborar mapeamentos precisos das diversas culturas agrícolas cultivadas sobre a superfície terrestre. Estes produtos cartográficos, gerados a partir do mapeamento espaço temporal das culturas agrícolas, são importantes para tratar de assuntos relevantes e de interesse de vários atores sociais que se interessam por questões 23 relacionadas com segurança alimentar através da previsão de safras, com o monitoramento agrícola, no que diz respeito à gestão da lavoura e no aspecto de como as mudanças climáticas impactam a agricultura, o manejo de recursos hídricos, modelagem de uso da terra, e a modelagem de sistemas ambientais. 3.1 Uso e cobertura da terra e mudanças ambientais Em se tratando de estudos relacionados com o uso e cobertura da terra, torna-se conveniente uma entre os conceitos “uso da terra” e “cobertura da terra”. Conforme Meyer e Turner (1996, p. 237), o termo cobertura da terra possui relação com as propriedades naturais do planeta, situadas no campo dos processos biológicos, químicos e físicos que promovem ao funcionamento dos ecossistemas. Essas são áreas ocupadas por água, neve, rochas e florestas naturais. Quando tratamos do termo “uso da terra”, adicionamos a componente da ação humana sobre este sistema, uma vez que o “uso” pressupõe que o ser humano se utiliza da apropriação de um recurso natural para um determinado fim. Neste sentido, a partir de determinados usos da terra, pode-se obter uma noção sobre o grau de alteração de determinado ecossistema. Ao longo de sua história e evolução, a humanidade desenvolveu métodos de organização e cooperação social que lhe garantiram a sobrevivência e prosperidade sobre o planeta Terra. Estas formas de se organizar socialmente são um dos principais fatores condicionantes do desenvolvimento cultural e tecnológico da humanidade. Esta capacidade de se organizar e colaborar socialmente se torna ainda mais evidente quando observadas sobre o aspecto das relações entre o homem e a natureza, uma vez que é proveniente desta relação todos os subsídios necessários para manutenção da vida humana, seja ela considerada sobre aspectos naturais-biológicos, ou segundo os aspectos construídos socialmente, inerentes às características culturais dos grupos humanos. Em se tratando dos processos naturais necessários para manutenção da vida na Terra, têm- se os ciclos biogeoquímicos que são responsáveis pela ciclagem e renovação dos principais elementos dos sistemas Terra, garantindo o equilíbrio dos ecossistemas. Como exemplo, temos os ciclos do CO2, N, P e K; e no mesmo contexto, o ciclo das rochas que se situa na base dos processos de formação de minerais de aproveitamento econômico e na formação do solo; o ciclo da água, fundamental para manutenção dos ecossistemas terrestres. Quando nos referimos à manutenção dos padrões socialmente construídos, remete-se à ideia do modelo de exploração e transformação 24 dos recursos naturais, convertendo-os em energia e bens de consumo, fato este no cerne de toda uma cadeia que envolve economia e padrões de consumo e, por conseguinte, diversos desdobramentos nos contextos políticos, históricos e culturais em uma sociedade. A relação entre o homem e a natureza constitui a base dos modelos socioeconômicos em um amplo contexto global que é pautado na exploração de tais recursos para atender as demandas alimentares, energéticas e de consumo das sociedades. Este contexto socioambiental vem demonstrando sinais de capacidade de alterar o funcionamento natural dos geossistemas em seus fluxos de matéria e energia colocando em risco a resiliência dos sistemas terrestres. Este quadro tem fomentando o debate no eixo das mudanças ambientais, dentre essas o aquecimento global, elevação do nível dos oceanos, secas e perda do solo devido a processos erosivos (ZALASIEWICZ et al. 2017, p. 197). A exploração dos recursos naturais como solo, água, minerais, entre outros recursos de aproveitamento econômico e energético, exercem influência sobre a forma como as sociedades ocupam a superfície terrestre e a agricultura possui um papel relevante no contexto do uso e cobertura da superfície terrestre, uma vez que a atividade agrícola se estabelece na base do fornecimento de fibras, proteínas, grãos entre outros produtos que garantem segurança alimentar e fornecimento de matérias primas. O uso do espaço pela atividade agrícola é de grande interesse da geografia como demonstram os trabalhos de Caldarelli e Gilio (2018) que estudaram os efeitos da expansão da agroindústria da cana-de-açúcar e os seus efeitos sobre o uso da terra no Estado de São Paulo no período entre os anos de 2000 e 2015; Tramberand et al. (2019), propuseram procedimento metodológico que permitiu correlacionar o uso da terra pela agricultura e perspectivas de consumo em escala global, servindo como base para o planejamento de ações pertinentes a segurança alimentar, estoque e preços de comodities agrícolas; Adami et al. (2012), através de séries temporais de imagens de sensoriamento remoto analisaram mudanças nos padrões de uso da terra devido à expansão da cana de açúcar em todo território brasileiro, permitindo correlações entre a área plantada, produtividade e lucro gerado; Lathuillière et al. (2017), analisaram os impactos causados pela expansão da cultura de soja na região sul do bioma amazônico, fato que está no centro dos debates sobre o papel do bioma amazônico na regulagem do clima em escala global; e, Silva Junior et al. (2018), utilizaram técnicas avançadas de geoprocessamento e sensores hiperespectrais não imageadores para fazer distinção entre quatro variedades de soja cultivadas no Mato Grosso do Sul, permitindo fazer estimativas sobre a adaptabilidade de cada espécie de soja a 25 condições inerentes ao ambiente. As evidências apresentadas nos trabalhos conduzem a reflexões sobre o uso da terra e os impactos sobre os geossistemas. De acordo com Ellis et al. (2017, p. 192), as atividades humanas vêm alterando o planeta a partir do Holoceno onde, nos últimos dez mil anos, observam-se evidências de extinções em massa, mudanças globais na distribuição de elementos da fauna e da flora, aceleração das taxas erosivas e liberação de gases do efeito estufa, decorrentes da queima de combustíveis fosseis, da retirada da cobertura vegetal, e através da produção de materiais como cerâmica e concreto, quando após seu descarte se tornam poluentes e alteram o ambiente. No entanto, os efeitos de atividades das primeiras civilizações se davam somente em escalas locais, de forma que o sistema Terra não era afetado em escala global. Este cenário começa a se alterar na medida em que o conhecimento humano e as ciências avançavam, permitindo assim a criação de tecnologias e técnicas que, em seus devidos contextos históricos, pavimentaram o caminho do desenvolvimento das sociedades humanas (SANTOS, 2013, p. 57). Este contexto gerou o atual quadro de mudanças ambientais, objeto de discussão em vários segmentos governamentais e mundiais dentre eles o IPCC, RIO +20, entre outros. A este respeito, Zalasiewicz et al. (2017, p.198) observam que a partir da segunda metade do século XX, as atividades humanas deflagraram processos de alterações no meio ambiente em uma magnitude capaz de alterar a paisagem terrestre e os ciclos biogeoquímicos em nível global a uma taxa jamais registrada na escala de tempo geológico. Nesse sentido, a capacidade humana de alterar o meio ambiente vem sustentando debates acadêmicos sobre a proposição de uma nova unidade na tabela cronoestratigráfica denominada Antropoceno, que corresponde a um período de rápidas mudanças na geologia e nos ecossistemas em escala global, decorrentes de diversas formas de ação humana. Evidências das alterações ambientais observadas nos sistemas terrestres são descritas por Waters et al. (2016, p. 139), que elencam uma vasta gama de estudos que sustentam que as ações e atividades humanas possuem a capacidade de alterar os geossistemas. Dentre essas evidências, os autores destacam a existência dos depósitos antropogênicos, decorrentes da disseminação do uso e acúmulo de materiais utilizados em grande escala pela construção civil e diversos segmentos da indústria, constando como principais materiais o alumínio, concreto e plástico. As alterações observadas nos ecossistemas estão relacionadas com uma complexa cadeia de fatores e agentes socioambientais, dentre eles o uso e a cobertura da terra, ou seja, é resultado 26 da finalidade pela qual o território é utilizado e ocupado pelas sociedades. Essas formas de cobertura da terra envolvem diversos fins como instalação de infra estruturas urbanas, áreas de cultivo agrícola, silvicultura, pastagens, mineração, infra estrutura industrial, reservatórios de usinas hidrelétricas, dentre outras formas de uso de grandes porções da superfície terrestre. Waters et al. (2016, p. 140), relatam sobre a existência de depósitos antropogênicos contendo novos minerais e tipos de rochas, resultante da intensificação do uso de materiais como alumínio, concretos e plásticos, cujo acúmulo em aterros sanitários ou áreas sem controle, caracterizam a existência e evolução de técnofósseis. Dentre as alterações ambientais decorrentes do uso da terra, Zalaciewicz et al. (2014, p. 48) evidenciam o aumento de fluxos de sedimentos denominados de origem antropogênica, que são decorrentes da intensificação das taxas erosivas causadas principalmente pela instalação de infraestrutura urbana e atividades agropecuárias. Também, são observados por meio de várias pesquisas, alterações nos ciclos de nitrogênio, fósforo e potássio em decorrência das atividades de caráter agropastoril, bem como alterações no ciclo de carbono em função da poluição atmosférica (STEFFEN et al., 2007 e 2015; CANFEILD et al., 2010; CARPENTER e BENNETT, 2011). Zalaciewicz et al. (2015, p. 198) relatam a o aumento de radionuclídeos e metais pesados na atmosfera como consequência de testes de detonação de armas nucleares, ocorridos entre os anos de 1950 e 1970 e da queima de combustíveis fósseis; Geherel et al. (2013, p. 219) e Kemp et al. (2015, p. 225) relatam alterações do nível dos mares em decorrência do derretimento do gelo polar, bem como o aumento das temperaturas médias globais. Tais eventos vêm alterando os balanços de energia do sistema Terra, alterando as dimensões espaciais e temporais dos eventos geológicos a uma taxa diferente daquela observada em épocas anteriores ao Holoceno (WATERS et al. 2016, p. 135). Considerando o contexto das mudanças ambientais desencadeadas pela ação antrópica, podemos afirmas que o uso e cobertura da terra é uma categoria de fundamental importância para o entendimento do quadro das mudanças ambientais em escala global sugerido pela proposição do termo Antropoceno como uma nova época na escala cronoestratigráfica (ZALASIEWICZ et al. 2015, p. 197). Neste sentido, a forma com a qual as sociedades se apropriam e utilizam a faixa emersa e habitável da Terra consiste em um dos principais temas a serem discutidos no contexto das mudanças ambientais que sustentam indícios sobre a capacidade das ações humanas alterarem os ecossistemas terrestres. Hooke et al. (2012, p. 5), através de uma revisão bibliográfica e estatística de dados relacionados à cobertura da terra, estimam que mais de 50% da superfície 27 terrestre já sofreu algum tipo de modificação em função da crescente demanda por recursos naturais e pressões demográficas. Em termos de área, a porção da superfície terrestre ocupada por áreas de pastagem, cultivo agrícola e silvicultura corresponde a 60,6 milhões de Km2, o que corresponde a 46,6% da superfície terrestre, enquanto as áreas ocupadas por todos os tipos de infraestruturas urbanas recobrem uma área de 9 milhões de Km2, que corresponde a 6,9% da superfície terrestre (Hooke et al. 2012, p. 8). Desta forma, verifica-se que as únicas áreas que não sofreram algum tipo de impacto direto, são aquelas consideradas inóspitas, como cinturões orogênicos, os desertos e as regiões polares. De acordo Giri (2012, p. 71), a compreensão das dinâmicas de uso e cobertura da terra é crucial para o entendimento dos sistemas terrestres, no que diz respeito às suas dinâmicas e características, dentre elas a produtividade da terra, diversidades paisagísticas, fauna, flora, e os ciclos hidrológicos e biogeoquímicos. Segundo a autora, os usos e coberturas da terra também desempenham um papel crucial na regulagem da temperatura do planeta, uma vez que nos últimos 150 anos, foram responsáveis pela liberação de grandes quantidades de carbono para atmosfera, correspondendo a cerca de 20% do total de emissões de gases do efeito estufa que tem como origem as atividades antrópicas. Embora o uso e cobertura da terra tenham um peso relevante no contexto da liberação de gases do efeito estufa, a principal fonte de emissão continua sendo àquela proveniente da queima de combustíveis fosseis. 3.2 Uso e cobertura da terra e sua relação com as atividades agrícolas Em se tratando do uso da terra, as culturas agrícolas ocupam uma parcela significativa da superfície terrestre e tem ganhado atenção especial dos trabalhos de monitoramento dessa atividade econômica. As escalas de mapeamento de culturas agrícolas variam desde a escala global, até os níveis regionais e locais de mapeamentos, uma vez que a evolução dos sistemas de sensoriamento remoto refletiu na produção de imagens com melhor resolução espacial, e espectral, permitindo discriminar e mapear, em escala de detalhes, as culturas agrícolas. Soma-se a este fato o aumento da resolução temporal através da operação de constelações de satélites como o sistema SENTINEL- 2 da Agência Espacial Europeia (ESA). O refinamento da resolução temporal, juntamente com avanços nos sistemas de classificação de uso da terra, tem gerado bons resultados nos trabalhos de mapeamento de culturas agrícolas em escalas global, regional e local. Mapeamentos de áreas agrícolas em escala global compreendem produtos cartográficos 28 gerados em pequena escala, que abrangem amplas faixas da superfície terrestre e são produzidos a partir de dados de sensores com resolução espacial entre 250 e 1000 metros. O sensor MODIS (Moderate Resolution Imaging Spectroradiometer), operado a partir dos satélites TERRA e AQUA, é um exemplo de sistema senhor de baixa resolução espacial, cujo as aplicações são utilizadas para mapear amplas faixas da superfície terrestre. Apesar da baixa resolução espacial, que limita a capacidade do sistema sensor em registrar formar e geometrias de objetos e fenômenos, o sensor MODIS possui uma grande resolução espectral, que fornece uma grande variedade de dados dispostos em 36 bandas espectrais, permitindo obter significativas informações sobre a dinâmica de funcionamento dos sistemas terrestres. Em se tratando do monitoramento de culturas agrícolas, Chen et al. (2018) utilizaram dados das bandas espectrais do sensor MODIS para elaborar séries históricas de índices de vegetação NDVI (Normalized Difference Vegetation Index), que permitiram a identificação dos padrões fenológicos das culturas de soja, algodão e milho cultivados no Estado do Mato Grosso, na região Centro Oeste do Brasil, de forma que o método foi eficaz na identificação das respectivas culturas, bem como na projeção de estimativas sobre a área cultivada e a produtividade local. Além de dados diretos produzidos a partir dos sensores orbitais, dados de censos e estatísticas oficiais de Instituições governamentais contribuem para o refinamento das técnicas de mapeamento de culturas agrícolas. Monfreda et al. (2008) utilizaram técnicas de sensoriamento remoto, geoprocessamento e estatísticas oficiais de agências governamentais para produzir dados cartográficos de escala global, onde foi modelada a distribuição espacial de 175 culturas agrícolas em 206 países. Os dados mostram a predominância das culturas milho, arroz, trigo e soja distribuídos ao longo das latitudes intertropicais. Wu et al. (2015) aplicaram abordagem de análise de dados a partir de múltiplos sensores para realização de mapeamento de cultivos agrícolas em quatro níveis hierárquicos: global, regional, nacional. Os resultados incluíram trinta e um países que juntos correspondem por 80% da produção e exportação de milho, arroz, soja e trigo, servindo de suporte para o planejamento das atividades de produção, comércio e consumo das culturas agrícolas mapeadas. Além de buscar distinguir entre os tipos de culturas cultivadas no espaço agrícola, a abordagem de Xiong et al. (2017), contribuiu para o entendimento da distribuição das culturas agrícolas em meio a heterogeneidade paisagística do continente africano. Através de ferramentas de automação processadas no Google Earth Engine, os autores utilizaram dados do sensor MODIS, 29 amostras de treinamento de alta resolução espacial, estatísticas oficiais e dados de campo e séries temporais do Índice de Vegetação por Diferença Normalizada (NDVI) com resolução espacial de 250 metros. A partir desses dados, foram produzidos mapas de extensão das terras cultivadas, áreas irrigadas e de sequeiro, dominância de culturas entre outros atributos que contribuíram para a construção de entendimento das dinâmicas agrícolas no território africano, tarefa essa que persiste até os dias atuais e vem se tornando cada vez mais precisa em função dos resultados de pesquisas que lançam mão de novas tecnologias e abordagens metodológicas que geram produtos com elevada precisão e qualidade. De acordo com Wu et al. (2019), mapeamentos de culturas agrícolas em média escala são aqueles que tomam por base imagens dos sistemas orbitais MODIS, LANDSAT e SENTINEL-2, podendo ser incluído neste grupo os sistemas CBERS (Satélite Cino Brasileiro de Recursos Terrestres) e HysIS (Indian Hyperspectral Imaging Satellite). Em áreas onde predominam grandes campos de cultivo com culturas individuais, como a cana-de-açúcar no Estado de São Paulo e a soja nos Estados do Mato Grosso e Mato Grosso do Sul, os produtos cartográficos de média resolução permitem o estudo e categorização das culturas agrícolas. Exemplos de mapas de culturas agrícolas gerados a partir de sistemas de média resolução espacial são apresentados na pesquisa de Cai et al. (2018) que elaboraram um sistema de classificação para as culturas de milho e soja na região do Corn Belt norte americano a partir de séries temporais de dados do sensor OLI. Os autores concluíram que os melhores dados para classificar milho e soja são aqueles obtidos a partir das bandas do infravermelho de ondas curtas (SWIR), de forma que a metodologia utilizada obteve uma acurácia de 95% quando comparada com dados oficiais do Departamento de Agricultura dos Estados Unidos (USDA). No Brasil, Silva Júnior et al., (2014) utilizaram dados do sensor MODIS para elaborar o índice de vegetação realçado (EVI) a partir de doze cenas compreendendo a safra e a entressafra na região sul do Estado do Maranhão, os autores utilizaram o método de classificação orientada a objeto através dos algoritmos “classification” e “merge region”. Os resultados obtidos indicam que a metodologia proposta se mostrou eficiente para mapeamento da soja, com índice Kappa de 0,89. Mapeamentos de culturas agrícolas realizados a partir de imagens com alta resolução espacial menor que dois metros são escassos na literatura, devido ao alto custo de aquisição dessas séries temporais e da alta capacidade computacional necessária para processar esses dados. Como exemplos de mapeamentos que utilizam séries temporais de alta resolução espacial, temos a 30 pesquisa de McCarty et al. (2017), que utilizaram a plataforma de processamento de dados “Advanced Data Analytics Plataform” da NASA (National Aeronautics and Space Administration) para mapear pequenas propriedades agrícolas na região de Tigray na Ethiópia. Os dados resultantes do processo de segmentação das imagens WorldView-1 e WorldView-2, com 1,84 metros de resolução espacial, foram combinadas com dados do LANDSAT 8 para obtenção de dados dos estágios fenológicos da vegetação registrada no interior das pequenas propriedades agrícola. Através dos mapas gerados, foi possível estimar que 46% da região de Tigray é ocupada por cultivos agrícolas. Yang et al., (2007) utilizaram dados de 2,8 metros de resolução especial, coletados pelo sistema QuickBird, para identificação de culturas e estimativas de áreas de cultivo no sul do Estado do Texas nos Estados Unidos da América. A metodologia utilizada pelos autores foi eficaz para identificar as culturas de sorgo, algodão, citrus e cana-de-açúcar. Os autores ainda identificaram cinco classes de uso e cobertura da terra na área de estudo: corpos d’água, áreas úmidas, espécies herbáceas mistas, arbustos mistos e solo exposto. No Brasil, a maioria das formas de monitoramento de culturas agrícolas são realizadas através de questionários e trabalhos de campo feito pelas Secretarias de Agricultura e Abastecimento dos municípios e pelo Censo Agrícola do IBGE (Instituto Brasileiro de Geografia e Estatística), publicados em períodos de tempo diversos, fato que gera um grande lapso de tempo entre a data da coleta da informação e sua respectiva publicação. Neste sentido, considerando a importância da atividade agrícola no âmbito do desenvolvimento sócio ambiental, de forma a conciliar desenvolvimento econômico, produtividade e sustentabilidade ambiental, esta pesquisa teve como o objetivo a proposição de proposta metodológica a partir da classificação supervisionada dos produtos de reflectância de superfície dos sistemas LANDSAT 8 e SENTINEL- 2, aliadas com sistemas de árvores de decisão e aprendizado de máquina, para obter mapeamentos automáticos em nível de semi-detalhe (1:50000) das culturas agrícolas cultivadas na região centro leste do Estado de São Paulo. As séries temporais foram processadas através do sistema de computação na nuvem de alto desempenho, disponibilizado através da plataforma Google Earth Engine. A utilização de imagens de sensores de média resolução espacial foi popularizada pelas plataformas abertas de dados espaciais, dentre elas o portal “Earth Explorer” de responsabilidade do USGS (United States Geological Survey – Serviço Geológico dos Estados Unidas da América), que disponibiliza, quase que em tempo real, todas as imagens coletadas pela série de satélites das 31 missões LANDSAT, entre outros dados espaciais que recobrem principalmente o território dos EUA. O portal “Schi-Hub”, de responsabilidade da ESA (Europan Space Agengy – Agência Espacial Europeia), distribui dados coletados pelas missões SENTINEL. No Brasil, o INPE (Instituto Nacional de Pesquisas Espaciais) disponibiliza o Catalogo de Imagens do portal DGI- INPE (Divisão de Geração de Imagens – Instituto Nacional de Pesquisas Espaciais), que fornece os produtos das missões CBERS, bem como produtos do sensor MODIS dos satélites AQUA e TERRA, operados pela agência NOOA (National Oceanic and Atmospheric Administration); o sistema S-NPP (Suomi National Polar-orbiting Partnership); produtos de todas os satélites da série LANDSAT; e dados dos satélites RESOURCESAT-1 e 2, pertencentes ao Programa Indiano de Observação da Terra IRS (Indian Remote Sensing Satellite). Dentre todos os programas das agências espaciais voltados para a pesquisa dos recursos terrestres, o de maior tempo de operação e que apresenta as séries temporais mais longas, são os produtos das missões LANDSAT. De acordo com Woulber et al. (2016, p.218), através do programa “LANDSAT Global Archive Consolidation” de iniciativa do USGS, todas as cenas das missões LANDSAT foram reunidos em uma plataforma universalmente acessível que é constituída pelo sistema EROS (Earth Resources Observation and Science). Segundo o autor até o dia 1 de janeiro de 2015, existiam 5.323.454 cenas das missões LANDSAT armazenados nos servidores do USGS. Hoje estima-se que este número tenha duplicado dada a capacidade de processamento e armazenamento de dados do USGS. As séries temporais de imagens das missões LANDSAT abrangem toda superfície terrestre de forma que o maior número de cenas disponíveis é da América do Norte, conforme demonstrado na figura 2. 32 Figura 2: Distribuição espacial de imagens LANSAT arquivadas no USGS até jan/2015 FONTE: Adaptado de Woulber et a., (2016). Tais iniciativas têm promovido a universalização do uso de dados espaciais e, consequentemente, no aumento das pesquisas que utilizam dados de sensoriamento remoto, conforme demonstrado nas pesquisas citadas anteriormente. 3.3 Geotecnologias aplicadas ao ensino e análise geográfica O Sensoriamento Remoto e o Geoprocessamento aplicados ao ensino e a análise geográfica, fazem parte de um conjunto de disciplinas que, de acordo com Fitz (2005, p. 36) situam-se no campo das geotecnologias ligadas às geociências e, devido ao avanço das tecnológicas de pesquisa, passam por constantes quebras de paradigmas e impulsionam a evolução de uma ciência, conforme descrito Khun (1997, p. 94). Fitz (2005, p. 37) descreve uma linha do tempo destacando a evolução e inserção das ferramentas de análise espacial à disposição o ensino, conforma a tabela a seguir: 33 Tabela 1 - Evolução das ferramentas de análise espacial. Época Avanço tecnológico 3.800 a. C, Utilização de Coordenadas Esféricas Séc. III a. C. Representação Plana Séc. II Uso de Projeções cartográficas Séc. XVII Noção de Geóide Séc. XVIII Utilização de Isolinhas 1920 Surgimento da aerofotogrametria 1960 Surgimento da cartografia digital e dos SIGs 1963 1° SIG - Canadian Geographic Informations System (CGIS) 1969 Fundação da ESRI – Environmental Systems Research Institute 1972 Missão LANDSAT 1979 Sistemas GNSS (Global Navegation Satellite System) 1981 Surgimento da Internet 1997 Sensor Tematic Mapper – LANDSAT 7 1999 1° Sistemas com 1 metro de resolução espacial: IKNOS 2001 Google Earth 2005 Google Maps 2007 Google Street View 2015 Sensor WorldView-3 (30 com resolução espacial) FONTE: FITZ, 2005. Neste contexto, partir dos anos 2000 houve uma popularização do uso de SIG’s com a inserção SIG’s (Sistemas de Informação Geográfica) de uso aberto, dentre eles o SPRING, disponibilizado pelo Departamento de Processamento de Imagens (DGI/INPE), e os SIGs de uso comercial, dentre eles o ArcGis, fornecido pela ESRI (Environmental Systems Research Institute). 34 A partir dos anos 2010 observamos o fortalecimento das comunidades de usuários e desenvolvedores de plataformas abertas para o processamento de dados geoespaciais, onde se destaca o SIG QGis. A partir de 2017 ocorre a expansão das capacidades de processamento de dados aliada com a universalização do acesso a dados geoespaciais, fornecidos pela plataforma Google Earth Engine. Dadas às capacidades de análise fornecida pela ferramenta, concordamos com Golerick et al. (2017, p. 17) quando destaca que a inclusão do Google Earth Engine representa uma grande evolução no acesso e processamento de dados espaciais pois é uma plataforma capaz de atender não somente o público especializado das geociências, mas também o público não especializado nas aplicações cientificas. Além das contribuições recentes do GEE, o campo do conhecimento que mais contribuiu para o fortalecimento das geotecnologias foi o Sensoriamento Remoto, através das missões de observação da Terra. De acordo com Fussel et al. (1986, p. 1507), o termo “Sensoriamento Remoto” está relacionado com a aquisição de informações de um determinado alvo de maneira indireta, sem que ocorra contato físico com o mesmo, de forma que a obtenção das informações se dá através da quantificação dos fluxos da radiação eletromagnética refletida ou emitida pelos alvos. Neste sentido, Fussel et al. (1986, p. 1508) consideram que o termo Sensoriamento Remoto transita entre três campos de agrupamento que se sobrepõe: como uma ciência ou arte, uma ferramenta ou técnica, uma atividade ou função. Considerando seu aspecto cientifico, o Sensoriamento Remoto usa sensores para medir e registar à distância a radiação eletromagnética refletida ou emitida pelos alvos na natureza. Posteriormente, implementa-se o uso de algoritmos computacionais baseados em matemática e estatística para manipular e extrair informação útil para algum fim. Visto pelo ângulo da arte, de acordo com Jessen (2012, p. 274), o termo Sensoriamento Remoto, se refere à experiência que intérprete adquire ao longo de sua experiência de vida, fato que lhe fornece elementos que sustentam a aplicação do seu conhecimento à interpretação dos elementos paisagísticos registrados em uma fotografia aérea ou em uma imagem digital. O segundo agrupamento discute a consolidação do campo do Sensoriamento Remoto como uma ferramenta ou técnica. Sua utilização está voltada para a solução de problemas ou para o estudo de um fenômeno natural ou humano. Citam-se como exemplos as aplicações dos sistemas AQUA e TERRA operados pela NASA, e o sistema geoestacionário GOES (Geoestacionary Operational Environmental Satellite), operado pela NOAA (National Oceanic and Atmospheric Administration). Estes sistemas são aplicados ao monitoramento das condições atmosféricas, 35 oceânicas e terrestres, de forma que seus dados são aplicados na previsão do tempo, modelagem de mudanças climáticas e no monitoramento de desastres naturais. O terceiro agrupamento o tem em vista como atividade ou função no âmbito da prática por profissionais e pesquisadores da área. De acordo com este espectro de análise, o Sensoriamento Remoto e os Sistemas de Informação Geográfica se apresentam como principal instrumental metodológico, bem como ferramenta de síntese para compreensão das múltiplas configurações da superfície terrestre que são influenciadas pela ação humana. O desenvolvimento de uma área do conhecimento surge a partir da necessidade de se encontrar uma solução para algo, a resposta para determinada questão filosófica, ou ainda em função do desenvolvimento de técnicas que promovam o desenvolvimento humano. Em se tratando da estrutura da evolução das áreas do conhecimento, Kuhn (1997 p. 105), estabelece que esta evolução é caracterizada por marcos conceituais que promovem o avanço tecnológico e conceitual de uma área do conhecimento, caracterizando as mudanças de paradigmas que promovem o avanço da ciência. Em se tratando do Sensoriamento Remoto, área do conhecimento extremamente nova, e contextualizando-a com os marcos conceituais estabelecidos pelos estudos de Kuhn (1997), Jessen (2011, p. 84) estabelece três momentos cruciais para o desenvolvimento do Sensoriamento Remoto. O primeiro é entre 1860 e 1960 e está embasado em técnicas de fotografias a partir de plataformas aéreas como balões e aeronaves. O segundo momento vai de 1960 até 1970, com introdução de múltiplos sensores, radares, espectro radiômetros transportados a partir de aeronaves. A partir de 1970 a corrida espacial amplia as possibilidades do sensoriamento remoto a partir do desenvolvimento de veículos lançadores de satélites (VLS) e motores propulsores capazes de colocar grandes volumes de carga na órbita da Terra. Nos dias atuais, a fronteira do sensoriamento remoto orbital é explorada pelas grandes empresas privadas de tecnologia, dentre elas a SpaceX e a Virgin Galactic. 36 4. MATERIAIS E MÉTODOS. Os procedimentos metodológicos desta pesquisa se baseiam na programação da plataforma GEE através da linguagem de programação javaScript, que permite inserir as informações e executar comandos de tarefas, preferencialmente através do navegador de internet Google Chrome. Através da interface do navegador, as instruções para a execução das rotinas de geoprocessamento são transferidas para os servidores do GEE. Os principais materiais desta pesquisa são dados extraídos de imagens óticas dos sensores OLI, a bordo do satélite LANDSAT 8; e MSI, a bordo do satélite SENTINEL-2. As séries históricas dos respectivos sensores abrangem o período de janeiro a dezembro de 2020, de forma que os dados foram processados no Google Earth Engine através do algoritmo de classificação “Random Forest”, conforme síntese metodológica representada no fluxograma de trabalho na figura 3. Figura 3: Fluxograma metodológico. Fonte: Elaborado pelo Autor. Todos os procedimentos metodológicos descritos a seguir foram feitos a partir de do scripts inseridos através do API do GEE. Neste sentido, o processo de mapeamento do uso e cobertura da terra inicia-se com a delimitação da área de estudo no GEE. Este processo é feito através da inserção de dados vetoriais externos, ou através das próprias ferramentas de interface do GEE, que 37 permitem selecionar a área de estudo sobre os planos de informação de base da ferramenta. Para execução deste pesquisa, a área útil classificada compreende um perímetro de 400 quilômetros em uma quadrícula de 110 x 110 km sobreposta às cenas das órbitas 220/75 e 220/76 do sistema LANDSAT, e a cena de órbita T23KKR do sistema SENTINEL-2. O perímetro da área de estudo abrange a totalidade do território dos municípios de Rio Claro, Araras, Leme, Corumbataí, Itirapina, Ipeúna, Charqueada, Santa Gertrudes, Cordeirópolis, Analândia, Santa Cruz da Conceição, Pirassununga, Santa Cruz das Palmeiras, Porto Ferreira, Conchal e Descalvado. Considerando as limitações impostas pela crise sanitária provocada pela Pandemia de Covid-19, não foram realizados os trabalhos de campo necessários para obtenção de dados de verdade terrestre para validação do processo de classificação. Neste sentido, as amostras de validação do processo de classificação foram selecionadas a partir de composições RBG das imagens dos sensores OLI e MSI. A partir das composições RGB das imagens multiespectrais, foram selecionadas 7 classes para classificação do uso e cobertura da terra. Dentre essas classes, a vegetação foi categorizada em quatro sub classes: a) Vegetação natural; b) Pastagem; c) Lavoura de ciclo anual; d) Lavoura de ciclo perene. As classes de uso e cobertura da terra com características espectrais distintas foram: a) Água; b) Solo exposto; c) Uso urbano. O procedimento seguinte foi criação das variáveis que contém as amostras dos pixels selecionados para fins de treinamento do classificador e validação dos dados gerados pela classificação. No ambiente API do GEE foram criadas as variáveis relacionadas às categorias de uso e cobertura da terra já previamente definidas e, partir de composições RGB feitas a partir das bandas dos sensores OLI e MSI, foram selecionadas as amostras para o treinamento e validação do processo de classificação. Buscando-se fornecer ao classificador uma ampla variedade de dados de treinamento, foram selecionadas 200 amostras de cada uma das 7 categorias de uso e cobertura da terra, gerando um total de 1400 amostras de treinamento. Deste universo, 70% das amostras foram 38 utilizada para fins de treinamento de algoritmo, e 30% usados para a validação do processo de classificação. Após a definição das classes de uso e cobertura da terra, a área de estudo e as amostras de treinamento e validação do processo de classificação, foi selecionada a dimensão temporal das séries de imagens que foram classificadas. Juntamente com este processo, aplicou-se filtros aos metadados das imagens visando eliminar áreas com cobertura excessiva de nuvens a partir de um limiar de cobertura de nuvens inferior a 20% em cada imagem. A seguir, definem-se os classificadores e os parâmetros para os testes de validação do processo de classificação. Novamente, através da interface do GEE foram inseridos os algoritmos de classificação e validação, sendo selecionado o algoritmo ramdom forest e estabelecendo as 7 classes de uso e cobertura da terra como dados de entrada no modelo. O próximo passo consiste no processo de classificação, que é conduzida por uma função estabelecida na interface do GEE, que considera as variáveis estabelecidas nos códigos anteriores. Com base nos resultados do processo de classificação, foram estabelecidas as funções de validação do processo de classificação, obtendo- se como resultados a matriz de confusão, a acurácia geral da validação e o índice Kappa, as acurácias do produtor e do consumidor. Por fim, são estabelecidos os comandos para exportação dos resultados no formato “.tif” e edição final dos produtos cartográficos. 4.1 Sistemas Sensores de média resolução espacial O sensoriamento remoto consiste na utilização de sensores e técnicas de observação e coleta de informações sobre os mais variados objetos e fenômenos, sem que ocorra contato físico entre o fenômeno e o sensor, de forma que os dados e informações são coletados e registrados através medições nas flutuações do campo eletromagnético que são decorrentes da interação entre a radiação eletromagnética e a matéria, que por sua vez consiste nos alvos da superfície terrestre: vegetação, solos e rochas, a água em seus três estados físicos, e os gazes e aerossóis em suspensão na atmosfera (LONGLAY, 2012, p. 312). Conforme exposto anteriormente, esta pesquisa analisou o uso e cobertura da terra a partir de dados de imagens orbitais de sensores óticos multiespectrais, com disponibilidade de imagens para o território brasileiro e com regularidade de resolução temporal. Para cumprir este objetivo, foram selecionados os seguintes sistemas/sensores: LANDSAT 8/OLI, e SENTINEL 2/MSI, conforme demonstrado na tabela 2. 39 Tabela 2 – Características dos sensores OLI e MSI Satélite/Sensor Resolução espacial (m) Resolução temporal (dias) Resolução Espectral4 Resolução radiométrica (bits) Nível de processamento1 LANDSAT 8/ OLI 30 16 7 12 Level 1T2 SENTINEL / MSI 10 (07, 10 ,20) 4 12 Level 1T2 1 Nível de processamento das imagens fornecidas; 2 Correção radiométrica sistemática e acurácia geométrica por meio de pontos de controle em solo e um modelo digital de elevação; 3 Imagem georreferenciada acompanhada de RPC (Rational Polynomial Coefficient) para realização de correção geométrica; 4 Informadas apenas as bandas utilizadas na pesquisa. Fonte: Elaborado pelo Autor. Os sistemas de sensoriamento remoto selecionados apresentam tecnologias consolidadas em décadas de desenvolvimento, com histórico de evolução e aprimoramento de sistemas sensores ópticos que garantem a aplicação de seus produtos para finalidades de mapeamentos de alvos terrestres. Com base na figura 4, é possível observar que há similaridade na distribuição e largura das bandas espectrais dos sensores sugeridos para análise, principalmente nas características das bandas referentes ao comprimento do Infravermelho próximo (0,7 a 0,9 µm) e Vermelho (0,6 a 0,7 µm), que contém as principais informações espectrais para os estudos de vegetação, as quais foram aplicadas nesta pesquisa. Em termos da resolução temporal adotada, foi utilizado o maior número de imagens disponíveis para a área de estudo, buscando a maior frequência de imageamento possível sem a cobertura de nuvens. A figura 4 faz um comparativo com a largura das bandas de coleta de dados dos sensores OLI e MSI, de comprimentos de onda que vão do espectro visível até o infra vermelho de ondas curtas do sistema LANDSAT 8. Figura 4: Características espectrais dos sensores OLI e MSI. 40 FONTE: Elaborado pelo autor 4.2 Sistema LANDSAT 8 Os satélites e sensores do sistema LANDSAT são responsáveis pelas maiores séries temporais de sensoriamento remoto por dados orbitais, entrando em operação em julho de 1972 com o satélite ERTS-1, e permanecendo em operação até hoje com os Satélites LANDSAT 8 e LANDSAT 9, sendo este último colocado em órbita em 23 de setembro de 2021. O satélite LANDSAT 8 carrega os sensores OLI (Operational Land Imager), e TIRS (Thermal Infrared Sensor). Os dados utilizados nesta pesquisa são provenientes do sensor OLI, que opera com onze bandas espectrais a partir do espectro da luz visível, até o infravermelho de ondas curtas. De acordo com Ihlen (2019, p.10) O sistema LANDSAT 8 possui uma frequência de revisita de 16 dias, no entanto, a partir da operacionalização do sistema LANDSAT 9, a frequência de revisita passará a ser de 8 dias. A resolução radiométrica do sensor OLI é de 12 bits, o que confere ao instrumento a habilidade de registrar 4096 intensidades de sinal de retorno, codificados em níveis de cinza nos nas bandas B1 (0,43 – 0,45 µm), B2 (0,45 – 0,51 µm), B3 (0,53 – 0,59 µm), B4 41 (0,64 – 0,67 µm) B5 (0,85 – 0,88 µm), B6 (1,57 – 1,65 µm), B7 (2,11 – 2,29 µm) e B9 (1,36 – 1,38 µm) com 30 metros de resolução espacial; as bandas B10 (10,6 – 11,19 µm) e B11 (11,5 – 12,51 µm) operam na faixa do infra vermelho termal e possuem resolução espacial de 100 metros. A banda B8 (pancromática 0,5 – 0,68 µm) possui 15 metros de resolução espacial. As dimensões da faixa de imageamento são de 170 km no sentido norte/sul, e 183 km no sentido leste oeste. A tabela 3 apresenta as características dos sensores do sistema LANDSAT 8. Tabela 3 - Características do sensor OLI Bandas Espectrais Resolução Espectral (µm) Resolução Espacial (m) Resolução Radiométrica Área Imageada (km) B1 – Azul Costeiro 0,43 – 0,45 30 12 170 x 183 B2 – Azul 0,45 – 0,51 30 12 170 x 183 B3 – Verde 0,53 – 0,59 30 12 170 x 183 B4 – Vermelho 0,64 – 0,67 30 12 170 x 183 B5 – Infra Vermelho Próximo 0,85 – 0,88 30 12 170 x 183 B6 - Infra Vermelho Médio 1,57 – 1,65 30 12 170 x 183 B7 – Infra Vermelho Médio 2,11 – 2,29 30 12 170 x 183 B8 – Pancromática 0,50 – 1,38 15 12 170 x 183 B9 - Cirrus 1,36 – 1,38 30 12 170 x 183 Fonte: Elaborado pelo Autor. Atualmente o programa LANDSAT é uma parceria entre o USGS (United States Geological Survey) e a NASA (National Aeronautics and Space Administration) que fornece os produtos nos níveis de processamento de reflectância de superfície, reflectância de topo da atmosfera. Nesta pesquisa foram utilizadas imagens geradas a partir do algoritmo Land Surface Reflectance Code (LaSRC). De acordo com Vermote et al. (2016, p. 45) a refletância de superfície é obtida a partir da correção da interferência dos gases de topo da atmosfera, sendo corrigidos os efeitos de dispersão e absorção temporal, espacial e espectral dos gases atmosféricos e aerossóis. Os produtos de reflectância de superfície são necessários para monitorar a superfície terrestre de forma confiável. Por esta razão, eles são usados para gerar a séries temporais, uma vez que eliminam as 42 interferências causadas pela variação das condições da atmosfera, gerando um sinal de retorno por parte do alvo com maior fidelidade às suas reais características espectrais. 4.3 Sistema SENTINEL-2 Os satélites de observação dos recursos terrestres da série SENTINEL fazem parte da missão de observação da Terra do Programa Copernicus, de responsabilidade da Agência Espacial Europeia (ESA) em cooperação com os países membros da União Europeia. A missão SENTINEL é composta por seis distintos satélites, cada um com um objetivo específico: a). SENTINEL 1: Composta por dois satélites com órbita polar (SENTINEL 1A e SENTINEL 1B) que operam na Banda C do Sistema Radar de Abertura Sintética (SAR). O objetivo da missão é coletar informações dos recursos terrestres de forma ininterrupta, uma vez que os radares de abertura sintética são sistemas sensores ativos que operam na faixa das micro-ondas do espectro eletromagnético, o que lhes garante a habilidade de fazer imageamentos por entre as nuvens durante o dia e a noite; b). SENTINEL 2: a missão SENTINEL 2 é composta por dois satélites ópticos de órbita polar (SENTINEL 2A e SENTIENL 2B) que registram a radiação eletromagnética refletida pela Terra em treze bandas espectrais, na faixa da luz visível até o infravermelho de ondas curtas; c). SENTINEL 3: a missão SENTINEL-3 tem por objetivo coletar informações sobre os oceanos e a superfície terrestre. É composta por dois satélites que operam o instrumento OLCI (Ocean and Land Colour Instrument), com 21 bandas espectrais cujo principal objetivo consiste em medir a temperatura da superfície terrestre e dos oceanos, e também fornecer dados sobre a topografia da superfície cor dos oceanos.; d). SENTINEL 4: a missão SENTINEL 4 tem por objetivo monitorar a composição dos gases da atmosfera a partir da plataforma orbital geoestacionária. c). SENTINEL 5: tem por objetivo monitorar a composição da atmosfera terrestre, com foco na qualidade do ar e na relação entre a composição dos gases atmosféricos e o clima. d). SENTINEL 6: é composto por plataforma de órbita polar cujo objetivo consiste em medir flutuações no nível dos oceanos, altura das ondas e velocidade do vento Os dados utilizados nesta pesquisa são provenientes da missão SENTINEL 2, que é composta por dois satélites que carregam a bordo o sensor MSI, que coleta informações em treze bandas espectrais a partir da fronteira do ultra violeta com a luz visível, até o infravermelho de ondas 43 curtas. O sistema SENTINEL 2 possui uma frequência de revisita de 5 dias e a resolução radiométrica é de 12 bits, o que confere ao instrumento a habilidade de registrar 4096 intensidades de sinal de retorno, codificados em níveis de cinza nos pixels das imagens. Nesta pesquisa foram utilizadas as bandas B2 (0,47 – 0,52 µm), B3 (0,54 – 0,57 µm), B4 (0,65 – 0,68 µm) e B8 (0,74 – 0,89 µm) com 10 metros de resolução espacial; e as bandas B5 (0,69 – 0,71 µm), B6 (0,73 – 0,74 µm), B7 (0,77 – 0,79 µm) e B8A (0,85 – 0,87 µm) com 20 metros de resolução espacial. A tabela 4 resume as características do sensor MSI. Tabela 4 - Características do sensor MSI Bandas Espectrais Resolução Espectral (µm) Resolução Espacial (m) Resolução Radiométrica Área Imageada (km) B1 – Aerossol 0,43 – 0,45 60 12 110 x 110 B2 – Azul 0,47 – 0,52 10 12 110 x 110 B3 – Verde 0,54 – 0,57 10 12 110 x 110 B4 – Vermelho 0,65 – 0,68 10 12 110 x 110 B5 – Red Edge 1 0,69 – 0,71 20 12 110 x 110 B6 - Red Edge 2 0,73 – 0,74 20 12 110 x 110 B7 – Red Edge 3 0,77 – 0,79 20 12 110 x 110 B8 – NIR Infrared 0,74 – 0,89 10 12 110 x 110 B8A - Red Edge 4 0,85 – 0,87 20 12 110 x 110 B9 – Vapor d’água 0,93 – 0,95 60 12 110 x 110 B10 – Cirrus 1,36 – 1,39 60 12 110 x 110 B11 – SWIR 1 1,56 – 1,65 20 12 110 x 110 B12 – SWIR 2 2,1 – 2,28 20 12 110 x 110 Fonte: Elaborado pelo Autor. 4.4 Google Earth Engine O Google Earth Engine é uma Plataforma de geoprocessamento baseada no conceito de “Cloud-based computing” (computação na nuvem), que consiste em uma nova tecnologia de processamento e armazenamento de dados que elimina a necessidade física de equipamentos de grande capacidade de processamento de dados. A partir do fornecimento desta tecnologia de forma gratuita, o sistema GEE ampliou as possibilidades de análise para toda comunidade cientifica e de 44 usuários de dados espaciais. De acordo com Gorelick et al. (2017), a arquitetura de dados e infraestrutura operacional do GEE permite a elaboração de análises geoespaciais em escala planetária, de forma a aplicar a massiva capacidade de computação da Google na resolução de problemas de relevância social como monitoramento de secas, monitoramento e da perda de vegetação natural, manejo de recursos hídricos, monitoramento climático e as mais diversas aplicações no campo da agricultura e segurança alimentar. O uso das ferramentas do GEE tem se tornado cada vez mais popular, fornecendo a toda comunidade cientifica acesso simplificado aos dados dos sistemas de monitoramento global através dos satélites de recursos terrestres, que incluem dados de sensores ópticos e de radar, mapas de uso da terra, dados de monitoramento de variáveis ambientais (incluem-se como exemplos séries históricas de dados climatológicos e hidrológicos), mapas topográficos e dados socioespaciais. A biblioteca de imagens é atualizada com aproximadamente 6000 cenas por dia, com uma latência de cerca de 24hs entre a aquisição do dado e sua publicação na plataforma (GOLEIK et al, 2017). A tabela 3 apresenta os dados mais utilizados da plataforma GEE. Tabela 5 - Principais dados disponíveis nas bibliotecas do Google Earth Engine Sistema de Observação de Recursos Terrestres Resolução Espacial Resolução Temporal Início da série de dados Escala de abrangência LANDSAT LANDSAT 8 OLI/TIRS 30 metros 16 dias 2013– Presente Global LANDSAT 7 ETM + 30 metros 16 dias 2000– 2017 Global LANDSAT 5 TM 30 metros 16 dias 1984–2012 Global LANDSAT 4–8 reflectância de superfície 30 metros 16 dias 1984– Presente Global SENTINEL SENTINEL 1 A/B ground range detected - SAR 10 m 6 dias 2014– Presente Global SENTINEL 2A e 2B MSI – reflectâncias de topo da atmosfera 10/20 m 10 dias 2015– Presente Global SENTINEL 2A e 2B MSI – reflectâncias de superfície 10/20 m 10 dias 2015–Presente Global MODIS MOD08 atmosfera 1° Diária 2000– Presente Global 45 Sistema de Observação de Recursos Terrestres Resolução Espacial Resolução Temporal Início da série de dados Escala de abrangência MOD09 reflectância de superfície 500 m 1 - 8 dias 2000– Presente Global MOD10 cobertura de neve 500 m 1 dia 2000– Presente Global MOD11 temperatura e emissividade 1000 m 1- 8 dias 2000– Presente Global MCD12 cobertura da Terra 500 m Anual 2000– Presente Global MOD13 Índices de Vegetação 500/250 m 16 dias 2000– Presente Global MOD14 Anomalias termais 1000 m 8 dias 2000– Presente Global MCD15 Índice de área foliar 500 m 4 dias 2000– Presente Global MOD17 Prod. primária bruta 500 m 8 dias 2000– Presente Global MCD43 BRDF-reflec. ajustada 1000/500 m 8 - 16 dias 2000– Presente Global MOD44 cobertura vegetal 250 m Anual 2000– Presente Global MCD45 anomalias termais 500 m 30 dias 2000–Presente Global ASTER L1 T radiance 15/30/90 m 1 dia 2000–Presente Global Global emissivity 100 m Variável 2000–2010 Global Outros Produtos PROBA-V Reflectância de topo de copas 100/300 m 2 dias 2013–Presente Global EO-1 hyperion hyperspectral radiance 30 m Programada no alvo 2001–Presente Global DMSP-OLS nighttime lights 1 km Anual 1992–2013 Global USDA NAIP aerial imagery 1 m Semestral 2003–2015 EUA Topografia Shuttle Radar Topography Mission 30 m Dataset único 2000 60°N–54°S USGS National Elevation Dataset 10 m Dataset único Múltiplas datas EUA USGS GMTED2010 7.5″ Dataset único Múltiplas datas 83°N–57°S GTOPO30 30″ Dataset único Múltiplas datas Global ETOPO1 1′ Dataset único Múltiplas datas Global Cobertura da Terra GlobCover 300 m Não periódico 2009 90°N–65°S 46 Sistema de Observação de Recursos Terrestres Resolução Espacial Resolução Temporal Início da série de dados Escala de abrangência USGS Dataset de Cobertura da Terra 30 m Não periódico 1992–2011 EUA UMD mudanças na cobertura florestal global 30 m Anual 2000–2014 80°N–57°S JRC superfície de água global 30 m Mensal 1984–2015 78°N–60°S GLCF cobertura global de árvores 30 m 5 anos 2000–2010 Global USDA NASS Mapa de cultivos agrícolas 30 m Anual 1997–2015 EUA Hidrometeorologia Índices de Precipitação Global 6′ 3 horas 2014– Presente Global TRMM 3B42 precipitação 15′ 3 horas 1998–2015 50°N–50°S CHIRPS precipitação 3′ 5 dias 1981– Presente 50°N–50°S NLDAS-2 7.5′ 1 hora 1979– Presente América Norte GLDAS-2 15′ 3 horas 1948–2010 Global NCEP reanalysis 2.5° 6 horas 1948– Presente Global ORNL DAYMET weather 1 km Anual 1980– Presente América do Norte GRIDMET 4 km 1 dia 1979– Presente EUA NCEP global forecast system 15′ 6 horas 2015– Presente Global NCEP climate forecast system 12′ 6 horas 1979–Presente Global WorldClim 30″ 12 imagens 1960–1990 Global NEX downscaled climate projections 1 km 1 dia 1950–2099 América do Norte Sócio-espacial WorldPop 100 m 5 anos Multiplas datas Global GPWv4 30″ 5 anos 2000–2020 85°N–60°S FONTE: Adaptado de GOLEICK et al., 2017. Estes dados são processados através bibliotecas com centenas de funções que variam desde simples cálculos matemáticos, até complexos algoritmos de aprendizado de máquinas e processadores de imagens. A entrada dos comandos e a visualização dos resultados são feitos através “Application Programming Interface” (API) em um navegador de internet, por onde são 47 inseridas linhas de códigos e comandos de programação nas linguagens Phyton e JavaScript. A figura 5 demonstra um exemplo de aplicação dos scripts e a visualização dos resultados através de gráficos e imagens projetadas através do API do GEE. Figura 5: Application Programming Interface (API) – entrada e visualização de dados no GEE. Fonte: Goleick et al., 2017. 4.5 Classificação supervisionada através do algoritmo Random Forest A aplicação de algoritmos do tipo árvore de decisão em trabalhos de classificação do uso e cobertura da terra têm gerado resultados consistentes, principalmente devido às técnicas de aprendizado de máquina que estes algoritmos levam em conta. Conforme descrito por Latorre et al., (2007, p.67), a árvore de decisão é composta pelas seguintes unidades: a) um nó raiz formado a partir de todos os dados; b) um conjunto hierárquico de nós internos denominados partições responsáveis pela tomada de decisão, utilizando critérios, que define o próximo nó descendente ou filho; c) nós terminais chamados de folhas caracterizados por não possuírem nó descendente. 48 Nesta pesquisa foi utilizado o método de classificação supervisionada pixel a pixel, onde o analista, através de seu conhecimento prévio, seleciona as amostras de pixels e os associa a uma determinada classe de uso e cobertura da terra. Nesta etapa foram definidas as 7 classes de uso e cobertura da terra classificadas neste trabalho: água, vegetação natural, pastagens, lavouras de ciclo anual, lavouras de ciclo perene, áreas urbanas. Após a definição das classes, procedeu-se a etapa de coleta das amostras para os processos de treinamento e validação do classificador. O processo de seleção de amostras foi feito partir de composições RBG de imagens do sensores OLI e MSI. O classificador utilizado nesta pesquisa foi do tipo árvore de decisão que, entre outros modelos, inclui o Random Forest, um algoritmo de aprendizado de máquina que utiliza um conjunto de árvores aleatórias para realizar uma previsão. Conforme Souza Jr et al. (2020, p. 14), o modelo Random Forest opera a partir de um conjunto de dados pelos quais são criadas árvores de decisão, que são alimentadas pelos valores de reflectância dos pixels das imagens. Os dados de treinamento das classes de uso compõem, cada um, uma árvore de decisão de forma que para cada árvore irá apresentar um resultado diferente para classificar o pixel. 4.6 Testes de validação do mapeamento Os procedimentos para seleção de amostras, treinamento do classificador e validação da classificação são descritos por Congalton e Green (2009), e incluem como principais parâmetros para avaliação da qualidade da classificação o índice kappa,