Mapeamento da vegetação na floresta atlântica usando o classificador de árvore de decisão para integrar dados de sensoriamento remoto e modelo digital de terreno

AUTOR(ES)

Carvalho Júnior, Osmar Abílio de, Coelho, Marcus Alberto Nadruz, Martins, Éder de Souza, Gomes, Roberto Arnaldo Trancoso, Couto Junior, Antonio Felipe, Oliveira, Sandro Nunes de, Santana, Otacílio Antunes

FONTE

Revista Brasileira de Geofísica

DATA DE PUBLICAÇÃO

2008-09

RESUMO

O manejo e o monitoramento ecológico de parques nacionais e outras áreas protegidas requerem uma detalhada descrição do padrão de distribuição da vegetação. Esse artigo possui como objetivo produzir um mapa de vegetação para o Parque Nacional da Serra dos Órgãos (PARNASO). Essa unidade de conservação está localizada na Floresta Atlântica dentro de uma variação topográfica desde o nível do mar até 2.263 metros. A classificação da vegetação baseou-se em dados do satélite ASTER, fotografias aéreas de alta resolução e modelo digital de elevação (MDE). O MDE indica estruturas de vegetação em ambiente com alta variabilidade espacial porque se correlaciona com fatores ambientais, tais como o microclima, umidade, solo e processos geomorfológicos. O classificador de árvore de decisão foi usado para extrair informações dos dados de MDE e sensoriamento remoto. Sete fisionomias foram identificadas: Agropecuária (1,29% da área do Parque), Campos de Altitude (24,27%), Floresta Ombrófila Densa Alto-Montana (37,47%), Floresta Ombrófila Densa Montana (21,54%), Floresta Ombrófila Densa Sub-Montana (5,22%), Floresta Secundária (4,13%) e áreas sem vegetação (6,08%). As três maiores fisionomias estão associadas a altitudes superiores a 1.000 metros e representaram 55,5% da área total. A construção da árvore de decisão combinando informações do MDE e sensoriamento remoto pode melhorar o resultado sobre a distribuiçãoda floresta tropical.

ASSUNTO(S)

sensoriamento remoto processamento digital de imagem árvore de decisão vegetação

Documentos Relacionados

• Integração de dados de sensoriamento remoto multi resoluções para a representação da cobertura da terra utilizando campos contínuos de vegetação e classificação por árvores de decisão
• Classificador neural híbrido para imagens obtidas por sensoriamento remoto
• ALGORITMOS DE APRENDIZAGEM DE MÁQUINA E VARIÁVEIS DE SENSORIAMENTO REMOTO PARA O MAPEAMENTO DA CAFEICULTURA
• Determinação da evapotranspiração regional usando parâmeros de sensoriamento remoto e dados de evapotranspiração de referência.
• Mapeamento da Bacia do Camaquã com a utilização de dados geofísicos, geologia e sensoriamento remoto