Mapeamento e modelagem da estrutura da vegetação na várzea Amazônica utilizando dados polarimétricos de banda C

• Main Author: Luiz Felipe de Almeida Furtado
• Other Authors: Evlyn Márcia Leão de Moraes Novo
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais (INPE) 2014
• Online Access: http://urlib.net/sid.inpe.br/mtc-m21b/2014/02.17.19.38

Áreas úmidas são regiões de extrema importância pela sua biodiversidade e serviços ecológicos, por serem também uma das principais fontes naturais de gases estufa. Estima-se que entre 12\% e 29\% da bacia Amazônica seja constituída por áreas úmidas. Devido a sua grande extensão e ao caráter dinâmico da sua vegetação, dados de radares de abertura sintética (SAR) são fundamentais, pois permitem a aquisição de informações de maneira sinóptica e multitemporal, mesmo em regiões de frequente cobertura de nuvens. Dados SAR polarimétricos (PolSAR) obtém maior quantidade de informação sobre cobertura vegetal, podendo melhorar a discriminação de diferentes tipos de vegetação e melhor caracterizar sua estrutura, quando comparado a dados multipolarizados e multitemporais. Este estudo teve como objetivo avaliar a eficiência do uso de dados polarimétricos do sensor Radarsat-2 (banda C) para a classificação da vegetação e caracterização de sua distribuição e estrutura na várzea Amazônica, na região da várzea do Lago Grande de Curuai, no Pará Para isso, seis imagens PolSAR Radarsat-2 multitemporais foram classificadas utilizando-se análise de imagem baseada em objetos (OBIA) e algoritmo de mineração de dados. Os resultados da classificação permitiram comparar o desempenho do mapeamento dos tipos de vegetação da várzea usando (a) imagens polarizadas com diferentes ângulos de incidência, (b) diagonais principais das matrizes C e T, (c) diferentes combinações de decomposições polarimétricas e (d) imagens multitemporais. Os resultados dessa comparação permitiram constatar que combinações entre imagens polarizadas e decomposições polarimétricas maximizam a separabilidade de classes tomadas individualmente, mas quando essas classes são analisadas em conjunto, as imagens multitemporais são as que apresentam o melhor desempenho. Por outro lado, as decomposições polarimétricas sobressaíram-se na modelagem da estrutura da várzea do Lago Grande de Curuai e de atributos correlatos, gerando os melhores modelos para estimar DAP, IAF, Densidade de indivíduos e Altura de Inundação. Todos os modelos apresentaram alta correlação com atributos extraídos das cenas SAR, porém todos eles apresentaram heterocedasticidade, havendo necessidade de pesquisas posteriores para identificar e sanar a causa desse problema. Dessa maneira, os resultados desse estudo permitem concluir que os dados polarimétricos foram mais indicados para análises quantitativas da estrutura da vegetação e que as cenas multitemporais foram as mais indicadas para o mapeamento de diversos tipos de vegetação da várzea amazônica. === Wetlands are important regions due its biodiversity and ecological services, and also are considered one of the main sources of greenhouse gases. It is estimated that 12\% up to 29\% of Amazon River basin area consist of floodplains. Due to its great area extent and the dynamics of the vegetation communities, synthetic aperture radar (SAR) data are important because of its synoptical and multitemporal image acquisition, even under intense cloud-covered regions. Polarimetric SAR data (PolSAR) register an increased amount of vegetation information, increasing vegetation types discrimination and a better structural characterization, when compared to polarized or multitemporal SAR data. This paper have as objective assess the performance of using C band PolSAR data on mapping Lago Grande de Curuai várzea vegetation types and characterizing its structural properties. To achieve this objective, six full polarimetric Radarsat-2 images were classified using object based image analysis (OBIA) and a data-mining algorithm. The classification results allowed assessing the performance of várzea vegetation mapping using PolSAR images with (a) different incidence angles and polarizations, (b) C and T matrixes main diagonals, (c) polarimetric decompositions and (d) multitemporal imagery. The results demonstrate that the combination of polarimetric decompositions and polarized images maximizes individual classs discrimination, but when those classes are analyzed together, the multitemporal images achieved the best validation indexes. On the other side, polarimetric decompositions highlights structural and correlated attributes modeling, adjusting the best models to estimate DBH, LAI, individual density and flood height. All models have high correlation with SAR imagery, but all of them are heterocedastical, and there is need of further research to understand why. This study concludes that PolSAR data are best suited to quantitative studies of várzea vegetation, and multitemporal scenes are indicated to map different vegetation types of Amazon várzea.