2. O LBA tem um dos seus focos de pesquisa no estudo de florestas sucessionais
secundárias em grandes regiões / sub-regiões da bacia amazônica.
Devido ao seu rápido crescimento e aumento da extensão da área, as florestas
sucessionais desempenhar um papel importante no orçamento global de carbono.
Além disso, elas têm funções ecológicas significativas nos ecossistemas amazônicos
e paisagens que afetam a fertilidade do solo, a estrutura e composição da
vegetação, da fauna e dispersão.
3. Dificuldades de Classificação
A heterogeneidade da estrutura da vegetação é um problema importante, como é a
limitação de resolução espacial, isto é, em que um único pixel de Landsat TM
frequentemente contém mais do que uma classe de cobertura da terra.
5. Breves características de florestas tropicais sucessionais
Estágio inicial de sucessão secundária (SS1): Estas espécies têm um ciclo de vida
curto, alta taxa de crescimento e alta reprodutiva alocação de recursos.
Sucessão secundária intermediária (SS2): As árvores jovens já estão presentes, mas
mudas (SS1) ainda têm uma densidade mais elevada.
Sucessão secundária avançada (SS3): O aspecto geral deste tipo de vegetação em
termos de camadas dossel é semelhante a uma floresta. No entanto, as árvores não
são tão alta ou espessa.
6. Análise de estatura média estande e área basal (DAP);
discriminador significativo para SS1, SS2 e SS3
Contribuição de mudas e árvores ao total de área basal do pousio;
o fator discriminante central
Análise canônica discriminante (CDA) em medições de campo;
A proporção de biomassa que é um bom parâmetro biofísico;
DAP e altura são os mais adequados parâmetros para diferenciar as fases da SS, e
biomassa acima do solo e DAP são mais adequados para a separação de floresta madura
de estágios SS.
Dados de sensoriamento remoto têm sido aplicados extensivamente para a classificação
da vegetação e LULC.
7. Cuidado com a confusão!
Pastagem degradada
SS1
Floresta Madura
SS3
Outras técnicas de
SR ou maior
quantidade de dados
A abordagem LMM é considerado como um instrumento de análise de imagem baseado
em características físicas dos objetos dentro do pixel.
8. A abordagem MLME assume que o espectro medido por um sensor é uma combinação
linear dos espectros de todos os componentes dentro de um pixel.
9. Para eliminar a mistura é preciso criar as imagens fração.
A alta qualidade das imagens fração depende muito da seleção adequada de amostras.
Variedade de métodos:
Biblioteca espectral
Espectroradiômetro
Medidas de campo
Própria imagem
Análise de componentes principais
Pixel Purity Index (PPI)
Seleção manual de pixel
0
Distante do alvo
Escala
1
Próximo do alvo
12. O trabalho de campo foi realizado durante as estações secas de 1999 e 2000;
Classificação preliminar de imagens para áreas candidatas a serem pesquisadas;
Aerolevantamento – tamanho, condição e acessibilidade para cada ponto;
Observações de campo - estrutura de estágios regenerativos;
Levantamento da vegetação - Cecropia sp., Vismia sp, Palmeiras, Gramínea, e Lianas
Áreas demarcadas com GPS;
Dados IKONOS também foram usados para identificar mais locais de teste para
avaliação da acurácia de classificação;
Pontos de GPS para suporte à classificação.
13. 1m²
120
9m²
40
100m²
3
As plântulas foram definidas como arbustos com um DAP
menor que 2,5 cm. Mudas foram definidas como árvores
jovens com DAP de 2,5 cm a menos de 10 cm. As árvores
foram definidas como plantas lenhosas com DAP superior
ou igual a 10 cm. Altura do caule e DAP foram medidos
para todas as árvores em área de 100 m². Altura e DAP
foram medidos para todas as mudas em área de 9 m².
Cobertura do solo estimativa e contagem dos indivíduos
foram realizadas para produção de mudas e da vegetação
herbácea em uma área de 1m².
14.
15.
16.
17. A acurácia global é uma das medidas mais
simples, sendo calculada pela soma do total
dos pixels corretamente classificados dividida
pelo número total de pixels da matriz de
confusão. As acurácias das categorias
individuais são calculadas através da acurácia
do produtor que indica a probabilidade de um
pixel de referência ter sido corretamente
classificado e da acurácia do usuário que
calcula a probabilidade de um pixel classificado
no mapa representar a categoria no solo
(Congalton, 1991).
18. O suporte do trabalho de campo é indispensável;
Classificadores por pixel como MaxVER, não dão bons resultados para identificação
de sucessão secundária;
O Método de MLME é um método promissor na discriminação sucessão secundária e
floresta madura;
Uma exatidão de 78,2% foi alcançada, o que representa um aumento de precisão de
cerca de 7,4% em relação ao MLC;
As fracções sombra e GV são particularmente adequadas para discriminar sucessão e
florestas maduras.