Gean Paulino Montagnolli, Carolaine Maia de Souza, Suelen Tainã Silva Fagundes, Jhony Vendruscolo, Marta Silvana Volpato Sccoti

Mapeamento de clareiras em áreas de exploração madeireira na Amazônia utilizando tecnologias de sensoriamento remoto e machine learning

Introduction

Mapeamento de clareiras em áreas de exploração madeireira na amazônia utilizando tecnologias de sensoriamento remoto e machine learning. Mapeie clareiras de exploração madeireira na Amazônia com sensoriamento remoto (Planet) e machine learning. Avalie a eficiência no monitoramento do desmatamento, identificando aberturas de dossel para controle.

Abstract

O sensoriamento remoto é amplamente utilizado para o monitoramento das florestas tropicais. No Brasil o Projeto PRODES é uma referência de controle e monitoramento do desmatamento, que fazia uso de imagens Landsat 5 com média resolução espacial (de 10 a 30 m). Ao longo dos anos, outras ferramentas foram aprimoradas, gerando dados de melhor qualidade e em menor tempo. Atualmente, mapas básicos mensais de 64 países tropicais, com alta resolução espacial (de 1 a 5 m), e permitem mapear clareiras na vegetação. Assim, este estudo teve por objetivo avaliar a eficiência das imagens Planet para quantificar clareiras formadas pela exploração madeireira. A área estudada foi uma Unidade de Produção Anual (UPA), na Floresta Nacional do Jamari, sob regime de concessão florestal. As imagens foram tratadas e, em seguida, aplicou-se o Índice de Vegetação da Diferença Normalizada (NDVI) e a classificação supervisionada pelo modelo probabilístico Gaussian mixture model para identificar clareiras provenientes de exploração. Concomitante às imagens de satélite, utilizou-se dados de levantamento de danos a campo coletados pela empresa concessionária. A classificação das imagens apontou 9,43% da área de efetiva exploração da UPA com abertura de dossel e a quantificação dos danos em campo contabilizou, 11,91%. Não foi possível classificar  as clareiras provenientes de ramais de arraste e clareiras de abate com copas pequenas pelas imagens. No entanto, o estudo se mostrou eficaz no monitoramento de clareiras causadas por estradas e abate de árvores com copas grandes. Isso destaca sua importância no controle e monitoramento do desmatamento na Amazônia.

Review

The study, "Mapeamento de clareiras em áreas de exploração madeireira na Amazônia utilizando tecnologias de sensoriamento remoto e machine learning," addresses a critical issue of monitoring logging activities in the Amazon. It proposes an innovative approach to improve the detection and quantification of logging gaps, a significant component of forest degradation, building upon existing monitoring frameworks like PRODES. The paper’s objective to evaluate the efficiency of high-resolution Planet imagery combined with machine learning (Gaussian mixture model) and the Normalized Difference Vegetation Index (NDVI) for mapping logging-induced canopy openings is highly relevant, given the continuous need for more accurate and timely deforestation data in tropical forests. This research promises a valuable contribution to the field of remote sensing applications in forestry. The methodology employed in this study involved analyzing Planet images of an Annual Production Unit within the Jamari National Forest, an area under forest concession. The images were processed to derive NDVI and then classified using a supervised Gaussian mixture model to identify logging gaps, with parallel validation against field-collected damage data from the concessionaire. The results indicate that remote sensing classification identified 9.43% of the effective exploration area with canopy opening, while field surveys recorded 11.91% damage. A significant finding was the limitation of satellite imagery in classifying small gaps, specifically those from skid trails and felling of trees with small crowns. However, the study demonstrated efficacy in identifying larger gaps, such as those caused by logging roads and the felling of trees with larger crowns. Despite the observed discrepancies between remote sensing and field data, particularly regarding smaller canopy openings, the study successfully highlights both the strengths and current limitations of high-resolution satellite imagery for logging impact assessment. The inability to fully capture all types of logging damage, especially smaller-scale disturbances, points to an area for future methodological refinement, potentially through integrating more advanced spatial analysis techniques or even different sensor types. Nevertheless, the efficacy in monitoring larger disturbances underscores the significant potential of this approach in providing crucial, timely information for forest management and regulatory oversight in the Amazon. This research undeniably enhances our understanding of how high-resolution remote sensing can contribute to robust deforestation control and monitoring efforts, making it a valuable step forward in tropical forest conservation.

Full Text

Comments

You need to be logged in to post a comment.