Uso de dados do sensor MSI/Sentinel-2 e de LiDAR aerotransportado para mapeamento de fitofisionomias de Caatinga e estudo das relações com atributos físico-químicos dos solos.

• Ano de defesa: 2018
• Autor(a) principal: SILVEIRA, H. L. F. da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Random Forest; Análise por componentes principais; Solos; Caatinga; Lidar
• Link de acesso: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1105931

A Caatinga, vegetação natural adaptada às condições do semiárido brasileiro, possui fitofisionomias variadas de difícil mapeamento, cuja distribuição é influenciada pelas características pluviométricas e pedológicas locais. No presente estudo, testou-se o potencial de dados multi-temporais do sensor MSI/Sentinel-2, obtidos em quatro datas de 2015 a 2016 (período chuvoso e seco), juntamente com observações LiDAR, para o mapeamento de sete fitofisionomias da Caatinga. A área de estudo está localizada no Estado de Pernambuco. Usando um mapa de referência da vegetação e o classificador Random Forest (RF), avaliou-se, em primeiro lugar, a capacidade do MSI/Sentinel-2 em mapear fitofisionomias de Caatinga e os eventuais ganhos na classificação decorrentes do uso de dados multi-temporais sobre dados monotemporais (período chuvoso ou seco); do uso de índices de vegetação sobre dados de reflectância; e da incorporação de métricas derivadas de dados LiDAR. Estudou-se também a existência de possíveis relações espaciais entre a vegetação mapeada por RF e 20 atributos físico-químicos determinados de 75 perfis de solos, que foram submetidos à Análise por Componentes Principais (ACP) e procedimentos de krigeagem. Os resultados mostraram que: não há diferenças entre as classificações dos períodos seco e chuvoso; classificações com dados multi-temporais são superiores às que utilizam apenas dados monotemporais; os índices de vegetação, por resultarem em classificações semelhantes aos dados de reflectância, podem substituir estes últimos com menor volume de dados; dados LiDAR melhoram a classificação das classes arbórea aberta (Aa) em 11,1%, das arbórea rala (Ar) em 18,5% e das subarbustivas (S) em 10,7%. Foram encontradas diferenças estatisticamente significativas entre os atributos do solo carbono orgânico, capacidade de troca catiônica, capacidade de campo, profundidade do solo, porosidade e % de terra fina, cascalho e calhau entre fitofisionomias arbóreas e subarbustivas.