O Cerrado brasileiro é um dos principais tipos de vegetação dentre os biomas brasileiros, considerado um hot spot mundial, por sua rica biodiversidade. Além da ocorrência de uma sazonalidade da vegetação, este bioma está sob intensa pressão antropogenica, tendo mais de 50% da cobertura original já sido transformada pelas atividades humanas. Por meio destes processos dinâmicos, está se formando um complexo mosaico de remanescentes de cerrado, plantações de eucalipto, campos agrícolas e áreas degradadas, dificultando a caracterização e o monitoramento da paisagem quando são utilizadas abordagens tradicionais baseadas em pixels. Portanto, este trabalho foi realizado com o objetivo de desenvolver um sistema de monitoramento capaz de detectar e caracterizar as alterações devido à perda de vegetação, queimadas, crescimento da vegetação e sazonalidade da vegetação, utilizando uma abordagem estatística baseada em objetos para a detecção dessas alterações e aplicados em duas diferentes escalas. Foram utilizadas imagens do sensor de satélite Landsat TM (30m) das datas 02/08/2008 (T1), 14/03/2009 (T2), 05/08/2009 (T3) e 25/11/2009 (T4). A etapa de pré-processamento consistiu de correções geométricas e radiométricas das imagens. Foram gerados parâmetros estatísticos de todos os objetos, em todas as imagens. Após o pré-processamento, foram calculados NDVI para cada imagem para, posteriormente, produzir duas imagens NDVI-diferença (T2-T1 e T4-T3). Assim, essas imagens diferença foram utilizadas para calcular os parâmetros estatísticos, como média e desvio padrão de cada objeto. Utilizando-se análises estatísticas baseadas em objetos, áreas com ocorrencia de mudanças foram separadas das áreas de não mudança e categorizadas. Os resultados mostraram que todas as áreas (objetos) de perda e crescimento da vegetação observadas em campo foram detectadas e apenas alguns objetos que tinham fogo em sua fase inicial não foram detectados, mostrando a necessidade de utilizar séries temporais maiores de imagens. O método foi eficiente para detectar e separar as áreas alteradas de acordo com o tipo de mudança, demonstrando a capacidade dos conjuntos de regras desenvolvidas até agora para discriminar objetos da paisagem e formar classes semânticas.
Brazilian savannas are the main vegetation types within the Cerrado Biome, a recognized biodiversity hot spot. Besides the pronounced seasonality, they are under intense pressure and more than 50% of the original cover has already been transformed by human activities. These dynamic processes are forming a complex mosaic of savanna remnants, eucalyptus plantations, agricultural fields, and degraded areas, which is difficult to characterize using traditional pixel based approaches. Therefore, the objective of this work was to develop a monitoring system capable of detecting and labeling changes due to deforestation, fire, re-growth, and vegetation seasonality using an object based approach for change detection applied at two scales. Landsat TM images (30 m) from 2008/08/02 (T1), 2009/03/14 (T2), 2009/08/05 (T3) and 2009/11/25 (T4) were used. The pre-processing step comprised both geometric and radiometric corrections. Statistical parameters of all objects and all scales in the scene were derived. First, the NDVI was calculated for each image in order to produced two NDVI difference image (T2-T1 and T4-T3). Then, these difference images were used to derive statistical parameters such as the mean and the standard deviation of each object. Based on a object-based statistical analysis, changed objects from unchanged ones were separated and categorized. Results showed that all the objects observed in the field representing changes of deforestation and re-growth were included, and only a few objects that had fire in its early stages were not detected, showing the need to use a larger series of temporal images. The method was efficient to detect and separate the changed areas according to the type of change and demonstrating the ability of the rule sets developed so far, to discriminate objects and form semantic classes.
