Metodologia para detecção de mudanças em projetos de redução de emissões do desmatamento e da degradação florestal (REDD)

Abstract

O desmatamento nas florestas tropicais vem sendo cada vez mais abordada em discussões mundiais sobre as mudanças climáticas face a magnitude das emissões de Gases de Efeito Estufa (GEE) que representam. No Brasil 75% destas são provenientes do desmatamento florestal, principalmente na região amazônica. Nas negociações mundiais tem-se discutido o subsídio para países que Reduzirem as Emissões de GEE provenientes do Desmatamento e Degradação florestal (REDD). Desta forma, este trabalho visou propor uma metodologia para detectar automaticamente as mudanças na cobertura florestal para aplicação em projetos de REDD - Reducing Emissions for Deforestation and Forest Degradation. Para tanto testou o desempenho das bandas 3, 4 e 5 do sensor Landsat 5, para dois momentos (ano de 1989 e ano de 2009) bem como, os índices de vegetação NVDI e EVI e as primeiras e segundas componentes principais das bandas (1, 2, 3, 4 e 5). Para o desenvolvimento da rotina foram consideradas classes de mudanças: acréscimo de vegetação de porte florestal e decréscimo de vegetação de porte florestal e, ainda, as classes de não mudanças e não florestas. Para a avaliação dos limiares de mudanças utilizaram-se os princípios da distribuição normal, explicada pela média e desvio-padrão das distâncias dos pixels das duas datas avaliadas em relação a reta de não mudança e não florestas. O desempenho na identificação das mudanças da cobertura florestal para as bandas originais testadas foi: banda 3 (Precisão Global - Q = 76,5% e Coeficiente Kappa - K = 0,62) teve desempenho superior às bandas 5 e 4 (Q = 70,2 e 58,3% e K = 0,52 e 0,30, respectivamente) no que tange a vegetação florestal, apresentando, no entanto confusão em relação a alguns corpos hídricos. Os dois índices de vegetação (NDVI e EVI) não apresentaram diferenças no desempenho da detecção das mudanças florestais. Os indicadores de desempenho para estas situações avaliadas foram Q = 74,1% para o NDVI e 74,7% para o EVI e K = 0,60 e 0,61 respectivamente. O desempenho da 1a e 2a componente principal indicou o muito bom desempenho da primeira (Q = 80,9% e K = 0,70) e o razoável/mau desempenho da segunda (Q = 54,6% e K = 0,23) para a detecção das mudanças da cobertura florestal. De forma, geral, entre as técnicas testadas, pode- se dizer que como exceção da banda 4 e 2a componente principal, todas apresentaram índice de acerto global superior a 60% e coeficiente Kappa acima de 0,5, indicando desta forma, resultados satisfatórios. Existe potencial para a utilização da detecção de mudanças de maneira automática para o satélite Landsat 5 através da rotina desenvolvida, para o monitoramento de projetos de REDD, principalmente na utilização da 1a componente principal e banda 3, com acertos globais superiores a 75%. No entanto, estas apresentaram deficiências pela inclusão de mudanças nos recursos hídricos juntamente com as mudanças de vegetação e deste modo, quando da sua utilização, é necessária uma avaliação criteriosa do técnico ou o desenvolvimento de uma máscara para exclusão destes da avaliação. Caso a máscara seja desenvolvida, o acerto global deverá ser superior aos aqui apresentados.

Tropical deforestation has been more and more commented worldwide in climate change discussions on account of the magnitude that greenhouse gases emissions (GEE) represent. In Brazil, 75% of these emissions come from deforestation, mainly in the Amazon region. In international negotiations the subsidy for countries which reduce the greenhouse gases emissions from deforestation and forest degradation (REDD) has been discussed. So, this thesis aimed at proposing a methodology to automatically detect the changes in the forest cover to apply it to Reducing Emissions for Deforestation and Forest Degradation (REDD) projects. Therefore, the sensor Landsat 5 performance of bands 3, 4 and 5 was tested in two different periods (1989 and 2009) as well as enhanced vegetation indexes NVDI and EVI and the first and second main components of the bands (1, 2, 3, 4 e 5). The following changing classes were considered to develop the routine: increase and loss of forest vegetation and, still, the non-change and non-forest classes. To evaluate the changes the normal frequency distribution principles were applied, explained by the mean and standard deviation of the pixels distance from the two evaluated dates regarding to non-change and non-forest figures. The performance in indentifying forest cover changes in the tested original bands were: band 3 (Q=76.5% and K=0.62) had a higher performance than bands 5 and 4 (Q=70.2 and 58.3% and K=0.52 and 0.30, respectively) regarding to forest vegetation, causing misinterpretation with some river attributes. The two enhanced vegetation indexes (NDVI and EVI) did not show any difference on their performance regarding to forest changes detection. The performance indexes used were: Q=74.1% for NDVI and 74.7% for EVI and K=0.60 and 0.61, respectively. The performance of the first and second principal component showed a very good performance for the first (Q=80.9% and K=0.23) and a reasonable/bad performance for the second (Q=54.6% and K=0.23) regarding detection of forest cover changes. In general, it can be said, in accordance with the techniques tested, that excepting band 4 and the second principal component, all of them showed global accuracy index higher than 60% and Kappa coefficient above 0.5, which indicates satisfactory results. There is a potential to utilize the automatic detection from Landsat 5 satellite imagery through the developed routine for monitoring REDD projects, mainly using the first main component and band 3, within global accuracy higher than 75%. However, it is noteworthy the misinterpretation of changes in river characteristics and forest vegetation changes. Thus, it is necessary a accurate technical evaluation of each situation and the development of a mask to exclude the rivers from the interpretation, that will make the global accuracy of the routine becomes much higher in monitoring REDD projects.