Identificação de áreas de garimpo na Floresta Nacional do Crepori (Pará) através de Análise de Imagens Baseada em Objetos Geográficos (GEOBIA) e mineração de dados

Abstract

O Pará é um dos estados líderes de desmatamento na Amazônia e merece atenção especial devido à grande presença de garimpos ilegais, que podem resultar na supressão da vegetação e remoção do solo, no assoreamento de rios e na contaminação de cursos d’água por óleos, graxas e mercúrio. O sensoriamento remoto é uma relevante ferramenta auxiliar na identificação de regiões degradadas como os garimpos na Amazônia, contudo a grande extensão territorial e o volume da base de dados podem tornar o mapeamento por fotointerpretação um processo custoso e demorado. Assim, este trabalho emprega a abordagem conhecida como Análise de Imagens Baseada em Objetos Geográficos (GEOBIA) em conjunto com técnicas de mineração de dados na identificação automática de áreas degradadas por garimpo na Floresta Nacional (FLONA) do Crepori. Para atingir os objetivos definidos, foram utilizadas imagens do satélite Sentinel-2 com resolução espacial de 10 m, a partir das quais foram geradas uma imagem NDVI e uma composição colorida RGB. Na etapa de segmentação, verificou-se que a imagem NDVI possibilita a discriminação dos garimpos, bem como gera objetos mais coerentes com a realidade do que a imagem RGB e, por conta disso, foi considerada mais adequada para o desenvolvimento deste estudo. A utilização do algoritmo Correlation based Feature Selection (CFS) na etapa de seleção de atributos espectrais, espaciais, texturais e contextuais se mostrou pertinente e reduziu a dimensionalidade da base de dados em 55%. Além disso, em conjunto com os resultados obtidos na construção da árvore de decisão pelo algoritmo J48, foi possível concluir que os atributos espectrais são os mais relevantes para o modelo de classificação obtido, principalmente os atributos relacionados à banda do infravermelho médio. Os atributos de origem textural e espacial também tiveram participação no modelo, já o atributo contextual não foi selecionado pelo algoritmo CFS. O resultado da classificação demonstrou que a classe Vegetação é a mais abundante na FLONA do Crepori, com 99,50% da área total, seguida das classes Áreas Degradadas por Garimpo e Outras Áreas Antropizadas, com 0,17% da área total, e por último a classe Hidrografia com 0,16% de toda a área. Na mesma etapa, foi possível atestar que o antropismo total na Unidade de Conservação reduziu entre os anos de 2014 e 2017, de 2955 ha para 2506 ha. Contudo, através da comparação com os dados do Serviço Florestal Brasileiro, constatou-se que mais de 50% (679,46 ha) dos garimpos mapeados em 2017 surgiram após 2014, majoritariamente na região sul da FLONA. Ainda, a intersecção com os dados de geologia indicou uma forte correlação espacial entre os garimpos de ouro e as principais unidades litoestratigráficas com mineralização primária. Por fim, na etapa de validação foi verificada uma boa performance para o modelo de classificação, que obteve uma exatidão global de 0,8818 e um índice Kappa de 0,8409. Nos índices classe a classe, o método apresentou uma precisão mínima de 0,789 e um recall mínimo de 0,750, ambos referentes à classe Outras Áreas Antropizadas.

Pará is one of the leaders states in deforestation in the Amazon Rainforest and deserves special attention due to the great presence of illegal artisanal mining areas, which may result in suppression of vegetation and soil removal, in siltation of rivers and in water course contamination by oils, grease and mercury. The remote sensing is a relevant auxiliary tool in identifying degraded regions such as artisanal mining areas in the Amazon Rainforest, however the large territorial extension and the database volume can make photointerpretation mapping a costly and slow process. Thus, this work employs the approach known as Geographic Object-Based Image Analysis (GEOBIA) together with data mining techniques in automatic identification of areas degraded by artisanal mining in the Crepori National Forest (FLONA). To achieve the defined objectives, Sentinel-2 satellite images with spatial resolution of 10 m were used, from which were generated an NDVI image and a RGB composite image. In the segmentation step, it was verified that the NDVI image enables the artisanal mining areas discrimination, as well as generate more reality coherent objects and, because of that, it was considered more appropriate to the development of this study. The use of Correlation based Feature Selection (CFS) algorithm in the spectral, spatial, textural and contextual attributes selection proved to be relevant and reduced the database dimensionality in 55%. Furthermore, together with the results obtained in the decision tree construction by the J48 algorithm, it was possible to conclude that the spectral attributes were the most relevant to the obtained classification model, especially the attributes related to the near-infrared band. The attributes of textural and spatial origin also had participation in the model, whereas the contextual attribute was not selected by the CFS algorithm. The result of the classification step demonstrated that the class Vegetação is the more abundant in the Crepori National Forest, with 99,50% of the total area, followed by the classes Áreas Degradadas por Garimpo and Outras Áreas Antropizadas, with 0,17% of the total area, and lastly the class Hidrografia with 0,16% of the whole area. In the same step, it was possible to attest that total anthropism in the Conservation Unit decreased between the years 2014 and 2017, from 2955 ha to 2506 ha. However, through the comparison with Serviço Florestal Brasileiro data, it was found that more than 50% (679,46 ha) of artisanal mining areas mapped in 2017 appeared after 2014, majorly in the southern region of the FLONA. Moreover, the intersection with geology data indicated a strong spatial correlation between the artisanal mining areas and the main lithostratigraphic units with primary mineralization. Finally, in the validation step it was verified a good performance for the classification model, which obtained a global accuracy of 0,8818 and a Kappa coefficient of 0,8409. In class-by-class indexes, the method presented a minimum precision of 0,789 and a minimum recall of 0,750, both referring to the class Outras Áreas Antropizadas.