Comparação entre classificação de uso e ocupação do solo por máxima verossimilhança e MapBiomas
PDF

Palavras-chave

Geoprocessamento. Classificação supervisionada. MapBiomas. Ocupação do solo.

Como Citar

Sá, M. C. de, Souza, P. G. C., Soares, L. C. da S., Coelho, F. de A., Silva, R. S. da, Miranda, L. N. N. de, Perpétuo, I. A., & Rodrigues, S. D. A. (2025). Comparação entre classificação de uso e ocupação do solo por máxima verossimilhança e MapBiomas. ForScience, 13(1), e001256. https://doi.org/10.29069/forscience.2025v13n1.e1256

Resumo

As mudanças no uso e ocupação do solo decorrente de fatores naturais e de ações antrópicas modificam as paisagens, alterando, por exemplo, a vegetação, o curso dos rios e a integridade do solo, impactando diretamente na sustentabilidade ambiental. O monitoramento do uso e ocupação do solo por meio da interpretação de imagens de satélites é de grande importância por viabilizar informações espaço-temporais no que diz respeito às variações ocorridas nas paisagens, auxiliando em medidas mitigadoras a fim de reduzir os impactos negativos e garantir a sustentabilidade do ambiente. O trabalho teve como objetivo classificar as classes de uso e ocupação do solo por meio de duas ferramentas de geoprocessamento, a Classificação de máxima verossimilhança e o MapBiomas comparando os resultados obtidos por cada ferramenta. Utilizou-se imagens de satélites para elaborar o mapa do MapBiomas, e obter as cenas para produzir o mapa do município de Januária, Minas Gerais. Após a elaboração do mapa de uso e ocupação do solo, foi realizada a classificação dos tipos de cobertura do solo presentes no município pelo método de Classificação Supervisionada. O mapa produzido pelo MapBiomas, foi processado para quantificar classes já identificadas. Após a classificação e quantificação das classes estudadas, os resultados obtidos foram comparados a partir das ferramentas utilizadas. As diferentes ferramentas de geoprocessamento utilizadas apresentaram divergências significativas quanto ao uso e ocupação do solo, demonstrando a necessidade de uma análise mais aprofundada da área estudada para resultados de maior confiabilidade e precisão, auxiliando de forma eficaz em possíveis tomadas de decisões.

Palavras-chave: Geoprocessamento. Classificação supervisionada. MapBiomas. Ocupação do solo.

 

Abstract

Comparison between the classification of land use and occupation by maximum-likelihood estimation and MapBiomes

Changes in land use and occupation resulting from natural factors and human actions modify landscapes, changing, for example, vegetation, the course of rivers and soil structure, directly impacting environmental sustainability. Monitoring land use and occupation through the interpretation of satellite images is of great importance as it provides space-time information with regard to variations in landscapes, helping with mitigating measures in order to reduce impacts and ensure sustainability of the environment. The objective of this work was to classify the classes of land use and occupation using two geoprocessing tools, the Maximum Likelihood Classification and MapBiomas, comparing the results obtained by each tool. Satellite images were used to prepare the MapBiomas map, and to obtain the scenes to produce the map of the municipality of Januária, Minas Gerais. After preparing the map of land use and occupation, the classification of the types of land cover present in the municipality was performed using the Supervised Classification method. The map produced by MapBiomas was processed to quantify classes already identified. After classifying and quantifying the classes studied, the results obtained were compared based on the tools used. The different geoprocessing tools used showed significant differences regarding land use and occupation, demonstrating the need for a more in-depth analysis of the studied area for more reliable and accurate results, effectively helping in possible decision-making.

 

Keywords: Geoprocessing. Supervised classification. MapBiomas. Land occupation.

 

 

https://doi.org/10.29069/forscience.2025v13n1.e1256
PDF

Referências

COELHO, V. H. R. et al. Dinâmica do uso e ocupação do solo em uma bacia hidrográfica do semiárido brasileiro. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 18, n. 1, p. 64–72, 2014. Disponível em: http://www.agriambi.com.br/revista/v18n01/v18n01a09.pdf. Acesso em: 3 jul. 2025.

CECHIM, C.; JOHANN, J. A.; ANTUNES, J. F. G. Mapping of sugarcane crop area in the Paraná State using Landsat/TM/OLI and IRS/LISS-3 images. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 21, n. 6, p. 427–432, jun. 2017.

CRUZ, U. R. X.; OLIVEIRA, L. P. Comparativo entre os métodos de classificação MaxVer e Random Forest utilizando imagem Sentinel-2B. Cadernos do Leste, v. 21, n. 21, 2021.

ESRI. ArcGIS Desktop: Release 10.8. Redlands, CA: Environmental Systems Research Institute, 2020.

FOLEY, J. A. et al. Global consequences of land use. Science, Washington, v. 309, n. 5734, p. 570–574, 2005.

JANSEN, L. J. M.; DI GREGORIO, A. Obtaining land-use information from a remotely sensed land cover map: Results from a case study in Lebanon. International Journal of Applied Earth Observation and Geoinformation, v. 5, n. 2, p. 141–157, 2004.

KOELLNER, T.; SCHOLZ, R. W. Assessment of land use impacts on the natural environment. Part 1: an analytical framework for pure land occupation and land use change. The International Journal of Life Cycle Assessment, v. 12, n. 1, p. 16–23, 2007.

LIU, C. et al. Classification of non-vegetated areas using Formosat-2 high spatiotemporal imagery: the case of Tseng-Wen Reservoir catchment area (Taiwan). International Journal of Remote Sensing, v. 32, n. 23, p. 8519–8540, 2011.

MAPBIOMAS. ATBD_R. Algorithm Theoretical Basis Document & Results: Amazon Biome, 2017.

MELLO, A. Y. I. et al. Avaliação de técnicas de classificação digital de imagens Landsat em diferentes padrões de cobertura da terra em Rondônia. Revista Árvore, Viçosa, MG, v. 36, n. 3, p. 537–547, maio 2012.

MELLO FILHO, J. A. de. Qualidade de vida na Região da Tijuca, RJ, por geoprocessamento. 2003. 288 f. Tese (Doutorado em Geociências) – Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2003.

NASCIMENTO, I. S. et al. Avaliação da exatidão dos classificadores MaxVer e Iso Cluster do software ArcGIS for Desktop, com uso de imagem Landsat 8 no município de Cáceres/MT. Revista Continentes, Seropédica, ano 5, n. 8, p. 48–66, 2016.

NEVES, E. O. Instituto de Agronomia – Programa de Pós-Graduação em Educação Agrícola. 2010. 66 f. Dissertação (Mestrado em Educação Agrícola) – Universidade Federal Rural do Rio de Janeiro, Seropédica, 2010. Disponível em: http://www.ia.ufrrj.br/ppgea/dissertacao/EdivalMilhomemBorba.pdf. Acesso em: 3 jul. 2025.

RESENDE, S. A.; CABRAL, F. Terra do rio, terra da gente: agricultura de vazante do rio São Francisco – Januária (MG). In: SIMPÓSIO NACIONAL DE GEOGRAFIA AGRÁRIA, 3.; SIMPÓSIO INTERNACIONAL DE GEOGRAFIA AGRÁRIA, 2., 2005. Anais [...]. p. 8.

SANTINO, B. S.; NOGUEIRA, A. T.; CHAVES, J. N. Análise do crescimento da mancha urbana no município de Feira de Santana, Bahia: um olhar socioambiental. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 19., 2019, Santos, SP. Anais [...]. São José dos Campos: INPE, 2019.

SANTOS, A. M. et al. Digital image classification: a comparison of classic methods for land cover and land use mapping. Anuário do Instituto de Geociências, v. 45, 2022.

SANTOS, J. LANDSAT-8: download de imagens através dos sites Earth Explorer e GLOVIS. 2013. Disponível em: http://www.processamentodigital.com.br. Acesso em: 10 nov. 2018.

SANTOS, M. A. et al. Desempenho agronômico de milho consorciado com feijão-de-corda em diferentes populações e arranjos de plantas no semiárido mineiro. Revista Agroambiente On-Line, Boa Vista, v. 10, n. 3, p. 201, 2016. Disponível em: http://revista.ufrr.br/agroambiente/article/view/3286. Acesso em: 3 jul. 2025.

SHIBA, M. H. et al. Classificação de imagens de sensoriamento remoto pela aprendizagem por árvore de decisão: uma avaliação de desempenho. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 12., 2005. Anais [...]. p. 4319–4326.

SOUZA, A. R. et al. Cartografia do invisível: revelando a agricultura de pequena escala com imagens RapidEye na região do Baixo Tocantins, PA. Revista do Departamento de Geografia, v. 38, p. 137–153, 2019.

SOUZA JUNIOR, C.; AZEVEDO, T. MapBiomas General Handbook. 2017. Disponível em: https://mapbiomas.storage.googleapis.com/base-de-dados/metodologia/colecao-2_3/ATBD-MapBiomas-Geral-2018-01-07.pdf. Acesso em: 3 jul. 2025.

WEISS, R. Identificação da fragilidade ambiental quanto a enchentes e desmoronamentos no perímetro urbano de Santa Maria–RS por geotecnologias. 2012. 118 f. Dissertação (Mestrado em Geociências) – Universidade Federal de Santa Maria, Santa Maria, 2012.

Creative Commons License

Este trabalho está licensiado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.

Copyright (c) 2025 Array