Vegetação Do Sul Do Brasil

Guia prático para mapear a vegetação do sul do brasil com sensores espectrais

Muita gente tenta classificar a vegetação do sul do brasil usando apenas índices NDVI de imagens Sentinel-2 e depois se pergunta por que a accuracy cai para menos de 60%. O problema não é o sensor, é que a mata Atlântica em encosta e a floresta ombrófila mista respondem de formas muito parecidas espectralmente, mas têm estruturas ecológicas completamente diferentes. Aqui vai o que realmente funciona no campo.

O que é vegetação do sul do brasil na prática

O sul do Brasil concentra pelo menos quatro formações vegetais distintas que se sobrepõem geograficamente. A Floresta Ombrófila Densa, conhecida como Mata Atlântica, domina o litoral e os vales úmidos do Paraná e Santa Catarina. A Floresta Ombrófila Mista, o famoso pinhal com Araucária angustifolia, cobre as regiões de altitude acima de 800 metros. O Campos Sulinos os planaltos abertos do Rio Grande do Sul com gramíneas e arbustos adaptados a geadas frequentes. Por fim, há os Restinga e APPs de várzea que aparecem como ruído se você não filtrar corretamente os dados. Achar que dá para fazer um classificador único cobrindo todo o território é erro comum. Cada formação exige parâmetros diferentes de segmentação e thresholds de classe.

Metodologia que eu uso no dia a dia

Minha rotina começa com dados do Sentinel-2 L2A, mas o pulo do gato é usar bandas que a maioria esquece: a banda edge (B5, B6, B7) e a SWIR (B11, B12). A diferença espectral entre Araucária e eucalipto plantado só aparece consistentemente nessas bandas, não no NDVI convencional. Eu calculo NDVI, EVI, e também o NDWI para identificar áreas alagadas que sempre aparecem como falsas positivas em Classificação Supervisionada. O processo de segmentação eu faço com SNIC ou Felz no Google Earth Engine, ajustando o parâmetro compactness para 0.5 a 0.7 dependendo da densidade da cobertura. Superpixels muito compactos perdem a textura da floresta heterogênea, superpixels muito grandes misturam classes. Depois de segmentado, eu extraio médias espectrais por objeto e aplico Random Forest com 500 árvores, validação cruzada de 10 folds, e importância de variáveis sempre verificada. O classificador que mais funciona pra mim é RF com as bandas originais mais os índices calculados, totalizando 14 features.

Eu sempre separo o dataset de treinos em duas camadas temporais diferentes porque a fenologia muda drasticamente entre verão e inverno nessa região. Treinar só com imagem de janeiro e testar em julho gera queda de 15 a 20% na accuracy.

Problema real que eu enfrentei e como resolvi

Num projeto de mapeamento de APPs em encostas no norte do Paraná, a classe Floresta Ombrófila Mista estava sendo sistematicamente confundida com áreas de reflorestamento de Pinus. Ambas as assinaturas espectrais são extremamente similares nas bandas visíveis e Near Infrared. O resultado era uma subestimativa de cerca de 35% na área real de floresta nativa. A solução que funcionou foi adicionar dados de Structure From Motion com drone em 15 parcelas de validação para gerar um modelo digital de superfície. A altura da copa se mostrou a feature discriminadora definitiva. Araucária nativa em área preservada atinge facilmente 30 a 40 metros, enquanto Pinus plantado raramente passa de 20 metros em condições normais. Eu integrei o CHM do drone como camada extra no Random Forest e a accuracy saltou de 61% para 89% na classe alvo. O custo disso foi alto em tempo de coleta de campo, mas resolveu o problema de forma definitiva.

Pegadinhas que os iniciantes sempre cometem

A primeira pegadinha é ignorar a nuvem e seus halos. O sul do Brasil tem nebulosidade persistente no outono e inverno. Imagens com mais de 5% de pixels nublados ou com sombra de nuvem próximas às suas áreas de interesse geram viés sistemático. Eu filtro manualmente todas as cenas e descarto aquelas com halos sobrepostos às bordas dasstudy areas. A segunda é confiar cegamente no overall accuracy. Um classificador que acha que tudo é Mata Atlântica pode atingir 70% de accuracy se essa for a classe dominante, mas vai falhar completamente nas outras três formações. Sempre olhe a matriz de confusão e o F1-score por classe. Se o F1 da classe Campos Sulinos estiver abaixo de 0.55, seu modelo não serve pra aquilo.

A terceira pegadinha é usar resolução espacial de 10 metros para mapear fragmentos pequenos. Fragmentos de APP abaixo de 2 hectares em áreas de relevo acidentado são praticamente ilegíveis em Sentinel-2. Você precisa de WorldView-3 ou PlanetScope, ou aceitar que a Resolução Espacial Limita seu mapeamento a unidades mínimas de cerca de 3 a 5 hectares.

Limitações reais que ninguém conta

Classificação por aprendizado de máquina com dados ópticos simplesmente não funciona bem em períodos chuvosos prolongados, que são comuns no sul entre maio e agosto. A penetração de nuvens torna inviável obter mosaicos limpos nesse janela. Se sua área tem alta taxa de nuvens, considere SAR, especificamente Sentinel-1 VV e VH, que tem performance decente para diferenciar floresta densa de áreas abertas mesmo sob cobertura de nuvens. O outro limitante é a heterogeneidade estrutural. A Floresta Ombrófila Mista tem dossel irregular com clareiras naturais, e o classificador tende a fragmentar erroneamente essas áreas em múltiplas classes. Eu resolvi parcialmente isso com pós-processamento de majority filter de 3x3 pixels e aplicação de masks de declividade para remover áreas fisicamente impossíveis de serem classificadas como floresta densa.

Links úteis

Google Earth Engine: https://earthengine.google.com/
SNIC segmentation: https://github.com/gaelforget/snic
Copernicus Browser: https://browser.dies.eu/
R package raster e terra para processamento local Se você está começando, treine primeiro em uma área conhecida e bem documentada, como o Parque Nacional de Iguaçu, onde a literatura de campo já existe. A transferibilidade do modelo para outras regiões do sul depende de calibração local, não adianta copiar hyperparâmetros de um paper sem validar no seu site.