4.3.2 Sensoriamento remoto quanto à cobertura e uso do solo

Tabela 4 - Notas e critérios dos indicadores socioecológico e avaliação final do SSE.

Nota Critérios Avaliação da resiliência

1 0 a 9% dos agricultores Extremamente resiliente 2 10 a 29% dos agricultores Fortemente resiliente 3 30 a 49% dos agricultores Moderadamente resiliente 4 50 a 69% dos agricultores Não resiliente 5 > 70% dos agricultores afetados pelo Porto Vulnerável Todas as informações coletadas nas entrevistas foram organizadas em um banco de dados e separadas em categorias conforme os tópicos dos questionários (RYAN e BERNARD, 2000). Após essa etapa foi utilizada o método da triangulação (DENZIN e LINCOLN, 1994), que permitiu reunir, filtrar e cruzar os dados coletados pelos diferentes métodos etnográficos utilizados nesta pesquisa, reduzindo assim a perda de informações, validando-as a partir de diferentes entrevistados (NEVES, 1996). Todos esses dados foram processados e analisados a partir do uso de estatísticas descritivas de tendência central. As perguntas fechadas (objetivas) receberam tratamento quantitativo (análises de frequência simples) e abertas (descritivas ou subjetivas) foram tratadas qualitativamente (após serem agrupadas em categorias de respostas). As questões que tiveram mais de uma resposta pelos entrevistados foram analisadas pela frequência de ocorrência (%) de cada um dos itens citados. O arredondamento da numeração decimal foi realizado conforme a NBR 5891/2014. As respostas também foram dispostas em tabelas e gráficos.

4.3.2 Sensoriamento remoto quanto à cobertura e uso do solo

Para verificar a evolução da cobertura e uso do solo no 50 Distrito e na RPPN Caruara, assim como analisar a efetividade do reflorestamento nessa UC para repor a restinga nativa desmatada para implantação do Porto do Açu, foram utilizadas tecnologias de SIG com auxílio do software Geographical Information System (QGIS). As etapas estão descritas no fluxograma a seguir (Figura 13).

Figura 13 - Fluxograma dos procedimentos realizados no QGIS.

Imagens de satélite Landsat-5 TM e Landsat-8 OLI foram obtidas no catálogo disponibilizado gratuitamente pela Divisão de Geração de Imagens do Instituto Nacional de Pesquisas Espaciais - INPE, sendo utilizadas as bandas 3 (0,63 - 0,69 μm), 4 (0,76 - 0,90 μm) e 5 (1,55 - 1,75 μm) do Landsat 5 e bandas 4 (0,64 - 0,67 μm), 5 (0,85 - 0,88 μm) e 6 (1,57 - 1,65 μm) do Landsat 8 por possuírem faixas espectrais equivalentes. Cada uma dessas bandas representa uma faixa distinta do espectro eletromagnético (nas regiões do visível e do infravermelho), sendo associadas nos softwares às cores azul (B), vermelho (R) e verde (G). A área no terreno capturada na imagem é identificada pelo número da órbita e pelo número do ponto dentro de cada órbita. A órbita/ponto da região Norte Fluminense é a 216/75. As imagens dos sensores Thematic Mapper e Operational Land Imager dessas bandas espectrais possuem 30 m de resolução geométrica (i.e. cada pixel da imagem do Landsat-5 representa uma área de 0,09 ha e a largura da faixa imageada do Landsat-8 é de 185 km) e resolução temporal de 16 dias. Dessa forma, uma série temporal de duas cenas (órbita/ponto) de imagens dos satélites foi empregada por cobrirem as áreas de estudo (50 Distrito e a RPPN Caruara). Entre 2007 e 2021, os meses de referência escolhidos para seleção das imagens orbitais foram aqueles que atenderam aos seguintes critérios: (i) cobertura mínima de nuvens de até 2,5%, (ii) melhor visibilidade e (iii) adequada qualidade radiométrica. Com o Semi-Automatic Classification Plugin (SPC) foram realizadas correções atmosféricas (método DOS1) e de reflectância. As imagens foram georreferenciadas em projeção Universal Transversa de

Mercator, zona 24S e Datum WGS 84. E para mitigar os efeitos de sazonalidade às respostas espectrais, as imagens foram selecionadas no mesmo período climático (estação seca). A primeira etapa de análise foi obter os polígonos das duas áreas de interesse utilizando o banco de dados ATLAS 2008 disponibilizado pelo INPE. Em seguida foram criados os bancos de dados e os projetos para cada um dos mapas temáticos do 50 Distrito e da RPPN Fazenda Caruara, definindo para tal as respectivas classes de uso e de ocupação do solo. O terceiro procedimento foi importar os arquivos das imagens de satélites e selecionar as bandas escolhidas. Após essa etapa, as imagens foram editadas e recortadas e os seus contrastes ajustados para uma melhor visualização e interpretação dos dados gerados ao longo do processamento. A segmentação consiste em subdividir em uma imagem as regiões espectralmente homogêneas, considerando suas características intrínsecas que melhor representam as feições presentes na cena. Assim, a partir da segmentação da imagem é possível definir áreas para classificação. A classificação supervisionada das imagens foi realizada para auxiliar na vetorização. O algoritmo de segmentação implementado e denominado Máxima Verossimilhança (MaxVer) baseia-se no método de crescimento de regiões (i.e. técnica que agrega pixels com características similares, como cor e textura, em regiões maiores). Assim sendo, na classificação MaxVer, a partir de polígonos amostrais selecionados, pixels são agrupados por probabilidade estatística, sendo relacionados a uma determinada classe, formando regiões (SWAIN e DAVIS, 1978). Portanto, por meio de parâmetros estatísticos o algorítimo MaxVer relaciona pixel por pixel da área amostral à classe de uso e cobertura de terra com a maior probabilidade (i.e. a máxima verossimilhança) de pertencer. O Plano de Manejo da RPPN Caruara definiu e classificou 14 tipologias de uso do solo. Na amostragem para mapeamento do uso e cobertura da terra da RPPN Caruara foram considerados três tipos de uso e cobertura de interesse para a classificação, que englobarão todos os tipos descritos no Plano de Manejo: (i) Floresta: formações vegetais dos tipos Herbáceo Inundável, Lagunar, Reptante, Arbustivo Aberto Não Inundado Inicial, Arbustivo Aberto

Não Inundado Inicial/Médio, Arbustivo Aberto Não Inundado Estágio

Avançado, Arbóreo Periodicamente Inundado Estágio

Médio/Avançado, Arbóreo Não Inundado Estágio Médio/Avançado,

Arbóreo Não Inundado Estágio Avançado e Área em Restauração; (ii) Não Floresta: Estrada Interna, Pastagem e Área

Ocupada/Antropizada; e (iii) Drenagem: LDI e LDG.

Na amostragem para mapeamento do uso e da cobertura da terra do 50 Distrito também foram considerados estes mesmo três tipos de uso e de cobertura de interesse para a classificação: (i) Floresta: formações vegetais de restinga; (ii) Não Floresta: Estradas, Pastagem, Áreas de cultivo e lavoura, Área urbanizada/Antropizada e o Porto do Açu; e (iii) Drenagem: LDI, LS e CQ.

Em seguida, as imagens classificadas em formato matricial foram convertidas para o formato vetorial. A partir dos dados vetoriais foi possível efetuar a intersecção entre os mapas, e assim, auferir as áreas resultantes de cada classe e mensurar as modificações no uso das terras nas áreas de interesse. Para testar a confiabilidade, concordância e precisão dos dados classificados, e assim validar o mapeamento, foi quantificado o coeficiente Kappa (K) após construir uma matriz de confusão. Para tal, foram utilizadas as densidades amostrais de 50 pontos distribuídos aleatoriamente sobre as três classes definidas, analisando-se posteriormente as imagens para verificar a concordância da classificação dos pixels da imagem. O resultado de K varia no intervalo de 0 a 1, sendo que quanto mais próximo a 1 melhor a qualidade dos dados classificados. Landis e Koch (1977) associaram intervalos de valores de Kappa a seis graus de qualidade do mapa temático para determinar a acurácia da classificação (Tabela 5).

Tabela 5 - Intervalos de aceitação dos resultados do índice Kappa.

Índice Kappa Características

<0,00 Péssima 0,01 - 0,20 Ruim 0,21 - 0,40 Razoável 0,41 - 0,60 Boa 0,61 - 0,80 Muito boa 0,81 - 1,00 Excelente

A validação da classificação de cada classe temática quanto à probabilidade de um pixel classificado representar a verdade terrestre foi realizada pela Acurácia do Usuário (razão entre número de elementos classificados corretamente em cada classe e o total de amostras da imagem classificada destas classes) e Acurácia do Produtor (número total de pixels corretos de uma classe dividido pelo numéro total de pixels dessa classe). Para calcular o ganho ou perda de cobertura florestal no período antes e após o programa de reflorestamento (2007 a 2021) e quantificar as alterações ocorridas foi utilizada a equação proposta por Kalliamanis et al. (2015) do índice NET%, que representa a magnitude de mudança (perda ou incremento) para área de floresta:

(i) Mudança líquida da área de cobertura vegetal no 50 Distrito:

NET% = Área de floresta em 2021 – Área de floresta em 2007 Área de floresta em 2007 x 100

(ii) Mudança líquida da área de cobertura vegetal na RPPN Caruara:

NET% = Área de floresta em 2021 – Área de floresta em 2011 Área de floresta em 2011 x 100

Uma das ferramentas para garantir a conservação e manejo ecossistêmico é a análise multitemporal e o mapeamento da cobertura da terra, a qual permite verificar tanto as mudanças ocorridas na estrutura da paisagem quanto a intensidade e participação das pressões socioeconômicas sobre os espaços naturais. Essa análise e mapeamento, realizadas através do sensoriamento remoto, permitem a avaliação de diferentes dinâmicas espaciais ao identificar