O objetivo deste trabalho foi identificar áreas prioritárias para a recuperação florestal e analisar variáveis a elas relacionadas através da rede neural artificial (RNA) de Mapas Auto-Organizáveis (SOM), em duas escalas. Primeiramente, procurou-se identificar uma sub-bacia hidrográfica prioritária para a recuperação florestal na Unidade de Gerenciamento de Recursos Hídricos Paulista (UGRHI) do rio Paraíba do Sul por SOM. Para isto, foram utilizadas variáveis de conectividade ambiental e cobertura florestal. Definiu-se uma sub-bacia hidrográfica situada na represa do Jaguari, município de Igaratá, para estudo em uma escala de maior detalhe. Nas Áreas de Proteção Permanentes (APPs) englobadas nesta sub-bacia hidrográfica, foi realizada uma nova análise por SOM. Neste caso, foram consideradas variáveis de distância a fragmentos florestais, a áreas urbanas, a estradas pavimentadas e a construções rurais, assim como o Índice de Vegetação por Diferença Normalizada e o Potencial Natural de Erodibilidade Laminar. Em ambas as escalas, as áreas prioritárias para a recuperação florestal foram determinadas através de histogramas do somatório dos valores dos Mapas Auto-Organizáveis de cada variável por agrupamentos delimitados. Por fim, foi gerado um mapa de contribuição de amostras para neurônios vencedores, o que permitiu uma nova abordagem para a análise dos agrupamentos gerados.

The aim of this work was to identifying priority areas for forest restoration and analyze variables related to such areas at two distinct spatial scales using Self-Organizing Maps neural network (SOM). Initially, a SOM analysis was conducted to detect a watershed suitable for forest restoration within the Management Unit for Hydrological Resources of the Paraiba do Sul river, located in São Paulo State, southeast of Brazil. The variables employed in this analysis were environmental connectivity and forest cover. The Jaguari watershed, located in the municipality of Igaratá, was selected as study area in the second stage of analysis. In the permanent preservation areas along riversides within this watershed, a new SOM analysis was performed to detect suitable areas for forest restoration. At this more refined scale, the regarded variables were distance to forest fragments, urban areas, paved roads, and rural constructions, as well as the NDVI (the Normalized Difference Vegetation Index) and the natural soil erosion potential. At both scales, the priority areas for forest restoration were assessed based on cluster histograms of SOM. Finally, a contributive map of samples for the best matching units was elaborated, and that enabled an insightful approach for the analysis of the generated clusters.

O objetivo deste trabalho foi avaliar a aplicação do método de classificação por superfícies de resposta espectro-temporal (STRS) em imagens do sensor Moderate Resolution Imaging Spectroradiometer (MODIS, 250 m) para estimar áreas de plantio de soja no Estado de Mato Grosso, Brasil. A classificação foi realizada usando o algoritmo de máxima verossimilhança (MLA) adaptado ao algoritmo STRS. Trinta segmentos de 30x30 km foram escolhidos ao longo das principais regiões agrícolas do estado, com dados da safra de verão de 2005/2006 (outubro a março), e mapeados com base em dados de campo e de imagens orbitais TM/Landsat-5 e CCD/CBERS-2. Cinco classes temáticas foram consideradas: Soja, Floresta, Cerrado, Pastagem e Solos Expostos. A classificação pelo método das STRS foi feita com base em uma área interseccionada por um subconjunto de segmentos de 30x30 km. O STRS superestimou os valores de referência em 21,31% em regiões com predomínio da cultura da soja e em 132,37% em regiões nas quais a soja era menos predominante. A exatidão global da classificação foi de 80%. As imagens MODIS e o algoritmo STRS mostraram-se promissores para a classificação da soja em regiões com predominância de grandes fazendas. Entretanto, os resultados para áreas fragmentadas em fazendas menores foram menos eficientes, superestimando as áreas de soja.

The objective of this work was to evaluate the application of the spectral-temporal response surface (STRS) classification method on Moderate Resolution Imaging Spectroradiometer (MODIS, 250 m) sensor images in order to estimate soybean areas in Mato Grosso state, Brazil. The classification was carried out using the maximum likelihood algorithm (MLA) adapted to the STRS method. Thirty segments of 30x30 km were chosen along the main agricultural regions of Mato Grosso state, using data from the summer season of 2005/2006 (from October to March), and were mapped based on fieldwork data, TM/Landsat-5 and CCD/CBERS-2 images. Five thematic classes were considered: Soybean, Forest, Cerrado, Pasture and Bare Soil. The classification by the STRS method was done over an area intersected with a subset of 30x30-km segments. In regions with soybean predominance, STRS classification overestimated in 21.31% of the reference values. In regions where soybean fields were less prevalent, the classifier overestimated 132.37% in the acreage of the reference. The overall classification accuracy was 80%. MODIS sensor images and the STRS algorithm showed to be promising for the classification of soybean areas in regions with the predominance of large farms. However, the results for fragmented areas and smaller farms were less efficient, overestimating soybean areas.

Mudanças no uso e cobertura da terra, como as ocorridas nas áreas de expansão agrícola na Amazônia Legal, geram uma série de impactos sociais, econômicos e ambientais. O entendimento destes processos pode permitir um melhor planejamento de políticas públicas a fim de monitorar e mapear áreas mais suscetíveis a problemas ambientais. Sendo assim, este trabalho teve como objetivo analisar a dinâmica de ocupação da Bacia do Rio Suiá-Miçu, um dos afluentes do Rio Xingu localizado ao norte do estado do Mato Grosso. Os mapas de uso e cobertura da terra para cada um dos períodos analisados (1973, 1984 e 2005) foram confeccionados com o auxílio de imagens dos sensores MSS/Landsat-1, TM/Landsat-5 e do sensor MODIS/Terra. Os resultados mostraram que até 1984, 13% da vegetação natural da bacia havia sido desflorestada, enquanto que em 2005 as atividades agrícolas já ocupavam 40% da área de estudo. Desta forma, tendo em vista as mudanças na paisagem observadas ao longo das últimas décadas, torna-se notória a necessidade urgente de estudos mais aprofundados visando a avaliação dos impactos ambientais, bem como a preservação dos recursos naturais na região.

Land use and land cover changes, as seen in the agricultural expansion areas in the Brazilian Legal Amazon, have as consequence several social, economic and environmental impacts. The understanding of these processes allows a better planning of public policies in order to monitor and map areas more susceptible to environmental problems. Hence, this work had as objective to analyze the land use/land cover changes dynamics in the Suiá-Miçu River Basin, located in the north part of Mato Grosso state, Brazil. The land use/land cover maps for each of the analyzed periods (1973, 1984 and 2005) were made using images from the MSS/Landsat-1, TM/Landsat-5 and the MODIS/Terra sensors. The results showed that until 1984, 13% of the natural vegetation of the watershed was deforested, while in 2005 the agricultural areas increased to around 40% of the study area. In that manner, the landscape changes observed along the last decades show the urgent need for studies in order to preserve the natural resources of the region.

A indústria de madeira tem dispensado especial atenção às etapas de classificação e seleção de madeira serrada. Sistemas de Visão Artificial têm sido propostos para automação dessas etapas na indústria. A identificação de características apropriadas para discriminar os defeitos da madeira em imagens digitais é um dos maiores desafios no desenvolvimento desta tecnologia. O objetivo deste trabalho foi avaliar, por meio de técnicas de análise multivariada, a capacidade de discriminar defeitos em tábuas de eucalipto, utilizando-se as características de percentis de imagens coloridas. Foram realizadas análises discriminantes linear e quadrática para classificação de defeitos e madeira limpa em imagens digitais de tábuas de eucaliptos. As características de percentis do histograma das bandas do vermelho, verde e azul, retiradas de dois tamanhos de blocos de imagens, foram utilizadas para desenvolvimento e teste das funções discriminantes. Foram usados 492 blocos, contendo os 12 defeitos estudados e madeira limpa, retirados das imagens de 40 tábuas amostradas aleatoriamente. As características foram analisadas com seus valores originais, escores dos componentes principais e escores das variáveis canônicas. Os menores erros globais de classificação foram 19 e 24% para funções discriminantes lineares com os escores das variáveis canônicas para tamanho de bloco de 64 x 64 e 32 x 32 pixels, respectivamente. Tendo em vista a magnitude desses erros, as características de percentis foram consideradas adequadas para discriminar defeitos e madeira limpa em imagens digitais.

The lumber industry has given special attention for lumber grading and selection stages. Machine Vision Systems have been proposed as a technological solution for automation of these stages. The proper feature selection for discriminating defect and clear wood is one of the most challenging in the development of such technology. The objective of this work was to evaluate, using multivariate analysis, the discriminating power of color images percents. In this work, linear and quadratic discriminant analysis were accomplished for classification of defects and clear wood in digital images of eucalyptus lumber. The percent features of the histogram for the red, green and blue bands, from two sizes of image blocks were used for developing and testing the discriminant functions. 492 blocks were used, containing the 12 studied defects and clear wood, derived from images of 40 lumbers randomly sampled. The features were analyzed with their original values, scores of the principal components and scores of the canonical variables. The smallest global misclassification errors were 19% and 24% for linear discriminant function with the canonical variable scores using block sizes of 64x64 and 32x32 pixels, respectively. The percent features were considered appropriate to discriminate defects and clear wood in digital images.