O potencial do sensoriamento remoto SAR no mapeamento, discriminação de gêneros e estudo da dinâmica de floresta de mangue na região Amazônica.

Esta tese tem como objetivo geral abordar o potencial dos dados de sensores SAR para diferenciar gêneros de mangue através de dados polarimétricos, estimativa de biomassa através da estrutura dos bosques e em produzir mapas temáticos as florestas de mangue através do uso de imagens SAR multifrequência. Dados SAR polarimétricos (Radarsat2), multifrequência (banda X, C e L) foram utilizados para cumprir este objetivo. A área de estudo e a península de Ajuruteua, localizada no setor leste da Zona Costeira Amazônica. Os manguezais desta região são considerados preservados e estão presentes as espécies: Rhizophora mangle, Avicennia germinans, Avicennia schaueriana e Laguncularia racemosa, sendo a especie R. mangle a espécie dominante na região. Através de uma imagem polarimétrica Radarsat-2, banda C, foram avaliadas as respostas polarimétricas das parcelas com dominância dos dois principais gêneros ocorrentes na região (Rhizophora e Avicennia). Pela analise dos gráficos das respostas polarimétricas não foi possível definir um padrão por gênero que permitisse a diferenciação de gêneros através deste parâmetro. A análise do mecanismo de espalhamento foi realizada através das decomposições polarimétricas da matriz de coerência e covariância. No plano H-α todas as parcelas de vegetação foram classificadas na zona 5 de media entropia, zona atribuída ao espalhamento da vegetação e, na zona 6 de media entropia associada ao aumento da rugosidade superficial. Apenas a classe campos apresentou valor de H menor que as demais classes, o que a destacou das demais. As imagens dos mecanismos de espalhamento: double-bounce, volumétrico e superficial não permitiram a separação dos gêneros dominantes na região. Na serie temporal anual de imagens Sentinel1-A o comportamento do σ° nas polarizações VV e VH foi similar e não apresentou diferenças com relação a valores de biomassa total. As variações dos valores de retroespalhamento ao longo do ano foram relacionados as condições ambientais (precipitação e regime das mares), alterações no dossel (fenologia) e ao ângulo de incidência. Os valores de σ° foram maiores no período do mês de maio ao fim de agosto e no mesmo período os valores da razão σ°VH/σ°VV foram menores, reflexo da dinâmica do dossel dos manguezais da região visto que este período e marcado pela maior produção de serrapilheira, apesar da modesta oscilação (1,5 dB). O uso das imagens SAR multifrequência para classificação no Random Forest dos ambientes da península baseada teve o melhor índice Kappa com valor de 0,53 para o modelo que incluiu imagens Sentinel1-A e ALOS-PALSAR, com Kappa da classe mangue de 0.90. A classe mangue anão apresentou discordância global (ate 10%) mais alta que as demais, principalmente no tipo permuta com as classes mangue, planície hipersalina e outros, sendo que as duas ultimas tiveram os menores índices Kappa por classe em todas as classificações. A classe mangue apresentou discordância global de no máximo 5% e índice Kappa maior que 0,90 em todas as classificações. Diante do exposto, concluímos que a abordagem por gênero de mangue, mesmo com elevado n amostral, não produz diferenças significativas para a distinção dos gêneros através de técnicas polarimétricas, quer seja resposta polarimétrica ou técnicas de decomposição. Dois avanços podem ser ressaltados no estudo dos manguezais através de series temporais Sentinel-1A, a razão de polarização σ°VH/σ°VV esta relacionada a dinâmica do dossel e o uso de imagens trimestrais de estações diferentes para a classificação das florestas de mangue. Além de ser reconhecido o potencial de uso das imagens SAR para o mapeamento das florestas de mangue principalmente quando utilizadas séries temporais de sensores nas bandas C e L através de técnicas de aprendizado de maquina. das florestas de mangue. Além de ser reconhecido o potencial de uso das imagens SAR para o mapeamento das florestas de mangue principalmente quando utilizadas séries temporais de sensores nas bandas C e L através de técnicas de aprendizado de máquina.