Inferência geográfica e dados multisensores para a identificação de cultivo de cacau na Transamazônica Paraense

Summarise with VIRAT
Authors: Guilherme Gomes Correia
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

A demanda por produtos agrícolas é crescente e, para atendê-la, tem-se observado uma relação conflituosa entre seus modos de produzir e a crescente necessidade de se estabelecer práticas que visem a conservação ambiental. A Amazônia é um dos locais em que este conflito está presente, sendo o cultivo do cacau (Theobroma cacao) manejado da forma tradicional, uma estratégia agrícola com grande potencial de conciliar interesses econômicos com a conservação do bioma. O cacau, juntamente com outros produtos agrícolas, passou a ser cultivado nas margens da BR-230 em pequenos imóveis rurais possuindo, assim, um importante papel como vetor de ocupação da região nos anos 1970. O manejo por sistemas agroflorestais (SAFs), presente desde a década de 1970, em que o plantio do cacau é associado com outras espécies arbóreas para o sombreamento provisório e/ou definitivo foi incentivo por órgãos governamentais através de concessão de crédito rural e assistência técnica. Outra forma de manejo é o cacau manejado à pleno-sol, introduzido na região a partir de 2015, com variedades clonais, sem sombreamento definitivo, constituindo-se uma monocultura que faz uso intensivo de agrotóxicos e outros insumos químicos. Atualmente, observa-se uma crescente expansão desse tipo de cultivo que substitui áreas de antigos SAFs de cacau, próximos do final do seu ciclo produtivo e áreas de floresta. Dessa maneira, é importante a identificação e discriminação dos tipos de cultivo de cacau, para que se possa efetuar seu monitoramento e avaliar possíveis impactos ambientais. O uso do sensoriamento remoto para identificação de áreas de cultivo de cacau do apresenta um grande obstáculo, que é o comportamento espectral do cacaueiro, muitas vezes semelhante ao de floresta primária e vegetação secundária. Este trabalho desenvolveu uma metodologia para a identificação de áreas de cultivo de cacau na região da Transamazônica (BR - 230), no estado do Pará. Primeiramente restringindo a área de classificação de cultivo de cacau com técnica de inferência geográfica e dados auxiliares para identificar áreas que com maior potencial de ocorrência do cultivo. Com base em série de imagens Sentinel 1 e 2 e algoritmo de aprendizado de máquina foram identificadas áreas de cultivo de cacau e diferenciá-las pelo seu manejo para o ano 2024. As áreas de alto potencial estão concentradas próximas ao distrito sede de Medicilândia, especialmente ao sul da BR-230. Entre 2018 e 2022, as áreas de alto potencial mantiveram-se estáveis em 47.000 ha, aproximadamente, enquanto houve aumento de área plantada segundo a Pesquisa Agrícola Municipal (PAM), indicando uma expansão em áreas de menor potencial, como pastagens e zonas de solos menos férteis para o cacau. Na classificação de imagens foi obtida acurácia global superior a 80%, as classes de cultivo de cacau obtiveram confusão essencialmente entre si, com menor confusão com classe de vegetação secundária do que relatado pela literatura. Usar imagens obtidas em épocas diferentes trás bom resultado para classificação, devido a variabilidade temporal. O uso de dados do Sentinel 1 não traz grandes avanços em acurácia, contudo auxilia na redução da incerteza, reduz o efeito de sal e pimenta, melhora geometria e continuidade dos polígonos, mas deve ser usado em complemento ao uso de imagens ópticas. ABSTRACT: The demand for agricultural products has been steadily increasing, and in response, a conflicting relationship has emerged between prevailing production methods and the growing need to adopt environmentally sustainable practices. The Amazon region exemplifies this conflict, where traditional cacao (Theobroma cacao) cultivation represents an agricultural strategy with considerable potential to reconcile economic interests with conservation of the biome. Cacao, along with other crops, began to be cultivated along the margins of highway BR-230 (Transamazon Highway) on small rural properties, thereby playing a significant role as a vector of regional occupation during the 1970s. Agroforestry systems (AFS) for cacao cultivation have been implemented since that decade, in which cacao is intercropped with other tree species providing temporary and/or permanent shade. This system was promoted by government agencies through the provision of rural credit and technical assistance. Another management approach, full-sun cacao cultivation, was introduced to the region around 2015. This method employs clonal varieties grown in monocultures without permanent shade and relies heavily on the use of agrochemicals and other chemical inputs. Currently, this type of cultivation has been expanding, replacing areas previously occupied by aging agroforestry cacao systems as well as forested areas. In this context, identifying and distinguishing cacao cultivation systems is essential for effective monitoring and evaluation of potential environmental impacts. However, remote sensing of cacao cultivation areas poses a major challenge due to the spectral behavior of cacao trees, which often resembles that of primary forest and secondary vegetation. This study developed a methodology for identifying cacao cultivation areas in the Transamazon region (BR-230), within the state of Pará, Brazil. Initially, geographic inference techniques and auxiliary data were used to spatially constrain the classification to areas with higher potential for cacao occurrence. Based on Sentinel-1 and Sentinel-2 imagery and machine learning algorithms, cacao cultivation areas were identified and classified according to management type for the year 2024. High-potential areas were found to be concentrated near the district seat of Medicilândia, particularly south of BR-230. Between 2018 and 2022, these high-potential areas remained stable at approximately 47,000 hectares. Meanwhile, data from the Municipal Agricultural Production Survey (PAM) indicated an increase in cultivated area, suggesting expansion into lower-potential zones such as pastures and soils less suitable for cacao. Image classification achieved an overall accuracy greater than 80%. Cacao classes presented confusion primarily among themselves, with less confusion with secondary vegetation than previously reported in the literature. The use of multitemporal imagery improved classification performance due to temporal variability. Although Sentinel-1 data did not significantly enhance classification accuracy, it contributed to reducing uncertainty, minimizing salt-and-pepper effects, and improving polygon geometry and continuity. Therefore, radar data should be used as a complementary input alongside optical imagery.

Fields of Study & Subjects

Remote Sensing in Agriculture Remote-Sensing Image Classification Remote Sensing and Land Use

Publication details

Journal / source
Biblioteca Digital da Memória Científica do INPE (National Institute for Space Research)
Publication date
1 January 2026
Language
PT
Document type
Thesis