Autor:
Sérgio Cumbula
Orientadora:
Co-orientador:
Autor:
Sérgio Cumbula
Orientadora:
O mangal vem sendo reconhecido como um ecossistema chave para a mitigação das
mudanças climáticas, dada a sua capacidade de sequestrar e armazenar carbono
atmosférico, porém, os actuais níveis de desmatamento fazem com que o carbono
armazenado no solo e na vegetação seja libertado para a atmosfera e desta forma
contribuir para as alterações climáticas. Neste contexto, o presente estudo pretende
estabelecer uma linha de base de desmatamento do mangal do estuário de Limpopo, de
modo a auxiliar nas ferramentas de mitigação no âmbito de REDD+. Para o efeito
seguiu-se uma abordagem multi-temporal, através de comparação simultânea de
imagens dos satélites Landsat 5 TM e Landsat 8 OLI obtidas para quatro anos (1990,
2000, 2010 e 2014). Para modelar e projectar as mudanças de cobertura da terra,
especialmente do mangal para 2030, utilizou-se o modelo Land Change Modeler
(LCM), com o pressuposto de que o cenário ecológico continuará assim até 2030. A
precisão estimada da classificação das imagens de satélites foi de 0,84 e 0,87 de índice
Kappa para 2010 e 2014 respectivamente. A análise dos resultados mostrou que, em 24
anos ocorreram mudanças significativas no Estuário do Limpopo, onde foi detectada
uma redução substancial da área do mangal na ordem de 13,88% (53,41 ha) da sua
extensão em 1990, sobretudo na região oriental do rio, embora, tenha-se verificado um
incremento positivo de 3,5%/ano (2,75 ha por ano) a partir do segundo subperíodo de
2000 a 2010. Os campos agrícolas e corpos de água foram os principais factores que
influenciaram as mudanças de cobertura do mangal, que converteram pouco mais de 7 e
6% do mangal respectivamente. A taxa de desmatamento líquida de mangal foi de
0,60%/ano (2,27 ha por ano). A manutenção florestal foi superior que a desmatamento e
a regeneração em todo período em análise. A previsão de uso e cobertura da terra para
2030, manteve a contínua redução de mangal, especialmente na região Norte e Oriental
do estuário. Por conseguinte, o estuário tem um enorme potencial para a implementação
de um projecto de REDD+.
i
ABSTRACT
The mangrove has been recognized as a key ecosystem for mitigating climate change,
due its ability to store carbon, however, the current deforestation levels make the carbon
stored in soil and vegetation to be released into the atmosphere and thus contribute for
dangerous climate change. In this context, this study aims to establish a baseline
mangrove deforestation of the Limpopo estuary in order to assist in the mitigation tools
in the REDD + scope. This study followed a multi-temporal approach through
simultaneous comparison of Landsat satellite 5 and Landsat TM 8 OLI obtained for four
years (1990, 2000, 2010 and 2014). To model and project the land cover changes,
especially the mangrove for 2030, was used the Land Change Modeler model (LCM),
with the assumption that the ecological scenario remains so until 2030. The estimated
accuracy of the satellite image classification it was 0.84 and 0.87 from Kappa index for
2010 and 2014 respectively. The results showed that in 24 years there have been
significant changes in the Firth of Limpopo, where it was detected a substantial
reduction in mangrove area in the order of 13.88% (53.41 ha) of its extent in 1990,
especially in the region East of the river, though, it has been a positive increase of 3.5%
/ year (2.75 ha per year) from the second decade. Agricultural fields and water bodies
were the main factors that influenced the mangrove cover change, who converted just
over 7 and 6% of mangrove respectively. The net rate of deforestation mangrove was
0.60% / year (2.27 ha per year). The forest maintenance was higher than that
deforestation and regeneration throughout the review period. The use of forecasting and
land cover in 2030, maintained a continuous reduction of mangrove, especially in the
northern and eastern region of the estuary. Therefore, the estuary has enormous
potential for the implementation of a REDD + project.
ii
AGRADECIMENTOS
À Professora Doutora Natasha Ribeiro pela reconhecida competência com que orientou
este Projecto Final, que muitas vezes renunciou outras actividades para dedicar parte do
seu tempo a transmitir as melhores práticas, ensinamentos, sugestões para desenvolver
um trabalho desta natureza, com paciência.
Ao amigo Leovigildo Teodoro Paulo, por ter ajudado bastante ao ceder-me o seu
computador para o processamento e análise de dados no IDRISI taiga. Ao Professor
Doutor Jemes Toledano da Universidade de Clark, agradecimento especial, por me ter
encorajado a usar o modelo Land Change Modeler em detrimento do Markov.
Seria insensato para mim terminar esse capítulo sem expressar o meu agradecimento
eterno aos meus “irmãos escolhidos”, os amigos: Sérgio Cossa, António Novela,
Fortunato Sefane, e Inácio Cumbane pelo apoio moral, material e financeiro, a eles
digo: obrigado, muito obrigado!
Aos meus amigos os Engenheiros: Julieta Jetimane, Jone Fernando Jr., Sá Nogueira
Lisboa, Severino Macôo, e Edson Massingue agradecimentos especiais em
disponibilidade permanente em ajudar-me. À dona Cândida Zita e a Enga. Rosta Mate,
agradecimento especial pelo apoio moral, e suporte fisiológico ao providenciar-me
almoço no decurso desta pesquisa.
Agradeço igualmente à todos os meus familiares e amigos, que directa ou
indirectamente deram o seu contributo para a materialização do presente trabalho,
especialmente a turma dos florestais de 2010, que sempre estivemos juntos no
desenvolvimento dos trabalhos, nas apresentações, portanto, uma grande companhia,
por isso, reservo especial agradecimento
iii
DEDICATÓRIA
iv
ÍNDICE
RESUMO .................................................................................................................................. i
ABSTRACT ............................................................................................................................. ii
AGRADECIMENTOS............................................................................................................. iii
DEDICATÓRIA ...................................................................................................................... iv
1. INTRODUÇÃO ................................................................................................................ 1
2.1.2. Análise multi-temporal das mudanças do uso da terra e cobertura de mangal ...... 5
2.2. Teledetecção.............................................................................................................. 8
v
3.1.2. Clima e relevo ....................................................................................................... 24
5. CONCLUSÕES .............................................................................................................. 49
6. RECOMENDAÇÕES ..................................................................................................... 50
vi
LISTA DE FIGURAS
Figura 3: Relação entre as bandas espectrais dos sensores remotos a bordo de satélites e a
reflectância dos alvos (objectos) naturais. ................................................................................ 13
Figura 5: Mapas de uso e cobertura da terra resultantes da classificação digital supervisada ..... 33
Figura 7: Dinâmica de cobertura florestal de mangal de 1990 a 2000, 2000 a 2010 e 2010 a 2014
e de 1990 a 2014. .................................................................................................................... 39
Figura 10: Dinâmica espácio-temporal do mangal no sub período de 2010 a 2014. .................. 42
Figura 11: Dinâmica espácio-temporal do mangal no total do período de 1990 a 2014. ............ 43
Figura 12: Mapa de uso de cobertura da terra de 2010 e projectado para 2030 ......................... 48
vii
LISTA DE TABELAS
Tabela 5: Desmatamento anual bruto e líquido do mangal ha/ano e respectivas taxas em %/ano.
................................................................................................................................. 45
viii
LISTA DE ANEXOS
Anexo 3: Mapeamento de uso e cobertura de terra de 2014 e simulado para mesmo ano
usado para validação do modelo................................................................... 64
ix
LISTA DE ACRONIMOS E SIGLAS
x
1. INTRODUÇÃO
1.1. Contextualização
Algumas calamidades naturais, de forma isolada e contínua modificam o ambiente, mas de forma
intencional e constante, é o homem que altera os ambientes artificiais e naturais, principalmente
as zonas costeiras (Souza, 2012). Desde o princípio da revolução industrial, as acções
antropogénicas vêm causando mudanças ambientais em dimensões cada vez maiores, com
grandes impactos sobre a biosfera e a atmosfera (Houghton, 1995). Entre estas acções, as
mudanças no uso e cobertura da terra podem ser citadas como as mais significativas (Torres,
2011).
A mudança na cobertura florestal do mangal é uma das questões de preocupação global (Roy et
al., 2002), devido à sua capacidade de intervenção no ciclo do carbono (Kuenzer et al, 2011),
hidrológico, bem como no fornecimento de uma variedade de bens e serviços para o bem-estar
das comunidades costeiras (Poffenberger e Hanssen, 2009; Primaveras, 2005). Entretanto, os
mangais, assim como, outros recursos naturais, estão em declínio por causa da influência de
perturbação natural e da intervenção humana (Serra, 2012; Balidy et al, 2007).
Nesse contexto, na 16 a Conferência das Partes no âmbito do Quadro das Nações Unidas para
Convenção das Mudanças Climáticas (UNFCCC COP 16) em Cancun 2010 suscitou uma
considerável discussão entre observadores, cientistas, e decisores políticos, sobre a importância
de incluir os mangais em programas de REDD + (King, 2012; Murray et al., 2011). REDD+ é
1
visto como um mecanismo que visa compensar os países em desenvolvimento pela contenção da
conversão das florestas e pela implementação de medidas tendentes a aumentar a capacidade de
sequestro do carbono (Nhantumbo, 2012).
Moçambique é um dos poucos países da região tropical que ainda detém uma considerável área
de cobertura florestal de mangal com pouco mais de 305400 ha (Fatoyinbo e Simard, 2013),
porém, com altas taxas de desmatamento 0,7% por ano (Marzoli, 2007), o que sugere um enorme
potencial para implementação de projectos de REDD+ (Da Fonseca et al., 2007).
Por outro lado, o Posto Administrativo de Zongoene é fortemente influenciada pelas mudanças
climáticas, devido à sua localização geográfica (Matavel, 2012). Portanto, este fenómeno pode
ser notável nos seus ecossistemas através de modificações constantes (Balidy et al., 2008). A
título de exemplo: no ano 2000, uma parte considerável do mangal na foz do rio Limpopo, em
Zongoene foi completamente destruída devido às inundações (Balidy et al., 2005).
2
Portanto, o uso de mecanismos compensatórios pode ser uma solução pontual para a redução das
emissões por desmatamento e degradação florestal do mangal, consequentemente das alterações
climáticas, com co-benefícios para as comunidades costeiras (Poffenberger e Hanssen, 2009).
Moçambique ainda está na fase de preparação e identificação de potenciais áreas florestais para
implementação do mecanismo REDD (MICOA, 2010). Entretanto, há poucos projectos de
REDD + de mangal em preparação à escala nacional ou sub-nacional, devido à falta de
metodologias de certificação adequadas, fraca capacidade institucional, bem como a ausência de
uma base de dados de taxas de desmatamento (King, 2012). Portanto, no país os projectos de
demonstração de carbono têm-se centrados em ecossistemas terrestres, sobretudo em miombo,
apesar de estudos recentes mostrarem que os ecossistemas costeiros são sumidouros eficientes do
carbono atmosférico.
Diante do exposto, surge o interesse pelo seu estudo e a busca de informações cartográficas
confiáveis visando mapear, estimar as taxas de mudanças do mangal do estuário do Limpopo ao
longo dos últimos vinte e quatro (24) anos, bem como prognosticar mudanças para os próximos
vinte anos, de modo a contribuir para o conhecimento de linha base de desmatamento, que é um
dos requisitos fundamentais para que uma determinada área seja elegível no âmbito de REDD.
1.3. Objectivos
O objectivo principal deste trabalho é de estabelecer uma linha de base de desmatamento do
mangal do Estuário de Limpopo entre os anos 1990 a 2014. Assim, ao longo desta pesquisa
pretende-se alcançar os seguintes objectivos específicos:
• Detectar as mudanças de cobertura florestal de mangal entre os períodos de 1990 a 2000,
2000 a 2010, 2010 a 2014 e 1990 a 2014;
• Analisar a dinâmica espácio-temporal do mangal entre os períodos 1990 a 2000; 2000 a
2010, 2010 a 2014 e 1990 a 2014;
• Estimar a taxa de desmatamento do mangal ao longo do período em análise; e
• Prognosticar mudanças de uso e cobertura da terra evidenciando a cobertura do mangal
para os próximos 20 anos.
3
2. REVISÃO BIBLIOGRÁFICA
2.1. Mangal
Estas formações apresentam ampla distribuição ao longo do planeta, ocorrendo nas zonas
tropicais e subtropicais onde as condições topográficas e físicas do substrato são propícias ao seu
desenvolvimento (Chevallier, 2013; SEMADS, 2001). As maiores extensões de florestas do
mangal no mundo encontram-se na região Indopacífica, concretamente na Indonésia, Austrália,
Brasil e México (Giri et al, 2011).
Em África estão presentes na região Atlântica sobretudo, na costa nigeriana e na Guine Bissau
representando 70% do total do mangal em África (Chevallier, 2013). De acordo com a FAO
(2007), Moçambique possui a maior extensão do mangal de África depois da Nigéria, e a maior
na África oriental. Entretanto, Giri et al., (2011), afirma que Moçambique possui a terceira maior
extensão de África (318581 ha) depois da Nigéria e Guine Bissau com 653669 e 338652 ha
respectivamente, e a 13 a no ranking global. Não obstante, em um estudo recente publicado por
Fatoyinbo e Simard (2013), Moçambique detém a segunda maior extensão de África (305400 ha)
depois da Nigéria com 857300 ha.
Em Moçambique, os mangais ocorrem em quase toda costa, desde o rio Rovuma ao Maputo
(Marzoli, 2007; Hoguane, 2007). Na costa moçambicana, as formações de mangais predominam
na região Norte e Centro do país concretamente, nas províncias de Nampula, Zambézia e Sofala
(Langa, 2007). MICOA (2009), justifica que, as maiores florestas de mangal ocorrem no Centro
do país, devido às descargas de água doce considerável de cerca de 18 rios incluindo os Deltas
do Zambeze, Pungue, Save e Búzi. Com base em uma pesquisa recente, 28% da extensão do
4
mangal em Moçambique ocorre no delta do Zambeze (81521 a 110908 ha) (Bandeira et al.,
2012).
No Norte é encontrado desde rio Rovuma até Angoche, mas particularmente bem desenvolvido
à volta do Lumbo, Ibo-Quissanga e Baía de Pemba (MICOA, 2009).
Na foz do rio Limpopo (Zongoene) a espécie Avicennia marina é dominante, mas também
ocorrem as espécies Rhizophora mucronata, Bruguiera gymnorrhiza, e Heritiera littoralis Aiton
(Balidy et al., 2005).
Para Briassoulis (2000) o termo “mudança de uso do solo” significa transformações quantitativas
na área, podendo ser aumento ou diminuição de um dado tipo de uso do solo. Ela pode envolver
5
conversão de um uso em outro, tais como de mangal para agricultura, ou modificação de um
certo tipo de uso, tais como mudanças de mangal denso para mangal aberto, etc (Almeida et al.,
2005).
Saket e Matusse (1994) utilizaram fotografias aéreas para analisar a taxa de desmatamento da
vegetação do mangal em Moçambique. Utilizaram uma série temporal empregando a
interpretação visual. Como resultados dessa pesquisa, os autores constataram que a taxa de
desmatamento dos mangais num período de 18 anos era de 2,9% ou 0,16% anuais para toda
costa. Entretanto, a província de Gaza tinha uma taxa de desmatamento de zero (0) %.
Ouana (2002) efectuou uma análise multi-temporal com imagens do satélite Landsat 5 TM,
visando detectar mudanças no uso da terra e cobertura do mangal na faixa costeira de
Marracuene. Nesse estudo, utilizou técnicas de classificação por interpretação visual, e constatou
que a cobertura do mangal sofria uma grande influência da acção humana, e a ocupação do
espaço era basicamente para prática de agricultura familiar, construção e exploração de
combustível lenhoso.
Marzoli (2007) fez uma análise multi-temporal da cobertura florestal do mangal, para toda costa
moçambicana, com imagens de Satélite Landsat MSS e TM dos anos de 1972, 1990 e 2004
respectivamente. Para o efeito, utilizou a classificação automática supervisada, e verificou que a
área total dos mangais reduziu de 408000 ha em 1972 para 357000 ha em 2004, com uma perda
total de 51000 ha num período de 32 anos. Adicionalmente, o decréscimo da área aumentou de
67 ha por ano (0.2% por ano) entre 1972 e 1990, para 217 ha por ano (0.7% por ano) entre 1990
e 2004.
Fatoyinbo et al. (2008) efectuaram uma abordagem multi-temporal para analisar a dinâmica do
mangal para todo país com imagens dos sensores MSS, TM e ETM+ dos anos 1978, 1990, 1999
e 2002, aplicando algoritmo máxima verossimilhança, e verificaram uma subestimativa da
cobertura do mangal 290900 ha e 350 ha em 1990 para todo país e para província de Gaza
respectivamente, em relação ao estudo de Saket e Matusse (1994) que encontraram 396000 ha e
387 ha respectivamente. E concluíram que a extensão do mangal decrescia em toda costa
salvando as províncias de Maputo, Inhambane, Gaza e Cabo Delgado, que era estável.
6
José (2009) apresentou um mapeamento multi-temporal da cobertura do mangal do estuário de
Limpopo através das imagens do satélite Landsat 5 TM, entre 1997- 2004, e verificou que a área
de mangal reduziu 36,55% de 1997 a 2001 e 1,49% de 2001 a 2004.
Luís (2011) ao analisar a pressão sobre a remanescente cobertura do mangal existente nas regiões
de praia Nova, estuário do rio Pungue, rio Maria e na faixa costeira do Savane (cidade da Beira),
identificou o actual uso de solo e analisou as tendências de cobertura do mangal ao longo do
tempo, com imagens do sensor MSS e ETM+ dos anos 1979, 1986, 2006 e 2010. E concluiu que
do mangal existente em 1979 apenas 45 % permanecem nos dias de hoje. E que até 2020 a
cidade da Beira terá cerca de - 43,8% de áreas cobertas por mangais em relação a 1979.
Suppasri et al., (2012) usaram uma abordagem multi-temporal (2003, 2005, 2006 e 2010) para
monitorar a reabilitação do mangal na costa Tailandesa, após o tsunami de 2004. Para tal
empregaram uma classificação visual, e verificaram que, a partir de 2006 a cobertura do mangal
aproximava-se a de 2003 antes do tsunami.
Sitoe (2013) analisou o aspecto temporal e espacial da cobertura do mangal no bairro de Costa
do Sol com imagens do satélite Landsat 5 TM dos anos 1991, 2001 e 2011. E concluiu que a
expansão das áreas urbanas e agrícolas foram as principais causas de degradação do mangal do
Costa do Sol.
7
De acordo com Moye e Nazerali (2010) a participação de Moçambique em projectos de REDD+
é limitada devido à falta de conhecimento das oportunidades de Mecanismos de
Desenvolvimento Limpo, a inexistência de uma definição nacional adequada de floresta sob
Mecanismo de Desenvolvimento Limpo. Além disso, pouco tem sido feito para avaliar se os
projectos de carbono em áreas de conservação são tecnicamente e/ou financeiramente viáveis
(Chevallier, 2013).
2.2. Teledetecção
Historicamente, existem diversas definições referentes à Teledetecção. Algumas são mais
apropriadas que outras quando se olha do ponto de vista do usuário de imagens satélite (Santos,
2013). Jensen (2009); Moraes (2002a) entendem Teledetecção como sendo a arte e a ciência de
obter informação sobre um objecto sem estar em contacto físico directo com ele.
Entretanto, para Santos (2013) esta definição peca pela amplitude, abrangendo um vasto campo
de tecnologias, por exemplo, um telescópio permite aquisição de informações sobre objectos (ex:
astros) sem que haja qualquer espécie de contacto físico com eles, portanto, um telescópio seria
um sensor remoto. O mesmo autor realça que, seguindo a definição proposta pelo Jensen (2009),
Moraes (2002a) o olho humano também pode ser considerado um sensor remoto.
Não obstante, neste estudo deseja-se relacionar o termo Teledetecção à aquisição de informações
nas quais o ser humano não é parte essencial do processo de detecção e registo dos dados, pois o
8
olho humano só consegue obter informações sobre objectos da superfície na pequena porção da
região do visível do espectro electromagnético (Sahu, 2008). Por conseguinte, com base na
restrição anterior Florenzano (2008) e Ponzoni (2002), apresentam uma definição mais científica
que diz “Teledetecção é uma ciência que visa o desenvolvimento da obtenção de imagens da
superfície terrestre por meio da detecção e medição quantitativa das respostas das interacções
da radiação electromagnética com os materiais terrestres”.
Para Meneses et al. (2012) essa definição é explícita em afirmar que o objecto observado é
registado pelo sensor por meio de medições da radiação electromagnética (REM), tal como a luz
solar reflectida da superfície de qualquer objecto. A REM é o veículo que leva as informações
das características das feições terrestres até aos satélites (Figueiredo, 2005). Para Ferrão (2003);
Moraes (2002a) nenhum outro tipo de sensor que obtenha imagens que não seja pela detecção da
radiação electromagnética deve ser classificado como Detecção Remota.
Esta definição mais restritiva, caracteriza-se como instrumento sensor os equipamentos capazes
de colectar energia proveniente do objecto, convertê-la em sinal passível de registo e apresentá-
lo em forma adequada ao seu processamento (Atunes, s/d). De acordo com sua fonte de radiação,
os sensores podem ser classificados em dois grupos: sensores activos e passivos (Ferrari, 2008).
Os sensores que medem a radiação reflectida pelos alvos, proveniente de uma fonte externa (sol),
são chamados passivos, pois não possuem uma radiação própria, dependendo de iluminação
externa (Ferrão, 2003), e os que possuem uma fonte de radiação, isto é, não dependem de uma
fonte externa de iluminação para irradiar o alvo, são denominados activos (Moreira, 2001),
sendo que este tipo de sensor utilizam REM artificial, produzida por radares instalados nos
próprios satélites, razão pela qual podem ser operados sob qualquer condição atmosférica,
entretanto, o processo de interacção com os alvos não capta, tão detalhadamente quanto os
sensores passivos, informações sobre as características físicas e químicas das feições terrestres
(Figueiredo, 2005).
De acordo com Ferrão (2003) a habilidade dos sensores registarem as informações em detalhe
nas distintas curvas de reflectância espectral (resolução) depende da sua capacidade de distinguir
9
as variações da energia electromagnética, discriminar o detalhe espacial, espectral, radiométrica
e, ainda, a frequência da sua passagem sobre o mesmo objecto.
10
Para Meneses et al. (2012) esse conceito de dualidade é extremamente importante para a
Teledetecção, pois sempre que alguém estiver analisando qualquer tipo de imagem de detecção
remota, a coexistência da radiação electromagnética na forma de onda e na forma de energia
deverá ser considerada para que se possa explicar tudo o que se observa nas imagens com
referência às características dos objectos.
V = f (1)
Onde:
V = velocidade da onda: constante que abrange a “velocidade da luz”
(aproximadamente 3x10 8 m/s);
f = frequência da onda: número de ciclos por segundo passando por determinado
ponto;
λ = comprimento de onda: distância entre dois picos sucessivos.
11
Fonte: Ferrão (2003).
Figura 2: Espectro electromagnético
Conforme Moraes (2002a) estas diferentes interacções da REM com os alvos naturais são
fundamentais, pois, possibilitam a distinção e o reconhecimento dos diversos objectos terrestres
detectados remotamente através da variação da percentagem de energia reflectida em cada
comprimento de onda. Figura 3
12
Fonte: Sausen (2010).
Figura 3: Relação entre as bandas espectrais dos sensores remotos a bordo de satélites e a
reflectância dos alvos (objectos) naturais.
Silva et al. (2012) ao analisar as características espectrais das folhas do Eucalyptus grandis
constataram que para as folhas verdes e saudáveis a reflectância era aproximadamente de 5% no
comprimento de onda 0, 45 μm e 0,65 μm, correspondente a região do azul e do vermelho
13
respectivamente, além de um pico no verde de 8,5% em 0, 55 μm. Na porção do Infravermelho
próximo (0,7 a 1,3µm), o comportamento espectral é caracterizado pela pequena absorção e alto
espalhamento na folha, devido à interacção da energia com a estrutura do mesofilo da folha,
resultando numa alta reflectância para esta região (Silva, 2012).
Santos (2013) esclarece que a subida acentuada da curva de reflectância nesse espectro, é
provocada pela perda de absorção de fotões pelos pigmentos. Da mesma forma, Knipling (1970)
ressalta que nessa região cerca de 50% da radiação é reflectida, pois, as plantas possuem um
mecanismo de baixa absorção e grande reflexão e transmissão da energia incidente. Por isso, nas
imagens satélite a vegetação verde e saudável aparece de cor vermelha, numa combinação falsa
de cores (Ferrão, 2003). Já no infravermelho médio, a água domina a reflectância espectral da
folha, pois absorve significativamente a radiação incidente entre 1,3 a 2,0 µm (Epiphanio et al.,
1992).
Silva (2012) esclarece que a reflectância espectral da folha aumenta com a diminuição do
conteúdo de água, pois, a insuficiência da água na folha, provoca degradação das proteínas e dos
pigmentos na sua estrutura, portanto, absorve pouca radiação, e aumenta os valores de factor de
reflectância.
Ponzoni (2002) afirma que, a folha é o principal elemento da vegetação sob o ponto de vista do
processo de interacção com a REM, portanto, espera-se que muito do que foi exposto referente
às características de reflectância das folhas, também seja válido para as dos dosséis. Todavia, o
comportamento espectral de uma cobertura vegetal tem algumas diferenças quando comparadas
a uma folha isolada (Figueiredo, 2005). Pois, a reflectância do dossel é influenciada pelo tipo de
solo, atmosfera e tipo de vegetação, número de estratos e a distribuição angular das folhas no
interior do dossel, a distribuição das diferentes partes do dossel, como, troncos, galhos, além das
condições da geometria de iluminação e visada, que também influenciam as folhas isoladamente
(Gao et al., 2000).
A humidade do solo, por sua vez, é inversamente proporcional á reflectância do solo no intervalo
de comprimento de onda, ou seja, quanto maior for a humidade encontrada no solo, menor será a
reflectância deste, uma vez que a presença de água provoca maior absorção da radiação incidente
(Beltrame, 2008). Bowers e Hanks (1965), na sua pesquisa de laboratório notaram uma
diminuição na reflectância de um tipo de solo para seis teores crescentes de humidade no
intervalo de 0,5 a 2,5 µm.
15
Considerando a granulometria, IBGE (2001) esclarece que, os solos arenosos tendem a
apresentar maior reflectância do que os argilosos, pois, são mais pobres em matéria orgânica,
óxidos de ferro e minerais opacos, constituintes que reduzem a reflectância dos solos em relação
a vegetação. Por outro lado, Bowers e Hanks (1965) na mesma pesquisa de laboratório, mediram
a reflectância da caulinita pura em várias fracções de tamanhos de partículas entre silte grosso
até areia muito grossa e constataram que houve um aumento brusco na reflectância em todos os
comprimentos de onda entre 0,4 e 1,0μm, a medida em que se diminuía o tamanho das partículas.
O óxido de ferro é o que confere ao solo sua coloração vermelha ferrugem e, em geral,
apresentam maior absorção na região do infravermelho e maior reflectância na faixa do vermelho
(Beltrame, 2008). O aumento da capacidade de troca catiónica também aumenta a absorção da
REM em todo espectro reflexivo (Figueiredo, 2005).
A água pura, ou seja, que não contém matéria orgânica ou inorgânica apresenta um
comportamento espectral próprio, absorvendo e/ou espalhando selectivamente a radiação
incidente ou a luz solar descendente na coluna de água, promovendo alterações tanto na sua
intensidade quanto na sua composição espectral (Watanabe, 2012). Ela apresenta uma
reflectância baixa entre 0,38 e 0,7 µm absorvendo toda a radiação acima de 0,7 µm (IBGE,
2001). Conforme Piromal (2006), a reflectância da água pura é máxima na região do azul e
decresce exponencialmente em direcção ao infravermelho.
Da mesma forma Watanade (2012), esclarece que, o espalhamento molecular da luz violeta e
azul e a significativa absorção da luz nos comprimentos de onda do verde, amarelo, laranja e
vermelho (0,52 – 0,70 µm) pela água são responsáveis pela coloração azulada da água pura.
Entretanto, o espectro reflexivo da água pura é alterado pela presença de materiais orgânicos ou
inorgânicos (Barbosa, 2006).
16
Han (1997); Karabulut e Ceylan (2005) usando um espectro-radiómetro no laboratório,
constataram que, o aumento da concentração dos organismos vivos (fitoplâncton, zooplancton e
bacterioplancton), ocorre o aumento de pigmentos fotossintetizantes, que causam uma
diminuição constante da energia reflectida pela água, o máximo de reflectância da água muda
gradualmente do azul para o verde (devido à maior absorção nas regiões do azul e vermelho). Ao
mesmo tempo em que ocorre um aumento da reflectância em 680 nm, referente à emissão
associada à fluorescência da clorofila.
2.2.3.1. Pré-processamento
Na etapa de pré-processamento, procura-se corrigir imperfeições atmosférica, radiométricas
oriundas das diferenças de sensibilidade existente entre os diferentes detectores que captaram a
REM (Richards e Jia, 2005), assim como erros de ordem geométricas ou espacial, as quais se
referem ao posicionamento dos pixels dentro das imagens, de forma a garantir uma aceitável
representatividade dos pontos no terreno em relação aos padrões cartográficos estabelecidos
(Novo, 2001). Esta etapa desempenha um papel primordial no processamento das imagens
digitais, pois, nas etapas subsequentes, tais como as transformações de realces espectrais, essas
imperfeições seriam também realçadas (Cunha, 2009). No entanto, a ordem da correcção da
imagem depende dos objectivos do trabalho ou da pesquisa que o intérprete propôs fazer,
17
podendo iniciar pela correcção radiométrica, atmosférica ou geométrica, ou todas serem
realizadas (Meneses et al., 2012).
Por outro lado, alguns autores clássicos como o Zeilhofer (1996); Lillesand e Kiefer (1994)
citados por Barbosa (2009) consideram as distorções provocadas pelas condições atmosféricas
como sendo imperfeições radiométricas.
Para a correcção dessas imperfeições (striping) é assumido que os detectores de uma banda
produzam sinais estatisticamente similares, ou seja, que não mudem significativamente a sua
média e desvio padrão dentro de um espaço equivalente às linhas imageadas pelo conjunto de
detectores (Figueiredo, 2005). Esta calibração pode ser feita através da regressão linear e/ou
conversão da radiância para valores de reflectâncias (Chander et al., 2009). Não obstante, alguns
18
autores como Chander et al. (2004); Teillet et al (2001), esclarecem que o procedimento de
regressão não chegou a representar ganhos para os detectores para a maior parte da série do
Landsat, portanto, este foi utilizado até 2003 para gerar produtos de dados Landsat 5 TM e ainda
é usado para gerar produtos Landsat 4 TM.
Eastman (1998), adverte que para propósitos de mapeamento é essencial que as imagens de
detecção remota sejam georreferenciadas com exactidão ao mapa proposto como base. Porque as
imagens originais contêm tantas e significativas distorções que não podem ser sobrepostas
directamente a dados de origem cartográfica num sistema de informações geográficas (Toutin,
2004). Para a corrigir as imperfeições geométricas, geralmente utiliza-se modelo polinomial,
cujos coeficientes são estimados a partir de pontos de controlo facilmente identificáveis na
imagem, e com localização geodésica precisamente conhecida (Chuvieco, 1990), ou através de
posicionamento das imagens no espaço, atribuindo-lhes coordenadas geodésicas relacionadas a
um sistema de projecção da superfície terrestre (Richards e Jia, 2006).
O primeiro considera que os atributos dos objectos possuem comportamento aleatório, podendo
ser descritos por funções de distribuição de probabilidade, enquanto, o segundo presume que o
comportamento dos atributos das classes não é aleatório e pode ser descrito por funções que
assumem valores bem definidos de acordo com a classe (Rizzi, 2004). De acordo com o tipo de
treinamento a classificação digital das imagens pode ser categorizada em supervisada e não-
supervisada (Dias, 2010).
A classificação não supervisada é útil quando, a priori, o analista não possui conhecimento da
área de estudo, buscando eliminar a subjectividade do processo de obtenção das amostras de
áreas (Barbosa, 2009). Nos algoritmos não supervisados, é fornecido somente o número de
classes que se pretende fraccionar a imagem e o algoritmo decide sobre a natureza de cada pixel
segundo critérios estatísticos (Novo, 2001). Não obstante, as classes espectrais geradas numa
classificação não-supervisada podem ou não coincidir com as classes de interesse, pois, trata -se
de uma operação exploratória para verificar o que é estatisticamente separável ou não, quais as
classes mais evidentes e sua relação com o que se deseja discriminar (IBGE, 2001).
Ademais, Noguchi (2004) ressalta que, esta classificação pode ser útil também para determinar a
composição da classe espectral dos dados antes da análise detalhada pela utilização de métodos
de classificação supervisada, sendo possível avaliar a potencialidade de discriminação de classes.
Conforme Chuvieco (1990), existem diversas opções de algoritmos de agrupamento, porém, o
ISODATA (Iterative Self Organizing Data Analysis) é mais utilizado. Este algoritmo, utiliza a
distância espectral mínima para nomear um agrupamento para cada pixel. Este algoritmo é dito
iterativo, pois, repetidamente executa uma classificação completa e recalcula estatísticas
(Chuvieco, 1990).
20
Ao contrário da classificação anterior, a supervisada é utilizada quando se tem algum
conhecimento prévio sobre as classes na imagem, ou seja, o usuário identifica alguns pixels
(amostragem) e essas amostras são usadas pelos algoritmos de classificação para localizar os
demais e os relaciona a determinada classe (Figueiredo, 2005). Rizzi (2004) ressalta que, para
que a classificação seja bem-sucedida, é imperioso que as amostras de treinamento sejam
homogéneas e representativas das classes de interesse. Dentre os diversos algoritmos utilizados
nos procedimentos de classificação supervisada, o máxima verossimilhança (MAXVER) merece
destaque pela sua eficiência (Brites, 1996). Adicionalmente, IBGE (2001), ressalta que o
MAXVER é uma técnica mais robusta do que o paralelepípedo e mínima distancia por levar em
conta a co-variância na definição das elipses de equiprobabilidade.
Kirui et al. (2011) usaram a classificação digital de dados Landsat-TM na região do visível e
infravermelho próximo, para complementar a detecção e mapeamento do mangal na costa
queniana, obtendo resultados muito bons, 87,5% de exactidão global. Silva et al. (2012),
comparando os classificadores supervisados MAXVER e Krigagem Indicativa para mapear as
áreas cultivadas com citrinos obtiveram melhores resultados com MAXVER. Da mesma forma,
Luis (2011); Mensah (2013), também obtiveram uma classificação precisa 84% e 79,3% de
índice Kappa com algoritmo MAXVER ao mapear o uso do solo e cobertura do mangal na
cidade da Beira e Ellembelle-Ghana respectivamente.
21
as variáveis do modelo, a partir da suposição de que os relacionamentos observados no passado
continuarão no futuro. Modelos de sistemas são descrições matemáticas de processos complexos
que interagem entre si, enfatizando as interações entre todos os componentes de um sistema.
Entretanto, nesta secção será descrito de forma sintética modelos de sistema, em especial ao
modelo espacial dinâmico o Land Change Modeller (LCM), o qual faz parte da metodologia
deste trabalho. Modelo espacial dinâmico, é aquele que possui uma dimensão temporal explícita,
se suas entradas e saídas variam com o tempo, e se seus estados dependem de estados anteriores
(Pedrosa 2004).
Ademais, alguns estudos têm apresentado abordagens comparativas entre os modeladores LCM,
DINAMICA EGO e GEOMOD para modelos de desmatamento (Follador et al., 2008; Fuller et
al., 2011; Péres-Vega et al., 2012; Lima et al., 2013). Follador et al. (2008) indicam melhor
performance do DINAMICA em termos de alocação espacial das mudanças. Fuller et al. (2011),
constataram que o LCM era o mais robusto na alocação das mudanças que o DINAMICA EGO e
o GEOMOD.
Péres-Vega et al. (2012) obtiveram melhor desempenho relativo na predição do mapa global de
potenciais de mudanças para mais de uma transição com o LCM. Da mesma forma, Lima et al.
(2013), com LCM obtiveram um índice de acertos (Índice Kappa) aproximadamente ao dobro
daquele obtido pelo DINAMICA, 0,432 e 0,212 respectivamente.
22
2.2.4.1. Land Change Modeller (LCM)
O LCM foi desenvolvido pelo Clarck Labs (Eastman 2009), e é voltado para análises que
envolvem alterações do uso e cobertura da terra e suas implicações sobre o habitat e a
biodiversidade (Clarck, 2009). Na sua versão actual, também está disponível no Software
ArcGIS da ESRI como extensão (Paegelow e Camacho, 2008). Esse sistema dispõe de
ferramentas capazes de auxiliar os modeladores na mensuração das áreas de mudança,
persistência e de realizar a predição da mudança a partir da análise de informações de uso e/ou
cobertura da terra multi-temporais (Johnson, 2009).
A alocação da mudança pode ser realizada por meio do método soft prediction ou do método
hard prediction. No primeiro é feita a caracterização do pixel quanto a maior probabilidade de
mudança, resultando em um mapa de vulnerabilidade à mudança, criando uma classificação das
áreas menos propensas e as mais propensas à mudança. Enquanto, no segundo é utilizado um
algoritmo de multicritério para gerar um cenário de mudança rígido, resultando num mapa para o
tempo futuro com as mesmas classes dos mapas de entrada (Eastman, 2009).
23
3. MATERIAIS E MÉTODOS
24
é de Abril a Outubro. No verão, esta zona é influenciada por depressões tropicais continentais
que se formam no Sudeste e trazem chuvas fortes. A temperatura média mínima anual é de 20,2
0C e a temperatura média máxima anual é de 30,9 0 C. A precipitação média anual varia de 825
mm a 1145 mm, decrescendo muito rapidamente da costa para o interior (UNEP, 1998).
O relevo da área caracteriza-se por planícies do litoral, praias de areias finas e brancas, com
dunas costeiras parabólicas bastante altas com pouco mais de 125 m de altitude (UNEP, 1998).
Os solos desta região possuem uma estrutura variada, porém maioritariamente são arenosos
(Balidy, 2008).
25
2005). A densidade populacional na bacia do Limpopo onde faz parte o posto Administrativo de
Zongoene é de uma pessoa por Km2 (Matavel, 2012).
O posto administrativo (PA) de Zongoene, sobretudo na região estuarina local de estudo possui
solos muito férteis com boas condições para a prática de agricultura e isso faz com que a
agricultura seja a principal actividade económica (Matavel, 2012). Vale realçar que, o actual uso
do solo indica que mais de 50% das terras deste posto foram transformadas em áreas de cultivo
agrícola (Balidy e Mahumane, 2008). Ainda os mesmos autores, complementam que, apesar das
potencialidades para o desenvolvimento agrícola que o posto apresenta, na região não existe
agricultura comercial, sendo a de subsistência a mais comum e feita manualmente com recurso a
tecnologia rudimentar. O cultivo é principalmente em zonas baixas, que são muito férteis, mas
também é feito nas dunas costeiras, em solos com alta permeabilidade e pobres em nutrientes,
não aconselháveis para o cultivo agrícola. O milho, a mandioca, o arroz, a batata -doce, os
feijões, o amendoim e as hortícolas constituem as principais culturas em Zongoene.
Conforme Matavel (2012), a pesca é uma das actividades económicas mais importantes no PA de
Zongoene depois da agricultura. Isso deve-se à sua localização geográfica e estratégica, na foz do
rio Limpopo e na zona costeira da província. A pesca é exclusivamente praticada pelos homens e
rapazes, as mulheres participam através da venda do pescado. Esta actividade é desenvolvida ao
longo do rio Limpopo (na foz, no caudal, nos canais e afluentes), no mar e nas lagoas interiores.
A exploração dos recursos florestais é usada como das alternativas de rendimento familiar, sendo
esta uma actividade suplementar a outras como agricultura, pecuária, comércio formal e pesca.
De entre os principais produtos florestais explorados inclui o corte de estacas (mangal e outras
espécies florestais), caniço, capim, combustível lenhoso. A exploração dos produtos florestais
basicamente destina-se ao consumo familiar, porém parte não significante pode ser vendido
localmente (Balidy e Mahumane, 2008).
26
3.3. Metodologia
• Importação das imagens landsat (em formato TIF) para o IDRISI Taiga (formato. rst);
• Projecção das imagens Landsat de 1990, 2000, 2010 e 2014 de UTM36N para UTM36S;
• Importação dos shapefile limite da região estuarina do rio Limpopo, aldeias e vias de
acesso (formato. shp) para o IDRISI Taiga (formato. vct);
• Projecção dos temas vectoriais limite do Estuário, aldeias e vias de acesso de região
estuarina do rio Limpopo que se encontravam numa projecção geográfica para UTM 36S;
e
• Conversão para raster dos temas vectoriais limite da região estuarina do rio Limpopo,
aldeias e vias de acessos da área de estudo com base na funcionalidade
RASTERVECTOR, pois, a maioria dos módulos do IDRISI Taiga só processa temas
raster.
27
3.3.2.2. Calibração radiométrica
A transformação em valores de reflectâncias é uma das técnicas usadas para normalizar as
diferenças entre as imagens de diferentes datas, permitindo a sua comparação (Chander et al.,
2009). Esta consistiu na conversão de números digitais em radiância para todas as bandas
multiespectrais a partir da equação 2, posteriormente, transformou-se a radiância de cada banda
em valores de reflectâncias com base na equação 3 baseando-se nos coeficientes actualizados de
Chander et al. (2009) para serie Landsat.
( L max − L min )
L = (Qcal − Qcal min ) + L min (2)
(Qcal max − Qcal min )
L d 2
= (3)
Esol cos s
Onde:
L : radiância espectral na abertura do sensor em W sr -1 m-2 μm-1;
Lmax e Lmin são a radiância máxima e mínima expressas em Wm-2 sr-1 para o sensor e banda
em questão e que são fornecidos pelo fabricante do satélite.
Qcal: valor de pixel calibrado quantizado
Qcalmax e Qcalmin : valores de pixeis calibrados correspondentes a radiância máxima e mínima
respectivamente;
: constante matemática aproximadamente igual 3,14159 (pi);
: reflectância planetária ao nível do satélite;
d: distância do sol à terra em unidades astronómicas (1 U. A=15000000 km);
ESol : irradiância solar média espectral fora da atmosfera em W m-2 μm-1 ;
s : zênite solar do centro da imagem.
r r
X X ii − X i + X +i
K= i =1
r
i =1
(4)
X − X i + X +i
2
i =1
Onde:
29
X = é elemento da matriz de erros;
r =número de categorias presentes na matriz de erros;
X ii = são os elementos da diagonal principal;
X i+ =total da linha para uma dada categoria informacional; e
X+i = total da coluna para uma dada categoria informacional.
Para alcançar este objectivo, foram feitos cruzamentos dos mapas de uso e cobertura da terra dos
anos 1990, 2000, 2010, e 2014 com recurso ao algoritmo crosstab desenvolvido no software
IDRISI Taiga 16. Para tal, analisou-se a classe de mangal nos sub períodos 1990/2000,
2000/2010, 2010/2014 e no total do período 1990/2014. Foram avaliadas as áreas de mangal
intacto, de ocorrência de desmatamento e de regeneração. Para áreas de manutenção florestal de
mangal, considerou-se as que apresentaram classe mangal em ambas as datas analisadas, início e
fim do sub período e/ou período conforme Clark, (2009).
Para avaliar o desmatamento, foram utilizadas as áreas que, no início do período, apresentavam
mangal e, no final, eram compostas por outras classes (campos agrícolas, corpos de água,
pradarias, outra vegetação, outras classes, e bancos de areia). Porém, quando as outras classes
identificadas no início de período de referência, foram convertidas ao mangal na data final,
considerou-se como regeneração florestal de mangal. Procedimento também utilizado por Giri et
al. (2006) e Uddin et al., (2014) em estudos do género em florestas do mangal da costa asiática e
Bangladesh respectivamente.
As taxas foram estimadas com base no desmatamento bruto e líquido obtido anteriormente a
partir da extensão de mangal no ano inicial (1990) do período de referência (benchmark map).
Para determinar a taxa de desmatamento bruto assumiu-se que a cobertura foi removida e as
áreas desmatadas permaneceram como tal durante o período de referência. Porém, na taxa
líquida, as áreas desmatadas que recuperaram a cobertura ao longo do período de referência
foram incluídas na classe mangal no ano final de cada sub período, ou seja, nas taxas brutas não
são incluídas as áreas regeneradas, enquanto nas líquidas são inclusas conforme descrito por
Harris et al. (2008). Para tal foi usada a equação de Puyravaud (2003), descrita a seguir:
30
1 A
R= ln( 2 ) (5)
t 2 − t1 A1
Onde:
R: taxa de desmatamento;
ln: logaritmo natural
A2: área de mangal no final do período em análise (t2);
A1: extensão de mangal no início do período de referência (t 1).
Na segunda fase foi feita a modelagem e a validação do modelo para o ano 2014. A modelagem
foi realizada a partir da interação entre a transição potencial com a matriz de Markov resultante
das transições entre os mapas de 1990 e 2010. Com isso foram simuladas as mudanças de uso e
cobertura da terra para o ano 2014 usando o módulo hard prediction do Land Change Modeler
(LCM) baseando-se no Clark (2009), Fuller et al. (2011) e Lima et al. (2013). A validação foi
feita com base na comparação dos mapas de uso e cobertura da terra de 2014 resultante da
classificação MAXVER com o simulado para o mesmo ano. Na terceira fase foi feita a
simulação do uso e cobertura da terra para 2030, utilizando o modelo calibrado e validado.
31
4. RESULTADOS E DISCUSSÃO
A figura abaixo mostra os mapas de uso e cobertura da terra dos anos em análise (1990, 2000,
2010, 2014) resultante da classificação digital de imagens dos satélites Landsat 5 TM e Landsat 8
OLI.
32
Figura 5: Mapas de uso e cobertura da terra resultantes da classificação digital supervisada
Todavia, a categoria de outras classes de uso sempre foi a mais predominante ocupando 26,98 e
28,58% do estuário nos períodos de 2010 e 2000 respectivamente, com excepção do ano de
início do período referência 1990, que ocupava pouco mais de 11% da área de estudo. A maior
predominância de outras classes pode ser explicada pelo número de categorias de uso e cobertura
aglutinadas nesta classe, devido às dificuldades de separação espectral dessas categorias.
Verdade terrestre
C. Cam. Outra Outras Banc.
Classificação Man agua Agr. Prad. veg. clas. Areia Total Eu(%)
Man 5 0 0 0 1 0 0 6 83,33
C. agua 0 40 0 0 0 0 0 40 100,00
Camp. Agr. 0 0 40 4 0 2 0 46 86,96
Prad. 0 0 6 12 0 0 0 18 66,67
Outra veg. 0 0 2 2 33 0 0 37 89,19
Outra clas. 0 0 4 0 5 35 0 44 79,55
Banc. Areia 0 0 0 0 0 0 5 5 100,00
Total 5 40 52 18 39 37 5 195
EP(%) 100,00 100,00 76,92 66,67 84,62 94,60 100,00
EG=86,73% K=0,84
Onde: Man.=Mangal, C. água=Corpos de água, Cam.Agr.=Campos Agrícolas, Prad=Pradarias, Outra veg.=Outra vegetação,
Outras clas.=Outras classes, Banc.Areia=Bancos de areia, Eu=Exactidão do usuário, Ep= Exactidão do produtor, EG= Exactidão
global, K=Índice Kappa.
34
Tabela 3: Matriz de confusão para a classificação de 2014
Verdade terrestre
C. Camp. Outra Outras Banc.
Classificação Man. água Agr. Prad. veg. clas. Areia Total Eu(%)
Man. 7 0 0 0 1 0 0 8 87,50
C. água 0 28 0 0 0 0 0 28 100,00
Camp. agr. 0 0 37 5 1 1 0 44 84,09
Prad. 0 0 5 18 0 0 0 23 78,26
Outra veg. 0 0 0 3 16 0 0 19 84,21
Outras clas. 0 0 2 0 0 64 1 67 95,52
Banc. Areia 0 0 0 0 0 1 5 6 83,33
Total 7 28 44 26 18 66 6 195
EP(%) 100,00 100,00 84,09 69,23 88,89 96,97 83,33
EG=89,74% K=0,87
Onde: Man.=Mangal, C. água=Corpos de água, Cam.Agr.=Campos Agrícolas, Prad=Pradarias, Outra veg.=Outra vegetação,
Outras clas.=Outras classes, Banc.Areia=Bancos de areia, Eu=Exactidão do usuário, Ep= Exactidão do produtor, EG= Exactidão
global, K=Índice Kappa.
A precisão da classificação avaliada com base no índice Kappa (K) (Tabela 2 e 3) mostrou que a
classificação foi excelente para ambos anos. O que sugere que a probabilidade das classes
obtidas pela interpretação das imagens de satélites correspondam a verdade terrestre é de 0,84 e
0,87 para a classificação de 2010 e 2014 respectivamente. De acordo com Landis e Koch (1977),
citado por Rovedder (2007) valores do índice K situados entre 0,8 a 1,0 revelam perfeição
excelente da classificação. Heumann (2011) relata que, quando são utilizados dados e técnicas
tradicionais, a exactidão do produtor e do usuário para a classe de mangal variam de 75% a 90%
respectivamente. Entretanto, no presente estudo variaram entre 80 a 100% (Tabela 2 e 3). Esta
exactidão era espectável, pois, segundo Sitoe et al., (2012) o mangal é um tipo florestal
facilmente distinguível nas imagens de satélite, devido às suas características peculiares e
localização.
Esta precisão é convergente a reportada por Fatoyinbo et al. (2008); Kirui et al. (2011); Luis
(2011) e Mensah (2013) que encontraram 0,87; 0,88; 0,84 e 0,79 respectivamente, em estudos
similares. Por outro lado, os elevados valores de precisão observados neste estudo e em estudos
anteriores podem ser justificados pelo reduzido número de classes avaliadas, pois, a maioria dos
estudos sobre mangal pretende estimar a sua cobertura, além de fazer o mapeamento
35
propriamente dito, portanto, duas ou três classes com características espectrais semelhantes são
aglutinadas numa única classe. Por exemplo no presente estudo solos expostos, dunas costeiras, e
áreas habitacionais foram aglutinadas numa única classe, por isso, a probabilidade de
concordância com a verdade terrestre é maior.
36
calamidades naturais com destaque a expansão dos campos agrícolas, e dos corpos de água,
sobretudo na margem oriental do rio conforme está nítido na Figura 5.
Porém, a partir do segundo sub período verificou-se um acréscimo de cobertura de mangal a uma
taxa de 41,93%. Este facto pode ser explicado, pela redução do caudal do rio, permitindo que a
água salgada que é mais densa penetre para o interior, favorecendo a germinação e
desenvolvimento de novas plântulas. Este cenário condiz com o observado por Suppasri et al.
(2012) ao monitorar a reabilitação do mangal da costa Tailandesa nos períodos de 2003 a 2005;
2005 a 2006; e 2006 a 2010, após o tsunami de 2004, e observaram que, a partir do segundo sub
período a cobertura do mangal aproximava-se a de 2003 antes do tsunami.
Por sua vez, os campos agrícolas tiveram uma redução considerável de 30,36% da sua área em
1990, diminuindo para 2172,24 ha em 2000, resultante das cheias que destruíram extensas áreas
agrícolas, fazendo com que os agricultores abandonassem seus campos, dando lugar aos corpos
de água, pradarias e outra vegetação. Porém, depois das enxurradas, os campos agrícolas,
voltaram a crescer de forma brusca até 2014, quando a sua extensão viu um incremento de
48,29% da sua área em relação ao início do período de referência (1990), este incremento pode
ser explicado pela época do ano, pois, em Dezembro, a campanha agrícola está no auge, e as
culturas estão fotossinteticamente activa.
37
Já as outras classes, tiveram um aumento substancial na ordem de 149,73% ao longo dos 24
anos, como consequência das actividades humanas, sobretudo, da expansão das áreas
habitacionais. Por sua vez, os bancos de areia sofreram muitas alterações e tiveram um
crescimento positivo com pouco mais de 31% durante o período em análise.
Ao analisar a figura 6, é possível notar que, todas classes de uso e cobertura da terra
influenciaram negativamente nas mudanças de cobertura do mangal com a excepção da outra
vegetação e pradarias, porém, o maior destaque é atribuído aos campos agrícolas e corpos de
água, que converteram pouco mais de 7 e 6% do mangal respectivamente. Não obstante, no
mesmo período, verificou-se um ligeiro ganho de cobertura de mangal, ocupando pouco menos
de 0,5% e 1,9% de outra vegetação e pradarias respectivamente. Estas transições positivas de
outra vegetação para mangal, podem estar associadas aos erros de classificação, resultantes da
dificuldade da separação espectral do mangal e outra vegetação, pois, na matriz de erro de 2014
(Tabela 3), registou-se um erro de comissão de 12,5%, complementar de exactidão do usuário de
mangal 87,5%, em confusão com outra vegetação, ou seja, atribuiu-se um pixel à classe de
mangal, o qual na realidade pertencia a outra vegetação.
38
4.5. Dinâmica espácio-temporal de cobertura do mangal
As figuras abaixo mostram a dinâmica espácio-temporal do mangal, a qual foi obtida a partir da
tabulação cruzada dos mapas temáticos de uso e cobertura da terra especialmente da cobertura do
mangal, resultante da classificação digital de imagens do satélite Landsat 5 TM para os primeiros
três anos e do Landsat 8 OLI para o último ano. Os dados da dinâmica florestal do mangal foram
organizados a partir da análise das áreas obtidas para cada dois anos sequenciais, nos quais se
avaliou a Regeneração Florestal, a Manutenção Florestal e o Desmatamento.
Figura 7: Dinâmica de cobertura florestal de mangal de 1990 a 2000, 2000 a 2010 e 2010 a 2014
e de 1990 a 2014.
39
Figura 8: Dinâmica espácio-temporal de mangal no período de 1990-2000.
40
Figura 9: Dinâmica espácio-temporal do mangal no período de 2000-2010.
41
Figura 10: Dinâmica espácio-temporal do mangal no sub período de 2010 a 2014.
42
Figura 11: Dinâmica espácio-temporal do mangal no total do período de 1990 a 2014.
43
A ausência de regeneração neste sub período pode ser explicada pela mudança do substrato
provocado pelas enxurradas, consequentemente a fraca germinação dos propágulos. No mesmo
sub período, constatou-se que os focos de desmatamentos foram distribuídos de forma casual,
fragmentados por todas margens do rio, totalizando uma vasta extensão de 159,74 ha.
No terceiro sub período de 2010 a 2014, a manutenção florestal registou um acréscimo de quase
100% da sua extensão no segundo sub período, com uma distribuição idêntica do período
anterior. Esse incremento pode estar aliado ao envolvimento da comunidade local na preservação
e conservação desse ecossistema. A título do exemplo no ano de 2011 a comunidade local
participou activamente na reabilitação do mangal de Zongoene (CDS, 2011). Nhantumbo e
Izidine (2009) realçam que o Maneio Comunitário dos Recursos Naturais (MCRN) teve um
impacto positivo na conservação da biodiversidade e manutenção de serviços de ecossistema
poucos anos após o seu início. A regeneração ocorreu de forma exclusiva no quadrante leste da
margem do rio Limpopo na zona de expansão do mangal, em uma mancha com pouco mais de
16 ha (Figura 10). A maior proporção dessa regeneração pode ser fruto da reabilitação do
mangal, pois, o CDS (2011) reportou que em 2011 foi reflorestado 10 ha na área de expansão do
mangal. E o desmatamento reduziu drasticamente para pouco menos de 5 ha.
44
No total da temporada de 1990 a 2014, a manutenção florestal apresentou uma área de 227,07 ha,
com uma distribuição particular sobretudo no extremo ocidental do estuário. A regeneração teve
uma distribuição espacial específica ocorrendo acentuadamente na região norte do estuário, mas
com pequenos fragmentos na região oriental, somando 104,25 ha. Neste período, o
desmatamento prevaleceu com 157,66 ha, em relação com a regeneração, com focos espalhados
por quase todas as margens do rio (Figura 11).
Tabela 5: Desmatamento anual bruto e líquido do mangal ha/ano e respectivas taxas em %/ano.
Área Ano
(ha)
1990 2000 2010 2014
Bruta 384,73 241,99 170,55 315,3
Líquida 384,73 241,99 319,32 331,32
Conforme ilustra a Tabela 5, em um período de 24 anos a taxa de desmatamento líquido anual foi
de 0,60%. Esta taxa, é ligeiramente inferior que a nacional reportada por Marzoli (2007)
0,7%/ano ao analisar a taxa nacional de desmatamento do mangal entre 1990 a 2004. Entretanto,
no sub período de 1990 a 2000 verificou-se uma taxa substancialmente superior 5,36%/ano que a
45
nacional. Esta taxa foi resultante dos impactos cumulativos das acções antropogénicas (expansão
dos campos agrícolas e das outras classes) e das catástrofes naturais, sobretudo as cheias do ano
2000 que assolaram o país, especialmente a província de Gaza (Figura 5). Com estas taxas de
acordo com a classificação de Da Fonseca et al., (2008) o estuário pertence ao quadrante I
(regiões com taxa de desmatamento líquido maior que 0,22%/ano e cobertura florestal menor que
50%), portanto, ele tem um enorme potencial para a implementação de um projecto de REDD+.
A taxa bruta normalmente, é superior à líquida, pois, ela acumula o desmatamento observado em
todos anos, sem por em conta as áreas regeneradas. Porém, no sub período de 1990-2000, a taxa
bruta é igual à líquida devido à falta de regeneração no ano de 2000. Todavia, nos sub períodos
de 2000 a 2010 e 2010 a 2014 o desmatamento bruto, foi notavelmente inferior que à
regeneração, resultando em um incremento líquido de 3,5 e 0,92%/ano respectivamente.
Esta redução pode ser resultado das campanhas de sensibilização das comunidades sobre a
importância ecológica desse ecossistema, bem como do envolvimento das mesmas nos
programas de preservação e conservação do ecossistema.
46
A previsão das mudanças para 2030 mostra o cenário tendencial verificado nos últimos 24 anos,
mas com algumas alterações, pois, neste período prevalece a expansão da outra vegetação,
seguido por outras classes. Opostamente, à expansão das classes citadas anteriormente, prevê-se
uma redução de áreas ocupadas por mangal, sobretudo, na região Norte e Oriental do estuário,
convertendo-se em outra vegetação e outras classes respectivamente conforme está evidente na
(Figura 12). Estimativas feitas apontam que em 2030, a área coberta por mangal no estuário de
Limpopo será de 208,68 ha contra 319,32 ha de 2010, correspondendo a uma taxa de
desmatamento de 34,65% ou de 8,5%/ano. Este cenário não era o esperado, dado que, a partir do
segundo sub período (2000 a 2010) a região apresentou uma tendência decrescente das taxas de
desmatamento, e uma maior predominância da manutenção florestal, seguido pela regeneração.
Tal facto, pode ser resultante do reduzido número de variáveis explicativas usadas na calibração
do modelo, portanto, ele comportou-se como se fosse modelos empíricos, como o Markov o qual
assume que, as probabilidades de transições permanecem estáticas durante o período de
referência (Benedetti, 2010). Por isso, ele manteve o contínuo desmatamento do mangal, visto
que, para calibração do modelo usou-se as transições ocorridas entre 1990 e 2010, as quais
apresentavam uma redução do mangal. O índice Kappa histo foi de 0,92 o que sugere óptmo
desempenho do modelo na previsão de quantidades de mudanças para 2030. A Figura a baixo
ilustra o mapeamento do uso e cobertura da terra de 2010 e o projectado para 2030.
47
Figura 12: Mapa de uso de cobertura da terra de 2010 e projectado para 2030
48
5. CONCLUSÕES
Após a análise dos resultados obtidos, com base na comparação simultânea das imagens dos
satélites Landsat 5 TM e Landsat 8 OLI, obtidas para quatro épocas diferentes constatou-se que:
Ao efectuar uma vista grossa em torno da dinâmica florestal do mangal conclui-se que há um
desequilíbrio entre a regeneração florestal e o desmatamento, portanto o ecossistema mostra uma
fragilidade de restaurar a sua estrutura. No entanto, a manutenção florestal encontra-se em
ascensão, embora, tenha muitas variações ao longo dos anos. Por conseguinte, a comunidade
local tem uma consciência ambiental sobre importância ecológica do ecossistema.
A previsão de uso e cobertura da terra para 2030, manteve a contínua redução de mangal,
especialmente na região Norte e Oriental do estuário. A qual aponta que até 2030, a área coberta
por mangal no estuário de Limpopo será de 208,68 ha contra 319,32 ha de 2010, correspondendo
a uma taxa de desmatamento de 34,65% ou de 8,5%/ano.
49
6. RECOMENDAÇÕES
Para que o presente estudo se torne em uma linha de pesquisa, explorando outros aspectos do
problema, são sugeridas algumas recomendações para a sua continuidade.
50
7. REFERÊNCIAS BIBLIOGRÁFICAS
Araújo, E. H. G., (2006) Análise multi-temporal de cenas do satélite quickbird usando um novo
paradigma de classificação de imagens e inferências espaciais: Estudo de caso-Belo Horizonte,
MG.
Balidy, H. J.; A Sitoe; M Menomussanga e PL Pires (2005). Avaliação dos Níveis de Corte,
Composição Específica e Regeneração Natural de Mangal no Sul de Moçambique. CDS-ZC.
Balidy, H. J.; Pacule, H. H; Guissamulo, A.T. e Mafambissa, M.J. (2008). Lista de Peixes
Associados aos Tapetes de Ervas Marinhas em Inhassoro. CDS-ZC.
Bandeira, S. ;Bento, C.; Rafael,J.;Samussone, D. (2012). Zambezi River Delta: Central
Mozambique
Bandeira, S.; Macamo, C., Bosire, J.; Rafael, J. (2012): Diversidade E Distribuição Comparativa
Entre Os Mangais Da África Oriental E Ocidental, Extensão E Importância Dos Mangais De
Moçambique E Sua Relação Com As Mudanças Climáticas. Congresso Internacional Saber
Tropical em Moçambique: História, Memória e Ciência IICT- JBT, Palácio dos Condes da
Calheta, Lisboa
Bandeira, S.; Muiocha, O., Delfina (2009). Programa de Investigação Científica Aplicada para o
Ambiente Marinho e Costeiro. Províncias de Gaza e Inhambane, 2009 a 2012. MICOA/CDS
Zonas Costeiras
51
Barbosa, A.P. (2009) Comparação de métodos de classificação de imagens, visando o
gerenciamento de áreas citrícolas. Dissertação de Mestrado. Universidade estadual Paulista”Júlio
de Mesquita filho, Faculdade de Ciências Agronómicas. 80p.
Bowers, S.A.; Hanks, R.J. (1965). Reflection of radiant energy from soils. Soil Science, 100.130-
138. Application of Multispectral Reflectance Studies of Soils: Pre-Landsat
Briassoulis, H. (2000). Analysis of land use change: theoretical and modeling approaches. 1.ed.
Virginia: Regional Research Institute, West Virginia University.
Chander, G., Helder, D.L., Markham, B.L., Dewald, J., Kaita, E., Thome, K.J., Micijevic, E.,
Ruggles, T. (2004). Landsat 5 TM on-orbit absolute radiometric performance. IEEE Transactions
on Geoscience and Remote Sensing, 42, 2747-2760.
Chander, G., Markham, B.L., Helder, D.L. (2009). Summary of Current Radiometric Calibration
Coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI Sensors. (In Press, Remote Sensing of
Environment, Manuscript Number: RSE-D-08-00684).
Clarcks Lab.(2009). The Land Change Modeler for Ecological Sustainability. Worcester,
Catálago: Land-Change-Modeler-IDRISI-Focus-Paper.pdf
52
Crooks, S., Herr, D., Tamelander, J., Laffoley, D., Vandever, J. (2011) Mitigating Climate
Change through Restoration and Management of Coastal Wetlands and Near-shore Marine
Ecosystems. Challenges and Opportunities. Environment Departament papers, Paper number
21. 69p
Cunha, K. L. (2009). Uso de imagens Landsat e CBERS no mapeamento da susceptibilidade à
erosão na região de Primavera do Leste- MT. Dissertação (Mestrado em Física Ambiental),
Instituto de física, Universidade Federal de Mato Grosso. 147p.
Dias, C. M. M.T. (2010). Análise do uso e cobertura de solo em Moçambique, estudo de caso
distrito de Marracuene-Posto Administrativo de Marracuene. Dissertação (Mestrado em
Geografia-Tratamento da informação espacial), Pontifícia Universidade Católica de Minas
Gerais, Belo Horizonte.
Dittmar, T., N. Hertkorn, G. Kattner, and R. J. Lara. (2006). Mangroves, a Major Source of
Dissolved Organic Carbon to the Oceans. Global Biogeochemical Cycles 20: 1–7.
Eastman, J.R. (2009). IDRISI Taiga: Guide to GIS and Image Processing. Worcester: Clark
Labs. 327 p
Epting, J.; Steininger, M. Hewson, J. (2010), Forest cover and change in Belize circa 1990 –
2000 – 2005. Center for applied biodiversity science, Arlington, Va, Usa
FAO, (2007). The World’s Mangroves 1980-2005, FAO Forestry Paper, 153. Rome: Forest
Resources Division. 77p
Fatoyinbo, T. E., Simard, M. (2013). Height and biomass of mangroves in Africa from
ICESat/GLAS and SRTM, International Journal of Remote Sensing, 34:2, 668-681,
DOI:10.1080/01431161.2012.712224
53
Ferrari, R. (2008). Modelagem dinâmica do uso e cobertura da Terra da Quarta Colónia, RS.
Dissertação de Mestrado. Universidade Federal de Santa Maria, Centro de Ciencias Rurais.
Brasil. 131 p.
Follador, M.; Villa, N.; Paegelow, M.; Renno, F.; Bruno, R. (2008). Tropical deforestation
modeling: comparative analysis of different predictive approaches. The case study of Peten,
Guatemala. Em: Paegelow, M. e Camacho, M.T.O. (eds.) Modelling Environmental Dynamics –
advances in geomatic solutions. Springer: Verlag Berlin, Heidelberg.
Fuller, D.O.; Hardiono, M.; Meijaard, E. (2011). Deforestation Projections for Carbon-rich Peat
Swamp Forests of Central Kalimantan, Indonesia. Environmental Management. v. 48, n. 3, p.
436-447.
Gao Yan, J.; Mas, F.; Maathuis, B. H. P.; Zhang, X.; Van Dijk, P. M. (2006). Comparison of
pixel-based and object-oriented image classification approaches-a case study in a coal fire area,
Wuda, Inner Mongolia, China. International Journal of Remote Sensing.Vol. 27, No. 18, 4039–
4055.
Giri, C., Zhu, Z., Tieszen, L., Singh, A. (2007). Mangrove Forest Distributions and Dynamics
(1975-2005) in the tsunami Region.
Giri, C., Ochieng, E., Tieszen, LL., Zhu, Z., Singh, A., Loveland, T., Masek. J., Duke, N. (2011).
Status and distribution of mangrove forests of the world using earth observation satellite data.
Global Ecology and Biogeography, 20, Blackwell, 2011, pp. 154–9.
Gove, D. Z., Boane, C.P. (2001). Perfil Ambiental da Província de Gaza. Maputo: Departamento
de Ciências Biológicas, UEM
Han, L. (1997). Spectral Reflectance with Varying Suspended Sediment Concentrations in Clear
and Algae-Laden Waters. Department of Geography, The University of Alabama, Tuscaloosa,
AL 35487-0322. Photogrammetric Engineering & Remote Sensing, Vol. 63, No. 6, June 1997,
pp. 701-705.
Harris, N. L, Petrova, S., Stolle, F., Brown, S. (2008). Identifying optimal areas for REDD
intervention: East Kalimantan, Indonesia as a case study.
54
Heumann, B. W. (2011). An Object‐Based Classification of Mangroves Using a Hybrid Decision
Tree-Support Vector Machine Approach. Remote Sensing , 3, 2440‐2460.
Houghton, R. A., (1995) Land-use change and the carbon cycle, Global Change Biol., 1,275-287
Huettner, M., Leemans, R., Kok, K & Ebeling, J. (2009). A comparison of baseline
methodologies for Reducing Emissions from Deforestation and Degradation. Carbon Balance
and Management 2009, 4:4
Johnson, S. J. (2009). An evaluation of land change modeler for ArcGIS for the ecological
analysis of landscape composition. 116 p. Dissertação de Mestrado (Mestrado em Geografia).
Southern Illinois University Carbondale, Illinois.
Karabulut, M.; Ceylan, N. (2005). The Spectral Reflectance Responses of Water with Different
Levels of Suspended Sediment in The Presence of Algae. Kahramanmara¸s Sutçu Imam
University, Department of Geography Kahramanmara¸s-Turkey. 351 – 360p.
Kauffman, J.B., Heider, C., Cole, T.G., Dwire, K.A. and Donato, D.C. (2011) Ecosystem Carbon
Stocks of Micronesian Mangrove Forests. Wetlands, 31, 343-352.
King, L. (2012) Including mangrove forests in REDD+. Notes From The Field. CDKN
Kirui, K. .B.; Kairo, J. G.; Bosire, J., Viergever, K..M. , Rudra, S. ; Huxham , M.; Briers, R. A.
Mapping of mangrove forest land cover change along the Kenya coastline using Landsat
imagery. Ocean & Coastal Management 83 (2013) 19-24.
Knipling, E. B. (1970). Physical and Physiological Basis for the Reflectance of Visible and Near-
Infrared Radiation from Vegetation. Agricultural Research Service. USDA. Gainesville, Florida.
5p. Remote Sensing of Environment 1 (1970), 1 55-1 59. American Elsevier Publishing
Company. Inc.
Kristof, S. J.; Baumgardner, M. F.; Weismiller, R. A.; and Davis, S. (1980). Application of
Multispectral Reflectance Studies of Soils: PreLandsat (1980). LARS Symposia. Paper 329.
Kuenzer, C., Bluemel, A., Gebhardt, S., Vo Quoc, T., & Dech, S. (2011). Remote Sensing of
Mangrove Ecosystems: A Review. Remote Sensing , 3, 878‐928
Lima, T. C.; Guilen-Lima, C. M.; Oliveira, M. S.; Soares-Filho, B. (2013). DINAMICA EGO e
Land Change Modeler para simulação de desmatamento na Amazonia brasileira: Análise
Comparativa. Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu,
PR, Brasil, INPE. 8p.
Mathews, H.L.; Cunningham, R.L.; Petersen, G.W. (1973). Spectral reflectance of selected
Pennsylvania soils. Soil Science Society of America Proceedings, 37:421-424
Meneses, P. R.; Almeida, T.; Rosa, A. N. C.S.; Sano, E. E.; Souza, E. B.; Baptista, G. M. M.;
Brites, R. S. (2012). Introdução ao processamento de imagens de Sensoriamento Remoto.
Brasilia. 276p.
Meneses, P.R. (2012). Sensores Imageadores Multiespectrais na Faixa Óptica. In: Introdução ao
Processamento de Imagens de Sensoriamento Remoto.
Mensah, J. C. (2013). Remote Sensing application for mangrove mapping in the Ellembelle
District In Ghana. Dissertation (Master of Environmental Science and Management), University
of Rhode Island. 29p.
MICOA (2007). Relatório Nacional sobre Ambiente Marinho e Costeiro. Direcção Nacional de
Gestão Ambiental. Maputo. 66p
56
MICOA. (2010). Estratégia Nacional de Redução de Emissões por Desmatamento e Degradação
Florestal. Reduzir as emissões de carbono e a pobreza melhorando o maneio das florestas.
Documento para debate. Maputo
Moye, M., Nazerali, S., (2010). Feasibility Study: Sustainable Financing of Protected Areas in
Mozambique. Prepared with support from UNDP-GEF. World Wide Fund for Nature (WWF),
Maputo, Mozambique
E
Murray, B. C.; Pendleton, L.; Jenkins W. A. (2011): Samantha SifleetGreen Payments for Blue
Carbon Economic Incentives for Protecting Threatened Coastal Habitats. Nicholas Institute for
Environmental Policy Solutions Report NI R 11-04.
NASA. (2013) Landsat Data Continuity Mission: Continuously Observing Your World.
Disponível em: . Acesso em: 19 jul 2013.
Nhantumbo, I., Izidine, S. (2009). Preparing for REDD in dryland forests: Investigating the
options and potential synergy for REDD payments in the miombo eco-region (Mozambique
country study). International Institute for Environment and Development (IIED), London, UK.
Nhantumbo, I. (2012): Âmbito e Escala do REDD+ : Opções para Moçambique. IIED order no:
13563IIED. 44p
Oliveira, M.S. (2012). Detecção de mudanças de uso e cobertura da terra no Sinclinal Moeda
(MG) no período de 1991 a 2011 e previsões de mudanças futuras através de modelo espacial de
simulação. Dissertação (Mestrado em Analise e Modelagem de Sistemas Ambientais)
Universidade Federal de Minas Gerais. Brasil. 67p
Ouna, S. C., (2002). Implicações das actividades humanas no uso e aproveitamento dos mangais
na faixa costeira de Marracuene. Monografia de licenciatura. Universidade Eduardo Mondlane/
Faculdade de Letras. Departamento de Geografia. Maputo
57
Paegelow, M. e Camacho, M.T.O. (2008). Modelling Environmental Dynamics – advances in
geomatic solutions. Springer: Verlag Berlin, Heidelberg. 380p.
Pérez-Vega, A.; Mas, J.F.; Ligmann-Zielinska, A. (2012). Comparing two approaches to land
use/cover changemodeling and their implications for the assessment of biodiversity loss in a
deciduous tropical forest. Environmental Modelling & Software. v. 29, n.1, p. 11-23.
Poffenberger, M., e Hanssen, K. S. (2009). Forest Communities and REDD climate initiatives.
Asian Pacific. Analysis from East West Center. N o 91, 8p.
RS
Ribeiro, N.; Sitoe, A. A.; Guedes, B. S.; Staiss, C. (2002) Manual de Silvicultura Tropical. FAO.
Maputo. 125p.
Richards, J. A.; Jia, X. (2006). Remote sensing digital image analysis: An Introduction, 4th
Edition. Library of Congress Control Number: 2005926341. Germany
Rosendo, J. S., Rosa, R. (2005). Utilização de sensores com resolução moderada (MODIS) no
estudo da vegetação na Bacia do Rio Araguari-MG. Brasil
58
Roy, P.S. ; Dutt, C.B.S. ; Joshi, P.K. (2002). Tropical forest resource assessment and monitoring.
Indian Institute of Remote Sensing (NRSA), Dehradun 248 001, India National Remote Sensing
Agency, Hyderabad 500037, India
Saket, M. e Matusse, R. (1994). Study for the determination of the rate of deforestation of the
mangrove vegetation in Mozambique. DNFFB. Maputo
Santos, G. O., (2012). Uso e ocupação do solo e monitoramento dos recursos hídricos na micro
bacia do córrego do Ipê, Ilha Solteira, SP. Dissertação de mestrado, Programa de Pós-graduação
em Agronomia. Universidade estadual paulista. Júlio de Mesquita Filho. Brasil.
Sausen, T. M. (2010). Sensoriamento Remoto e suas aplicações para recursos naturais. Instituto
Nacional de Pesquisas Espaciais. São José dos Campos-SP
SEMADS, (2001). Manguezais: Educar para proteger. Secretaria de Estado de Meio Ambiente e
Desenvolvimento Sustentável. Rio de Janeiro. 97p
Silva, W.S.; Vieira V.C.B. (2007). Evolução multitemporal do uso e cobertura do solo no
município de Uruçuí-Pi. II Congresso de Pesquisa e Inovação da Rede Norte Nordeste de
Educação Tecnológica João Pessoa – PB, Brasil.
Sitoe, A., Salomão, A. e Wertz-Kanounnikoff, S. (2012). O contexto de REDD+ em
Moçambique: causas, actores e instituições. Publicação Ocasional 76. CIFOR, Bogor, Indonesia.
59
Souza, I. M. (2012). Sensoriamento Remoto Orbital aplicado a estudos Urbanos. Ministério da
Ciência Tecnologia e Inovação. São José dos Campos, São Paulo, Brasil
Suppasri, A., Koshimura, S., Matsuoka, M., Gokon, H., Kamthonkiat, D. (2012). Application of
Remote Sensing for Tsunami Disaster. Remote Sensing of Planet Earth. Dr Yann Chemin (Ed.),
ISBN: 978-953-307-919-6.
Teillet, P.M, Barker, J.L., Markham, B.L, Irish, R.R, Fedosejeves, G., Storey, J.C. (2001).
Radiometric Cross-Calibration of the Landsat-7 ETM+ and Landsat-5 TM Sensors Based on
Tandem Data Sets. Remote Sensing of Environment, 78(1-2), 39-54.
Torres, D. R. (2011). Análise multitemporal do uso da terra e cobertura florestal com dados dos
satélites Landsat e Alos. Dissertação de mestrado. Universidade Federal de Santa Maria. Brasil
Toutin, T. (2004). Geometric processing of remote sensing images: models, algorithms and
methods. Review article, INT. J. Remote sensing.VOL. 25, NO. 10, 1893–1924.
Uddin, S. M. M.; Hoque, A.T.M.; Abdullah, S. A. (2014) The changing landscape of mangroves
in Bangladesh compared to four other countries in tropical regions. Northeast Forestry
University and Springer-Verlag Berlin Heidelberg. 7p.
60
WWF (2012), The Zambezi Mangrove Carbon Project: A Pilot Baseline Assessment for
REDD+Reporting and Monitoring.
61
8. ANEXOS
Anexo 1: Variáveis explicativas que foram usadas para calibração do modelo (Distancias
Euclidianas às estradas e às aldeias).
62
Anexo 2: Probabilidades de mudanças de uso e cobertura terra de 1990 a 2014 usadas para
calibração do modelo
Onde:
Class 1 =Mangal
Class 4= Pradarias
63
Anexo 3: Mapeamento de uso e cobertura de terra de 2014 e simulado para mesmo ano usado
para validação do modelo
64