“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.

8 a 10 de novembro de 2022

Trabalho 17200

ISSN 2237-9045
Instituição Universidade Federal de Viçosa
Nível Pós-graduação
Modalidade Pesquisa
Área de conhecimento Ciências Agrárias
Área temática Geociências
Setor Departamento de Solos
Bolsa CAPES
Conclusão de bolsa Não
Apoio financeiro CAPES, CNPq, FAPEMIG, Outros
Primeiro autor Agnaldo Roberto de Jesus Freitas
Orientador MARCIO ROCHA FRANCELINO
Outros membros CARLOS ERNESTO GONCALVES REYNAUD SCHAEFER, ELPIDIO INACIO FERNANDES FILHO, JOAO LUIZ LANI, Raiza Moniz Faria
Título Classificação e caracterização de áreas de mineração de ouro utilizando técnicas de OBIA e machine learning no Suriname
Resumo Atividades de mineração artesanal de pequena escala e industrial causam grandes impactos ambientais pelo desmatamento, degradação do solo e poluição por mercúrio. Técnicas de sensoriamento remoto tem sido utilizada para detectar áreas de mineração em regiões remotas e de difícil acesso. A classificação orientada ao objeto (OBIA), assim como as técnicas de machine learning (ML) possuem grande potencial para uso em áreas de mineração, o que possibilitaria identificar áreas de mineração com maior acurácia, além de melhor caracterizá-las, principalmente com relação ao impacto ambiental. Esse trabalho tem o objetivo de classificar e caracterizar áreas de mineração de ouro no Suriname utilizando OBIA com técnicas de ML. A área de estudo localiza-se no nordeste do Suriname, distrito de Silpaliwini. Imagens de satélite Landsat 5 e 8 dos anos 2001, 2008 e 2014, e do Sentinel-2A de 2020, foram utilizadas para análise temporal. Classes de uso e cobertura do solo (CUCS) foram definidas para avaliar as mudanças nos métodos de mineração por escavação mecânica e hidráulica. Foram definidos quatro tipos de solo exposto (solo 1 (cava), solo 2 (rejeito), solo 3 (argiloso) e estrada), cinco tipos de água (clara, escura e com três níveis de sedimentos (baixa, mediana e alta concentração)) e três classes de vegetação (estágio inicial e avançado de regeneração e vegetação primária). 11 bandas espectrais do satélite Sentinel-2A e 7 bandas do Landsat 5 e 8 foram utilizadas. 16 índices espectrais de vegetação, qualidade da água e solos foram gerados. Variáveis com base na OBIA como área, perímetro, forma e ângulo foram realizadas utilizando o software R. Treinamento e validação do modelo proposto foi realizado utilizando o algoritmo Randon Forest. Mapa de classificação foi realizado utilizando o software R. O índice kappa geral foi de 0,90 para classificação da imagem do Sentinel-2A (2020), e média de 0,84 para Landsat 5 e 8. Entre 2001 e 2008 a área de mineração aumentou 100% (1.084 ha), entre 2008 e 2014 aumentou 176% (3.812 ha) e entre 2014 e 2020 o aumento foi 27% (1.592 ha), totalizando 7.568 ha de áreas desmatadas em 2020. 90% do aumento entre 2014 e 2020 foi por escavação mecânica. Nas áreas de escavação mecânica a principal CUCS foi solo exposto (49,5%), seguido por vegetação em regeneração (41,3%) e água (9,2%). Nas as áreas de mineração hidráulica a principal CUCS foi vegetação em regeneração (79,9%), seguida por água (11,4%) e solo exposto (8,7%). Concluímos que foi possível classificar áreas de mineração de ouro utilizando as técnicas de OBIA e ML com ótima acurácia e caracterizar os métodos de mineração por escavação mecânica e hidráulica. A técnica pode contribuir para melhor monitoramento do impacto ambiental e elaboração de políticas públicas para maior controle das áreas de mineração de ouro no Suriname.
Palavras-chave Aprendizado de máquina, classificação orientada ao objeto, impacto ambiental
Forma de apresentação..... Vídeo
Link para apresentação Vídeo
Gerado em 0,66 segundos.