O artigo “Discrimination of degraded pastures in the Brazilian Cerrado using the PlanetScope SuperDove satellite constellation” (tradução: Diferenciação de pastagens degradadas no Cerrado brasileiro usando a constelação de satélites PlanetScope SuperDove), produto de uma colaboração científica entre INPE (DIOTG) e UFG (LAPIG), é resultante do Mestrado em Sensoriamento Remoto no INPE de Angela Gabrielly Pires Silva, sob supervisão de Lênio Soares Galvão (INPE/DIOTG) e Laerte Guimarães Ferreira Júnior (UFG/LAPIG).

Figura 1. Síntese da metodologia de trabalho utilizada na análise séries temporais da constelação de satélites PlanetScope SuperDove, composta por 259 imagens obtidas em 2022 em cinco diferentes locais do Estado de Goiás.

O artigo, liderado por Angela Gabrielly Pires Silva (PGSER), foi publicado esta semana no periódico Remote Sensing e está disponível em: https://www.mdpi.com/2072-4292/16/13/2256

De forma resumida, com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e da NICFI (Norway’s International Climate and Forest Initiative), o trabalho explorou o potencial da constelação de satélites SuperDove da PlanetScope (Planet Labs PBC), com oito bandas, para diferenciar entre cinco classes de degradação de pastagens: pastagens não degradadas (NDP); pastagens com degradação de baixa intensidade (LID) e moderada intensidade (MID); degradação agronômica severa (SAD); e degradação biológica severa (SBD). Utilizando um conjunto de 259 imagens livres de nuvens adquiridas em 2022 em cinco locais no Estado de Goiás, o estudo teve como objetivos: (i) identificar o período mais adequado para separar as diferentes classes de degradação; (ii) avaliar o desempenho de classificação Random Forest utilizando diferentes atributos do SuperDove; e (iii) comparar métricas de precisão derivadas de dois cenários de classificação remota: um mais desafiador envolvendo cinco classes (NDP, LID, MID, SAD e SBD), e outro considerando apenas pastagens não degradadas e severamente degradadas (NDP, SAD e SBD). O estudo avaliou conjuntos individuais e combinados de atributos do SuperDove, incluindo reflectância de bandas, índices de vegetação, frações de análise de mistura espectral e variáveis de textura de imagem. Os resultados destacaram os períodos de transição da estação chuvosa para a seca e o período próximo ao início de um novo ciclo sazonal chuvoso em outubro como os mais adequados para diferenciar a degradação de pastagens. Em comparação com a estação seca, cenários de discriminação mais favoráveis foram observados durante a estação chuvosa. Na estação seca, maiores quantidades de vegetação não fotossinteticamente ativa complicaram a diferenciação entre NDP e SBD, que é caracterizada por alta exposição do solo. Pastagens com degradação biológica severa mostraram maior sensibilidade ao estresse hídrico, manifestando mudanças precoces na reflectância nas bandas do visível e do infravermelho próximo do SuperDove em comparação com outras classes. A classificação baseada em reflectância resultou em maior precisão geral (OA) do que abordagens usando frações de mistura espectral, índices de vegetação ou métricas de textura. Classificações usando atributos combinados alcançaram uma OA de 0,69 e 0,88 para os cenários de cinco classes e três classes, respectivamente. No cenário de cinco classes, os maiores F1-scores foram observados para NDP (0,61) e classes de degradações agronômica (0,71) e biológica (0,88), indicando os desafios na separação de estágios de baixa e moderada intensidade de degradação de pastagens. Uma comparação inicial dos resultados de classificação RF para as cinco categorias de pastagens degradadas, utilizando dados de reflectância do Instrumento Multiespectral (MSI)/Sentinel-2 (400-2500 nm) e do SuperDove (400-900 nm), demonstrou uma precisão de classificação significativamente melhorada (0,79 versus 0,66) com os dados do Sentinel-2. Essa melhoria é provavelmente atribuída à inclusão de bandas espectrais de infravermelho de onda curta (SWIR) na análise dos dados. Os resultados mostraram que o advento das constelações de satélites pode representar um importante avanço no estudo de pastagens degradadas do Cerrado, especialmente se métricas fenológicas calculadas de séries temporais densas do SuperDove forem incorporadas na análise dos dados junto com outros atributos de imagens.