Search

This research aimed to verify the predominance of degraded pastures in expropriated rural properties through the agrarian reform policy that gave rise to rural settlements in Goiás, and also to evaluate the potential of satellite data regarding the determination of the productive conditions of the land. The study presents a comparison between different methods of evaluating pastures. On the one hand, the assessments carried out by the federal government through visual inspection in the field, and on the other, assessments supported by scientific studies on pasture degradation, using remote sensing techniques and Landsat-5 satellite images, obtained from the platform. Google Earth Engine. The results showed that ¾ of the pastures present in the rural properties that gave rise to the rural settlements, had some degree of degradation, revealing that the settlers often inherit environmental liabilities. The results also demonstrated that the use of remote sensing techniques and the methodological adaptations made were able to portray the reality found in the field and that future evaluation of rural properties carried out by the government could incorporate, even partially, the methods presented here. O presente artigo está pautado em dois objetivos: I) verificar a predominância de pastagens degradadas nos imóveis rurais desapropriados por meio da política de reforma agrária no estado de Goiás; e II) avaliar o potencial dos dados satelitários quanto a determinação das condições produtivas da terra. Assim, o estudo apresenta uma comparação entre diferentes métodos de avaliação de pastagens. De um lado, as avaliações realizadas pelo governo federal através de inspeção visual em campo, e de outro, avaliações apoiadas em estudos científicos sobre degradação de pastagens, utilizando técnicas de sensoriamento remoto e imagens de satélite Landsat-5, obtidas a partir da plataforma do Google Earth Engine. Os resultados demonstraram que ¾ das pastagens presentes nos imóveis que deram origem aos assentamentos rurais, tinham algum grau de degradação, revelando que os assentados, muitas vezes, herdam passivos ambientais. Os resultados demonstraram ainda, que o uso de técnicas de sensoriamento remoto e as adaptações metodológicas realizadas foram capazes de retratar a realidade em campo e que futuras avaliações de imóveis rurais realizadas pelo governo poderiam incorporar, mesmo que parcialmente, os métodos aqui apresentados. &nbsp

O conhecimento e o gerenciamento da cobertura e do uso do solo são fundamentais num cenário de aumento na produção de alimentos, devido ao crescimento da população mundial e à mudança de seus hábitos alimentares, com destaque para o incremento no consumo de proteína animal, o que demanda um aumento no rebanho bovino e, consequentemente, nas áreas de pastagens. Um aliado dos gestores e da comunidade tem sido, já há um bom tempo, o sensoriamento remoto, com sua produção de dados abundantes sobre a superfície terrestre em variadas resoluções espaciais, espectrais e temporais, com particular destaque para os índices de vegetação. Um destes índices, o NDVI, é calculado e disponibilizado com dados gerados pelo sensor MODIS em forma de uma série temporal, que é uma das fontes de informação mais usadas para a classificação das mais variadas feições vegetais. Neste trabalho, apresentamos uma metodologia de classificação de pastagens que compreende, numa primeira etapa, o uso do Modelo Linear de Mistura Temporal -- MLMT, sendo que os membros finais foram obtidos a partir de uma classificação não supervisionada. Num segundo momento, é feita a rotulação dos dados a partir de um mapa de pastagens que tem melhor resolução espacial que os dados gerados pelo MODIS e que foi produzido pelo Laboratório de Processamento de Imagens e Geoprocessamento da Universidade Federal de Goiás (LAPIG -- UFG). Em seguida, é construído o modelo de classificação que é aplicado aos dados a serem classificados e sua qualidade é aferida por meio da comparação com outro mapa de pastagens, também produzido pelo LAPIG, com resolução espacial semelhante aos dados classificados. A metodologia aqui utilizada apresentou resultados com qualidade compatível com outros trabalhos que tiveram abordagens de treinamento puramente supervisionado para a classificação de pastagens, usando a mesma base de dados. The knowledge and the management of land cover and land use are fundamental in a scenario of food production increasing, due to growth of the world population and change in its eating habits, especially the increase in animal protein consumption, what demands an increase in the herd of cattle and, consequently, in the pasture areas. Remote sensing has been an ally of public managers and the community for a long time, with its abundant data production about the terrestrial surface in different spatial, spectral and temporal resolutions, with particular emphasis on vegetation indices. One of these indices, the NDVI, is calculated and made available from the data generated by the MODIS satellite sensor as a time series, which is one of the most used sources of information for the classification of the most varied types of vegetation. n this work, we present a methodology for classifying pastures that comprises, in a first step, the use of the Linear Temporal Mixture Model -- LTMM, with the final members being obtained from an unsupervised classification method. Secondly, the data are labeled from a pasture map produced by the Processing of Images and Geoprocessing Laboratory of the Federal University of Goi\'as (LAPIG - UFG), which has better spatial resolution than the data generated by MODIS. Then, a classification model is constructed to be applied to the classifying data and its quality is measured by comparison with another pasture map, also produced by LAPIG, with the same spatial resolution than the classified data. The methodology used here presented results with quality compatible with other studies that had purely supervised training approaches for the classification of pastures, using the same data base. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES