Tese Paula Maria Moura Almeida

Universidade do Estado do Rio de Janeiro
Paula Maria Moura de Almeida
Na rede do mapeamento:
uma análise da resposta espectral da florestas de mangue e
do mapa como actante no espaço científico
Rio de Janeiro
2015
Na rede do mapeamento:: Uma análise da resposta espectral da florestas de mangue e do

mapa como actante no espaço científico
Tese apresentada, como requisito parcial

para obtenção do título de Doutor, ao
Programa de Pós-Graduação
Graduação em Meio
Ambiente, da Universidade do Estado do
Rio de Janeiro.
Orientador
Orientador: Prof. Dr. Mário Luiz Gomes Soares
Coorientadora: Prof
Prof.ª Dra. Carla Bernadete Madureira Cruz
Rio de Janeiro
2015
CATALOGAÇÃO NA FONTE
UERJ / REDE SIRIUS / BIBLIOTECA CTC-A
A447 Almeida, Paula Maria Moura de.

Tese Na rede do mapeamento: uma análise da resposta espectral das
florestas de mangue e do mapa como actante no espaço científico /
Rafael Nogueira Costa. – 2015.
263f. : il.
Orientador: Mário Luiz Gomes Soares.
Coorientadora: Carla Bernadete Madureira Cruz.
Tese (Doutorado em Meio Ambiente) - Universidade do Estado do
Rio de Janeiro.
1. Ecologia dos manguezais - Teses. 2. Ecologia costeira – Teses.
I. Soares, Mário Luiz Gomes.II. Cruz, Carla Bernadete Madureira. III.
Universidade do Estado do Rio de Janeiro. IV. Título.
CDU 574.4
Autorizo para fins acadêmicos e científicos, a reprodução total ou parcial desta tese, desde que citada a
fonte.
______________________________ _______________________
Assinatura Data
Na rede do mapeamento: uma análise da resposta espectral da florestas de mangue e do

mapa como actante no espaço científico
Tese apresentada, como requisito parcial para obtenção

do título de Doutor, ao Programa de Pós-Graduação em
Meio Ambiente, da Universidade do Estado do Rio de
Janeiro.
Aprovada em 17 de agosto de 2015
Orientador: ____________________________________________
Prof. Dr. Mário Luiz Gomes Soares
Faculdade de Oceanografia - UERJ
Coorientadora: _____________________________________________
Prof.ª Dra. Carla Bernadete Madureira Cru
Universidade Federal do Rio de Janeiro
Banca Examinadora:
_______________________________________________
Prof.ª Dra. Elza Neffa Vieira de Castro
Faculdade de Educação - UERJ
________________________________________________
Prof.ª Dra. Fátima Teresa Braga Branquinho
Faculdade de Oceanografia - UERJ
________________________________________________
Prof. Dr. Manoel do Couto Fernandes
Universidade Federal do Rio de Janeiro
_________________________________________________
Prof. Dr. Raúl Sánchez Vicens
Universidade Federal Fluminense
Rio de Janeiro
2015
DEDICATÓRIA
Ao meu tripé:
Para minha vó, pelo seu doar.
Para "mamis", pela sua garra.
Para Jojobinha, por seu coração.
AGRADECIMENTOS
"Segura na corda do caranguejo,

“pra” lá e “pra” cá!"
Caranguejo – Babado Novo
Ao orientador, Mário Luiz Gomes Soares, por ser mais que um orientador, ser
companheiro, amigo. Muito obrigada por me indicar o caminho do Sensoriamento Remoto e
ser um “pai acadêmico” para todos nós. E como bom pai, dar asas aos seus pupilos,
respeitando as escolhas para outros caminhos, mas sempre deixando o retorno certo. Obrigada
por construir a família NEMA. Como você mesmo disse talvez a academia seja o pretexto
para o encontro da equipe. Obrigada pela paciência com o texto, com os erros, pela confiança
no trabalho... Muito obrigada por esses 12 anos de jornada.
À coorientada e amiga Carla Madureira, por aceitar ir na minha banca de monografia
(onde tudo começou) e depois dar um voto de confiança na menina que não sabia quase nada
de Geoprocesamento e aceitar a orientação do mestrado (mesmo com todas as dificuldades).
Obrigada pela paciência na explicação das etapas técnicas, por se esforçar para entender tudo
de mangue. Mas, principalmente, obrigada pela delicadeza ao dizer que estou errada (da
maneira mais doce do mundo!) e por aceitar as crises existenciais pela seção dois da tese.
Vamos fazer muitos estudos “cabeça” dentro da Geografia.
À professora Elza Neffa, pelas aulas, textos e primeiro contato com a discussão da
transdisiplinaridade. Por me apresentar Morin, Capra e tantos outros autores. Por me
alfabetizar transdisciplinarmente e, principalmente, por retirar “o véu” que eu usava para ver o
mundo. Graças à você, nunca mais verei como antigamente.
À professora Fátima Branquinho, por quem me encantei desde a primeira aula. Por
apresentar a Teoria Ator-Rede, e respeitar o caminhar de cada um. Por ser exemplo que nada
na academia, nada, é estático, que podemos mudar de direção. Por reunir “as meninas”, grupo
que cresceu e que necessitamos para alimentar nossos espíritos inquietos.
À Viviane Fernandez, minha irmãzinha acadêmica e madrinha de casamento, pelo
companheirismo de vida e de academia. Ela mais que ninguém entende o porquê dessa tese
ser do jeito que é. Por puxar minha orelha, conversar, controlar meu vício tecnológico. Por
além de fazer todos os trabalhos do doutorado comigo, me passar serenidade e sempre ter
paciência com meus erros, com meu jeito acelerado e afobado. Obrigada por sempre me ouvir
nas ligações noturnas e de final de semana. Obrigada, principalmente, pela discussão e
dedicação para elaboração e re(re)(re) estruturação do Capítulo III. Espero que nosso caminho
acadêmico esteja apenas no início, e que possamos realizar muitas coisas juntas, iluminadas
pela Teoria Ator-Rede e pelo Geoprocessamento (afinal, você é praticamente especialista). E,
como nada melhor para você que um registro acadêmico: que a distância e seu ostracismo
acadêmico não façam a gente se afastar, hein?!
Aos amigos Filipe Chaves e Gustavo Estrada, pela longa jornada no NEMA, por
estarem ao meu lado mais que esses 4 anos de tese. Ao Filipe, obrigada por “me empurrar”
para frente, incentivar o mestrado e esse caminho que escolhi. Ao Gustavo, pelas discussões
sobre a estrutura das parcelas de estrutura e tipos fisiográficos, além, (claro!) pelo
compartilhamento de suas planilhas organizadas de estrutura e biomassa. Esse trabalho não
teria sido feito, sem o seu trabalho.
À amiga Mayne Assunção, por me incentivar a escrever sobre nossas inquietações.
Obrigada por me mostrar que fazer ciência é abandonar a tese e compartilhar com o outro.
Pelas conversas de como é “não estar lá nem cá”. Obrigada, principalmente, por me ensinar a
ser mais paciente. Nos últimos meses, obrigada pela ajuda na elaboração dos cálculos (e
mapas) envolvidos nas Considerações Finais da Tese. Nossa jornada esta apenas começando
baianinha!
Aos amigos Luana Rosário e Vinicius Seabra, por serem os primeiros a me acolherem
no laboratório ESPAÇO e, por me ensinar boa parte do que eu sei de ArcGIS e eCognition.
Meu muito obrigada pela paciência quando eu não sabia absolutamente nada de nenhum
desses softwares. Sempre que uso um desses programas lembro de vocês.
À toda equipe do NEMA/UERJ (de agora e do passado), Marciel, Daniel, Carol,
Brunna, Rita, Maíra, Luciana, Márcia, Ana Margarida, Júlio e todos os demais. Ao Marciel,
um obrigada especial pelas conversas de estatística, pelos cafezinhos e papos que levantam o
astral. E, pelas várias idas a Escravos para desestressar. Ao Daniel, companheiro de turma,
pelo desespero compartilhado, nossos papos curtos e desesperados ao final da elaboração
desse texto, com certeza ajudaram bastante.
À toda equipe do ESPAÇO/UFRJ, Júlia, Marcelo, Alexandre, Rafael, Elizabeth,
Mônica, Eliza, João, Rômulo, Vitor, Felipe, Maíra, Aninha, Roberta e todos os demais por
me acolherem durante o mestrado e agora, no meu retorno. Obrigada pela paciência nos
últimos meses de elaboração desse produto. E um agradecimento especial aos meus monitores
esses semestre, Marcelo e Felipe, por “segurarem a barra”. Sem vocês eu teria surtado ainda
mais. Felipe, meu “grilo falante”, você não existe! Obrigada pela força!!
Às colegas de doutorado, Rose, Joana e Michelle, pelo compartilhamento de agonias e
esperanças. Pela luta conjuntar de uma ciência mais transdisciplinar!
À todas as agências de fomento que me auxiliaram na trajetória acadêmica. À CAPES,
Faperj e CNPq, com certeza sem esse auxílio, eu teria seguido outros caminhos.
À Andrea Mendes minha “chefe” na Universidade Castelo Branco e a Alva,
companheira de curso, pelo apoio nos últimos 3 anos, pelas conversas e por nunca me verem
como “não-geógrafa”. A Andrea pelos papos durante o último ano e por sempre entender que
eu estava com a corda no pescoço.
À toda a equipe da Castelo Branco, de História e Geografia, Almir, Artur, Renato,
Isabel Luiz, Everaldo e Fábio, por compartilharem os sofrimentos de uma doutoranda
desesperada e por sempre me incentivarem. À Luciana Lamblet, pela companhia no último
semestre em nossa “bate-caverna” e pela indicação do livro que me fez pensar grande parte da
seção dois.
Ao Professor Christophe Proisy, que durante minha estadia na França, me mostrou que
outra maneira de olhar as imagens de satélite. Obrigada pela paciência, mesmo com as
dificuldades do idioma, por me mostrar uma outra maneira de se fazer ciência.
Aos meus poucos orientandos (oficiais ou não) que tive durante a tese, Marcel, Maíra,
Rafael, Mayne, Júlia, Roberta, com certeza nossas conversas geraram alguma centelha que
está presente aqui.
Aos meus alunos, da Castelo Branco e da UFRJ, pelas trocas e discussões
(principalmente com as turmas de Cartografia e Geoprocessamento). Obrigada pelo olhar e
ouvidos sempre atentos e, por me deixar compartilhar um pouco sobre a rede do mapeamento
com vocês.
Às professoras da Oceanografia, Cláudia e Cássia, pela torcida e incentivo.
À todos os amigos que de alguma maneira me apoiaram ou ajudaram na minha jornada
acadêmica, não só pelos 4 anos da tese. Mesmo porque esse projeto é fruto de uma jornada
muito mais longa.
À todos os amigos do Pedro II, mas em especial a Marcella, Juliana, Vivian e
Rebecca, pelo apoio constante via watsapp. Pelas mensagens diárias que me acalentavam
quando estava exausta de trabalhar.
À todos os amigos que fiz além mar, em especial a Amandine (Coucou) e a Mirela. À
Amandine, pour l'amitié cultivée pendant mon séjour à Montpellier. Pour cette compatibilité
instantanée. Pour être une professeur des Français patiente. Pour être ma meilleur amie
française (rs). Enfin, menci pour ton soutien inconditionnel. À Mirela, por deixar eu
ultrapassar essa sua muralha. Por ser carinhosa e cuidadosa (sim, você é!). Por torcer e
compartilhar os “aperreios” que é fazer doutorado. Vocês duas são um dos principais
presentes que essa tese me deu!
Às Luluzes, Bia, Lívia B., Lívia Santiago, Rachel, Ju, Nat, Sabrina, Carol, Thalita,
Thaís, Isa, Grazi, Flávia e Fera, pelo apoio de sempre e por nossa fraternidade. Obrigada por
entenderem minha reclusão nos últimos meses e não cobrarem (tanto) a presença nos
encontros, mesmo que a saudade aperte.
Às amizades construídas durante a graduação e que permanecem até hoje,
principalmente a Lele, Flávia e Yana, por durante a graduação me ensinarem a questionar a
prática cientifica (mesmo sem saber que fazíamos isso!). Por sempre pensar como poderíamos
ir além da Oceanografia mais técnica.
À toda a minha família, pelo carinho constante.
Ao Zé, por me ensinar a dedicação acadêmica que tenho hoje. Por ensinar que não
importa o tamanho do problema, é estudar e encarar de sempre. Com certeza não seria quem
sou hoje sem seus ensinamentos.
À família “Sant’Anna Cortez”, por apoiarem nos últimos anos, mesmo sem entender
porque eu “vivo estudando e trabalhando”. Principalmente a Tania e Dona Iara, desculpe por
sumir no último ano e obrigada pela compreensão.
Ao meu pai, pelo carinho que educou e me criou. Por todo o carinho, por todas as
palavras sábias o incentivo aos estudos.
À toda família Almeida e Liporage, por serem meu chão, minha origem e um grande
orgulho. Obrigada pelos momentos de alegria familiar, simples e sempre divertidos. Em
especial, a tia Edna, Anderson, a tia Valéria e tia Paula. A tia Edna e Anderson pelas
vibrações constantes a distância. Por se a prova que amor de alma não precisa de presença
constante. A Tia Valéria por ter, com certeza, influenciado na minha história estudantil. Sem
o Pedro II, eu poderia até ter chegado aqui, mas com muito mais dificuldade. Obrigada pelo
incentivo e pela ajuda láááá no começo de minha trajetória. À tia Paula (e tio Marquinhos),
pelo amor de tia-prima-irmã-dinda, pela confiança que eu “tinha futuro”. Por sempre babar
pelas conquistas, mesmo que de longe.
Ao núcleo familiar “Os “Liporages” do Chapadão”, simplesmente por existirem. Ao
tio Sylvio, Meiri, Sylmar, Dona Jô e Igor, por não entenderem nada que eu falo da tese, mas
apoiar sempre. Por comprovar que família não é sangue, que é um bando de gente louca que
se escolhe por amor. Pelas noites na Pavuna de conversa jogada fora, comilança e
brincadeiras. Por ser minha parte leve.
À minha família linda. À Mamys, Vó, Jojobinha, Lys, Maurélio (Mauro) e Marcelo.
Impossível falar de vocês sem chorar. À minha vó por cada “acorda Paula” lanche/marmita,
para a escola, faculdade, campos...Pelas roupas de campo lavadas, mesmo falando “como essa
roupa fede?!” Por cuidar de mim sempre. Pelas suas orações constantes. Por mostrar que
sabedoria não é “ter estudo”. À minha mãe por ser exemplo de guerreira. Que não importa o
tamanho da queda, a gente supera. Por me ensinar a ser obstinada, mas principalmente, que
nosso destino somos nós que fazemos e não o os outros falam que seremos. Que “cada um só
tem o caminho e os desafios que escolhe para si”. E que nós podemos conquistar tudo com
trabalho e perseverança. Às minha irmãs Lys e Jojoba. À Lys por acreditar que sou sua irmã
teen, por compartilhar seu frescor. Nossos papos sobre livros, séries e músicas me relaxavam
e carregavam minhas energias para essa longa jornada. Obrigada por nos permitir ver você
crescer. À Jojobinha, por me escolher como irmã. Por entender nossas diferenças e vibrar
sempre com minhas conquistas. Por entender a ausência constante nos últimos meses. Agora
vou colar em você! Pelos dias divertidos de “Bazar da Farm”. Com certeza nosso amor vem
de outras vidas. Ao Maurélio e Marcelo por alegrarem a casa e me divertir quando eu vou
para a Pavuna para relaxar. Ao Maurélio pelos churras divertidos e ao Marcelo pela música de
qualidade garantida. A tese não saíria sem os finais de semana descontração da Pavuna. Todos
vocês recarregam minhas energias!
Ao meu amor, Pedro. Por ser esse companheirásso que você é! Por cuidar de mim,
cozinhando, me acordando. Por tomar conta da casa. Por me apoiar mesmo achando que sou
workaholic. Pela grande ajuda na parte das análises estatísticas. Pela enorme ajuda na parte
final de formatação. Pela paciência nos momentos de surto emocional. Só você sabe o quanto
trabalhei, surtei e me esforcei, o quanto a tese me absorveu nos últimos meses. Obrigada por
sempre ser o ombro amigo nos momentos que precisava de colo e “sumir” nos momentos que
queria ficar com meus pensamentos. Obrigada por deixar que eu levasse os livros de Milton
Santos e Latour para nossa lua de mel. Porque até nesse momento eu tinha que estudar. Não
sei se ia conseguir acabar sã (ou meio sã) essa tese se não fosse por você. Te amo!
À Deus, por essa trajetória árdua mais feliz, cercada de pessoas de luz e cheias de
amor. Por nunca fechar uma porta, sem me apontar outra para abrir.
Andar com fé eu vou que a fé não costuma faiá.
Gilberto Gil
RESUMO
ALMEIDA, Paula Maria Moura de. Na rede do mapeamento: uma análise da resposta
espectral da floresta de mangue e do mapa como actante no espaço científico. 2015. 263 f.
Tese (Doutorado em Meio Ambiente) – Universidade do Estado do Rio de Janeiro, Rio de
Janeiro, 2015.
O monitoramento dos ecossistemas costeiros, assim como o planejamento e o manejo

apropriados dessas áreas e a elaboração de material que subsidie tal manejo são primordiais
para a gestão ambiental e uso dos recursos desse ecossistema. De forma a auxiliar e subsidiar
alguns estudos e o manejo dessas áreas, o desenvolvimento e aprimoramento de técnicas de
monitoramento são essenciais. A força motriz da presente tese é contribuir para as práticas de
manejo e conservação das florestas de mangue analisando a rede do mapeamento de
manguezais. É analisar as técnicas relacionadas ao mapeamento de manguezais, não só o no
âmbito do "conjunto de ferramentas", mas também perceber a técnica como modificador do
espaço (científico) e dotada de valores. Para isso, esse estudo é composto tanto de
experimentos científicos como exercícios reflexivos. Dois métodos foram analisados para se
estudar e diferenciar espectralmente as florestas de mangue: a classificação baseada em
objetos geográficos (GEOBIA), e a adoção de índices de vegetação. No primeiro método,
chegou-se a um mapeamento com exatidão de 77% para diferenciação dos tipos fisiográficos.
A partir do índice de vegetação, verificou-se, principalmente, que os índices não respondem
somente à parâmetros estruturais como DAP, altura e densidade, mas também a dominância
de espécie, essa última sendo tão importante quanto as demais. Na segunda parte da tese, foi
apresentado o papel do mapeamento de manguezais nas atividades científicas e as associações
feitas, à luz da Teoria Ator-Rede. Para isso, descreve-se as ontologias dos mapas de
manguezais construindo a rede sócio-técnica do mapa, apresentando os diversos aspectos que
o mapa possui. O estudo apresenta resultados promissores, não só pela contribuição
metodológica, nos estudos à cerca dos manguezais, mas também pela abordagem
transdisciplinar, não considerando somente a técnica de mapeamento, mas o papel de suas
técnicas e dos objetos gerados por elas no espaço de se fazer ciência.
Palavras-chaves: Mapeamento de Manguezais. Teoria ator-rede. Sensoriamento Remoto.

ABSTRACT
ALMEIDA, Paula Maria Moura de. Inside the maps' net: an analysis of the spectral response
of the mangrove forest and of the map as actant in the scientific space. 2015. 263 f. Tese
(Doutorado em Meio Ambiente) – Universidade do Estado do Rio de Janeiro, Rio de Janeiro,
2015.
The monitoring of coastal ecosystems, as well as planning, appropriate management of

these areas and the drafting of material that subsidize such management are essential for
environmental management and use of resources of this ecosystem. In order to assist and
subsidize some studies and the management of these areas, the development and improvement
of monitoring techniques are essential. The aim of this thesis is to contribute to the practices
of management and conservation of mangrove forests analyzing network mapping mangroves.
It is analyzing the techniques related to mapping of mangroves, not only under the "toolset",
but also to analyze the technique as modifier of space (scientific) and with its own values. For
this, the study consists of scientific experiments as reflective exercises. Two methods were
analyzed to study and differentiate espectralemnte mangrove forests: a classification based on
geographic objects (GEOBIA), and the adoption of vegetation indices. In the first method, we
came to a mapping accuracy of 77% for differentiation of physiographic types. From the
vegetation index, it was found that the indices do not respond only to the structural parameters
such as DBH, height and density, but also dominance, the latter being as important as others.
In the second part of the thesis was presented the role of mapping mangroves in scientific
activities and associations made in the light of Actor-Network Theory. For thisit is described
the ontologies of mangroves maps building the map of the socio-technical network, presenting
the various aspects that the map possui.O study shows promising results, not only for
methodological support, in studies about the mangrove. But also by the transdisciplinary
approach to not only consider the mapping technique of mangroves, but the role of its
technical and objects generated by them within doing science.
Keywords: Mangrove mapping, Actor-Network Theory, Remote sensing

LISTA DE FIGURAS
Figura 1- Protocolo do experimento de Green et al (1998) ...................................................... 28

Figura 2- Localização da área de estudo .................................................................................. 34
Figura 3- Mapa dos Manguezais de Guaratiba ......................................................................... 34
Figura 4 - Apicum de Guaratiba ............................................................................................... 35
Figura 5 – Zonação das Florestas de mangue de Guaratiba às margens da baía de Sepetiba
(diagrama verde) e do rio Piracão (diagrama amarelo). ........................................................... 38
Figura 6 - Fluxograma de etapas desenvolvidas. ...................................................................... 44
Figura 7 - Quicklook da imagem Ikonos .................................................................................. 47
Figura 8 - Fotos de dois pontos de medição de coordenadas, com GNSS L1, para
ortorretificação ......................................................................................................... 48
Figura 9 - Imagem com os pontos medidos com GNSS L1. .................................................... 48
Figura 10 - Base para coleta de dados por GNSS..................................................................... 49
Figura 11 - Modelo conceitual dos níveis hierárquicos utilizados no eCognition. .................. 54
Figura 12 - Imagem do teste de segmentação realizado (parâmetro de escala 100). ............... 55
Figura 13 - Respostas dos tipos fisiográficos ........................................................................... 56
Figura 14 - mapeamento inicial no nível 1 ............................................................................... 57
Figura 15 - Exemplo matemático de uma matriz de confusão. ................................................ 59
Figura 16 - Porção da árvore hierárquica, abrangendo as classes utilizadas no nível L500. ... 62
Figura 17 -Porção da árvore hierárquica, abrangendo as classes utilizadas no nível L100. .... 62
Figura 18 - Dispersão dos objetos em L500 - NIR X NDVI .................................................... 65
Figura 19 - Dispersão dos objetos em L500, média do Vermelho X NDVI ............................ 66
Figura 20 - Dispersão dos objetos em L500 - NDVI X Brilho................................................. 67
Figura 21 - Dispersão dos objetos Não_verde (L500) - NDVI X Máx. Dif. ............................ 67
Figura 22 - Dispersão dos objetos Não_verde (L500) - NDVI X Desvio Padrão NIR ............ 68
Figura 23 - Dispersão dos manguezais (L100) - Média do NIR X NDVI................................ 70
Figura 24 - Dispersão dos manguezais (L100) - Média do Verde X NDVI. ............................ 70
Figura 25 - Dispersão dos manguezais (L100) - Média do Verde X NDVI............................. 71
Figura 30 - Região de Guaratiba............................................................................................... 76
Figura 31 - Contribuição, em Km2 dos tipos fisiográficos mapeados nos manguezais de
Guaratiba................................................................................................................76
Figura 32 - Curvas espectrais da vegetação.............................................................................. 90
Figura 33 - Ilustração da visada de um sensor.......................................................................... 93
Figura 34 - Comportamento espectral de folhas de espécies de mangue segundo Wang e
Souza (2009) .......................................................................................................... 95
Figura 35- Comportamento espectral de folhas de espécies de mangue, segundo Blasco (1998)
.................................................................................................................................................. 95
Figura 36 - Comportamento espectral de folhas de espécies de mangue segundo Rebelo-
Mochell e Ponzoni (2007) ........................................................................................................ 95
Figura 37 - Fluxograma com todas as etapas metodológicas envolvidas nesse capítulo. ........ 98
Figura 38 - Imagem do verão de 2010 .................................................................................... 100
Figura 39 - Imagem do inverno de 2010 ................................................................................ 101
Figura 40 - Imagem do verão de 2011 .................................................................................... 101
Figura 41 - Imagem do inverno de 2011 ................................................................................ 102
Figura 42 - Parcelas Permanentes ........................................................................................... 107
Figura 43- Critérios utilizados para a adoção das fórmulas para cálculos de Biomassa. ....... 111
Figura 44 - Dimensões moderna e não moderna de percepção da realidade .......................... 133
Figura 45 - Mapa-mundi idealizado por Ptolomeu, exemplificando a proposição das
projeções..............................................................................................................136
Figura 46 - Mapa mundi com centro distinto. ........................................................................ 137
Figura 47 - Mapa mundi com centro distinto. ........................................................................ 138
Figura 48 - Planisfério de Cantino, datado de 1502 ............................................................... 139
Figura 49 - Mapa mundi na projeção de mercator.................................................................. 153
Figura 50 - Alguns tipos de generalização. ............................................................................ 154
Figura 51 - Sistema de comunicação da informação cartográfica. ......................................... 158
Figura 52 - Modelo de Interação entre as ciências de informação geográfica e as demais
ciências.................................................................................................................162
Figura 53 - Resposta espectral de diversos alvos. .................................................................. 163
Figura 54 - Sistema de Comunicação Cartográfico ................................................................ 164
Figura 55 - Novo Sistema de Comunicação Cartográfica, considerando as imagens de satélite
separadamente......................................................................................................165
Figura 56 - A rede do mapeamento ........................................................................................ 184
Figura 57 - Mapeamento dos tipos fisiográficos de Guaratiba ............................................... 187
Figura 58 - Mapeamento de manguezais ................................................................................ 189
LISTA DE QUADROS
Quadro 1 - Características das imagens do satélite IKONOS .................................................. 46

Quadro 2- Informações sobre as cenas. .................................................................................... 47
Quadro 3 - Classes da Reserva Estadual de Guaratiba. ............................................................ 51
Quadro 4 - Modelos aplicados nos mapeamentos das classes do nível hierárquico L500. ...... 63
Quadro 5 - Modelos aplicados nos mapeamentos das classes do nível hierárquico L100. ...... 64
Quadro 6 - Área de contribuição e cada classe de mapeamento. ............................................. 76
Quadro 7 - Matriz de confusão entre o mapa editado e não editado (m2). ............................... 80
Quadro 8 - Matriz de confusão entre o mapa editado e não editado (%). ................................ 81
Quadro 9 - Matriz de confusão entre os dados de referência e o mapeamento ........................ 83
Quadro 10 - Matriz de confusão entre os dados de referência e o mapeamento. ..................... 83
Quadro 11 - Imagens utilizadas para a geração dos índices de vegetação. ........................... 100
Quadro 12 - Índices de vegetação utilizados. ......................................................................... 106
Quadro 13 - Fórmulas utilizadas para cálculos de biomassa das parcelas permanentes ........ 110
Quadro 14 - Períodos das imagens e os períodos de coleta de campo correspondente. ......... 117
LISTA DE TABELAS
Tabela 1 -Desempenho do Índice Kappa .................................................................................. 60

Tabela 2 - Valores de SAVI para todas as estações, em todos os períodos............................ 115
Tabela 3 - Valores de RVI para todas as estações, em todos os períodos. ............................. 115
Tabela 4 - Valores de Razão Simples para todas as estações, em todos os períodos. ............ 116
Tabela 5 - Valores de NDVI para todas as estações, em todos os períodos. .......................... 116
Tabela 6 - Parâmetros estruturais e índices de vegetação por estação ................................... 122
SUMÁRIO
INTRODUÇÃO GERAL................................................................................ 22
1 A TÉCNICA DE MAPEAMENTO ATRAVÉS DE SENSORES
ÓTICOS – A ANÁLISE DE MANGUE A PARTIR DE DUAS DE SUAS
FERRAMENTAS ........................................................................................... 39
2 USO DA CLASSIFICAÇÃO BASEADA EM OBJETOS NO
MAPEAMENTO DOS TIPOS FISIOGRÁFICOS DE UMA
FLORESTA DE MANGUE .......................................................................... 40
2.1 Introdução......................................................................................................... 40
2.1.1 Cartografia, Mapeamento e Dados óticos orbitais............................................. 40
Sistema Baseado em Conhecimento (SBC) e a Classificação Orientada à
2.1.2
Objetos ............................................................................................................. 42
2.2 Objetivo............................................................................................................. 44
2.3 Materiais e Métodos.........................................................................................
2.3.1 Escolha e Aquisição de Imagens........................................................................ 45
2.3.2 Trabalhos de Campo.......................................................................................... 47
2.3.3 Ortorretificação (Correção Geométrica) ........................................................... 49
2.3.4 Definição e caracterização das classes............................................................... 50
2.3.5 Segmentação e Classificação............................................................................. 53
2.4 Resultados e discussões.................................................................................... 61
2.4.1 Modelagem do Conhecimento e Classificação.................................................. 61
2.4.2 Mapeamento...................................................................................................... 74
2.4.3 Validação do mapeamento................................................................................ 79
2.4.3.1 Validação da automatização do processo........................................................... 79
2.5 Considerações finais......................................................................................... 85
3 ANÁLISE DA RELAÇÃO ENTRE ÍNDICES DE VEGETAÇÂO E
PARÂMETROS ESTRUTURAIS DE FLORESTA DE MANGUE E
SEU POTENCIAL PARA O MAPEAMENTO DESSAS
FLORESTAS.................................................................................................... 87
3.1 Introdução......................................................................................................... 87
3.1.1 Interação de áreas florestadas e radiação solar.................................................. 89
3.1.2 Índices de Vegetação......................................................................................... 92
3.1.3 A influência do solo na análise espectral de áreas florestadas.......................... 93
3.1.4 Resposta espectral da vegetação de mangue...................................................... 93
3.1.5 Objetivo.............................................................................................................. 96
3.2 Materiais e Métodos......................................................................................... 96
3.2.1 Escolha e geração dos índices de vegetação...................................................... 97
3.2.1.1 Correções Atmosférica e Geométrica................................................................ 102
3.2.1.2 Geração de Índices de Vegetação...................................................................... 104
3.2.2 Levantamento dos dados de estrutura vegetal.................................................... 105
3.2.3 Análises estatísticas............................................................................................ 108
3.2.3.1 Teste de Kruskal-Wallis..................................................................................... 108
3.2.3.2 Regressão linear simples (Método dos Mínimos Quadrados)........................... 109
3.3 Resultados......................................................................................................... 112
3.3.1 Parte 1 - Índices de Vegetação........................................................................... 112
3.3.2 Parte 2 – Índices de Vegetação X Parâmetros Estruturais................................. 117
3.3.2.1 Complexo de Guaratiba..................................................................................... 118
3.3.2.2 Baía de Sepetiba................................................................................................. 118
3.3.2.3 Rio Piracão......................................................................................................... 120
3.4 Discussão........................................................................................................... 123
3.5 Considerações finais......................................................................................... 127
4 A técnica de mapeamento através de sensores óticos como
transformadores do espaço científico............................................................. 128
5 OS MAPAS SÃO O QUE? AS ONTOLOGIAS DO MAPA
TEMÁTICO..................................................................................................... 131
5 Introdução......................................................................................................... 131
5.1 Os mapas são...a sua história.......................................................................... 135
5.2 Os mapas são...as ciências contidas neles....................................................... 142
5.3 A fonte das incertezas para essa análise............................................................. 144
5.3.1 Os mapas são...os procedimentos para sua elaboração................................ 150
5.4 O advento do sensoriamento remoto (sr) e seu papel como fonte e análise do
mundo................................................................................................................. 158
5.4.1 Os mapas são...as conexões nos laboratórios.................................................
168
5.5 Os mapas são...científicos e políticos...são a gestão do espaço..................... 176
5.6 Então, o mapa é a rede sociotécnica............................................................... 181
5.7 REFLEXÕES FINAIS..................................................................................... 185
6 Um último exercício - Afinal qual o melhor mapa? ..................................... 186
REFERÊNCIAS............................................................................................... 192
APÊNDICE A - Box plots referentes às análises de variância (teste de
Kruskal Wallis) realizadas com os dados dos índices...... 201
APÊNDICE B - Análises de regressão entre os índices selecionados e os
parâmetros estruturais ..................................................... 227
Prólogo
Um breve memorial, uma breve apresentação.
"Eu prefiro ser essa metamorfose ambulante, do

que ter a mesma opinião formada sobre tudo!"
Metamorfose Ambulante– Raul Seixas
Antes de apresentar efetivamente o que é esse trabalho e defender a tese proposta aqui,
vejo a importância de destacar como cheguei a esse ponto de questionamento e reflexão, do
porquê da tese ser o que vocês lerão.
O hoje de qualquer pessoa (no caso desse texto, de uma cientista) é reflexo de
interações e trocas que ocorreram outrora, durante toda sua trajetória de aprendizado e
absorção de conhecimento. Em outras palavras, é o resultado de sua vivência.
No caso de uma pesquisa acadêmica (principalmente monografias, dissertações e
teses), ela é, até certo ponto, o resultado não só do conjunto de experimentos, mas também do
caminho feito pelo seu produtor até o momento de sua redação. Sendo também, fruto das
transformações do modo de olhar o fenômeno observado.
A pesquisa com o Sensoriamento Remoto me foi apresentada na época de definição do
tema da monografia de graduação em Geografia e o desejo de "ter um olhar para fora" me fez
aceitar a proposta.
Na Monografia, a adoção das ciências geográficas (relacionadas ao
Geoprocessamento) foi meramente de apropriação de técnicas. Talvez por isso, por uma
superficialidade técnica que nem percebia ter naquele momento, sofri severas críticas da
avaliadora especialista em Sensoriamento Remoto (minha atual coorientadora). Essas críticas
que me foram feitas, fizeram-me questionar o que eu havia feito de errado, afinal, segui todo o
protocolo ensinado. Apertei os botões corretos e segui os processos exatos. O que estava
faltando? O que ela (a avaliadora) achava que eu não tinha/sabia?
Ao me deparar com essa lacuna e com a angústia de não saber como e com o que
deveria completá-la, decidi estudar mais. Afastei-me de minha ciência de formação para
estudar, mergulhar e compreender a segunda ciência que adotei: a Geografia. Optei por fazer
mestrado em Geografia, momento que tive a oportunidade de me inserir em um novo
laboratório, que também fazia ciência.
Assim como a Biologia, a Geografia também é definida como ciência, mas cada qual
possui seus atores, fixos e fluxos.
Com o mestrado, pude preencher as lacunas e aprender muito do arcabouço teórico-
metodológico que me faltava na monografia. Eu acredito (com um pouco de presunção) que
deixei de ser uma executora de processos e "apertadora" de botões, para realmente ser
cientista de sensoriamento remoto.
Nesse momento, dois pontos fundamentais fizeram com que eu questionasse a ordem
das coisas, a maneira como tudo era visto, percebido e estruturado. O primeiro ponto era
relacionado ao produto do meu trabalho (e como ele é feito!), enquanto o outro era
relacionado a como o meu trabalho é/era visto.
A primeira questão, relacionada ao produto final do mapa, surgia de uma agonia
interior ao gerar um mapeamento de uma área. Explicando de maneira simples: Toda vez que
eu chegava ao final de um processo no qual eu definia uma classe a um recorte da área, eu
estava dizendo, através do mapa, que aquele espaço era ocupado por manguezal (ou água, ou
outra classe). Que aquela área havia modificado (crescido ou reduzido), ou havia se mantido
inalterada. Após essa etapa final, eu me perguntava.... É isso? Acabou? O que eu determinei
aqui (por processos matemáticos e subjetividade) será a partir de agora considerado como
verdade.... Sem reflexão... Sem crítica... Sem avaliação?! Se eu disse que cresceu, essa será a
realidade! Tal pensamento me deixava chocada, estática, porque via o quão poderoso é
mapear. O usuário final, em sua grande maioria, não considerava todo o histórico e o processo
de elaboração daquele mapa. O mapa é visto como um reflexo colorido da realidade. Essa
ideia foi fundamental para a estruturação dessa tese, sendo resgatada na segunda parte dessa
obra.
O segundo ponto é que, embora o mapa seja associado à confiabilidade de ser um
refletor da realidade1, muitos cientistas veem no "especialista em sensoriamento remoto" um
mero desenhista, que delimita contornos e "brinca de colorir no mapa". Não percebendo o
grande trabalho e a responsabilidade que está presente no processo de leitura e representação
do "mundo real", na simbolização e na elaboração final do material cartográfico. Muitos ainda
não veem essa ciência realmente como ciência, ou no máximo, consideram-na uma sub-
ciência ou pseudo-ciência. Tal falta de crédito a esse cientista também é associada ao mapa.
Mesmo que de forma não intenção.
1
Tal crítica a essa consideração do mapa como refletor da realidade será amplamente discutida na tese não sendo
abordada aqui para limitar a extensão deste prólogo.
Essas angústias surgiram com a minha formação, parte oceanográfica, parte
geográfica, e foram o resultado de minha transformação interna para encaixar tudo
(ordenadamente e pacificamente) dentro de mim... Era a metamorfose para me transformar em
interdisciplinar. Foi com essa angústia que ingressei em um programa interdisciplinar de
doutorado.
A paixão pelos estudos envolvendo as geotecnologias continua, mas a certeza de estar
caminhando para um "olhar" mais abrangente e completo foi se desfazendo a cada disciplina
cursada no doutorado.
Percebi que o antigo "abrangente e completo" se restringia a uma fração do mundo. O
doutorado, carregado de suas disciplinas, leituras, discussões e novos pares, tiraram-me os
antolhos, os cabrestos...libertaram-me da “bitola”. Mesmo que eu ainda ande pelos mesmos
pastos e tente construir linhas férreas... Percebi que nem a geografia, nem a oceanografia, nem
a reunião das duas alcançam a totalidade, apesar de buscá-las. Frente a essa percepção, será
que algo escapa a essa lógica?
A tese defendida aqui ainda tem a sua proposta inicial, mas agora essa proposta foi
reduzida a uma seção. A tese finalizada apresenta essa angústia de mapear que está presente
em mim e que não é considerada (ou pelo menos não é aparente) nos demais trabalhos que
associam estudos ecológicos e técnicas de mapeamento. Ela apresenta novas articulações dos
mapas, considerando como as práticas científicas influenciam diretamente o mundo e são, ao
mesmo tempo, influenciadas por ele. Ou seja, me propus a refletir como tudo está conectado
e, além disso, como cada etapa e escolha de um processo científico é carregada de valor. Que
mapear é muito além de pintar de colorir, assim como estudar manguezal é muito mais que
atolar o pé na lama e medir árvores.
Então, das angústias vividas veio a vontade do desabafo. E o desabafo se transformou
na tese que defende um novo olhar sobre a realidade e novas considerações sobre o trabalho
do mapeamento de manguezais não só nas ciências, mas na sociedade.
Vamos aproveitar a oportunidade de mapear para trazer consciência a esse ato?
Vamos fazer mapeamento em ação?
22
INTRODUÇÃO GERAL
“Quando não tiver mais nada

Nem chão, nem escada
Escudo ou espada
O seu coração... Acordará
Quando estiver com tudo

Lã, cetim, veludo
Espada e escudo
Sua consciência... Adormecerá”
Mantra – Nando Reis
O manguezal é um dos principais ecossistemas de transição entre o mar e o continente

e possui importantes funções econômicas, sociais e ambientais já de conhecimento da
sociedade.
Dentro do mundo acadêmico, esse ecossistema desperta o interesse e a curiosidade de
alguns pesquisadores, muito por causa de sua funcionalidade ecológica. Por isso, é objeto de
estudo, sendo “ator principal” de diversos estudos que o analisam de vários modos, com base
em diferentes métodos e à luz de diversas ciências. Há estudos, por exemplo, com objetivos
biológicos, econômicos, medicinais, antropológicos e até jurídicos.
Frente ao cenário exposto, o monitoramento dos ecossistemas costeiros, assim como o
planejamento e o manejo apropriados dessas áreas e a elaboração de material que subsidie tal
manejo são primordiais para a gestão ambiental e o uso dos recursos desse ecossistema.
De forma a auxiliar e subsidiar alguns estudos e o manejo dessas áreas, o
desenvolvimento e o aprimoramento de técnicas de monitoramento são essenciais. Dentre
vários métodos, está a análise e a representação dessas florestas através de seu mapeamento a
partir da adoção dos Sistemas de Informações Geográficas.
A adoção de Sistemas de Informação Geográfica é crescente, considerando a
abrangência de sua aplicação e as ferramentas disponíveis atualmente. O geoprocessamento
como tecnociência2 pode, por exemplo, possibilitar a visualização, a manipulação e a análise
2
O lugar do Geoprocessamento dentro das articulações científicas do mundo moderno ainda não foi definido
com clareza. Alguns o defendem como ciência (como a própria autora), outros como técnica. Acreditando que,
assim como no trabalho de Castiglione (2003), “que a análise dos resultados dessa [tese] leve os leitores a
23
de diversos dados, de diferentes fontes, com grande abrangência espacial, melhorando o

acesso à informação e a rapidez nas análises e favorecendo, por sua vez, a utilização, de forma
rápida, dessas análises nas tomadas de decisão. Portanto, a utilização desta técnica em estudos
vem a contribuir muito, complementando e fortalecendo os dados obtidos de forma clássica in
situ.
Sobre os estudos que analisam esse ecossistema a partir de técnicas de sensoriamento
remoto, constatou-se, já no início de elaboração dessa tese, que a maioria dos estudos utiliza
as imagens simplesmente como ferramentas para a determinação da área da floresta
como um todo. Ou seja, mapeiam apenas mangue e não mangue e não as diferentes
fisionomias presentes nessas florestas. Além disso, poucos são os estudos que analisam as
assinaturas espectrais e suas correlações com as características da vegetação de mangue.
Em outras palavras, embora já seja sabido que os valores dos pixels registrados nas imagens
de satélite apresentam correlação com características estruturais e fisiológicas, tanto de um
complexo florestal como de uma única árvore, poucos são os estudos que tentam interpretar e
usar essa informação. Isto porque estudos desta abrangência são complexos e necessitam de
conhecimento e metodologias específicas.
A abordagem considerando todo o complexo de manguezais como uma única floresta
pode ser, eventualmente, insuficiente para se estudar e compreender a situação e as
características de uma floresta de mangue. Isso porque, o referido ecossistema apresenta,
como qualquer outra floresta, diferenças estruturais (em relação à composição de espécies, ao
desenvolvimento estrutural e à arquitetura das árvores). Tal diferença estrutural é usualmente
pesquisada há vários anos in situ, através de levantamento e monitoramento de parcelas
distribuídas pelas florestas, nas quais parâmetros que representam a estrutura e a arquitetura
da floresta, como altura das árvores e diâmetro à altura do peito (DAP) são medidos. Sendo
assim, a não consideração dessas nuances em um mapeamento pode, dependendo do contexto
na qual o mapeamento está inserido, simplificar demais a análise de um ecossistema, que
merece um monitoramento e levantamento muito mais amplos.
Além disso, ao se ter consciência da gama de aplicações que uma imagem de satélite
pode fornecer, pode afirmar que é uma subutilização dessa fonte de dados a não interpretação
das imagens de satélite além da área de ocupação da floresta, considerando também a
diversidade interna do ecossistema.
concluir que, em realidade, o geoprocessamento é uma ciência, ou tecnologia, ou ainda talvez uma
tecnociência, em plena construção, sobre a qual ainda pairam questões epistemológicas não adequadamente
equacionadas”, a presente autora usará o último termo e ainda relacionará o Geoprocessamento à ciência
Geográfica.
24
A partir do exposto, constata-se que são raros os estudos que utilizam técnicas de
mapeamento para a diferenciação do interior das florestas de mangue e também estudos
que associem características das imagens aos parâmetros estruturais florestais presentes
nos manguezais.
Esses dois objetivos estão presentes desde o início dessa pesquisa, que tinha como título
inicial: ANÁLISE ESPECTRAL DE FLORESTAS DE MANGUE – UMA
CONTRIBUIÇÃO METODOLÓGICA PARA AS ESTRATÉGIAS DE CONSERVAÇÃO E
RECUPERAÇÃO. Ambos são extremamente importantes para se aperfeiçoar as técnicas de
mapeamento e usar mais eficientemente as imagens de satélite nos estudos de ecossistemas
costeiros. Isso não há dúvida.
A questão é que, nessa abordagem seguiríamos o status quo da maioria dos estudos que
envolvem as análises espaciais, onde "em geral, a capacitação em novas tecnologias se faz de
forma instrumental, ou seja, com ênfase no domínio dos processos operativos de construção
de soluções" (CASTIGLIONE, 2003). Mas essas técnicas seriam mesmo limitadas a
processos operativos? O que escapa a essa capacitação instrumental?
Segundo Santos (1996), “o objeto técnico define ao mesmo tempo os atores e um
espaço”, ou seja, a adoção de técnicas define o resultado que se terá ao final, as pessoas que
serão relacionadas aos estudos e a maneira com que outras pessoas entenderão os estudos.
Nesse sentido, a elaboração de técnicas para o mapeamento vai além do próprio objetivo do
mapeamento e do mapa gerado, ela determina quem mapeia e como se entende o mapa
quando este é utilizado. .
Castiglione (2003) relata que:
O geoprocessamento, bem como diversas outras tecnociências emergentes, enraíza
grande parte dos entraves ao do desenvolvimento na hipertrofia da subdivisão da
ciência moderna em disciplinas diversas. Essa subdivisão da ciência, que não cessa
de crescer desde os princípios da era moderna (século XVIII), acabou por produzir
especializações que, a rigor, desarticulam os estudos que necessitam , como no caso
do geoprocessamento, uma visão holística [...] (CASTIGLIONE, 2003).
Isso significa que, além das disciplinas inerentes ao mapeamento de manguezais -

ecologia, cartografia e geografia - podemos admitir que outras abordagens e conexões
escaparam dessa formulação ao longo do tempo.
Bruno Latour e outros estudiosos da Teoria Ator-Rede 3 sugerem um olhar que
possibilita recuperar tais conexões, transformando os antigos objetos de estudos científicos
3
Segundo Law (1996) "Esta teoria é o produto de um grupo de sociólogos associados, e em vários casos,
localizados no Centro de Sociologia da Inovação da Escola Nacional Superior de Minas de Paris. Os autores
associados com esta abordagem incluem Akrich (1989 a, b, 1992), Bowker (1988, 1992), Callon (1980, 1986,
25
em objetos híbridos de natureza e cultura. Na realidade, a teoria ator-rede parte do

pressuposto de que as dicotomias entre natureza e cultura, sujeito e objeto, atribuídas à ciência
moderna, nunca ocorreram na prática. Na prática, a dinâmica de produção do conhecimento
científico é formada por etapas que não podem ser diferenciadas como subjetivas ou
objetivas. Quando as conexões que acontecem durante a produção do conhecimento científico
são observadas, é possível perceber que subjetividade e objetividade são indissociáveis e
ocorrem simultaneamente em cada conexão. O conjunto de conexões é a rede sociotécnica, o
híbrido que se pretende compreender.
Esta foi a linha de pensamento utilizada por Milton Santos para definir o espaço
geográfico como um “sistema de objetos e um sistema de ações”, que formam um conjunto
indissociável, um quadro único no qual a história se dá. Em suas palavras,
Sistemas de objetos e sistemas de ações interagem. De um lado, os sistemas de
objetos condicionam a forma como se dão as ações e, de outro lado, o sistema de
ações leva à criação de objetos novos ou se realiza sobre objetos preexistentes. É
assim que o espaço encontra a sua dinâmica e se transforma (SANTOS, 1996).
Tal qual Santos (1996) desenvolveu para o espaço geográfico, a presente tese defende
o mapeamento do ecossistema manguezal como um híbrido: construído e constituído por
diversas relações com outros objetos e sujeitos, permeado simultaneamente por práticas
sociais, econômicas, científicas e políticas. Ele é, ao mesmo tempo, natureza e cultura. Tanto
o mapeamento, quanto os mapas são, eles mesmos, uma rede em constante transformação.
O presente estudo, no início do doutorado, se propunha somente à análise de diferentes
métodos para o mapeamento dos tipos fisiográficos dos manguezais. Após o enfrentamento de
autocríticas e profundas reflexões, embasadas nesse novo modo de olhar e ver o mundo,
acredita-se que um estudo que se propõe a estudar os métodos de mapeamento de mangue,
também deve identificar e descrever a ação dos atores da rede que o protagoniza.
Afinal, assim como afirmado por Milton Santos (1996): "o que falta é uma disciplina
que se inspire na técnica, mas que não analise só o conjunto de técnicas [ferramentas],
mas o fenômeno da técnica, como ator e transformador do espaço [ou da rede])". Para
isso, não devemos analisar só os objetos, mas também as relações (LATOUR, 2012).
Essa parecia (e de certa forma ainda parece) ser uma tarefa árdua e assustadora! É
importante destacar logo na introdução que não se tem a presunção de se esgotar o assunto.
* 1987, 1991; Latour, 1981; Law and Rip, 1986), Cambrosio et al. (1990), Hennion (1985, 1989, 1990;
Meadel, 1986, 1989), Latour (1985, * 1986, 1987, * 19881, b, 1990, * 1991a, b, 1992a, b), Law (1986a, * b,
1987, 1991a, b, 1992a, b; Bijker, 1992; Callon, (1988, * 1992), Medeal (ver Hennion and Meadel), Rip (1986),
and Star (1990b, 1991; * Griesener, 1989). Os itens marcados com um asterisco podem ser particularmente
úteis para aqueles não familiares com a abordagem (LAW, 1996).
26
Longe disso! Na verdade, sabe-se que essa abordagem é deveras complexa e carece de
permanente aprofundamento, mais discussões e mais reflexões. Por isso, essa tese é um
exercício inicial, uma tentativa de se olhar por essa ótica. O objetivo aqui é realizar um estudo
indutor, provocador de uma nova abordagem, mesmo que para isso tenhamos que sair de
nossa “zona de conforto” e nos expor, é seguir o conselho de Latour (2012), de "conte-me em
descrever o estado das coisas que tenho diante dos olhos." É apresentar e defender uma
abordagem para convidar o maior número de pessoas possível para refletir e discutir conosco.
A força motriz da presente tese é contribuir para as práticas de manejo e
conservação das florestas de mangue, com o objetivo de analisar a rede do mapeamento
de manguezais. É analisar as técnicas relacionadas ao mapeamento de manguezais, não
só no âmbito do "conjunto de ferramentas", mas também perceber a técnica como
modificadora do espaço (científico) e dotada de valores.
Portanto, a contribuição vai além da geração (e do aprimoramento da geração) de fatos
científicos a serem utilizados para uma melhor gestão do ecossistema. A contribuição
pretende possibilitar que fatos científicos e estratégias de gestão sejam tratados de forma
simétrica, não hierarquizada. Reunir ao mesmo nível fatos e estratégias significa alcançar uma
abordagem transdisciplinar. A teoria ator-rede concorda integralmente com a segunda
proposição do manifesto transdisciplinar, assim definida:
O reconhecimento da existência de diferentes níveis de [construção de conhecimento
sobre a] realidade, governados por diferentes tipos de lógica, é inerente a atitude
transdisciplinar. Qualquer tentativa de redução da realidade para um único nível,
governado por uma única forma lógica é incompatível com a transdisciplinaridade
(BASARAB NICOLESCU, 1996).
Frente o objetivo proposto, a tese é composta de duas seções.

A primeira, Seção I, intitulada A técnica de mapeamento através de sensores óticos
– a análise de mangue a partir de duas de suas ferramentas, objetiva analisar duas
técnicas, como conjunto de ferramentas que são, para apoio a análise da estrutura florestal dos
manguezais. As metodologias escolhidas foram, a classificação baseada em objetos
geográficos (GEOBIA), utilizada no Capítulo I, e a adoção de índices de vegetação, utilizada
no Capítulo II. Os títulos são, respectivamente: GEOBIA e os tipos fisiográficos – o que os
pixels falam à luz dessa classificação e, Os tipos fisiográficos e os índices de vegetação – o
que os pixels falam quando são transformados.
27
A prática científica não é isolada das outras práticas sociais, e não é liberta de
influências políticas, econômicas, pessoais e subjetivas4. Uma das evidências disso é o porquê
da escolha dessas duas técnicas (GEOBIA e Índices de Vegetação), cuja justificativa se baseia
tanto em alicerces científicos, como econômico-políticos e pessoais.
No âmbito acadêmico, Green et al. (1998) analisaram a relação entre métodos de
processamento de imagens rotineiramente aplicados ao estudo de manguezais e a acurácia de
classificação desses métodos. Eles dividiram os métodos de classificação em 5 (cinco) grupos
(Figura 1): Interpretação Visual; Imagens de NDVI 5 ; Classificação Não-Supervisionada;
Classificação Supervisionada e; Análise de componentes Principais e Razão entre Bandas. A
análise de Green et al. (1998) foi feita considerando todo o complexo florestal, ou seja, para a
separação entre mangue e não mangue. Dentre esses métodos, optou-se pela adoção dos
índices de vegetação e classificação supervisionada para a análise da diferenciação do interior
da floresta e mangue. Não foram esses dois métodos que apresentaram o melhor resultado de
acurácia em Green et al. (1998), mas tiveram bons resultados com 57% e 72%,
respectivamente.
A escolha dessas técnicas veio, primeiramente, do aumento de estudos com GEOBIA
nos últimos anos. Na época de publicação de Green et al. (1998) não era essa a realidade.O
GEOBIA ainda não era tão disseminado e, provavelmente por isso,ele não foi diretamente
considerado no artigo, mesmo podendo ser incorporado ao grupo das “classificações
supervisionadas”.
A adoção dos índices de vegetação vem tanto do resultado encontrado em Green et al.
(1998) como de um anseio pessoal de estudar mais profundamente as relações dos índices de
vegetação com parâmetros estruturais das florestas. A maioria dos estudos utilizam os índices
de vegetação como ferramentas para o mapeamento, mas poucos os utilizam como ferramenta
de análise.
4
Tal concepção será detalhadamente apresentada na seção II desse estudo.
5
Sigla para Normalized Difference Vegetation Index, o índice de vegetação mais utilizado no estudo de
vegetação.
28
Figura 1- Protocolo do experimento de Green et al (1998)
A.Selecionar uma pequena e

acessível área de toda a cena.
B. Quais métodos de
classif icação são
apropriados para o
tipo de dado?
I. Interpretação II. Imagens III. Classif icação IV. Classif icação V. Relação entre
Outros
Visual NDVI Não-supervisionada Supervisionada bandas /PCA
Dados de
C.Classificação
campo
D. Análise da
exatidão
E. Qual a
exatidão obtida
para cada
método?
I. Interpretação II. Imagens III. Classif icação IV. Classif icação V. Relação entre
Visual NDVI Não-supervisionada Supervisionada bandas /PCA
Fonte: adaptado de Green et al., 1998.
A seção I então, se apresenta ainda nos moldes científicos tradicionais. Os dois

primeiros capítulos servem como uma base sobre “como se faz ciência” que possibilita
analisar diferentes articulações e conexões.
A seção II da tese intitula-se A técnica de mapeamento através de sensores óticos
como transformadores do espaço científico. Nessa seção será apresentado o papel do
mapeamento de manguezais nas atividades científicas e as associações feitas à luz da Teoria
Ator-Rede. Assim como Castiglione (2003) acredita-se aqui que:
Não parece haver sentido em criticar a divisão das ciências em disciplinas e usar
simultaneamente, como referente ao discurso as disciplinas que resultam da divisão
criticada. No entanto, à luz do contexto no qual se estuda a tecnociência do
geoprocessamento não há como evitar, ao menos na introdução aos estudos, um
referência [a essas ciências] (CASTIGLIONE, 2003).
29
Portanto, ressalta-se que em alguns momentos, a referência a essas disciplinas “que

resultam da divisão criticada” será feita. Mesmo que inicialmente.
Essa seção será composta por um único capítulo. No âmbito do Capítulo III - Os
mapas são o quê? As ontologias dos mapas (de manguezais), há a apresentação dos
conceitos básicos relacionados a arte de mapeamento e, a apresentação e incorporação da
Teoria Ator-Rede. Aqui iremos mostrar como os mapas são a sua história; as ciências
contidas neles; os procedimentos para sua elaboração; as conexões nos laboratórios em
que eles se inserem; as conexões na vida dos pesquisadores que os fazem e; por fim, são
parte da gestão do espaço.
Parte do conteúdo pode aparentar ser mais revisita e rediscussão do que novação,
podendo até pode ser visto como de revisão bibliográfica (ou fundamentação teórica), mas
essa abordagem é essencial para o embasamento necessário para as reflexões propostas no
próprio capítulo. Além disso, ambicionando a leitura de pessoas que não necessariamente
estejam familiarizadas com a arte de “cartografar”, o conteúdo aqui apresentado se torna
inédito para muito dos leitores.
Cabe ressaltar aqui que o estilo de redação se modifica ao longo dos capítulos. Na
primeira seção, a redação é feita nos moldes acadêmicos ditos de “artigos”. Por isso usa-se a
terceira pessoa e a redação é apresentada de forma mais técnica. Já na seção dois, a redação é
feita na primeira pessoa, seja do singular ou do plural e, mesmo com uma linguagem técnica,
tenta-se apresentar uma redação mais em prosa. Essa abordagem foi proposital, para
aproximar o leitor da questão discutida e para incorporar as duas abordagens em uma,
diferente do afastamento da linguagem tecno-científica.
Em um primeiro momento, a tese pode aparentar uma incorporação de ramos
diferentes e é justamente esse pensamento que se quer desconstruir ao longo da tese. Ou
melhor, quer se apresentar que há algo diferente desse pensamento e ele pode ser considerado
e incorporado pela ciência.
Autores como Morin (1984) falam que "o espírito científico é incapaz de se pensar de
tanto crer que o conhecimento científico é o reflexo do real". Por isso cientistas continuam a
realizar a ciência normal (KUHN, 1975), ou seja, continuam a realizar estudos que não só se
adéquam ao paradigma científico vigente como o fortalece. O exercício aqui vai na contramão
desse fortalecimento, ele adora a crítica de Morin (1984), Kuhn (1975) e Latour (1994) que
afirmam que a atual maneira de se fazer ciência não abarca, não dá conta do mundo comum.
Nessa tese não haverá lugar só para a "ciência normal", essa que acredita que "a comunidade
30
cientifica sabe como é o mundo" (KUHN, 1975). Nesse contexto temos um novo paradigma,
onde se repensa a ciência feita e se questiona o paradigma científico vigente, iniciando tal
processo pelo questionamento dos nossos próprios objetos de estudo, de modo a fazer ciência
com consciência Morin (1984).
Este estudo se justifica, primeiramente, pela contribuição metodológica do mesmo,
nos estudos à cerca dos manguezais (Seção I). Depois, pela abordagem transdisciplinar de não
considerar somente a técnica de mapeamento de manguezais, mas o papel de suas técnicas e
dos objetos gerados por elas no espaço de se fazer ciência.
31
Objetivo Geral
O objetivo Geral dessa tese é analisar a potencialidade de dois métodos para a identificação
das diferentes fisionomias presentes na floresta de mangue e descrever a rede sociotécnica do
mapeamento de manguezais, reconhecendo-o e analisando-o como resultado de um conjunto
de ferramentas e como modificador do espaço científico.
Objetivo Específico
Para analisar o mapeamento de manguezais como técnica, no âmbito do conjunto de

ferramentas como modificadora do espaço científico, têm-se como objetivos específicos:
a) Analisar dois métodos aplicados à identificação das diferentes fisionomias
presentes na floresta de mangue;
b) Caracterizar a rede histórica conceitual relacionada ao mapeamento de
manguezais;
c) Caracterizar o mapeamento de manguezais como natural-social, científico-
político, sujeito-objeto e, cartográfico-geográfico-ecológico.
32
1 ÁREA DE ESTUDO
“Fui no mangue catar lixo, catar caranguejo,

conversar com urubu. "
Manguetown – Chico Science e Nação Zumbi
A região estudada denominada muitas vezes nessa tese de “Manguezais de Guaratiba”

é o complexo de florestas de mangue encontrado na sua porção leste da baía de Sepetiba
(Figura 2). A baía de Sepetiba encontra-se na região metropolitana do Estado do Rio de
Janeiro, compreendida entre os paralelos 22º 53’ S e 23º 05’ S e os meridianos 043º 33’W e
044º 01’W.
A área de estudo localiza-se em uma planície costeira Quaternária (Baixada de
Sepetiba-Guaratiba), delimitada ao Norte e a Leste pelo maciço da Pedra Branca - que
determina a divisão entre esta e a planície de Jacarepaguá- e, ao Sul e a Oeste pela baía de
Sepetiba (SOARES, 1997). A Baixada de Sepetiba possui uma área de 1700 Km2 e Guaratiba
aproximadamente 40 Km2. Topograficamente, possui uma elevação entre zero e três metros
acima do nível do mar (FERREIRA; OLIVEIRA, 1985).
A área que compreende a baía de Sepetiba, a Restinga da Marambaia e a planície de
inundação, possui aproximadamente 500 Km2 (RONCARATI; BARROCAS, 1978 apud

PORTUGAL, 2002). É através de um estreito canal na região da Barra de Guaratiba (a leste
da baía) e pela entrada principal próxima a Itacuruçá e Mangaratiba (a oeste) que a
comunicação com o Oceano Atlântico ocorre. Adjacente à comunicação mais estreita (Barra
de Guaratiba) existem amplas planícies de inundação colonizadas por manguezais, em
consequência da baixa energia e das oscilações da maré.
O regime de marés da região é definido como de micromarés, com amplitude inferior
a dois metros. Entretanto, este comportamento é alterado pela influência da componente
meteorológica, pelo afunilamento da baía e baixa profundidade, além da influência de
diversos canais (SOARES, 1997), resultando eventualmente em empilhamento das águas.
O clima da região, segundo a classificação de Köeppen poder ser dividido em: Aw,
tropical quente e úmido com estação seca no inverno, típico de baixada e Af, tropical quente e
33
úmido sem estação seca, característico das encostas adjacentes. Isto se dá pela diferença
topográfica entre as áreas planas da baixada e as áreas de encosta (SOARES, 1997).
Estrada et al. (2008), após analisarem dados da estação meteorológica de Guaratiba
afirmaram que a média anual de precipitação foi de 1.067 mm (entre 1984 e 2004), com
média mensal de 137,8 mm na estação chuvosa (da primavera ao outono) e de 43,9 mm na
estação seca (inverno). Ainda segundo os autores, na área ocorre uma alta variabilidade
interanual da precipitação, indicada pelo alto desvio padrão dos dados. Almeida (2010)
também encontrou o mesmo modelo, afirmando que, embora anualmente a área apresente
uma época seca, esta não é fixa e ocorre em diferentes meses ao longo dos anos analisados
(1985 à 2008).
A média anual de temperatura é de 23,5ºC, com amplitude de 5,7 ºC, o que evidência
um padrão de estações bem marcadas (ESTRADA et al. op. cit.).
Outra característica importante em relação à precipitação e à temperatura é o balanço
hídrico regional. Almeida (2010), a partir de uma série histórica de 1984 à 2006 identificou
que na região de Guaratiba há predominância de déficit hídrico. Ou seja, na maior parte do
período analisado há falta de água no solo, que se reflete na falta de água para o ambiente, e
também para os manguezais.
Como característico de fundo de baía, são vários os rios que deságuam no corpo
hídrico. Os principais rios que deságuam na baía são o Itaguaí, o Canal de São Francisco, Rio
Cação, Rio da Guarda, Canal do Itá e Canal do Guandu (SOARES, 1997). Alguns cursos
d’água podem ser assoreados, o que leva à formação de baixios e, posteriormente, de ilhas e
canais de maré meandrantes, estreitos e profundos (rios Portinho e Piracão) (RONCARATI;
BARROCAS, 1978 apud PORTUGAL, 2002). Segundo Soares (1997), os rios funcionam
como canais de maré, com fluxo de água doce bastante reduzido e circulação regida
basicamente pelas marés, tal fato associado à baixa declividade do terreno, propicia a
colonização de manguezais em áreas bem afastadas do mar.
Os manguezais estudados (Figura 3) se encontram parte na Restinga da Marambaia,
uma área sob jurisdição militar e parte na Microbacia do Piraquê (com sua maior parte
inserida na Reserva Biológica Estadual de Guaratiba), que recebe esse nome por ser esse o rio
com maior significância no conjunto. Nessa microbacia estão inseridos os rios Portinho,
Piracão, Piraquê, Cabuçu e Gatão.
34
Figura 2- Localização da área de estudo
Legenda: litoral do Rio de Janeiro, Brasil, às margens da baía de Sepetiba. Delimitada de branco a Reserva Biológica Estadual de Guaratiba.
Fonte: Almeida, (2010).
35
Outra característica da Baixada de Guaratiba é a existência, como observamos na

figura 4 de uma extensa planície com formação de áreas hipersalinas ((PELLEGRINI, 1996,
2000; SOARES,, 1997) associada às florestas de mangue. As planícies hipersalinas,
dependendo
do da região, recebem outros nomes, como por exemplo, apicuns (denominação
indígena).
Os apicuns estão relacionados à ocorrência de marés meteorológicas ((PELLEGRINI,
2000), a antigas obras de drenagem (Araújo, 1985) e a estações secas bem definidas ao longo
do ano (PELLEGRINI, op. cit.
cit.). Em seu trabalho, Pellegrini (op. cit.)) encontrou em um dos
apicuns da área de estudo salinidade média de 38,7 na interface com o manguezal, 54,8 em
banco de Salicornia gaudi
gaudichaudiana e 103,3 na área sem vegetação. Ou seja, de maneira
geral o comportamento de salinidade é crescente em direção ao interior do continente.
As florestas de mangue da região, segundo a classificação de tipos fisiográficos
proposta por Lugo e Sneadaker (1974) são definidas como de franja e bacia. Os tipos
fisiográficos de franja são as florestas encontradas ao longo de margens protegidas, sendo
diariamente lavadas pelas marés. Em consequência da lavagem, a salinidade é baixa, não
apresentando altos gradientes físico
físico-químicos.
químicos. As florestas de bacia encontram-se
encontram nas partes
mais internas, atrás das florestas de franja, por sua localização a lavagem pelas águas das
marés não é tão frequente, ocasionando um gradiente físico
físico-químico
químico bem marcado, o que
qu
proporciona assim, uma zonação de espécies.
Figura 3- Mapa dos Manguezais de Guaratiba
Fonte: Almeida, 2015

36
Figura 4 - Apicum de Guaratiba
Legenda: Foto de um dos apicuns da região de Guaratiba, ao fundo a floresta de mangue.

Fonte: Arquivo NEMA.
Estrada (2009) caracterizou as florestas de mangue da região como sendo distribuídas

nos tipos fisiográficos: franja, bacia e transição. Para a sua comparação foram considerados a
densidade, DAP médio, altura média e área basal. O autor encontrou uma distinção entre
cada um dos tipos fisiográficos: as florestas de franja – às margens da baía e dos rios, são as
mais desenvolvidas, apresentando maiores valores de altura média e DAP médio; as florestas
de bacia – mais no interior dos manguezais, apresentam valores intermediários dos parâmetros
estruturais e; as florestas de transição – na faixa de transição entre a floresta e as planícies
hipersalinas – por estarem dispostas em regiões mais estressadas ambientalmente, têm menor
altura média e DAP médio. Cabe ressaltar que Estrada (2009) foi o primeiro a provar
estatisticamente as diferenças estruturais nãos florestas de mangue de Guaratiba, entretanto,
tanto Pellegrini (2000), como Portugal (2002), descrevem essa redução de desenvolvimento
estrutural dos indivíduos na direção corpo hídrico-apicum. A figura 5 ilustra esse
desenvolvimento estrutural, tendo como base a compilação de dados atuais do NEMA/UERJ.
Quanto à zonação de espécies da região, Corrêa (1996), Soares (1997) e Chaves
(2001) fizeram uma vasta descrição da área. Esses autores descrevem em seus estudos a
floresta próxima à área do Rio Piracão como dominada por R. mangle na franja (com altura
média de 6,62 metros), seguida por faixa com altura média de 7,05 metros ainda dominada
por R. mangle, apresentando contribuição de A. schaueriana e L. racemosa, caracterizando
uma floresta tipo bacia. Em seguida, há uma zona de R. mangle que possui uma redução na
sua estatura (altura média de 2,99 metros), bem inferior à floresta ribeirinha. A interface
floresta-apicum apresenta florestas anãs de L. racemosa e A. schaueriana, com altura média
de 0,64 metros. No apicum existem áreas ora totalmente desprovidas de vegetação, ora com
manchas de vegetação herbácea de Salicornia gaudichaudiana e indivíduos isolados de A.
schaueriana. Por fim, na porção mais afastada do rio Piracão, há um grande banco de
Salicornia gaudichaudiana.
37
Para a floresta nas imediações do Rio Piraquê, Corrêa (1996), Soares (1997) Chaves
(2001) e Portugal (2002) apontam que a espécie dominante na franja é A. schaueriana (altura
entre 5,87 e 6,72 metros) seguida por uma zona com A. schaueriana e R. mangle com altura
média entre 3,36 e 5,84 metros. Na zona posterior, R. mangle domina, mas há presença de A.
schaueriana e L. racemosa, com altura média variando entre 4,99 e 6,93. Depois desta,há
outra zona dominada por R. mangle (altura média de 2,64 metros). A faixa de transição
floresta-apicum é caracterizada pela presença de floresta anã de R. mangle, com altura média
de 0,65 metros.
Chaves (2001) e Portugal (2002) ainda descreveram a estrutura vegetal das florestas da
Restinga da Marambaia, às margens da baía de Sepetiba. Nas descrições de ambos os autores,
R. mangle domina a floresta de franja (altura média de 7,58 metros), a faixa posterior é mista,
apresentando A. schaueriana e L. racemosa com altura média de 6,57 metros. A outra faixa é
composta por A. schaueriana e R. mangle dividida em duas partes: uma com elevada presença
de grandes indivíduos mortos de A. schaueriana e altura média de 1,75 metros e a segunda
com indivíduos predominantemente vivos e com altura média de 7,22 metros. A faixa
seguinte, com altura média de 5,32 metros, tem domínio de R. mangle mas é composta
também por A. schaueriana. Estas espécies se alternam também na próxima faixa que é
seguida por uma floresta dominada por A. schaueriana com altura média de 3,41 metros. Em
seguida existe uma floresta composta exclusivamente de R. mangle (1,47 metros de altura
média). A penúltima faixa apresenta alta contribuição de A. schaueriana mortas e altura
média de 2,09 metros. Na transição floresta-apicum há ocorrência exclusiva de R. mangle.
38
Figura 5 – Zonação das Florestas de mangue de Guaratiba às margens da baía de

Sepetiba (diagrama verde) e do rio Piracão (diagrama amarelo).
Legenda: Acima das árvores a altura média (aproximada) das transversais e em porcentagem a dominância
(aproximada) de cada espécie na parcela. As par
parcelas caracterizam-se
se da seguinte maneira: A e F (franja); B, C,
D, G, H e I (Bacia) e E e J(Transição). Na floresta à margem da baía de Sepetiba a espécie Laguncularia
racemosa não foi ilustrada, porque embora esteja presente, sua ocorrência é muito baixa
baixa.
39
SEÇÃO I - A TÉCNICA DE MAPEAMENTO ATRAVÉS DE SENSORES ÓTICOS –

A ANÁLISE DE MANGUE A PARTIR DE DUAS DE SUAS FERRAMENTAS
40
2 USO DA CLASSIFICAÇÃO BASEADA EM OBJETOS NO MAPEAMENTO DOS

TIPOS FISIOGRÁFICOS DE UMA FLORESTA DE MANGUE
"Seria tudo muito melhor

Se a música falasse por si só
Dá raiva da vida
Nada existe sem classificar”
Sem Palavras – Móveis Coloniais de Acajú
2.1 Introdução
2.1.1 Cartografia, Mapeamento e Dados óticos orbitais
O mapeamento da superfície terrestre, seus atributos naturais e antrópicos e as práticas

locais é uma atividade há muito realizada pelo homem. Assim como a fala, a elaboração de
mapas é antes de mais nada um dos artifícios de comunicação, para registrar e enviar uma
informação.
A cartografia6 evolui junto com a história humana, se aperfeiçoa e moderniza junto
com as descobertas e técnicas que continuamente foram sendo desenvolvidas.
Há quase cinco décadas, a partir de dados óticos orbitais, técnicas de classificação de
imagens de satélite são utilizadas para o desenvolvimento de mapas temáticos utilizados para
os mais diferentes fins. Os mapas temáticos, são os produtos finais de um árduo processo de
aquisição e análise de dados, baseado em um conhecimento já adquirido do ambiente.
Desde o início da utilização de dados óticos orbitais e do mapeamento através destes,
tanto as imagens como as técnicas de processamento e classificação vêm avançando. No
início das atividades de classificação de imagens desses sensores, as opções restringiam-se ao
uso de imagens de baixa ou média resolução espacial (70 à 30 metros), mas atualmente, temos
uma gama de novos sensores que nos fornecem as mais diferentes resoluções, como os a
bordo do SPOT (5m), do Ikonos (1,0m) e do GeoEye (0,43m). Essa evolução se deu tanto em
6
Conjunto de estudos e operações científicas, artísticas e técnicas, baseado nos estudos de observações diretas
ou análise de documentação, com vistas à elaboração e preparação de cartas em projetos e outras formas de
expressão, assim como a sua utilização (ASSOCIAÇÃO CARTOGRÁFICA INTERNACIONAL, 1964).
41
relação à resolução espacial, como em relação às resoluções espectral e radiométrica. Essas

novas imagens oferecem mais informações além das agregadas às respostas espectrais, há
muito utilizadas nas classificações.
A classificação é o processo de impor ao pixel significado em relação as suas
propriedades numéricas (NOVO, 2010). Sendo, mais detalhadamente, o reconhecimento de
padrões e objetos homogêneos, que constituirão uma única classe de objetos dentro da
legenda de um mapeamento pretendido (PONZONI; SHIMABUKURO, 2007).
Para o processo de classificação tem-se, como principais técnicas, a classificação
visual, as técnicas não-supervisionadas (automáticas) e as supervisionadas (semi-
automáticas). A escolha de qual técnica utilizar depende de inúmeros fatores como, por
exemplo, o grau de intervenção que o analista tem no processo, o grau de conhecimento do
analista sobre o problema analisado e, as ferramentas (dados e softwares) disponíveis para o
trabalho.
Sobre a classificação visual, PONZONI e SHIMABUKURO (op. cit.) relatam que o
intérprete humano responsável por essa classificação, não é capaz de discriminar todos os
níveis de cinza disponibilizados numa imagem de satélite. Além disso, durante essa
classificação, somente informações provenientes de três bandas de uma imagem podem ser
utilizadas simultaneamente. Assim, o uso de computadores e programas para a realização da
classificação possibilita a análise de tantos pixels e tantas bandas quanto forem necessárias,
ampliando o potencial de refinamento do resultado final.
Os métodos não supervisionados e supervisionados são mais dependentes das
ferramentas computacionais. Na classificação não supervisionada, o agrupamento de pixels
em classes é efetuado a partir de análises estatísticas pelo programa computacional, sem
interferência do analista, e somente após essa classificação automática, é que os nomes das
classes são atribuídos pelo intérprete (NOVO, 2010).
A classificação supervisionada depende da predefinição de uma legenda e da
identificação de amostras representativas de cada classe, antes da separação das classes em si
ser realizada pelo software. Ela se baseia no pressuposto que cada classe pode ser definida,
através de treinamento baseado em amostras, pelo operador (NOVO, op. cit.).
Entretanto, como mencionado em diversos estudos (BAATZ; SCHÄPE, 1999;
XIOXIA et al, 2004 e LEUKERT et al., 2004), os métodos de classificação (supervisionado e
não supervisionado) baseados em pixels ou em segmentos homogêneos (que consideram só as
escalas de cinza associadas aos pixels) se tornaram inadequados para compreender toda a
complexidade das imagem de alta resolução. Por isso, técnicas de classificação também
42
evoluíram, formando o grupo da nova geração de métodos de classificação, estando o Sistema

Baseado em Conhecimento dentre esses.
2.1.2 Sistema Baseado em Conhecimento (SBC) e a Classificação Orientada à Objetos
Os métodos de classificação (sistemas) baseados em conhecimento estão relacionados

aos processos computacionais de SBC, estes sistemas são utilizados quando há um grande
conhecimento específico (por parte do operador) que auxilia na solução do problema em
questão.
No caso das classificações, os Sistemas de Interpretação de Imagens Baseados em
Conhecimento, são aqueles que utilizam os conhecimentos do intérprete na modelagem do
ambiente. Seu objetivo é distinguir objetos que têm existência concreta e relacionar esse
objetos com características das imagens como cor, textura, forma, padrão e contexto na
imagem. O que se tem ao final da classificação é um reflexo do conhecimento prévio da área
e do problema, somados à capacidade de compreensão do analista (PINHO, 2005).
Dentre os softwares que se baseiam nesse sistema, um dos principais e mais utilizado é
o eCognition, sendo reconhecido como o primeiro a realizar classificação orientada a objetos
(GEOBIA). Infelizmente, a maioria das aplicações desse método se da através de seu uso
como um classificador baseado no treinamento de amostras ou a partir de árvores de decisão
(data mining). Apesar do potencial do GEOBIA como um SBC, poucas ainda são as
iniciativas de classificação que podem ser descritas como baseadas no conhecimento.
A classificação baseada em objetos pode fazer uso de diferentes descritores através de
critérios booleanos (thresholds) e/ou de funções Fuzzy na modelagem do conhecimento, ou
seja, regras matemáticas para que o conhecimento do operador seja sistematizado e
reproduzido (CRUZ et al, 2009).
De maneira geral, esse método consiste em duas etapas, a segmentação e a
classificação em si.
A segmentação faz com que os pixels sejam agrupados em segmentos maiores (os
objetos)7, que são formados com base em sua resposta espectral, textura e forma. Os objetos
então serão classificados considerando vários parâmetros, não só os espectrais. A gama de
7
Embora não seja o objetivo desse capítulo, cabe ressaltar que há na literatura algumas discussões entre o
conceito de segmento e objeto. Segmentar uma imagem em áreas homogêneas não significa, necessariamente,
que estamos alcançando a delimitação de objetos. Normalmente o que se tem são partes dos objetos desejados,
o que dificulta o uso de vários descritores. Operações denominadas resegmentação têm surgido como forma de
minimizar esse problema.
43
parâmetros que pode ser considerada em uma classificação é enorme, além disso, o gráfico
para cada parâmetro é construído pelo próprio usuário, o que permite uma maior liberdade na
construção dos critérios. Mesmo que essa gama de possibilidades seja um dos grandes
diferenciais desse método é, ele também uma dificuldade. As possibilidades são tantas que
dificulta a seleção do que se deve usar. Por isso, um maior esforço do conhecimento do que se
é disponível pelo software e aplicabilidade deve ser feito, uma vez que o conhecimento prévio
do que se pode usar é pouco.
O princípio da classificação baseada em objetos está na extração de objetos (através de
segmentações) e na elaboração de uma rede semântica.
Para os manguezais, assim como para os outros ecossistemas, os principais métodos
utilizados para sua classificação são os automáticos ou semiautomáticos. A classificação
orientada a objeto só começou a ser utilizada no mapeamento dos manguezais nos anos 2000
(KUENZER et al., 2011).
Nos estudos desse ecossistema, a técnica de classificação baseada em objetos, assim
como as demais técnicas de mapeamento, é utilizada principalmente para trabalhos
objetivando o mapeamento na cobertura do solo ao longo do tempo (DUPUY et al, 2012;
BORNMAN; ADAMS, 2010; CONCHEDDA et al., 2008; FROMARD et al., 2004; JONES
et al., 2004; JUPITER et al, 2007; ROGERS et al., 2006), levantamento da área ocupada pelo
ecossistema e mapeamento de pressões no ecossistema (MOHAMED et al., 2007). Em outras
palavras pode-se dizer que esses trabalhos consideram somente os limites dessas florestas
com os sistemas adjacentes, isso com o objetivo de inventariar ou analisar essas florestas
multitemporalmente (Change detection).
Ainda são poucos os trabalhos que apresentam uma escala maior de análise e legenda,
que considerem as diferenças internas das florestas. Além disso, quando tal abordagem é
realizada, ela prioriza divisões em relação à densidade de copas (JENSEN et al., 2009) e à
dominância ou discriminação de espécies (GREEN, 1998; DUTRIEX et al., 1990).
Durante a elaboração desse trabalho, somente um trabalho (KAMAL et al, 2014) foi
apresentado tentando dar uma abordagem ecológica à divisão interna do mapeamento dos
manguezais. Sendo necessário mais estudos que analisem a aplicabilidade e resultados dessa
abordagem.
44
2.2 Objetivo
O presente capítulo tem como objetivo investigar a aplicabilidade da técnica de

classificação baseada à objetos em imagens de alta resolução (oriundas de satélites óticos
orbitais) para o mapeamento de tipos fisiográficos da vegetação de mangue
mangue, além de avaliar
sua acurácia e viabilidade de rreplicação.
2.3 Materiais e métodos
As etapas para execução do mapeamento podem ser divididas em: escolha e aquisição
da imagem; trabalho de campo, preparação da imagem para a análise; classificação, edição e
geração de mapas. Todas as etapas, em ordem de execução, estão expostas no fluxograma
apresentado na figura 6 e serão detalhadas posteriormente. Várias etapas foram elaboradas no
âmbito desse estudo, que podem ser também consideradas resultados dessa pesquisa.
Figura 6 - Fluxograma de etapas desenvolvidas.

45
2.3.1 Escolha e Aquisição das imagens
Uma das etapas primordiais para a execução com sucesso do mapeamento de tipos
fisiográficos de manguezais é a escolha da imagem cuja resolução espacial seja compatível
com áreas e extensões dos objetos mapeados.
Para o objetivo proposto faz
faz-se
se necessário o uso de imagens com alta resolução
espacial, isto porque os tipos fisiográficos em algumas regiões estão dispostos em faixas
muito estreitas que dificultam, ou até impedem
impedem,, que sensores de média e baixa resolução
espacial as identifiquem. Frente às limitantes financeiras da época, foram utilizadas imagens
46
provenientes do satélite IKONOS que tem alta resolução espacial (1m na banda pancromática
e 4m nas coloridas).
A imagem IKONOS, com características descritas na Quadro 1, apresenta 4 bandas
espectrais, além da pancromática. Imagens multiespectrais são recomendadas em trabalhos de
classificação, uma vez que o maior número de bandas possibilita a consideração de mais
descritores,
res, tendo a possibilidade de se gerar mais modelos na classificação, o que auxilia a
maior diferenciação das fisionomias.
Quadro 1 - Características das imagens do satélite IKONOS
Fonte: Engesat, (2012).
Neste cenário, foram adquiridas imagens (Erro! Fonte de referência não encontrada. e
Quadro 2) cujas datas de aquisição coincidem com dados de estrutura vegetal obtidos eem
campo pelo NEMA.
Cabe ressaltar que as imagens adquiridas já haviam passado pelos processos de
correção atmosférica e normalização radiométrica.
47
Figura 7 - Quicklook da imagem Ikonos
Cena 1 Cena 2
Legenda: Área de estudo delimitada em vermelho, mostrando as cenas com suas diferenças
radiométricas.
Quadro 2- Informações sobre as cenas.
Cena Data da cena Cobertura de nuvens Ângulo de elevação ID

01 13/08/2007 0% 83.984 2007081313130930000011608403
02 12/04/2002 0% 73.4042 2002041213133460000011610541
2.3.2 – Trabalhos de Campo
Após a aquisição das imagens, cerca de 20 pontos de controle foram selecionados e

medidos em campo para posterior ortorretificação (Figura 8) das imagens.
O trabalho de campo se consistiu na medição de coordenadas, através de GNSS L1, de
pontos previamente estabelecidos para a realização da ortorretificação (Figura 9). Os pontos
foram escolhidos de maneira a serem bem definidos na imagem por um único pixel (meio de
cruzamentos de vias, vértices de estacionamentos, etc.).
Esses pontos, denominados pontos de controle, foram distribuídos de modo a cobrir a
área da imagem (Figura 9), e escolhidos de maneira que a feição (medida em campo) pudesse
48
ser reconhecida em um pixel da imagem. Alguns pontos foram utilizados para a

ortorretificação e outros para validação.
Figura 8 - Fotos de dois pontos de medição de coordenadas, com GNSS L1, para
ortorretificação
Fonte: Arquivo NEMA (2014).
Figura 9 - Imagem com os pontos medidos com GNSS L1.
Fonte: Almeida 2015
O GNSS L1 utilizado foi gentilmente cedido pelo curso de Geografia da Universidade

Federal do Rio de Janeiro. Este se diferencia do GNSS usual porque realiza medições que
podem gerar erros de localização planialtimétrica de até poucos centímetros, enquanto os
utilizados em campo para navegação, geram erros na ordem de metros.
49
O processo utilizado na aquisição dos pontos de controle foi o denominado Stop and
Go que, de uma maneira simples, consiste na utilização de um par de DGPS, enquanto uma
coleta dados de um ponto conhecido ou base (Figura 10), o outro é posicionado nos vários
pontos que se deseja medir.
O ponto de coordenadas conhecidas ocupado como base no âmbito desse trabalho foi a
estação altimétrica do IBGE 3066T, escolhida por ser o único marco encontrado próxima da
área estudada.
Figura 10 - Base para coleta de dados por GNSS
Legenda: estação altimétrica 3066T do IBGE.
2.3.3 Ortorretificação (Correção Geométrica)
Uma imagem de satélite possui certos erros geométricos gerados durante sua
aquisição, logo, para se realizar qualquer trabalho utilizando imagens digitais provenientes de
satélites faz-se necessária a correção geométrica da imagem (NOVO, 2010).
A ortorretificação tem como finalidade corrigir geometricamente a imagem,
considerando tanto a planimetria do terreno como sua altimetria. Esta etapa foi realizada no
software Geomatica®, com utilização do Modelo Digital de Elevação (MDE) gerado a partir
de imagens do sensor Aster/Terra.
Os arquivos ortorretificados foram confrontados com alguns pontos obtidos em campo
e então validados conforme o Padrão de Exatidão Cartográfica (PEC) (BRASIL, 1984). O
50
PEC está inserido nas Normas Técnicas da Cartografia Nacional (Decreto nº 89.817, de 20 de
junho de 1984), e consiste na divisão de uma carta, em classes, com base na exatidão da
mesma. Este ainda é o documento nacional oficial utilizado para validação de correções
geométricas. Os limiares adotados aqui foram os da Classe C, aceitos para os mapeamentos
temáticos.
2.3.4 Definição e caracterização das classes
Antes da modelagem para a classificação da imagem, foram definidas cada uma das
classes constituintes da legenda final de mapeamento, sendo essas: Água, Apicum, Floresta de
Franja, Floresta de Bacia, Floresta de Transição e Colonização, detalhadamente descritas na
Tabela III.
A escolha dessas classes foi baseada em Estrada (2009), que descreveu e diferenciou
estatisticamente esses tipos fisiográficos de mangue presentes na área de estudo. Além desse
trabalho, foi primordial o conhecimento da área e das classes a serem mapeadas.
Todas as classes estão descritas na tabela do Quadro 3.
51
Quadro 3 - Classes da Reserva Estadual de Guaratiba.

Super- Amostra da Imagem Representação em campo
Subclasse Descrição da classe/subclasse Amostra da Imagem Descrição do Objeto
classe segmentada (Foto)
Floresta nas margens de um corpo

hídrico (baía ou rio) que apresenta Tamanhos variados, mais
Franja maiores valores de altura e DAP, tendência alongada e paralela ao
refletindo num maior corpo hídrico; textura rugosa.
desenvolvimento estrutural.
Floresta mais interiorana quando

comparada as florestas de franja. Tamanhos variados; textura
Essas florestas apresentam um pouco rugosa, tonalidade verde
Bacia desenvolvimento estrutural (altura mais escura que a Franja (em
e DAP) inferior as florestas de alguns pontos) e assimétricos.
Franja.
Mangue
Floresta mais interiorana que, em

seções faz limite com o apicum, e
outras com regiões de Tamanhos variados; textura
Transição colonização. Dentre as florestas pouco rugosa a lisa, tonalidade
estudadas por Estrada (2009) é a verde e assimétricos.
que apresenta menor porte
estrutural.
Seções de manguezais pioneiros
que colonizaram regiões onde
antes não havia vegetação. Por
serem mais jovens e se Segmentos pequenos; textura
Colonização localizarem em regiões com lisa; tonalidade verde escura e
estresse ambiental são os que assimétricos.
apresentam menor
desenvolvimento estrutural.
52
Formas assimétricas, objetos

Corpos hídricos: oceano, rios,
Água grandes; textura lisa e
canais e lagos.
tonalidade escura a azul.
Fisionomias pertencentes ao
ecossistema manguezal, que pela
alta concentração de salinidade Textura lisa; tamanho variável;
Apicum não apresenta vegetação ou tonalidade amarelada ou
apresenta vegetação rasteira marrom.
adaptada a essas condições.
Legenda: Classes identificadas por interpretação da imagem IKONOS e dados e trabalhos de campo realizados pelo NEMA/UERJ (2014).
53
2.3.5 Segmentação e Classificação
A classificação baseada em objetos combina características da classificação por

regiões (principalmente a etapa de segmentação antes da classificação em si) e da
classificação supervisionada (uma vez que há influência do classificador na escolha e
determinação dos descritores), além de permitir a adoção simultânea de diferentes níveis
de segmentação, descritores e modelos hierárquicos, o que facilita, agiliza e refina este
processo. A segmentação consiste no primeiro passo da análise que, no Definiens
Developer ®, faz-se através da técnica de crescimento por regiões. Seguindo a
metodologia proposta por Cruz et al. (2007), essa etapa agrupa os pixels em segmentos
“semelhantes” quanto à resposta espectral.
Após a segmentação, esses segmentos tornam-se os objetos considerados para a
classificação. A semelhança é calculada através de parâmetros de escala que são
fornecidos pelo usuário (Figura 11). Neste ponto, cabe ressaltar a dificuldade que se
encontra em definir "objetos" para determinadas classes, nem sempre o objeto definido
pela segmentação delimita o objeto de análise. Na maioria das vezes o objeto é divido e
cortando, problema que deve ser solucionado com uma resegmentação ou, no processo
de classificação. O grande diferencial desse método é que após a segmentação, as
características do objeto passam a ser consideradas na modelagem, abandonando-se as
características individuais dos pixels.
Vários testes foram realizados com diferentes parâmetros de escala (que
influenciam diretamente no tamanho dos segmentos) com o intuito de se estabelecer o
melhor para a delimitação dos tipos fisiográficos. No caso dos manguezais de Guaratiba,
uma das maiores preocupações foi delimitar muito bem os vários canais característicos
da região, assim como suas florestas de franja e as florestas de porte arbustivo presentes
na região de transição, entre as florestas de mangue e as planícies hipersalinas
(ESTRADA, 2009).
54
Figura 11 - Modelo conceitual dos níveis hierárquicos utilizados no eCognition.
Fonte: Guia de usuário do eCognition.
Por isso, vários testes foram gerados com os seguintes parâmetros: 1000, 500,
250, 100, 50. Duas segmentações foram geradas, uma considerando todas as bandas
espectrais e outra considerando somente a banda do infravermelho próximo. As imagens
foram então analisadas visualmente e, ao final dos testes, optou-se pela adoção dos
parâmetros 500 e 100, sendo o parâmetro 500 utilizado para separar a área verde da não-
verde (áreas florestadas e não florestadas) e o parâmetro 100 para delimitar os tipos
fisiográficos dos manguezais.
55
Figura 12 - Imagem do teste de segmentação realizado (parâmetro de escala 100).
Fonte: Definiens Developer..
Após a segmentação seguiu-se com a classificação em si. Um dos maiores

diferenciais da classificação baseada em objetos é a definição de amostras e a seleção de
seu respectivo descritor (emprego de uma função em um parâmetro8 para a modelagem
de uma classe). Isto porque, as amostras que representam cada classe podem ser
analisadas quanto sua resposta espectral, e baseadas nestas, a escolha do melhor
descritor para a identificação da classe é feita pelo próprio usuário do sistema. A escolha
do descritor consiste na interpretação dos histogramas e na definição do gráfico a ser
adotado para considerar ou não determinado objeto em uma classe. Pode-se nesta etapa
escolher uma aplicação fuzzy ou booleana, possibilitando assim, o acompanhamento de
estatísticas por classe e amostra (grau de pertinência).
A primeira etapa da classificação das imagens é o treinamento, que consiste no
reconhecimento da assinatura espectral das classes que são mapeadas (PONZONI &
SHIMABUKUTO, 2007). A partir do treinamento, pode-se analisar a reposta de cada
amostra dentro de cada banda da imagem, ou seja, a resposta da amostra (assinatura
espectral), e por sua vez, da classe que ela representa ao longo do espectro
8
Os parâmetros aqui definidos, são chamados no Guia do Usuário do eCognition como "Features". No
eCognition um parâmetro representa informações como as de medidas, dados importados ou valores,
eles se relaciona, a objetos específicos ou aos aplicados globalmente.
56
eletromagnético abrangido pelas bandas das imagens do sensor/satélite em questão. A

partir dessa análise, pode-se,
se, no software, determinar os descritores utilizados em cada
classe. Um exemplo desse processo, que se inicia na escolha das amostras, passa pela
análise da resposta espectral e termina na seleção dos descritores representada na Figura
13.
Figura 13 - Respostas dos tipos fisiográficos
Legenda: Esquema com algumas amostras de tipos fisiográficos definidas (setas vermelhas) e os cálculos
de suas respostas nos histogramas, ao lado.
Fonte: Definiens Develope,2015....
O nível 1 de segmentação (mais abrangente), como descrito anteriormente, foi

utilizado para diferenciar
ar as áreas florestadas das não florestadas e, num segundo
momento, para mapear as florestas de mangue (Figura 14).
57
Figura 14 - mapeamento inicial no nível 1
Legenda: Projeto ilustrando o mapeamento inicial no nível 1. A esquerda a imagem e a direita o resultado
do mapeamento, sem edição manual.
Fonte: Definiens Developer..
Os parâmetros utilizados para a delimitação de cada classe são detalhadamente

descritos posteriormente, como resultados desta pesquisa. Acredita-se que os
parâmetros utilizados aqui podem ser utilizados em futuros mapeamentos, alterando-se
somente os limiares de seus intervalos.
O NEMA, com o intuito de caracterizar e analisar a variabilidade estrutural das
florestas de mangue de Guaratiba e através de diversas dissertações e teses, coletou
dados estruturais de cerca de 100 parcelas distribuídas pela área. Essas parcelas,
analisadas por Estrada (2009), foram utilizadas nesse estudo como verdade de campo.
Esses dados já georreferenciados e definidos quanto ao tipo fisiográfico,
serviram para correlação da verdade de campo com as características espectrais da área
correspondente às parcelas monitoradas na imagem de satélite. As características de
10 destas parcelas, mais uma série de outras amostras definidas por conhecimento de
campo foram utilizadas para a modelagem das classes do mapeamento. As restantes
foram separadas para a verificação e validação do mapeamento final.
Outra questão que será melhor discutida posteriormente, mas também merece
destaque aqui é que durante a execução do mapeamento, percebeu-se que critérios além
dos baseados nas respostas espectrais eram necessários para definir os tipos
58
fisiográficos que apresentavam confusão. Baseado nisso, na verdade de campo e nos

dados estruturais, além dos descritores oriundos das bandas do sensor (espectrais),
foram aplicados parâmetros de distância em relação ao tipo fisiográfico de franja e o
tipo fisiográfico de transição.
Após a classificação realizada no Definiens Developer®, o mapeamento foi
editado manualmente tanto nesse ambiente computacional (primeira rodada), como no
ArcGis® (rodada final). Após a edição, a área de cada classe foi quantificada.
A validação do trabalho foi feita em duas etapas. Primeiramente foi avaliado o
grau de automatização do mapeamento, ou seja, foi analisado o quanto da área do
mapeamento foi definida automaticamente, e o quanto sofreu edição manual. Tal etapa
foi realizada a partir de uma matriz de confusão confrontando o mapeamento pré e pós
edição manual.
Outra avaliação realizada foi a do mapeamento em si, para analisar sua
confiabilidade. Para isso utilizou-se 54 parcelas de estrutura vegetal que foram
classificadas, quanto ao tipo fisiográfico, de acordo com Estrada (2010). Das referidas
parcelas, foi demarcado um área raio de 5m2, e estas áreas foram confrontadas com o
mapeamento. A partir da matriz de confusão elaborada com este mapeamento foram
calculados índices de concordância, como: Exatidão Global, Acurácia do Usuário,
Acurácia do produtor, índice Kappa do mapeamento e o índice Kappa Total.
A matriz de confusão ou matriz de erro, como representado na figura 15, é uma
matriz quadrada de números, formada por linhas e colunas que expressam o total de
unidades amostrais (pixels, área, pontos) atribuídos a uma categoria em uma
classificação em relação às unidades amostradas em campo atribuída a uma determinada
categoria (CONGALTON; GREEN, 1999).
59
Figura 15 - Exemplo matemático de uma matriz de confusão.
j = Colunas Total das

(Referência) linhas
1 2 k ni+
1 n11 n12 n1k n1+
2 n21 n22 n2k n2+
k nk1 nk2 nkk nk+
Total das
colunas n+1 n+2 n+k n
n+j
Fonte: Adaptado de Congalton e Green, 2009.
A diagonal na matriz de confusão representa as unidades corretamente mapeadas, ou

seja, aquelas unidades que são classificadas e tem como referência a mesma classe.
A partir da matriz de confusão, vários índices para análise do mapeamento
podem ser calculados. A Exatidão Total,também conhecida como Concordância Total
(HELDEN et al. 1980) ou Acurácia Global é um deles, sendo obtido através da fórmula:
∑𝒌𝒊 𝟏 𝐧𝐢𝐢
Exatidão Total =
𝐧
onde, Xii são os valores encontrados na diagonal da matriz e n o número total de
amostras.
Como se pode perceber, o índice de Exatidão Total considera somente os valores
contidos na diagonal da matriz de confusão. Logo, ele se relaciona somente aos acertos
do mapeamento, não considerando também os erros. Por isso, outro índice muito
utilizado para se averiguar a eficácia do mapeamento é o índice Kappa.
A diferença principal entre os dois índices é que a acurácia global assume os
dados de campo como totalmente verdadeiros, sendo considerados "verdade absoluta",
já o índice Kappa assume que tanto o produto gerado (nesse caso o mapeamento), como
o documento (ou dados) de referência, possuem o mesmo grau de veracidade (BRITES,
1996) .
60
O índice Kappa considera, portanto, todas as células da matriz de erro e, é

adquirido através da fórmula:
∑𝒌𝒊 𝟏 𝐧𝐢𝐢 ∑𝒌𝒊 𝟏 𝐧𝐢 𝐧 𝐢

Índice Kappa =
𝐧𝟐 ∑𝒌𝒊 𝟏 𝐧𝐢 𝐧 𝟏
onde:
k =número de linhas da matriz de confusão;
n= número total de amostras (observações);
nii = número de observações na linha i e coluna i;
ni+ = total da linha i;
n+i = total da coluna i.
Segundo Fonseca (2000), podemos associar os valores obtidos para o índice

Kappa a um desempenho do mapeamento (Tabela I):
Tabela I -Desempenho do Índice Kappa

Índice Kappa Desempenho
<0 Péssimo
0<k≤0,2 Ruim
0,2<k≤0,4 Razoável
0,4<k≤0,6 Bom
0,6<k≤0,8 Muito Bom
0,8<k≤1,0 Excelente
61
2.4 Resultados e discussões
2.4.1 Modelagem do Conhecimento e Classificação
Como dito anteriormente, algumas etapas do mapeamento final embora sejam

parte da metodologia, também são resultados dessa pesquisa, visto que são frutos de
testes, aplicações inovadoras da técnica e da modelagem do conhecimento. Sendo
assim, mesmo que todas as etapas para o mapeamento tenham sido explicitadas no item
anterior, algumas serão detalhadas nesse item, principalmente as etapas de modelagem e
classificação.
No Definiens Developer, antes do mapeamento em si, é necessária a definição
das classes em uma estrutura hierárquica, chamada no programa de "Class Hierarchy9".
Essa árvore é que guiará o sistema na decisão (baseado nos descritores estabelecidos)
para analisar a qual classe um objeto é estatisticamente mais semelhante e, por isso,
relacionado a mesma.
A "árvore" deve conter todas as classes que compõe a legenda (chamar atenção
da estrutura semântica), podendo ainda apresentar outras classes para facilitar o
processo de modelagem do objeto e separação espectral de grupos de classes
semelhantes, nesse sentido. Para cada projeto, uma árvore deve ser criada ou importada,
ela deve ser desenvolvida de modo a combinar em seu arranjo hierárquico, o
conhecimento (do operador) em relação às classes do mapeamento e o comportamento
espectral dessas classes, ou melhor, dos objetos adquiridos na segmentação que essa
classe deve envolver.
A etapa de elaboração da "hierarquia de classses" pode ser realizada antes ou
imediatamente após a segmentação, e as classes podem ser modificadas a qualquer
momento. A definição dessa árvore e dos descritores para a modelagem é feita
simultaneamente, visto que a divisão hierárquica influencia na escolha do melhor
descritor e a análise dos descritores possibilita o melhor entendimento espectral das
9
Os objetos podem ser associados as classes pelo usuário, os quais são exibidos na janela de hierarquia de
classes. Assim, as classes podem ser agrupadas em uma estrutura hierárquica, permitindo que "classes
filhas" herdem atributos das "classes pais". (User Guide do Definiens Developer).
62
classes. São tentativas, análises e modificações que ocorrem até o final do processo de
modelagem.
No âmbito dessa pesquisa, primeiramente foram definidas as classes para os
objetos do nível de segmentação L500, como especificado na Figura 16. Esse nível foi
usado para diferenciar corpos hídricos, regiões sem vegetação (Apicuns, Outros e
Urbano) e com vegetação (Mangue, Não mangue e Pasto verde). Esse primeiro nível de
classificação objetivava a definição das áreas de mangue, para posterior reclassificação.
E, tal separação em grupos como "not_verde" e "verde", se baseia na grade de diferença
espectral desses objetos. A diferença espectral das classes adotadas será discutida no
tópico à seguir.
Figura 16 - Porção da árvore

hierárquica, abrangendo
as classes utilizadas no
nível L500.
Fonte: Definiens Developer, 2015.
Depois dessa classificação, uma nova segmentação (com fator de escala 100) foi
aplicada somente nas áreas identificadas na etapa anterior como pertencentes à classe
mangue, para melhor diferenciá-la (Figura 17). Além disso, para o refinamento da
modelagem das florestas de franja, a classe mapeada como Água, foi subdividida em
Baia e Rio.
Figura 17 -Porção da árvore

hierárquica, abrangendo
63
as classes utilizadas no
nível L100.
Fonte: Definiens Develope, 2015.
Após a definição da árvore hierárquica, seguiu-se com os testes para definição

dos parâmetros a serem utilizados na classificação, assim como seus descritores e
limites. Os resultados dessa etapa foram aplicados na modelagem se encontram na
figura 17 e quadro 5.
Quadro 4 - Modelos aplicados nos mapeamentos das classes do nível hierárquico

L500.
Nível Classe Classe 2 Operador Parâmetro Função Intervalo
Brightness [10 - 550]

Água* and (min)
Mean NIR [300 - 350]
Baia and (min) not (Rio) - -

Max. Diff. [0.5 - 0.95]
Rio and (min)
NDVI [-0.45 - -0.23]
Not_verde and (min) not (Água e verde) - -
Max. Diff. [0.29 - 0.3]

Apicum* and (min) NDVI [-0.15 - -0.13]
Standard deviation NIR [152 - 169]
Outros* and (min) not (Apicum e Urbano) - -
Max. Diff. [0.43 - 0.46]
L500 NDVI [-0.1 - 0.1]
Urbano and (min)
Standard deviation Blue [113 - 116]

Verde and (min) Mean Red [690 - 695]
NDVI [-0.1 - -0.05]

Mangue* and (min) Distance to Água [999 - 1001] m
Not_mangue and (min) not (Mangue e Pasto_verde) - -
Pasto_verde and (min)
64
Quadro 5 - Modelos aplicados nos mapeamentos das classes do nível hierárquico L100.
Nível Classe Classe 2 Operador Parâmetro Função Intervalo
L100 Bacia and (min) not (Franja_baia, Franja_rio e transição) - -

Distance to baia [0 - 400] m
Max. Diff. [0.6 - 0.61]
Franja_Baia and (min) Mean NIR [850 - 855]
NDVI [0.23 - 0.25]
Distance to rio [0 - 150]
Max. Diff. [0.56 - 0.61]
Franja_Rio and (min)
NDVI [0.22 - 0.23]
Distance to apicum [0 - 200]
Max. Diff. [0 - 1.81]
Mean Grn [450 - 774.5]
Transição and (min)
Standard deviation Grn [200 - 205]
Standard deviation Red [190 - 193]
Standard deviation Grn [155 - 160]

Colonização* and (min)
Standard deviation Red [148 - 152]
Transição_2* and (min) not (colonização) - -
Como podemos observar, para a diferenciação no primeiro nível (entre Água,

Verde e Não Verde) foram utilizados o descritor de brilho (Brigntness), a banda NIR
(com dois descritores diferentes: Média e Desvio Padrão), além dos índices de
vegetação NDVI, cujo parâmetro foi criado através do cálculo das médias dos
segmentos em relação às bandas no projeto.
Para que objetos não deixem de ser classificados é recomendável que cada nível
hierárquico apresente uma classe de exclusão (função "not"), ela completa os níveis de
pertinência de forma booleana, interferindo no resultado, e garantindo que todos os
segmentos tenham algum nível de pertinência associado a uma classe. Ela agrupará
todos os objetos que não se inserem nas demais classes do mesmo nível hierárquico, ou
seja, que estão fora dos intervalos confeccionados nos descritores para a delimitação de
cada classe. Para o primeiro nível de classificação, a classe not, foi a de áreas não
vegetadas (not_verde).
As figuras 18, 19, 20 e 21 apresentam o comportamento dos objetos (em suas
específicas classes) em relação a alguns parâmetros. Como se pode verificar,
observando todos os gráficos, cada uma das classes ocupa, de maneira geral, setores
65
diferentes. O que demonstra que essas classes possuem comportamentos espectrais

distintos.
Os objetos classificados como água são sempre os que se encontram
predominantemente na parta inferior dos gráficos, principalmente em função dos baixos
valores de NDVI. Na figura 18, as amostras apresentam, além dos menores valores de
NDVI,baixos valores de reflectância média no Infravermelho Próximo (NIR), por isso
se localizam no setor abaixo e a esquerda no gráfico de dispersão. As amostras de
vegetação (Verde) e de "Not verde" possuem maiores valores de NDVI e Média de
NIR, mas cada um com comportamento distinto apresentando diferenças espectrais que
podem ser visualizadas.
Figura 18 - Dispersão dos objetos em L500 - NIR X NDVI
Legenda: Gráfico de Dispersão dos objetos em L500, em relação à média

NIR (eixo x) e NDVI (eixo Y). Os pontos amarelos, verdes e azuis
são objetos classificados, respectivamente como: not_verde, verde
e água.
Fonte: Definiens Developer.
As diferenças espectrais entre as três classes também são observadas na figura

19, onde as amostras de água estão na porção inferior, e as amostras de "verde" e
"Não_verde", embora apresentem um faixa com os mesmos valores de NDVI - o que
faz com que ambas estejam na porção superior do gráfico - possuem valores distintos na
média do vermelho. Fato ratificado pela distribuição das amostras de verde, restritas a
porção superior esquerda do gráfico de dispersão.
66
Figura 19 - Dispersão dos objetos em L500, média do Vermelho

X NDVI
Legenda - Gráfico de Dispersão dos objetos em L500, em relação a média do

Vermelho (eixo x) e NDVI (eixo Y). Os pontos amarelos, verdes
e azuis são objetos classificados, respectivamente como:
not_verde, verde e água.
Ao analisar a dispersão considerando o NDVI e o Brilho (Figura 20), percebe-se

mais uma vez os comportamentos espectrais distintos de cada uma das classes refletindo
na regionalização de cada classe em setores dos gráficos.
A partir dos gráficos, percebe-se que os parâmetros apresentados (Brilho, Max.
Diff., NDVI, Média no Vermelho e Infravermelho) são adequados para a diferenciação
das classes "Água", "Verde" e "Não_Verde", nas amostras criadas no nível L500, uma
vez que seus objetos apresentam comportamentos distintos nesses parâmetros, o que
corrobora a utilização desses métodos na modelagem.
Dentro do nível hierárquico L500, era muito importante a diferenciação das classes
filhas, inseridas nas classes "Verde" e "Não_verde". Na classe Não_verde os objetos
com maior importância são os que representam as áreas de apicum e o detalhamento dos
objetos classificados como vegetados (verde) era fundamental, pois é nessa etapa que
diferenciamos as florestas de mangue.
Para a diferenciação e modelagem do Apicum, como listado no quadro 4, foram
elaborados gráficos na Max. Dif., NDVI e Desvio Padrão na banda NIR, estes
diferenciam bem essa feição da região, como se pode observar através dos gráficos de
dispersão apresentados nas figuras 21 e 22.
67
Figura 20 - Dispersão dos objetos em L500 - NDVI X Brilho
Legenda: Gráfico de Dispersão dos objetos em L500, em relação ao

NDVI (eixo x) e Brilho (eixo Y). Os pontos amarelos, verdes
e azuis são objetos classificados, respectivamente como:
not_verde, verde e água.
Figura 21 - Dispersão dos objetos Não_verde (L500) - NDVI X

Máx. Dif.
Legenda: Gráfico de Dispersão dos objetos Não_verde (L500), em relação ao

NDVI (eixo Y) e Máx. Dif. (eixo X). Os pontos amarelos e cinza
são objetos classificados, respectivamente como: apicum e as
demais classes (outros e urbano).
68
Figura 22 - Dispersão dos objetos Não_verde (L500) - NDVI X

Desvio Padrão NIR
Legenda: Gráfico de Dispersão dos objetos Não_verde (L500), em relação ao

NDVI (Y) Desvio Padrão NIR (X). Os pontos amarelos e cinza
são objetos classificados, respectivamente como: apicum e as
demais classes (outros e urbano).
Além do Apicum, outra classe que teve grande cuidado na modelagem foi a
floresta de mangue, isto porque é esse o foco do presente trabalho. Do aspecto espectral
foram utilizados os parâmetros: Brilho, Desvio Padrão no Azul e NIR.
Entretanto, essa modelagem apresentou grandes confusões entre as florestas de
mangue e demais áreas florestadas (agrupadas aqui na classe Not_mangue).
Para minimizar a confusão gerada pelas respostas espectrais semelhantes, e
diminuir o esforço de edição manual posterior, foi adicionado um descritor de distância,
entre o mangue e a água. Assim, objetos distantes mais do que 1000 metros não
poderiam pertencer a classe mangue.
É importante destacar que o foco principal dessa etapa foi a exatidão da
modelagem e a classificação das classes pertencentes à legenda final. Logo, as demais
classes do mapeamento foram usadas para essa distinção, não tendo grande rigor em sua
delimitação específica. Classes do último nível hierárquico, não pertencentes a legenda
final (como pasto e áreas urbanas) foram utilizadas somente para a separação espectral
69
das classes de interesse; desta forma, a precisão quanto as suas modelagens, não foram
avaliadas.
Após a diferenciação satisfatória das classes pertencentes à segmentação L500,
seguiu-se com a modelagem no nível mais detalhado de segmentação (L100). Nessa
etapa, foram modeladas as classes Bacia, Franja, Transição e colonização.
A classe Bacia foi definida como a classe "not", aquela onde se agrupam os
objetos não compreendidos nas demais classes do mesmo nível hierárquico
(normalmente a classe de maior expressão espacial). Tal escolha foi feita por esta ser a
porção da floresta com maior diversidade em relação ao comportamento espectral, logo
a mais difícil de ser mapeada. Não há nenhuma referência na literatura sobre a
obrigatoriedade da adoção da classe "not" em uma árvore hierárquica, nem de como esta
deve ser escolhida, por isso, cabe uma explicação breve do porquê dessa escolha.
Como dito anteriormente, as indicação de uma classe "not"é necessária, para que
nenhum objeto daquele nível hierárquico fique sem classificação. Assim, caso um
objeto não esteja definido nas demais classes do mesmo nível hierárquico, em virtude
dos gráficos elaborados, ele será classificado como a "Classe not". Normalmente, a
classe mais abrangente espacialmente ou a que tem maior diversidade espectral é a
escolhida para ser a classe "not", isso porque as outras classes serão mais fáceis de
serem definidas. Logo, no presente trabalho foram modeladas dessa forma as classes
Franja, Colonização e Transição.
Nas figuras 23, 24 e 25 são apresentadas as respostas espectrais das classes de
Franja, Bacia e Transição em relação ao NDVI, Média em NIR, Média no vermelho,
Máxima Diff. A partir destes, observa-se grande confusão entre as respostas das
amostras de Bacia com as demais classes, se sobrepondo, ora com as florestas de franja,
ora com as florestas de bacia.
Isso reflete na dificuldade para se modelar esses tipos fisiográficos. Baseado
nessa semelhança de respostas espectrais, foram adotados outros parâmetros além dos
espectrais, sendo utilizados um parâmetro de distância.
70
Figura 23 - Dispersão dos manguezais (L100) - Média do NIR X

NDVI.
Legenda: Gráfico de Dispersão dos manguezais (L100), em relação a Média

do NIR (X) e NDVI (Y). Sendo: ● Transição; ● Franja e●Bacia.
Figura 24 - Dispersão dos manguezais (L100) - Média do Verde

X NDVI.

do Verde (X) e NDVI (Y). Sendo: ● Transição; ● Franja e●Bacia.
Fonte: Definiens Develope.
71
Figura 25 - Dispersão dos manguezais (L100) - Média do Verde

X NDVI
Legenda: Gráfico de Dispersão dos manguezais (L100), em relação a

Máxima Diferença (X) e NDVI (Y). Sendo: ● Transição; ● Franja
e●Bacia.
A classe de Franja foi dividida em Franja de Baía e Franja de rio, esta divisão foi
testada porque a análise visual das imagens e os dados de estrutura vegetal indicaram
que as florestas de Franja às margens da baía de Sepetiba se estendem mais
interioranamente que as florestas de franja às margens dos rios. Por esse motivo, a
divisão foi testada e após análise visual, adotada. Os parâmetros para divisão de cada
uma dessas classes foram basicamente os mesmos, ambas utilizaram Max. Diff., NDVI e
Desvio Padrão NIR, sendo todos com limiares semelhantes. Além desses, cada classe
tinha ainda parâmetros de distância em relação ao corpo hídrico associado, à no máximo
200m no caso das florestas de Franja à margem da baía e 75 metros para as florestas às
margens dos rios.
A distância empregada no parâmetro classificatório das florestas às margens da
baía está muito superior a outra classe de floresta de franja. Isso se dá, primeiramente
pela ação da lavagem de marés, que faz com que esse tipo fisiográfico se distribua por
uma maior extensão nessa porção da área. Mas o número muito superior se relaciona
também com uma característica típica da região. As florestas apresentam grandes canais
que funcionam como canais de marés, estendendo a lavagem realizada pelas águas além
dos limites que seriam impostos sem esses canais. A maior extensão das lavagens, se
72
reflete na maior ocupação de florestas classificadas como florestas de franja. Essa

extensão se dá em fragmentos alongados seguindo esses canais.
Para a modelagem da classe "Transição", que compreende as florestas de menor
porte próxima ao apicum, foram utilizados os parâmetros de Max. Diff., Média no verde,
Desvio Padrão no Azul, verde e vermelho (separadamente), além de um parâmetro de
distância do apicum (essas florestas só podem estar até 100 metros das planícies
hipersalinas). Tal parâmetro de distância foi criado para diminuir a confusão observada
entre as florestas de transição e a de bacia.
A classe compreendida nas Florestas de Transição foi subdividida em
Colonização e Transição 2. A classe Colonização abrange as florestas próximas ao
apicum que apresentam, de maneira geral, porte arbustivo. E as florestas de colonização
representam efetivamente as florestas que foram descritas e analisadas por Estrada
(2009).
Quando se analisa a resposta espectral das florestas de Franja e Colonização
(Figuras 26, 27, 28 e 29), percebe-se que estas possuem certa particularidade,
apresentando comportamento mais distinto, setorizando-as no gráfico de dispersão.

NDVI

do NIR (X) e NDVI (Y). Sendo: ● Transição e● Franja.
73
Figura 27 - Dispersão dos manguezais (L100) - Média do NIR

X NDVI
Legenda: Gráfico de Dispersão dos manguezais (L100), em relação a

Máxima Diferença (X) e NDVI (Y). Sendo: ● Transição e●
Franja.
Foi para evidenciar essas diferenças que as delimitamos espacialmente na área

de estudo, através dos limares de distância. Assim, a distinção entre essas duas classes
foi melhor. Como verificado nos gráficos II.26 e II.27.
74

NDVI
Legenda: Gráfico de Dispersão dos manguezais (L100), em relação a Distância

do Rio (X) e Distância da baía (Y). Sendo: ● Transição e● Franja.

NDVI
Legenda: Gráfico de Dispersão dos manguezais (L100), em relação a Distância

do Apicum (X) e Distância da baía (Y). Sendo: ● Transição e●
Franja.
75
2.4.2 - Mapeamento
O mapeamento final da região de Guaratiba (figura 30) registrou que a área

ocupada por manguezais é de aproximadamente 28 km2, sendo 9,34 km2 de Apicuns
(planícies hipersalinas) e 18,81 km2 de florestas de mangue.
Após a edição manual final, a avaliação do mapeamento feita de forma visual

mostrou que este representou de forma coerente a distinção dos tipos fisiográficos da
região. As florestas de franja, por exemplo, apresentam extensões maiores na baía que
nos rios, assim como percebido em campo e determinado através de parâmetros de
distância. Ou representação fidedigna do mapeamento, com o observado em campo, é a
intrusão, em algumas porções dos bosques de franja para a parte mais interiorana da
floresta. Em outras palavras, em algumas localidades as florestas de franja penetram, de
forma mais acentuada, para a porção mais interior das florestas.
76
Figura 30 - Região de Guaratiba
Legenda: Região de Guaratiba, Rio de Janeiro – Brasil, com detalhes do mapeamento realizado sobreposto à imagem de satélite.
77
Tal característica se dá, em virtude dos vários canais que cortam as florestas e são
responsáveis pelo fornecimento de água em sua parte interior. A percepção (através de
diferenças espectrais) desta distribuição apresentada por esta técnica reflete o bom
desempenho do mapeamento.
A figura 31 e o Quadro 6 representam graficamente e numericamente as áreas
calculadas para cada tipo fisiográfico mapeado. Além disso, encontram-se calculadas as taxas
de contribuição de cada classe mapeada, tanto considerando somente as florestas de mangue
como para todo o manguezal (florestas de mangue e apicuns).
Figura 31 - Contribuição, em Km2 dos tipos fisiográficos mapeados nos manguezais de

Guaratiba.
Área por classe

12,0
10,0
8,0
6,0
4,0
2,0
0,0
Apicum Franja Bacia Transição Colonização
Quadro 6 - Área de contribuição e cada classe de mapeamento.
Contribuição Contribuição
CLASSE Km2
Florestal (%) Florestal (%)
Apicum 9,3408 - 33,1811
Franja 3,0446 16,1856 10,8151
Bacia 10,5967 56,3349 37,6424
Transição 3,9317 20,9017 13,9663
Colonização 1,2373 6,5777 4,3951
TOTAL (Floresta de
mangue) 18,8102
TOTAL (manguezal) 28,1510
As florestas de Franja são aquelas localizadas próximas aos corpos hídricos e

frequentemente inundadas pelas marés. Estrada (2009) caracterizou estruturalmente as
78
florestas de mangue de Guaratiba considerando cada tipo fisiográfico. Segundo o autor as

florestas de mangue dessa região de estudo são dominadas pelas espécies Avicennia
schaueriana e Laguncularia racemosa e apresentam mediana de DAP médio de 10 cm e
altura variando entre 7 e 8 metros. Essas florestas distribuem-se em faixas de larguras
variadas considerando o corpo hídrico mais próximo. Aquelas às margens da baía de Sepetiba
podem distanciar da mesma até 180 metros enquanto as banhadas por rios e canais podem
estar distantes da margem até 100 metros. Estas distâncias extremas estão associadas,
principalmente, a canais no interior da floresta, assim como demonstrado por Chaves (2001) e
Portugal (2002).
Segundo o mapeamento, as florestas de franja ocupam 3,04 km2, cerca de 16% do
complexo florestal total. Entretanto, estudos como Portugal (2002), Almeida (2010), além de
visitas a campo apontam que esse tipo fisiográfico vem sofrendo constante erosão,
principalmente na porção continental às margens da baía de Sepetiba.
As florestas de bacia são aquelas, como descrito na introdução, localizadas mais no
interior da floresta, que foram caracterizadas por Estrada (2009) como possuindo dominância
de Avicennia schaueriana e Laguncularia racemosa. Apresentam, de maneira geral,
desenvolvimento estrutural menor que o tipo fisiográfico de franja, com DAP médio entre 5 e
6 cm e altura entre 3 e 6 metros. Esse é o tipo fisiográfico com maior contribuição para as
florestas de mangue de Guaratiba, localizadas ora entre as florestas de franja e de transição,
ora ela própria está na zona de interface com os Apicuns. O mapeamento apontou que esse
tipo fisiográfico ocupa cerca de 56,33% do complexo florestal (10,60 km2). Entretanto, as
florestas localizadas a leste do rio Portinho, embora classificadas como do tipo Bacia (por
serem mais próximas espectralmente desse tipo fisiográfico) apresentaram características de
manguezal degradado, dificultando sua classificação.
Por último, as florestas de transição são aquelas que em Guaratiba, encontram-se
usualmente na zona de transição entre a floresta de mangue e os Apicuns. O ambiente
altamente estressante dessa porção da floresta (com alta salinidade) determina uma floresta
menos desenvolvida e de arquitetura ramificada (PELEGRINI, 2000; PORTUGAL, 2002).
Durante este mapeamento, em virtude de respostas espectrais diferentes, essa faixa da floresta
foi subdividida em florestas de transição e colonização. As florestas de transição possuem as
características acima descritas e as de colonização apresentam estrutura ainda menos
desenvolvida, típicas de estágio inicial de sucessão.
O Núcleo de Estudos em Manguezais, há mais de 10 anos, vem analisando a resposta
das florestas de mangue às variações climáticas e à elevação do nível médio relativo do mar
79
(NMRM). De maneira geral, os trabalhos desenvolvidos pelo grupo (OLIVEIRA, 2001;

SOARES et al 2005, ALMEIDA, 2007, ESTEVAM, 2010 e ALMEIDA, 2010) comprovam
que, em resposta à elevação do NMRM os manguezais estão migrando em direção ao
continente, ou seja, espécies de mangue estão colonizando as planícies hipersalinas (apicuns).
Essa migração, assim como observado em Almeida (2010) ocorre em pulsos, respondendo,
dentre outros fatores, às condições e variações climáticas.
Neste contexto, a classe definida como colonização representa essas florestas
recentemente estabelecidas como resultado da migração supracitada, ou seja, são indivíduos
juvenis de mangue, que se distribuem em manchas ao longo de todo o complexo florestal e
que vem crescendo ao longo do tempo (ESTEVAM, 2010).
O desenvolvimento da técnica de diferenciação dessas duas fisionomias é
extremamente importante, uma vez que a colonização tem papel chave no processo de
sequestro de carbono atmosférico pelos manguezais.
Ao se considerar as florestas de transição e de colonização como um só tipo
fisiográfico, assim como em Estrada (2009), essas florestas, ainda denominadas de transição
variam entre 1,5 e 3 metros de altura e apresentam DAP médio entre 2 e 4 cm. Sua
representação é superior às florestas de franja, ocupando aproximadamente 5,17 Km2, um
pouco mais de 27% do complexo florestal.
Outros estudos do NEMA/UERJ, como Almeida (2007), Almeida (2010) e Soares et
al. (2011) descrevem a relação intrínseca entre as florestas de mangue e as planícies
hipersalinas. Essa relação se dá, como descrito anteriormente, em virtude da ocupação e
migração dessas áreas sem vegetação, por espécies de mangue em resposta à elevação do
NMRM, o que mostra o papel fundamental dessas extensas áreas sem vegetação no
crescimento, expansão e manutenção dos manguezais de Guaratiba. A importância dessas
planícies é ainda mais evidente ao verificar que este representa em Guaratiba, 21% desse
ecossistema (3,93 km2). Frente a esse resultado ratifica-se a importância de preservação das
planícies hipersalinas, bastante pressionadas pela expansão urbana.
80
2.4.3 Validação do mapeamento
2.4.3.1 Validação da automatização do processo
A análise de qualidade do mapeamento foi feita em dois momentos: primeiro, se

verificou a capacidade de automatização do processo, ou seja, quanto de área e qual
porcentagem desta em cada classe foi adquirida automaticamente pela classificação e quanto
necessitou de edição manual. Com isso, se quantifica e analisa o grau de acerto da modelagem
em cada classe, e se identifica no mapeamento, qual classe precisou de maior esforço de
edição. Esse maior esforço pode ser reflexo de uma modelagem menos precisa, em função,
por exemplo, da resposta espectral da classe em si. Esta pode ser muito diversa e difícil de ser
definida.
O resultado da comparação entre os mapeamentos gerados antes e depois da edição
manual estão apresentados no Quadro 7, que consiste em uma matriz de confusão que
representa em km2, a combinação possível na comparação. Cabe ressaltar, entretanto, que essa
matriz foi gerada somente para se ter uma ideia desse esforço de edição, logo, abrange parte
da área, cerca de 85% da área total de mangue da região.
Quadro 7 - Matriz de confusão entre o mapa editado e não editado (km2).
Não Editado
Sem classe Apicum Colonização Transição Bacia Franja Água TOTAL
Sem classe 0,285041 0,220303 0,112866 2,522616 0,058917 0,005302 3,205045
Apicum 0,064418 7,1369 0,470802 0,013513 0,51247 0,001104 0,020763 8,21997
Colonização 0 0,019028 0,800895 0,091445 0,074032 0 0 0,9854
Editado
Transição 0,005478 0,02225 0,911484 0,921694 1,174362 0,114796 0,006071 3,156135

Bacia 0,025147 0,000475 0,764689 0,415608 7,137029 0,806667 0 9,149615
Franja 0,00381 0,00 0,062409 0,030356 0,471301 1,808353 0,000742 2,377062
Água 0,45727 0,004934 0,013392 0 0,118522 0,00113 8,914451 9,509699
TOTAL 0,556123 7,468719 3,243974 1,585482 12,010332 2,790967 8,947329 36,60293
A diagonal da matriz de confusão representa a quantidade de acertos em cada classe,

ou seja, objetos cujas classes não se alteraram após a edição manual por terem sido
corretamente mapeadas. A área total desses objetos corresponde à 26,99 Km2, cerca de 60%
81
da área total da imagem, demonstrando que mais da metade do mapeamento foi extraído
automaticamente.
Quando se analisa a distribuição percentual de cada classe e seus respectivos acertos
(Quadro 8), percebe-se que os melhores resultados foram nas classes Água (93,74%) e
Apicum (86,82%). Os objetos verdes, não verdes e água tem respostas espectrais muito
distintas, o que facilita suas respectivas modelagem e separação. Sendo assim, é condizente
que estas apresentem alto grau de acerto na automatização.
Ao considerar somente as classes que refletem áreas florestadas de manguezal,
verifica-se que o maior percentual de acerto foi na classe "Colonização", na ordem de 81%. A
maior confusão nessa classe foi com a floresta de Transição, cerca de 9% dos objetos
pertencentes a Colonização, foram automaticamente classificados como sendo de Transição.
A modelagem das florestas de transição teve 29% de acerto, o mais baixo e único
valor inferior à 70%. Os maiores conflitos envolvendo essa classe foram com a região de
colonização (29%, aproximadamente) e as florestas de bacia (37 % dessas florestas foram
equivocadamente classificadas, antes da edição manual, como floresta de bacia.).
A modelagem das florestas de bacia apresentou o segundo melhor resultado, como
78% de acerto do método automático, sendo o restante, distribuído principalmente entre as
florestas de colonização e Franja. Na verdade, esse acerto se relaciona muito mais à
modelagem das demais classe e à capacidade de separa-las da classe Bacia, visto que essa
classe foi a classe de exclusão (classe "not").
Com o terceiro melhor desempenho, a classe Franja obteve 76% de acerto, sendo a
maioria do erro (20%,aproximadamente) associado à floresta de bacia.
Quadro 8 - Matriz de confusão entre o mapa editado e não editado (%).

Não Editado
Sem classe Apicum Colonização Transição Bacia Franja Água
Sem classe 8,8935 6,8736 3,5215 78,7077 1,8383 0,1654 100
Apicum 0,7837 86,8239 5,7275 0,1644 6,2345 0,0134 0,2526 100
Colonização 0,0000 1,9310 81,2761 9,2800 7,5129 0,0000 0,0000 100
Editado
Transição 0,1736 0,7050 28,8798 29,2033 37,2089 3,6372 0,1924 100

Bacia 0,2748 0,0052 8,3576 4,5424 78,0036 8,8164 0,0000 100
Franja 0,1603 0,0038 2,6255 1,2770 19,8270 76,0751 0,0312 100
Água 4,8085 0,0519 0,1408 0,0000 1,2463 0,0119 93,7406 100
82
Os acertos da modelagem em cada uma das classes e a distribuição dos seus

respectivos erros apontam que as principais confusões se relacionam a classes
sucessionalmente posteriores ou anteriores. O que significa que as classes se confundem mais
com suas classes vizinhas (espacialmente). Assim, a classe "colonização" se confundiu com a
"Transição", a "Transição" com a "colonização" e com a "Bacia", e a "Franja" com a "Bacia".
A única exceção são as florestas de "Bacia", cujos erros estão distribuídos nas demais classes.
Esse erro de classificação associado a classes vizinhas é função de três motivos.
Na área de estudo, a sucessão espacial também representa uma sucessão temporal, ou
seja, classes adjacentes estão em momentos anteriores ou posteriores do desenvolvimento da
floresta. Sendo assim, podemos dizer que regionalmente, faixas próximas estão em estágios
sucessionais próximos. Logo, suas respostas espectrais podem ser mais semelhantes em
algumas porções da floresta, o que tendência um erro na modelagem. Cabe destacar que, esse
seria um padrão geral, mas existem algumas porções, em função da mortalidade de áreas da
floresta, que estão em momentos distintos sucessionalmente.
Além disso, a partir das figuras 19 e 20 verificou-se que estas classes associadas ao
mangue apresentam respostas espectrais muito próximas, o que dificulta sua separação. A
incorporação de parâmetros de distância foi realizada para minimizar essa confusão, mas essa
incorporação restringe a abrangência das florestas de bacias, o que pode influenciar, em parte,
os erros apresentados. Tal influência é observada, principalmente, nas amostras que foram
mapeadas automaticamente como Transição ou Franja, e editadas para pertencerem a classe
Bacia.
Como última constatação, pode-se apontar que os erros da classe bacia são, na
verdade, consequência da modelagem das demais classes. Seus erros são o resultado mútuo
das áreas mapeadas erroneamente em ambas as classes desse nível hierárquico. Por isso, uma
melhor modelagem das classes refletiriam um melhor desempenho dessa classe.
Além de uma avaliação visual, o mapeamento final também foi avaliado
quantitativamente. Para isso, 54 parcelas de estrutura vegetal com tipos fisiográficos
conhecidos foram confrontados com o mapeamento. Cada parcela foi delimitada como sendo
uma circunferência de 78,54 m2. Para validar os mapeamentos de água e apicum, utilizou-se
outros pontos (25) aleatórios para validação, sendo 15 de Apicum e 10 de Água. As áreas de
todos esses pontos foram confrontadas com as do mapeamento final, gerando a matriz de
confusão apresentada nos Quadros 9 e 10.
83
As amostras utilizadas foram medidas preteritamente pelo Núcleo de Estudos em

Manguezais e classificada, quanto ao tipo fisiográfico, por Estrada (2010). O objetivo do
trabalho era determinar a área amostral mínima para caracterização da estrutura da floresta de
mangue e, num segundo momento, verificar a existência de diferenças estruturais
(desenvolvimento, composição de espécie) entre os tipos fisiográficos das florestas de
mangue de Guaratiba. No trabalho, a definição da parcela se relaciona a área que melhor
representa aquela fisionomia em questão, de forma subjetiva, porém se baseando na
observação de sua composição e arquitetura, sendo relacionado a um bom conhecimento do
complexo florestal estudado.
Sendo assim, os pontos foram escolhidos de modo que atendessem ao escopo do
trabalho, não sendo posicionados de forma arbitrária e totalmente aleatória. Eles foram
escolhidos de maneira que fossem bem distribuídos nas fisionomias encontradas na região.
Quadro 9 - Matriz de confusão entre os dados de referência e o mapeamento
Dados de Referência
Total de
Acurácia
Apicum Transição Bacia Franja Água Totalidade erro
Usuário
incluído
Dados Classificados
Apicum 92,99 78,11 54,46

132,88 0,310,41 0,00 225,87
Transição 15,66 483,69 245,26 31,47 0,00 760,42 292,392 0,62
Bacia 8,85 141,26 1068,38 170,25 0,00 1379,89 320,36 0,77
Franja 0,00 0,00 38,06 808,38 0,00 846,44 38,06 0,96
Água 0,00 0,00 0,00 5,13 148,47 153,60 5,13 0,97
TOTAL 117,50 703,06 1406,16 1015,54 148,47 3390,73
Total de Erro 24,51 219,37 337,78 207,16 0,00
Acurácia produtor 0,74 0,55 0,68 0,74 1,00 Exatidão Global 0,77
Kappa por classe 0,39 0,54 0,61 0,94 0,97 Índice Kappa 0,67
2
Legenda: Área em m . Em vermelho, as áreas que são menores que uma parcela de referência.
Quadro 10 - Matriz de confusão entre os dados de referência e o

mapeamento.
Dados de Referência
Apicum Transição Bacia Franja Água
Apicum 79,1383 11,11 3,87296 0,03053 0
Dados Classificados
Transição 13,3297 68,7978 17,4418 3,09884 0

Bacia 7,53197 20,0922 75,9786 16,7645 0
Franja 0 0 2,70666 79,601 0
Água 0 0 0 0,50515 100
TOTAL 100 100 100 100 100
84
Legenda: Abundância relativa (%).

A matriz de confusão apresenta as áreas dos tipos fisiográficos medidos e
classificados, distribuídos nas classes em que foram associadas no mapeamento. Dessa matriz
foram geradas medidas de precisão da classificação, analisadas para o mapeamento como um
todo e particularmente por classe.
Das análises que consideram todo o mapeamento, tem-se o índice de Exatidão Global
e o Índice Kappa, que foram de 0,77 e 0,67, respectivamente.
Para o cálculo de exatidão total são consideradas somente as células da diagonal da
matriz de confusão, que são as que registram os acertos do mapeamento. Assim, o
mapeamento acerta 77% em sua classificação, em comparação com as amostras utilizadas.
Além da Exatidão Global, a tabela apresenta também a exatidão do usuário e do
produtor, estas por classe observada. Segundo Figueiredo e Vieira (2007), a exatidão do
produtor se relaciona às áreas omitidas no mapeamento, ou seja, às áreas de referência que
não foram classificadas corretamente. A exatidão do usuário se relaciona a probabilidade de
um pixel associado a determinada classe estar corretamente mapeado. Destes, o melhor
resultado foi para a classe Água (0,97), seguido de Franja (0,96), Bacia (0,77), Transição
(0,64) e Água (0,41). O baixo resultado para Apicum está relacionado às classificações
equivocadas envolvendo outras classes. Como as amostras de campo para o Apicum são
inferiores às outras observações, as quantificações envolvendo os erros das outras classes
influenciaram os cálculos.
Mesmo com a influência descrita, os resultados envolvendo as classes Apicum e Água
foram os melhores observados, isto associa-se ao comportamento espectral distinto entre essas
classes e a classe Verde. A água apresentou acerto total, apontando que sua modelagem se
aproximou muito a realidade.
Embora os resultados da classe Apicum tenham sido inferiores, com acerto de 79,1%,
os erros envolvendo essa classe foram pequenos e menores que 5 m2.
Ainda considerado os índices de exatidão do mapeamento, o índice Kappa foi de 0,63
para todo o mapeamento e de 0,97 para Água, 0,39 para o Apicum e 0,93, 0,59 e 0,55 para
Franja, Bacia e Transição, respectivamente. A partir de Fonseca (2000), pode-se verificar que
o mapeamento apresentou um desempenho "Muito bom", sendo a classificação das Florestas
de Franja e de corpos hídricos os que apresentaram os melhores desempenhos, acima de 0,90,
sendo "Excelente" segunda classificação dos autores.
Embora o mapeamento tenha apresentado um resultado satisfatório, os erros
apresentados podem levar ao questionamento da utilização e veracidade do mesmo. Algumas
85
hipóteses foram levantadas para explicar os erros e serão discutidas a seguir. Mas é
importante relembrar neste momento que nenhum mapa reflete com total fidelidade o real, ele
é uma ferramenta de análise da superfície e de um fenômeno espacial, logo a tentativa
máxima de aproximação do real.
No caso dos manguezais é ainda mais complexa a sua representação, pois se
constituem em um ambiente em que há influência da vegetação, do solo e da água, todos
influenciando a resposta espectral registrada nas imagens de satélite e fotografias aéreas.
Além disso, a resposta espectral de um recorte florestal será influenciada pela densidade
apresentada, estrutura de suas árvores, fisiologia e idade das espécies presentes ali. Ou seja,
são inúmeros os parâmetros que influenciam a refletância registrada em um pixel de uma
imagem de satélite que representa esse ecossistema, dificultando muito seu mapeamento. Por
isso, mapear os contornos do manguezal, e diferenciá-los de corpos hídricos e planícies
hipersalinas é mais fácil que diferenciar o interior de suas florestas.
Como dito anteriormente, a maioria dos trabalhos separam principalmente os
contornos do manguezal, considerando-o em sua totalidade, destes, somente alguns
(ALATORRE et al, 2011; LEE et al, 2009; CONCHEADDA et al, 2008; GIRI et al, 2007)
apresentam resultados de exatidão do mapeamento realizado. Destes, os melhores resultados
foram o de Lee et al. (2009) que apresentaram acurácia global entre 98% e 97% em trabalho
que analisava dois métodos para mapeamento de manguezais. Os demais trabalho apresentam
bons resultados, mas todos em torno de 85% (ALATORRE et al, 2011 com 84% de acurácia
total; CONCHEADDA et al, 2008 com 85.7% e; GIRI et al, 2007 com 85%). Se o presente
trabalho tivesse se restringido a essa abordagem, mapeando somente área de mangue e não-
mangue, a acurácia seria de 95%, um excelente resultado frente aos demais existentes.
Quando se analisa o mapeamento das diferenças internas de uma floresta, além de
existirem poucos trabalhos, cada um aplica uma abordagem distinta com sua legenda
específica, e nenhuma semelhante a utilizada aqui.
Green et al (1998) mapearam espécies de mangue em regiões próximas as Bahamas,
os autores apresentaram acurácia total entre 70% e 85%, dependendo da técnica utilizada.
Com uma abordagem diferente, Blasco et al (2001) diferenciou as florestas de
mangue, considerando diferentes densidades, mas não apresentou matriz de confusão para o
seu mapeamento.
Com a legenda final de mapeamento semelhante ao de Green et al (1998), Wang et al
(2004) também diferenciou a floresta considerando os bosques com espécies diferentes. Os
autores apresentaram como melhor resultado de acurácia total 75,5%.
86
Ao considerar esses trabalhos que tentam diferenciar as florestas de mangue, percebe-

se que a acurácia total alcançada aqui (77%) é próxima as encontradas na literatura. Mesmo
com resultado satisfatório, algumas hipóteses podem ser levantadas para se entender os erros
encontrados aqui.
O principal é que os dados de referência utilizados foram coletados em 2008, e parte
em 2010. Como a maior porção da imagem foi adquirida em 2002, há um intervalo de tempo
de, mais ou menos, seis anos entre a aquisição da imagem e o levantamento de estrutura
vegetal. Esse intervalo interfere na comparação entre os dados de referência e o mapeamento,
principalmente em relação as florestas vistas em campo como pertencente a classe Bacia ou
Transição. Isso porque, florestas identificadas como Bacia em Campo, poderiam ser florestas
de Transição na época de aquisição da imagem e, florestas observadas como Transição podem
ter sido colonizadas nos seis anos de intervalo, sendo Apicum na imagem. Logo, os erros
presentes na tabela seriam da aquisição dos dados. E não do mapeamento.
Frente à todo o exposto, verifica-se que resultados adquiridos aqui possuem um
resultado satisfatório para a representação dos tipos fisiográficos das florestas, sendo seu
mapeamento apto para ser utilizado em estimativas futuras. E, a metodologia adequada para
ser adotada em outras florestas de manguezal.
2.5 Considerações finais
Como exposto, não foram encontrados trabalhos na literatura que tentam separar as
florestas de mangue utilizando a classificação de tipos fisiográficos. A maioria dos trabalhos,
quando não mapeiam somente os manguezais, o dividem utilizando a diferenciação de
espécies, densidade ou qualidade da floresta. Sendo assim, o presente trabalho já se destaca
pela abordagem em sua legenda.
Ao considerarem os trabalhos que diferenciam as florestas de mangue, percebe-se que
a acurácia obtida aqui está em conformidade com as demais já apresentadas, em alguns casos
até superior.
Para que se alcançasse o resultado apresentado, a adoção da classificação Orientada à
Objetos foi de extrema importância, tendo se mostrado eficiente para esse tipo de
mapeamento. Isso porque a técnica permitiu que parâmetros, além dos espectrais, fossem
adotados.
87
Pelo exposto até aqui, o objetivo proposto por esse estudo foi obtido com sucesso. Não
só uma metodologia utilizando a classificação baseada em objetos para o mapeamento de
tipos fisiográficos foi desenvolvida como, a partir dos resultados, foi demonstrada a eficácia
do método adotado para o estudo detalhado e em alta resolução de florestas de mangue, o que
possibilitou a discriminação de forma confiável, de suas diferentes fisionomias.
Antes desse estudo, estimativas em relação aos tipos fisiográficos (como taxa de
estoque de carbono, sequestro de carbono, dentre outros) eram realizadas somente a partir do
levantamento de dados em parcelas de caracterização da estrutura vegetal (realizadas há anos
pelo NEMA/UERJ). A partir do desenvolvimento dessa técnica de mapeamento o recorte
espacial de análise passou de transversais de estrutura vegetal para todo o complexo florestal,
ou seja, este mapeamento vem a contribuir para os estudos já realizados, o que possibilita o
cálculo da área de cada fisionomia e uma correlação entre a área de cada tipo fisiográfico e
seu papel no estoque e sequestro de carbono.
Entretanto, avanços devem ser feitos no método, para que as classes com respostas
espectrais parecidas e difíceis de serem modeladas (principalmente entre os tipos fisiográficos
Franja e Bacia) sejam mais estudadas e a modelagem mais refinada, o que pode levar a
redução ainda maior do esforço da edição manual e aumento na eficiência do método.
Além disso, um mesmo tipo fisiográfico, ao longo de toda a área estudada, apresenta
diferenças em relação à composição e dominância de espécies. Frente a isso, recomenda-se
um investimento futuro de tempo e esforços para que além dos tipos fisiográficos, sejam
definidas as diferentes manchas em relação à dominância de espécies.
Cabe ressaltar mais uma vez que esse método foi elaborado não para substituir os
trabalhos de campo, mas para complementá-los, ampliando o recorte espacial analisado. O
mapeamento e a metodologia elaborados aqui possibilitam extrapolar os dados adquiridos
para todas as áreas de manguezais, mas não poderiam ser desenvolvidos e nem avaliados
quanto à precisão, sem os dados adquiridos in situ. As etapas do trabalho (levantamento
estrutural e mapeamento por sensoriamento remoto) se mostraram complementares e não
excludentes.
88
3 CAPITULO II - ANÁLISE DA RELAÇÃO ENTRE ÍNDICES DE VEGETAÇÃO E

PARÂMETROS ESTRUTURAIS DE FLORESTA DE MANGUE E SEU POTENCIAL
PARA O MAPEAMENTO DESSAS FLORESTAS
"Eu fiz uma planilha pra você;

e calculei a porcentagem de"...
O Calculista - Supercombo
3.1 Introdução
Cientistas estudam os parâmetros biofísicos da vegetação através de dados

provenientes de sensores remotos desde a década de 60 (JENSEN, 2009). Além dos métodos
de classificação largamente empregados para a análise e geração de mapas temáticos, existem
outros relacionados ao sensoriamento remoto, voltados aos estudos florestais, que também
podem gerar mapas.
Uma abordagem muito adotada é a geração de índices apoiados na conversão dos
números digitais (níveis de cinza das imagens) em parâmetros físicos como Radiância ou
Reflectância (JONES; VAUGHAN, 2010). Essa transformação é importante e muito utilizada
porque os valores digitais presentes em uma imagem estão relacionados às características do
sensor e do instante de aquisição, não devendo ser utilizados em razões entre bandas ou
comparados com imagens adquiridas em diferentes datas ou por outra plataforma orbital. Em
outras palavras, os valores originais de um pixel são relacionados somente aquele sensor e
naquele momento.
A transformação desses números em parâmetros físicos permite, assim como exposto
por Ponzoni e Shimabukuro (2007), que os dados contidos nas imagens de diferentes bandas
de um mesmo sensor e/ou de sensores diferentes, possam ser comparadas entre si.
89
Outra análise utilizada nas investigações da vegetação a partir de imagens orbitais é a

análise do comportamento de índices espectrais. Dentre esses, existem os denominados
índices de vegetação, que são medidas radiométricas adimensionais que indicam a abundância
relativa e a atividade da vegetação verde, estando relacionadas ao índice de área foliar (IAF),
à porcentagem de cobertura verde, ao teor de clorofila e à biomassa verde, dentre outras
características da vegetação (JENSEN, 2009).
O benefício em se utilizar o índice de vegetação está relacionado a sua fundamentação,
que considera o comportamento diferente da vegetação em cada região do espectro
eletromagnético. Como qualquer outro elemento presente na superfície terrestre, a vegetação
tem uma assinatura espectral, ou seja, apresenta comportamento distinto ao longo do espectro
eletromagnético, sendo sua curva a mais amplamente apresentada na literatura (JONES;
VAUGHAN, 2010; PONZONI; SHIMABUKURO, 2007; FONSECA; FERNANDES, 2004;
NOVO, 2010 e JENSEN, 2009).
Antes de analisar essa curva, é importante destacar que a curva do comportamento
espectral apresenta uma generalização, na maioria das vezes da grama (JONES; VAUGHAN,
2010). Além disso, a maioria das medições é feita no Hemisfério Norte, em ecossistemas
muitas vezes não explicitados. A realidade de umidade, além de outros parâmetros é
completamente diferente das florestas presentes nos biomas brasileiros, que por si só,
apresentam suas próprias particularidades.
Nessa curva (Figura 1), dentro da faixa do visível, a maior reflectância ocorre no
verde, com menores valores no azul e no vermelho. Nessa faixa do espectro (entre 0,4 e 0,7
m), as características que mais influenciam a reflectância são os pigmentos foliares
(PONZONI; SHIMABUKURO, 2007) assim, o baixo valor de reflectância seria em função da
absorção desses comprimentos de onda pela clorofila presente nas folhas, realizada em virtude
da atividade fotossintética. Relacionada a tal fato, quanto menos sadia (ou mais estressada) for
a vegetação, menor será a reflectância registrada, já que menor será sua concentração de
pigmentos (Figura 32).
Na faixa do infravermelho próximo (de 0,7 a 1,1 m), é a estrutura celular interna da
folha que influencia na quantidade de ondas refletidas. Nesse intervalo do espectro quanto
mais sadia a folha, maior a reflectância. Essa relação se inverte na faixa do infravermelho
médio (após 1,3 m). Nessa região, quanto mais estressada a vegetação, maior sua
reflectância. Isso porque quanto maior a quantidade de água, maior a atividade de absorção
dessas ondas. De maneira mais sucinta podemos dizer que quanto maior for a densidade da
90
cobertura vegetal, menor a reflectância na região do visível e maior na região do

infravermelho próximo (PONZONI; SHIMABUKURO, 2007).
Figura 32 - Curvas espectrais da vegetação
Fonte: (Roberto; Filho, 2008).
Como os índices são razões entre bandas, a variação observada nas curvas vai
refletir nos valores calculados. Assim, tais valores integram diferentes características da
vegetação, devendo ser analisados com cautela. De qualquer forma o uso desses índices tem
se mostrado de grande valia para a realização de análises rápidas e comparativas no espaço e
no tempo.
3.1.1 Interação de áreas florestadas e radiação solar
Para entender os fatores que são registrados ou (de certa maneira) estão representados
na imagem de satélite é necessário primeiro fazer um exercício de abstração, pontuar tudo que
está envolvido no processo de captação da imagem e tudo que está sendo “visto” pelo sensor
91
(Figura 33). Além da imagem refletir o que "é visto", também deve-se considerar o " como é
visto", pois fatores relativos às resoluções do sensor e às inclinações do sol e do satélite, entre
outros, influenciam no detalhe e no contexto dos objetos10.
Diversas características influenciam como um observador qualquer vê uma figura,
assim como influenciam como um sensor registra uma imagem, e quais os erros podem estar
incorporados nela. Desta forma, no processo de captação, podem ocorrer erros sistemáticos e
não sistemáticos.
Os sistemáticos são usualmente previstos e tendem a ocorrer em todas as imagens
obtidas por um sistema particular. Esses podem usualmente ser corrigidos pelo
conhecimento dos parâmetros orbitais da plataforma e das características do scanner,
e aplicado em todas as imagens adquiridas pelo sistema (JONES; VAUGHAN,
2010).
São fontes de erros sistemáticos, passíveis de correção, segundo Jones e Vaughan

(2010): rotação da Terra, movimento da plataforma, escaneamento não-linear, distorção
panorâmica, relação do aspecto do alvo, instabilidade da plataforma, efeitos terrenos.
Mas além dos erros inerentes a cada um dos sistemas, a resposta espectral associada a
um elemento da superfície, medida por um determinado sensor, sofre influência também do
que está entre o sensor e o alvo: a camada atmosférica.
De acordo com Fonseca e Fernandes (2004):
A interação da REM (Radiação Eletromagnética) com a atmosfera dá-se por
absorção e por dispersão. A absorção faz com que parte da energia refletida ou
emitida pelos objetos na superfície da Terra não atinja os sensores. A dispersão
altera a direção da propagação da radiação, manifestando-se de duas formas: parte
da energia proveniente dos objetos não atinge o sensor e alguma parte da radiação
solar é dispersa na atmosfera e encaminhada para o seu campo de vista.
Logo, características particulares de composição em função da latitude, tipo de

cobertura, maritimidade/continentalidade, estação do ano, entre outras influenciam o registro
espectral. Pela gama de parâmetros envolvidos e pela dificuldade de obtenção dos mesmos,
essa influência ainda não é compreendida em sua totalidade pelos cientistas. Tal dificuldade
influencia no processo se correção atmosférica, carregando de subjetividade a modelagem da
camada atmosférica, o que influencia na exatidão alcançada nos resultados.
10
Se a imagem for observada com o observador sentado numa mesa confortável, andando, no metrô ou no ônibus
em movimento com certeza será vista de maneira diferente. Tremida, borrada, ou "deslocada do real". Assim
como as características de uma plataforma de aquisição de um dado sensor. Além disso, se for observada
diretamente, com uma película transparente, papel filme transparente ou papel manteiga de diferentes
espessuras terá uma visualização melhor ou pior, assim como as condições atmosféricas na hora de aquisição
da imagem. Como último exercício mental relacionado ao observador, se ele olhar a figura a olho nu terá uma
visão diferente se ele for daltônico ou não. Terá ainda leituras diferentes se, sem óculos, ele tiver uma visão
normal, for míope ou tiver astigmatismo.
92
Além dos problemas que podem existir referentes ao sistema de aquisição e das
características atmosféricas, soma-se ainda o que é visto pelo sensor. A discretização do
espaço, que passa a ser representado numa imagem por uma matriz numérica, dificulta a
observação individualizada da maioria dos objetos na superfície. O que ocorre, é que a
assinatura espectral registrada normalmente está referida a uma mistura de componentes da
superfície.
Com esse panorama, para áreas florestadas não é somente a vegetação (sua
composição química, estrutura vegetal e densidade) que influencia na medida espectral
realizada pelo sensor, mas também a angulação do sol e as características do solo ou do que se
encontra adjacente e abaixo das copas.
A figura 3 esquematiza o imageamento de uma área florestada. Como representado, no
instante de aquisição a arquitetura formada pelo posicionamento da fonte de iluminação e do
sensor interferem no resultado. Isso faz com que parte da copa da árvore seja iluminada e
parte sombreada gerando diferenças espectrais. Todas essas feições espectralmente distintas
(copa iluminada, copa sombreada, solo sombreado, solo iluminado) são vistas e representadas
por um único pixel (dependendo da resolução espacial). O grande desafio passa a ser
encontrar um padrão através dessa mistura espectral, de forma a possibilitar a sua
identificação e classificação.
93
Figura 33 - Ilustração da visada de um sensor
Legenda: (a) Ilustração esquemática da visada de um sensor de um pixel incluindo

árvore, solo, sombra. (B) Correspondente planar da visada de um sensor e
registro em um pixel.
(Fonte: adaptado JONES; VAUGHAN, 2010)
3.1.2 Índices de Vegetação
Há uma diversidade de índices de vegetação, muitos altamente correlacionados,

considerando a razão de bandas de forma muito similar, sendo funcionalmente redundantes
(PERRY; LAUTENSCHLAGER, 1984 apud JENSEN, 2009). Essas razões são dependentes
de certas faixas espectrais, algumas vezes não medidas por certos sensores.
Para se escolher o(s) sensor(es) que se quer analisar é importante considerar o
ecossistema que se quer trabalhar e o tipo de análise (expansão urbana, vegetação, solo, etc.).
Além disso, sempre deve-se considerar as imagens disponíveis e custos associados.
Albuquerque (2010), por exemplo, analisou a resposta espectral de fragmentos de floresta na
APA do Rio São João – Rio de Janeiro. Em seu estudo, foram calculados os índices EVI2,
MVI e NDVI em imagens SPOT-5 e Landsat-5, nenhum dos quais necessitando de valores na
faixa do azul, não abrangida pelo SPOT.
Para os estudos dos manguezais, assim como para outros tipos de vegetação, a grande
maioria dos estudos que adotam índices como método para estudo das florestas, escolhem o
94
Índice de Vegetação de diferença normalizada (NDVI) (como RAMSEY et al., 1996; GREEN
et al., 1997; BLASCO et al., 1998; KOVACS et al, 2004; MAHMOUND et al., 2007; GIRI et
al., 2007; SETO et al., 2007; MUTTITANON; TRIPATHI, 2005; KAMTHONKIAT et al.,
2011 e SATYANARAYAMA et al., 2011) e poucos estudos, como Batadlan et al. (2009) e
Ismail et al. (2010) utilizam outros índices de vegetação, como SAVI, RVI, PVI e
modificações do SAVI.
Mesmo com número considerável de estudos utilizando índices de vegetação para
mapeamento de manguezais, poucos investigam como os índices se relacionam com a floresta
de mangue de forma mais complexa, como correlacionando com parâmetros estruturais e
características ecológicas. Além disso, com exceção de Ramsey & Jensen (1996) poucos são
os estudos que abordam tanto os aspectos espectrais como os ecológicos (como a descrição de
parâmetros espectrais e a distribuição fitossociológica) numa interpretação transdisciplinar.
3.1.3 A influência do solo na análise espectral de áreas florestadas
Em relação à influência do solo em áreas de vegetação, pode-se dizer que quanto

menor o índice de umidade do solo, maior sua reflectância (FONSECA & FERNANDES,
2004). Contudo, diferentes tipos de solo possuem comportamentos espectrais diferentes.
Todas essas características influenciam no monitoramento de áreas vegetadas, uma
vez que dependendo da vegetação e da arquitetura da sua copa o solo vai ter interação com a
radiação solar incidente de diferentes maneiras.
Em relação à porção de vegetação dentro da área medida pelo sensor, a radiação
interage com a vegetação em três níveis específicos: foliar, de copa e florestal.
3.1.4 Resposta espectral da vegetação de mangue
Na investigação do ecossistema manguezal, diferentes estudos com o apoio do

Sensoriamento Remoto vêm sendo desenvolvidos. Parte analisando a floresta em relação a sua
assinatura espectral (priorizando assim o caráter metodológico), parte tentando identificar
características relacionadas à estrutura da floresta através da adoção de índices de vegetação.
95
Em relação à interação com o espectro eletromagnético das espécies que compõem o

ecossistema manguezal, Wang & Sousa (2009) apresentaram o comportamento espectral das
espécies Avicennia germinans, Laguncularia racemosa, e Rhizophora mangle (Figura 34).
Esses autores descrevem que em folhas verdes e saudáveis dessas espécies, a Avicennia
germinans teria a maior reflectância, cerca de 0.7%, na região do infravermelho e a menor na
última faixa da região do infravermelho médio. Laguncularia racemosa e Rhizophora mangle
teriam valores muito semelhantes no infravermelho e diferentes no infravermelho próximo,
onde Rhizophora mangle apresenta valores inferiores aos de Laguncularia racemosa.
Figura 34 - Comportamento espectral de folhas de espécies de mangue

segundo Wang e Souza (2009)
Fonte: Wang & Souza (2009)
Blasco et al. (1998) encontraram resultados um pouco diferentes onde Rhizophora

apresenta valores maiores que Avicennia na faixa do infravermelho próximo (Figura 35).
96
Figura 35- Comportamento espectral de folhas de

espécies de mangue, segundo Blasco (1998)
Legenda: Bruguiera; 2 - solo árido; 3- Rhizophora; 4- Avicennia;

5- pântano com Salicornia; 6 - solo árido com algas.
No Brasil, em estudo realizado no Maranhão, Rebelo-Mochell; Ponzoni (2007)

encontraram comportamentos, na faixa do infravermelho próximo, semelhantes aos descritos
por Wang & Sousa (2009), com Avicennia apresentando reflectância superior a Rhizophora.
Na faixa do visível, de maneira geral, a reflectância de Avicennia se apresenta igual ou
superior a de Rhizophora, assim como descrito por Blasco et al. (1998) (figura 36).
Figura 36 - Comportamento espectral de folhas de espécies de

mangue segundo Rebelo-Mochell e Ponzoni (2007)
Legenda: “banda 1” faixa do azul (entre 0.45-0 .52 µm), “banda 2” faixa do
verde (entre 0.52-0 .60 µm), “banda 3” faixa do vermelho (entre
0.63-0 .69 µm), "banda 4" infravermelho (0,7- 2,5 µm).
97
Considerando a bibliografia concernente ao tema, observa-se que os estudos que

adotam a utilização de índices de vegetação em suas análises são a maioria. Há, no entanto,
uma diversidade de aplicações e correlações desses índices com diversos parâmetros da
vegetação. Com relação ao manguezal, a maioria das aplicações dos índices de vegetação está
relacionada: com os índices de área foliar (GREEN et al., 1997; KOVACS et al., 2004), com a
cobertura da copa (RAMSEY et al., 1996; GIRI et al., 2007) e para mapear mudança do uso
do solo, como realizado por Muttitanon (2005).
Considerando uma abordagem que relacione as respostas espectrais e índices de
vegetação a características de estrutura da floresta de mangue pode-se destacar o estudo de
Satyanarayama et al. (2001) que analisam a correlação entre índice de vegetação e parâmetros
estruturais, como área basal e altura. A utilização deste tipo de parâmetro neste ecossistema é
de grande aplicabilidade para estudos futuros, isto porque seu melhor entendimento pode
ajudar a mapear e correlacionar esses índices com diferenças estruturais, comportamentos
fisiológicos diferentes ou níveis de estresse.
3.1.5 Objetivo
O objetivo geral desses capítulo é Estudar e caracterizar a correlação de dados

estruturais de mangue e índices espectrais de vegetação em apoio aos estudos que utilizem o
sensoriamento remoto para analise da vegetação. Para isso tem-se como objetivos
específicos:
 Caracterizar o comportamento de 4 (quatro) índices nas florestas de mangue de
Guaratiba;
 Relacionar o comportamento dos índices às características estruturais da
floresta de mangue.
3.2 Materiais e métodos
Todas as etapas necessárias para se alcançar o objetivo proposto serão apresentadas na

forma de fluxograma e detalhadas em seguida. Para facilitar sua apresentação pode-se dividir
a execução em 3 etapas: Escolha e Geração dos índices de vegetação; Tratamento dos dados
98
de Estrutura Vegetal e Análise da relação entre os índices de vegetação e os parâmetros

estruturais da floresta.
3.2.1 Escolha e geração dos índices de vegetação
Os processos envolvidos nessa etapa se encontram na figura 37.

Figura 37 - Fluxograma com todas as etapas metodológicas envolvidas nesse capítulo.
Definição do Problema
Aquisição das imagens

Definição das Escolha e
e Área de Estudo
Definição do
especificações da aquisição da
objetivo
imagem imagem
Revisão Bibliográfica
organização dos dados
Trabalho de Campo e
Escolha dos
Imagens SPOT Campo para
pontos de
(4 imagens de 2 anos) coleta dos PCs
controle (PCs)
Formatação dos pontos de Estrutura do NEMA
Imagens SPOT Criar arquivos de Transformar as

imagens para
Correção Atmosférica no ERDAS IMAGINE (ATCOR 2)
(4 imagens de 2 anos) calibração
.IMG
Preparação da imagem para análise 1
Imagens em valores de Correção Imagens em .IMG

radiância Atmosférica (4 imagens de 2 anos)
(4 imagens de 2 anos)
Imagens de
Imagens de verão
inverno
Modelo Rural Modelo Rural

Inverno de médias Verão
latitudes
Ortorretificação no ERDAS ®
Preparação da imagem para
Imagem IKONOS
Ortoretificação
análise 2
no Imagens corrigidas
Pontos de Controle ERDAS® Geometricamente
MDE/SRTM
99
Determinação
Gera ção dos Índices de Vegetação dos índices de
Imagens corrigidas
Geometricamente vegetção
ERD AS IMAGINE ®
Geração dos Índices de
Vegetação
NDVI SAVI SR RVI
Escolhas das
Dados de estrutura
equações para cálculo
NEMA/UERJ
de Biomassa
Relação com dados estruturais
EXCEL ® E STATISTICA ®
Altura, densidade Biomassas Índices de Vegetação
e DAP Médio (Total, Viva, Copa. (NDVI, SAVI, SR e RVI)
Follhas)
Análise da relação entre

índices de vegetação e
Parâmetros Estruturais
Para a geração dos mapas com os valores da assinatura espectral e geração das
imagens índice de vegetação foram utilizadas imagens do satélite SPOT-5, sensor
HRVIR, cujas características estão descritas no Quadro 11.
Ao todo foram 4 imagens SPOT 5/HRVIR. Duas adquiridas no ano de 2010 -
uma no verão (Figura 38) e outra no inverno (Figura 39) - e duas em 2011 (nos mesmos
períodos do ano anterior – Figuras 40 e 41). A escolha desse período tem como objetivo
analisar o ciclo da vegetação durante a estação mais seca e mais úmida nos anos
analisados.
100
Quadro 11 - Imagens utilizadas para a geração dos índices de vegetação.
Figura 38 - Imagem do verão de 2010
Legenda: Mapa com a imagem do verão de 2010 (6/2/2010) utilizada para geração dos índices de
vegetação. Composição colorida RGB 321.
101
Figura 39 - Imagem do inverno de 2010
Legenda: Mapa com a imagem do inverno de 2010 (7/6/2010) utilizada para geração dos índices de
Figura 40 - Imagem do verão de 2011
Legenda: Mapa com a imagem do verão de 2011(2/12/2010) utilizada para geração dos índices de
102
Figura 41 - Imagem do inverno de 2011
Legenda: Mapa com a imagem do inverno de 2011(06/08/2011) utilizada para geração dos índices de
3.2.1.1 Correções Atmosférica e Geométrica
A etapa de processamento digital das imagens seguiu metodologia descrita por

(ALBUQUERQUE, 2010). Assim, as imagens foram submetidas a correções
atmosféricas e geométricas em ambiente computacional no ERDAS Image® e PCI,
através dos módulos Atcor2 e Ortho Engine, respectivamente.
A correção atmosférica de uma imagem consiste na correção dos efeitos de
deslocamento do sensor/plataforma e dos efeitos atmosféricos durante sua aquisição,
uma vez que a resposta medida sofre influência das condições atmosféricas entre a
plataforma de aquisição (satélite) e o alvo na superfície da terra. Essa etapa é
fundamental para colocar dados na mesma escala radiométrica.
Atualmente existem inúmeros modelos para a correção atmosférica de imagens,
sendo o MODTRAN (Moderate Resolution Transmittance) um dos principais. O
MODTRAN é um modelo de transferência radiativa com algoritmo robusto, sendo sua
103
aplicação para corrigir a influencia atmosférica (BERK, 1998). Esse tipo de código de
transferência radiativa calcula a radiância que o sensor captaria para parâmetros
atmosféricos específicos, angulação solar, reflectância solar .
Utilizando o modelo MODTRAN, o sistema adotado foi ATCOR 2D
(Atmosphericand Topographic Correction for Satellite Imagery), alternativa que não
considera as variações no relevo. Considerando-se que a versão 3D ainda não apresenta
soluções sólidas e que o ecossistema manguezal se localiza em regiões planas e sem
variação de altitude, essa decisão foi considerada a mais indicada.
Como bem detalhado em Pimenta et al. (2013) o ATCOR 2 simula "os
principais efeitos nas respostas espectrais dos alvos resultantes da absorção de gases e
dispersão por moléculas e aerossóis em função da visibilidade horizontal, eliminando a
dispersão da luz e representando, portanto, importante etapa para avaliação das feições
da superfície terrestre".
O processo de correção considera 3 etapas, cujos parâmetros necessários são
obtidos de forma diferenciada. A primeira etapa é responsável pela conversão dos
números digitais (níveis de cinza) em valores de radiância, sendo necessários os dados
de calibração do sensor. Na segunda etapa, converte-se os valores de radiância para
reflectância aparente (ou no topo da atmosfera), sendo necessários dados sobre
localização da fonte de iluminação e do sensor, obtidos nos metadados da imagem. A
terceira etapa, é responsável pela correção atmosférica propriamente dita, ou conversão
para valores de reflectância de superfície, sendo necessário estimar alguns parâmetros,
como visibilidade e modelos teóricos de composição da atmosfera.
Pimenta et al. (2013) testaram para imagens Rapid Eye, a correção atmosférica
baseada em vários parâmetros de visibilidade. No estudo eles comprovam que a
visibilidade estimada pelo módulo SPECTRA do ERDAS Imagine é adequada para a
realização da correção atmosférica. Sendo assim, utilizou-se a visibilidade estimada
para cada imagem.
Em relação ao modelo de tipo de aerosol, optou-se pela utilização do modelo
Rural, isso porque o modelo marinho deve ser usado em áreas com predominância de
corpos hídricos e o urbano em áreas altamente antropizadas. No manual do ATCOR
indica-se o uso do modelo aerossol, que deve ser usado em recortes mistos, em caso de
dúvida.
Em relação ao modelo de aerossol, foi utilizado o modelo Tropical para as
imagens de verão. Nas imagens de inverno, primeiramente foi testado o modelo de
104
médias latitudes (como recomendado no manual do usuário), mas as imagens corrigidas

apresentaram resultados não satisfatórios, com saturação do azul. Por isso, nessas
imagens também foi aplicado o modelo Tropical.
A verificação dos resultados obtidos foi feita através da comparação das curvas
espectrais de alvos conhecidos, antes e depois da correção. Para isso usou-se o sistema
ENVI. Os alvos adotados foram: área florestada, mangue, água, solo exposto e urbano.
Após as correções atmosféricas foi efetuada a correção geométrica das imagens,
de modo a atender às necessidades de exatidão geométrica descritas no Padrão de
Exatidão Cartográfico.
A ortorretificação, assim como a correção atmosférica, foi realizada no software
ERDAS IMAGINE ®. Nessa etapa foi realizada primeiro a correção da imagem mais
antiga utilizando os pontos de controle coletados em campo. Posteriormente, as outras
imagens foram corrigidas, utilizando a primeira imagem como referência, numa técnica
conhecida como registro. O modelo utilizado na ortorretificação foi o Funções
Racionais (Rational Function) que é um generalizador do modelo do sensor que vem
sendo utilizado há décadas (TAO; HU, 2002).
3.2.1.2 Geração de Índices de Vegetação
Vários índices de vegetação têm sido estudados para investigação

deecossistemas. Segundo Ponzoni; Shimabukuro (2007), isso se deve ao fato desses
índices serem relacionados a diversos parâmetros biofísicos da cobertura vegetal.
Assim, para o melhor entendimento do ecossistema, serão analisados cinco
índices de vegetação: NDVI, SAVI, RS e RVI. A escolha desses índices se deu primeiro
pela limitação de bandas disponíveis no sensor SPOT – que não possui banda que mede
a chamada “faixa do azul”, pela utilização desses índices nos estudos de florestas
diversas (como em Albuquerque, 2010) e mais especificadamente, nos estudos de
manguezais (como em: BLASCO et al., 1998; GREEN, 1997; SATYANARAYAMA,
2001; GIRI et al., 2007; ISMAIL et al. 2010; dentre outros).
O quadro 12 apresenta as fórmulas e características principais de cada um dos
índices utilizados.
105
Os índices foram gerados no ERDAS IMAGINE ® e exportados para que as

análises fossem feitas no ArcMap ®. Para a determinação do valor do índice de cada
parcela de estrutura foi calculada a média dos valores presentes em dois pixels que
compreendem as estações de monitoramento especificadas a seguir.
3.2.2 Levantamento dos dados de estrutura vegetal
Como dito no capítulo anterior, os manguezais de Guaratiba são estudados há

muito tempo pelo Núcleo de Estudos em Manguezais da UERJ (NEMA/UERJ), sendo
sua principal área de estudo, com mais de 20 anos de aquisição de dados.
Em função dos vários estudos (PELLEGRINI, 2000; PORTUGAL, 2002;
ESTRADA, 2009; SOARES et al., 2010; ESTRADA et al., 2013) do grupo, há um
vasto levantamento estrutural da área de estudo. O grupo monitora 30 pontos que são
denominadas parcelas permanentes de monitoramento (figura 42), por constituírem
regiões onde são feitas revisitas anuais.
106
Quadro 12 - Índices de vegetação utilizados.
SIGLA NOME FÓRMULA CARACTERÍSTICAS

 Funcionalmente equivalente ao SR;
Índice de Vegetação de Diferença  Bom para monitorar mudanças sazonais e interanuais da vegetação;
𝝆𝒏𝒊𝒓 − 𝝆𝒓𝒆𝒅
Normalizada 𝑵𝑫𝑽𝑰 =  Pode ser influenciado pela radiância e trajetória atmosférica;
NDVI 𝝆𝒏𝒊𝒓 + 𝝆𝒓𝒆𝒅  Altamente relacionado com o IAF;
(NormalizedDifferenceVegetation
 Sensível a variações do substrato sob o dossel (Altos valores com
Index) substratos escuros).
 Respondem a quantidade de Biomassa Verde.
 Sensível à variação de Biomassa e IAF.

SR Razão Simples 𝝆𝒏𝒊𝒓
𝑺𝑹 =  Equivalente ao NDVI.
𝝆𝒓𝒆𝒅
Índice de Vegetação ajustado ao (𝟏 + 𝑳)(𝝆𝒏𝒊𝒓 − 𝝆𝒓𝒆𝒅 )  Considerado como NDVI modificado;

SAVI 𝑺𝑨𝑽𝑰 =
Solo (𝝆𝒏𝒊𝒓 + 𝝆𝒓𝒆𝒅 + 𝑳)  Outro índice com fator de ajuste para o solo;
L = 0,5
Índice de Razão da Vegetação 𝝆𝒓𝒆𝒅

RVI 𝑺𝑹 =  Equivalente ao NDVI.
(Ratio Vegetation Index) 𝝆𝒏𝒊𝒓
Legenda: 𝝆𝒏𝒊𝒓 = Valor de reflectância na faixa do Infravermelho Próximo;𝝆𝒓𝒆𝒅 = Valor de reflectância na faixa do Vermelho e, L = Fator de ajuste para o substrato do
dossel. Fórmulas retiradas do software ERDAS ®
107
Figura 42 - Parcelas Permanentes
Rio Piraquê
Pir1 Pir2 Pir3
BS1
BS2
BS3
Rio Piracão
Baía de Sepetiba
Fonte: Arquivo NEMA.
Todas as parcelas permanentes de estrutura vegetal foram analisadas quanto à

densidade, tipo fisiográfico, dominância e altura média, além de biomassa total, da copa
e das folhas.
Para os cálculos de biomassa foram utilizados os modelos gerados por Soares
(1997) e Soares; Schaeffer-Novelli (2005) para Rhizophora mangle e Laguncularia
racemosa e Estrada et al. (2013) para Avicennia schaueriana (Quadro 13). Os modelos
escolhidos são aqueles que apresentaram, nos respectivos estudos, os menores erros de
estimativa. As aplicações dos modelos seguiram os critérios apresentados no
fluxograma na Figura 43.
Os parâmetros calculados foram comparados aos índices de vegetação, para que
as relações entre os parâmetros biofísicos e espectrais fossem avaliados.
108
3.2.3 Análises estatísticas
Os softwares utilizados para o tratamento dos dados foram o Microsoft Excel

2010 e o Statistica 7.0 StatSoft®.
A primeira etapa foi a organização os dados. Os índices obtidos a partir das
respostas espectrais de cada amostra foram organizados de forma a representar cada
estação de amostragem (Baía de Sepetiba e Rio Piracão), cada parcela e suas respectivas
réplicas ("A", "B", "C", "D" e "E" na estação da Baía de Sepetiba e "F", "G", "H", "I"e
"J" na estação do Rio Piracão) e cada amostragem (verão 2010, inverno 2010, verão
2011 e inverno 2011). Esta organização foi realizada para cada índice (NDVI, SAVI,
RS e RVI) com o objetivo de possibilitar a comparação entre estações de amostragem,
parcelas e estações do ano de cada ano e verificar os padrões obtidos.
A normalidade dos dados dos índices foi testada através do teste de
Kolmorogov-Smirnov e Shapiro Wilk, (ZAR, 1996) no software Statistica 7.0. Com
valores de p muito baixos na maioria dos casos (p<0,1 e p<0,0000 para os testes
Kolmorogov-Smirnov e Shapiro Wilk respectivamente) os dados então foram
considerados não normais, decidindo-se utilizar a estatística não paramétrica para a
avaliação dos índices.
3.2.3.1 Teste de Kruskal-Wallis
Através deste teste foi realizada a análise de variância das estações de

amostragem (Baía de Sepetiba e Rio Piracão), das parcelas ("A", "B", "C", "D" e "E" na
estação da Baía de Sepetiba e "F", "G", "H", "I"e "J" na estação do Rio Piracão) e das
amostragens (verão 2010, inverno 2010, verão 2011 e inverno 2011). Na primeira todos
os dados de cada estação foram agrupados, onde a hipótese H0 foi a de que elas
possuíam as mesmas características e a H1 a de que haviam diferenças significativas
entre elas (ZAR, 1996). Na sequência, os dados foram agrupados por parcelas dentro de
cada estação de amostragem, por amostragem utilizando os dados de cada estação, e por
109
fim foram efetuadas todas estas comparações com todos os dados agrupando-se as duas
estações como uma única área de estudo.
3.2.3.2 Regressão linear simples (Método dos Mínimos Quadrados)
Para a comparação entre os índices e os dados de estrutura vegetal foi utilizada a

regressão linear simples, através do teste dos mínimos quadrados (ZAR, 1996). Uma
das vantagens deste teste é a geração de uma equação da reta ajustada, que pode ser
utilizada para o cálculo da biomassa. Com isso os valores dos índices foram
comparados com a Biomassa Total, Biomassa Viva, Biomassa de Copa 1, 2 e 3,
Biomassa de Folhas, Altura Média, DAP Médio e Densidade. Para esta comparação,
além foram utilizados os índices R2, que quanto mais alto indica maior relação entre o
índice e o parâmetro estrutural e o valor de p, que deve ser menor que 0,05 para indicar
uma relação significativa.
110
Quadro 13 - Fórmulas utilizadas para cálculos de biomassa das parcelas permanentes

No. Da
Ln(Biomassa)=a+b*ln(DAP)
variável a b R2 EPE EPE % Equação
Av COPA 1 Folhas+ P.Reprodutivas + Ramos ln(DAP) 3,7389 2,2264 0,9728 0,3592 42,32 1
(Estrada,2013) COPA 2 Folhas+ P.Reprodutivas + Ramos + Galhos ln(DAP) 3,5609 2,0565 0,9737 0,3935 45,4 2
COPA 3 Folhas+ P.Reprodutivas + Ramos + Galhos + Galhos Princip. ln(DAP) 3,66 2,5118 0,982 0,3282 58,1 3
FOLHAS Folhas ln(DAP) 2,8359 2,1418 0,95 0,4738 42,91 4
BIOMASSA TOTAL VIVOS TOTAL ln(DAP) 4,8017 2,5282 0,994 0,187 23,75 5
Av
(Estrada,2013) BIOMASSA MORTOS Biomassa do Tronco e Galhos Principais ln(DAP) 4,4117 2,5578 0,992 0,227 6
No. Da
Lg COPA 1 Folhas+ P.Reprodutivas + Ramos ln(DAP) 4,06 1,86285 0,908 0,444 7
(Soares, 1997) COPA 2 Folhas+ P.Reprodutivas + Ramos + Galhos ln(DAP) 3,8178 2,5014 0,93 0,463 8
COPA 3 Folhas+ P.Reprodutivas + Ramos + Galhos + Galhos Princip. ln(DAP) 3,81513 2,31935 0,916 0,526 9
FOLHAS Folhas ln(DAP) 2,26265 2,01186 0,888 0,535 10
BIOMASSA MORTOS Biomassa de Troncos e Galhos Principais ln(DAP) 4,9308 2,2951 0,989 0,181 11
No. Da
Ln(Biomassa)=a+b*ln(AB²*ALT)
variável a b R2 EPE Equação
Lg BIOMASSA TOTAL (1) TOTAL ln(AB²*ALT) 14,2536 0,4985 0,987 0,194 12
(Soares, 1997) BIOMASSA TOTAL(2) TOTAL ln (DAP) 5,23943 2,27918 0,986 0,204 13
No. Da
Rh COPA 1 Folhas+ P.Reprodutivas + Ramos ln(DAP) 4,27923 2,0726 0,956 0,312 14
(soares, 1997) COPA 2 Folhas+ P.Reprodutivas + Ramos + Galhos ln(DAP) 3,86385 2,41893 0,975 0,273 15
BIOMASSA MORTOS Biomassa do Troncos e Rizophoros lenhosos e não lenhosos ln(DAP) 4,9851 2,5142 0,984 0,227 16
FOLHAS (2) TOTAL ln(DAP) 2,9399 2,0486 0,944 0,352 17
BIOMASSA TOTAL (2) TOTAL ln(DAP) 5,29845 2,481 0,989 0,182 18
No. Da
Ln(Biomassa)=a+b*ln(AB²*ALT)
FOLHAS (1) Folhas ln(AB²*ALT) 10,8778 0,43451 0,946 0,347 19
BIOMASSA TOTAL (1) TOTAL ln(AB²*ALT) 14,9105 0,5261 0,991 0,171 20
Legenda: Av=Avicenia schauerianna; Lg=Laguncularia racemosa; Rh=Rhizophora mangle e DAP=Diâmetro do peito.
111
Figura 43- Critérios utilizados para a adoção das fórmulas para cálculos de Biomassa.
112
3.3 Resultados
Os resultados referentes aos dados brutos dos quatro índices de vegetação

analisados inicialmente, encontram-se nas tabelas de II a V. Através deles, foram
calculadas as medianas de cada localidade, para cada estação, considerando todo o
período e também cada imagem isoladamente (Tabelas II a V).
A apresentação dos resultados será realizada em dois enfoques. O primeiro
seguirá a apresentação dos índices adotados, considerando somente a distribuição
temporal e espacial. Após essa análise, será apresentada a relação de alguns índices com
os parâmetros fitossociológicos medidos em campo, ou derivados desses.
A apresentação dos índices será composta por uma análise geral, considerando
todas as parcelas, e por uma análise por área (Baía de Sepetiba e Rio Piracão), dividida
em duas partes: análise temporal e análise espacial.
Além disso, para melhorar a compreensão do texto, é importante destacar que a
partir desse momento as regiões da Baía de Sepetiba e Rio Piracão serão apontadas
como áreas, ou regiões. E cada uma das suas subdivisões, será denominada por estações
ou parcelas.
3.3.1 Parte 1 - Índices de Vegetação
A análise dos índices considerando a localização das amostras estão

apresentados nas tabelas II a V e gráficos do Apêndice A, figuras A1 a A12. Os
resultados mostraram que certos índices possuem comportamentos semelhantes ao
longo das transversais e considerando as duas regiões. Essa relação se explica pela
redundância matemática entre alguns índices. Assim, mesmo que haja na literatura uma
diversidade de adoção de índices de vegetação para os estudos florestais, alguns deles
são semelhantes e sua análise concomitantemente se mostra redundante.
Frente a isto, optou-se por apresentar uma descrição dos índices e destacar por
índice, somente alguns aspectos relevantes
Dos índices analisados no presente estudo, o NDVI (tabela V), RVI (tabela III) e
Razão Simples (tabela IV) apresentaram comportamentos espectrais semelhantes. A
113
semelhança ocorre porque os três índices trabalham com a razão entre duas bandas, sem
a adição de qualquer fator de ajuste.
Ao considerar as duas regiões, os valores de medianas variaram para o NDVI
entre 0,553 e 0,846; de 0,827à 1,277 para o SAVI; de 0,083 a 0,288 para o RVI e; de
3,483 a 12,024 para os cálculos de Razão Simples. As duas regiões não possuem
diferenças estatisticamente significativas, para os 4 (quatro) índices analisados. Isso
porque, a mesma magnitude de valores está presente nas duas regiões.
Uma característica importante é que em cada uma das áreas (baía de Sepetiba e
Piracão) os índices de vegetação (na direção franja-apicum) se comportaram de forma
oposta (decrescente em uma área e crescente na outra).
Considerando o aspecto temporal (por ano e por estação), verificou-se que, de
maneira geral, os valores de NDVI, RS e SAVI foram superiores no primeiro ano de
monitoramento (2010) e, que considerando as estações do ano, esses três índices
tiveram maiores valores no inverno que no verão. O RVI foi o único com valores
diferentes, sendo os maiores de seus valores nos verões e no segundo ano de
monitoramento.
Ainda considerando toda a região, percebeu-se que as parcelas mais próximas à
fonte de água e às planícies hipersalinas foram aquelas com comportamentos
estatisticamente diferentes em algum momento (para todos os índices). As parcelas B,
D, G e I se apresentaram com comportamentos semelhantes às suas vizinhas (ou a uma
das duas), por isso não são muito distintas. Tal comportamento espectral pode ser
explicado pelo caráter transicional dessas parcelas, por isso elas foram excluídas da
segunda parte da análise dos resultados (ítem 3.3.2), que compara os índices com os
parâmetros estruturais.
O NDVI, o RVI e o RS tiveram resultados estatísticos idênticos, o que aponta
que as variações dos índices são as mesmas para esses índices. Uma especificidade do
RS são os valores de desvio padrão. De maneira geral, algumas parcelas apresentaram
maiores desvios padrões no cálculo de RS, isso em função do maior range entre os
valores que no NDVI.
Como o índice de vegetação normalizado (NDVI) é o mais amplamente utilizado
e encontrado em quase todos os estudos que usam índices de vegetação, este será o
usado nas análises entre os índices e os parâmetros estruturais, em detrimento aos outros
dois índices (RS e RVI). Sendo assim, para as análises seguintes os valores de RVI e
114
Razão Simples foram desconsiderados e, os índices adotados para a comparação com

valores coletados in situ e calculados em laboratório foram: NDVI, SAVI.
Além da retirada dos índices RVI e Razão Simples, a análise dos índices de
vegetação ao longo das transversais (por região) auxiliou também na escolha dos dados
utilizados na etapa seguinte.
Além do comportamento inverso entre as regiões, outra constatação importante é
que as parcelas de franja (A e F), próximas aos apicuns (E e J) e no meio das
transversais (C e H) apresentaram índices de vegetação mas distintos entre a transversal
a ponto de apresentarem, eventualmente, diferenças significativas entre eles. Já as
demais parcelas se comportaram como parcelas “transicionais”, ou seja, seus valores de
índices se assemelham a uma das parcelas vizinhas e tais semelhanças não seguiram um
padrão específico. Essas parcelas são as B e D nas transversais da baía de Sepetiba e, as
parcelas G e I nas transversais do rio Piracão.
Essas semelhanças com as vizinhas e sem padrões específicos podem se
relacionar, principalmente, à resolução espacial das imagens utilizadas aqui. Essas
parcelas apresentam in situ características transicionais quando comparadas às parcelas
adjacentes, e a percepção destas semelhanças pode ser potencializada pela aquisição das
imagens devido a sua resolução espacial. A influência da resolução espacial pode ser
mais marcante no Piracão do que às margens da baía de Sepetiba, uma vez que a
floresta monitorada ali apresenta extensão menor que a da baía de Sepetiba.
Com base nessa constatação, realizou-se a comparação entre dados
fitossociológico in situ (e calculados em laboratório) e os índices de vegetação somente
nas estações com comportamento mais distinto. Objetivando-se ressaltar as diferenças
ao longo dos transectos e melhorar o potencial de correlação dos índices com
parâmetros estruturais da vegetação, optou-se por excluir as parcelas intermediárias (B,
D, G e I), restando, desta forma, 3 parcelas por transecto.
Sendo assim, no âmbito da próxima etapa realizada:
1 – Não foram utilizados os índices cujos comportamentos se mostraram muito
semelhantes ao NDVI (RVI e a Razão Simples);
2 – Dentre os três índices mencionados no item anterior, optou-se pelo NDVI
por ser esse o índice mais adotado na literatura;
3 – Não foram utilizadas as parcelas B, D, G e I por apresentarem valores
transicionais em relação as suas vizinhas, tanto em relação aos índices como em
características estruturais das florestas.
115
Tabela II - Valores de SAVI para todas as estações, em todos os períodos.

Amostragem ver 10 Mediana inv10 Mediana ver11 Mediana inv11 Mediana
Réplicas 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6
Parcelas
Baía de Sepetiba
A 1,010 0,602 1,118 1,051 1,081 1,059 1,055 0,985 0,938 1,210 1,071 1,153 1,071 1,071 0,885 0,617 0,846 0,872 0,822 0,869 0,857 0,966 0,884 0,628 0,729 0,944 0,821 0,852
B 1,223 1,323 1,204 1,066 1,203 1,130 1,204 1,066 1,154 1,075 1,119 1,244 1,188 1,136 0,819 0,993 0,886 0,689 0,856 0,954 0,871 1,189 1,226 1,030 0,757 0,944 1,009 1,020
C 1,195 1,182 1,040 1,147 1,261 1,255 1,189 1,283 1,305 1,220 1,275 1,260 1,278 1,277 1,164 1,174 1,002 1,111 1,059 1,028 1,085 1,093 1,216 0,720 0,875 1,104 1,275 1,098
D 1,180 1,211 1,215 1,211 1,003 1,086 1,195 1,221 1,218 1,240 1,245 0,912 0,901 1,220 0,981 0,981 0,990 1,040 0,761 0,552 0,981 1,134 1,207 1,176 1,164 0,596 0,862 1,149
E 1,178 1,116 1,274 1,231 1,225 1,050 1,201 1,211 1,254 1,295 1,290 1,182 1,241 1,248 1,122 0,425 1,195 1,155 1,084 0,729 1,103 1,208 1,237 1,264 1,253 1,155 1,201 1,222
Piracão
F 1,247 1,162 1,221 1,257 1,043 1,151 1,192 1,263 1,219 1,261 1,259 1,284 1,230 1,260 1,048 0,975 1,057 1,084 1,088 0,981 1,052 1,191 1,173 1,255 1,206 1,061 1,086 1,182
G 1,189 1,184 1,233 1,174 1,244 1,217 1,203 1,205 1,233 1,187 1,196 1,283 1,281 1,219 1,080 1,112 1,088 0,993 1,136 1,136 1,100 1,160 1,173 1,151 1,164 1,200 1,141 1,162
H 1,116 1,145 1,165 1,159 1,209 1,214 1,162 1,187 1,201 1,216 1,248 1,231 1,226 1,221 1,069 1,078 1,065 1,065 1,084 1,110 1,074 1,151 1,148 1,156 1,128 1,152 1,173 1,152
I 1,095 1,170 1,153 1,158 1,167 1,167 1,162 1,061 1,123 1,182 1,122 1,223 1,223 1,153 0,773 0,788 0,983 0,935 1,042 0,992 0,959 1,109 1,180 1,097 1,054 1,132 1,138 1,121
J 1,037 1,018 0,994 1,030 0,987 1,063 1,024 1,066 0,926 1,042 1,021 0,909 1,073 1,031 0,837 0,851 0,851 0,837 0,576 0,753 0,837 0,852 0,801 1,037 1,041 0,773 0,725 0,827
Tabela III - Valores de RVI para todas as estações, em todos os períodos.

RVI
Réplicas 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6
Parcelas
Baía de Sepetiba
A 0,194 0,426 0,145 0,175 0,161 0,171 0,173 0,233 0,228 0,149 0,172 0,130 0,127 0,160 0,257 0,416 0,278 0,264 0,291 0,265 0,271 0,215 0,257 0,408 0,344 0,226 0,291 0,274
B 0,101 0,062 0,108 0,168 0,109 0,140 0,108 0,085 0,068 0,182 0,128 0,092 0,115 0,104 0,293 0,202 0,256 0,369 0,272 0,222 0,264 0,114 0,100 0,185 0,327 0,226 0,194 0,189
C 0,112 0,117 0,180 0,132 0,085 0,088 0,115 0,093 0,072 0,129 0,102 0,086 0,079 0,090 0,125 0,121 0,198 0,148 0,171 0,186 0,159 0,156 0,103 0,349 0,262 0,150 0,080 0,153
D 0,118 0,106 0,104 0,106 0,197 0,159 0,112 0,101 0,112 0,093 0,095 0,269 0,259 0,107 0,208 0,208 0,203 0,180 0,326 0,461 0,208 0,138 0,107 0,120 0,125 0,430 0,269 0,131
E 0,119 0,146 0,081 0,097 0,100 0,175 0,110 0,106 0,089 0,070 0,073 0,078 0,121 0,083 0,143 0,558 0,112 0,129 0,160 0,345 0,152 0,107 0,095 0,084 0,089 0,129 0,109 0,101
Piracão
F 0,091 0,126 0,101 0,087 0,178 0,130 0,114 0,089 0,101 0,093 0,093 0,078 0,096 0,093 0,176 0,211 0,172 0,160 0,158 0,208 0,174 0,114 0,121 0,088 0,108 0,170 0,159 0,117
G 0,115 0,117 0,097 0,121 0,092 0,103 0,109 0,106 0,107 0,095 0,116 0,074 0,071 0,101 0,162 0,147 0,158 0,202 0,137 0,137 0,153 0,127 0,121 0,130 0,125 0,110 0,135 0,126
H 0,145 0,133 0,124 0,127 0,106 0,104 0,126 0,108 0,132 0,098 0,100 0,102 0,091 0,101 0,167 0,162 0,168 0,168 0,160 0,148 0,165 0,130 0,132 0,128 0,140 0,130 0,121 0,130
I 0,155 0,122 0,130 0,128 0,124 0,124 0,126 0,131 0,116 0,120 0,107 0,103 0,101 0,112 0,318 0,310 0,207 0,231 0,179 0,202 0,219 0,149 0,118 0,154 0,173 0,139 0,136 0,144
J 0,181 0,190 0,201 0,184 0,205 0,169 0,187 0,168 0,235 0,179 0,189 0,243 0,243 0,212 0,282 0,274 0,274 0,282 0,443 0,330 0,282 0,274 0,302 0,181 0,179 0,318 0,346 0,288
116
Tabela IV - Valores de Razão Simples para todas as estações, em todos os períodos.

RS
Réplicas 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6
Parcelas
Baía de Sepetiba
A 5,160 2,346 6,913 5,727 6,208 5,864 5,795 4,300 4,393 6,704 5,828 7,720 7,870 6,266 3,895 2,405 3,600 3,795 3,442 3,775 3,688 4,654 3,897 2,450 2,906 4,419 3,432 3,664
B 9,944 16,250 9,250 5,958 9,211 7,160 9,230 11,750 14,611 5,500 7,815 10,850 8,680 9,765 3,419 4,943 3,902 2,708 3,675 4,514 3,789 8,739 10,050 5,419 3,054 4,429 5,154 5,287
C 8,947 8,524 5,560 7,571 11,706 11,389 8,736 10,696 13,850 7,778 9,792 11,619 12,684 11,157 8,000 8,259 5,061 6,767 5,844 5,382 6,305 6,429 9,667 2,862 3,821 6,650 12,500 6,539
D 8,455 9,474 9,632 9,476 5,074 6,296 8,964 9,864 8,913 10,696 10,500 3,719 3,867 9,388 4,813 4,813 4,914 5,559 3,071 2,170 4,813 7,273 9,318 8,348 8,000 2,326 3,718 7,636
E 8,370 6,867 12,421 10,261 10,000 5,710 9,185 9,441 11,276 14,348 13,750 12,773 8,286 12,024 6,971 1,793 8,897 7,750 6,250 2,898 6,610 9,357 10,480 11,857 11,261 7,750 9,150 9,919
Piracão
F 11,000 7,955 9,857 11,500 5,619 7,667 8,906 11,286 9,944 10,696 10,696 12,882 10,423 10,696 5,667 4,737 5,806 6,242 6,323 4,806 5,736 8,800 8,261 11,389 9,286 5,885 6,304 8,530
G 8,720 8,560 10,350 8,280 10,850 9,700 9,210 9,452 9,370 10,482 8,656 13,522 14,000 9,967 6,176 6,781 6,323 4,943 7,290 7,290 6,552 7,885 8,250 7,667 8,000 9,083 7,407 7,942
H 6,880 7,520 8,043 7,870 9,409 9,591 7,957 9,250 7,556 10,167 10,044 9,786 10,963 9,915 6,000 6,156 5,939 5,939 6,242 6,742 6,078 7,682 7,600 7,792 7,125 7,696 8,261 7,689
I 6,462 8,174 7,708 7,833 8,091 8,091 7,962 7,615 8,593 8,333 9,375 9,667 9,917 8,984 3,143 3,229 4,839 4,333 5,581 4,939 4,586 6,724 8,440 6,500 5,769 7,217 7,348 6,971
J 5,519 5,259 4,967 5,429 4,889 5,913 5,344 5,963 4,259 5,600 5,296 4,107 4,107 4,778 3,548 3,645 3,645 3,548 2,257 3,029 3,548 3,655 3,310 5,522 5,577 3,148 2,889 3,483
Tabela V - Valores de NDVI para todas as estações, em todos os períodos.

NDVI
Réplicas 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6
Parcelas
Baía de Sepetiba
A 0,675 0,402 0,747 0,703 0,723 0,709 0,706 0,623 0,629 0,740 0,707 0,771 0,775 0,724 0,591 0,413 0,565 0,583 0,550 0,581 0,573 0,646 0,592 0,420 0,488 0,631 0,549 0,570
B 0,817 0,884 0,805 0,713 0,804 0,755 0,805 0,843 0,872 0,692 0,773 0,831 0,793 0,812 0,547 0,663 0,592 0,461 0,572 0,637 0,582 0,795 0,819 0,688 0,507 0,632 0,675 0,682
C 0,799 0,790 0,695 0,767 0,843 0,839 0,794 0,829 0,865 0,772 0,815 0,842 0,854 0,835 0,778 0,784 0,670 0,742 0,708 0,687 0,725 0,731 0,813 0,482 0,585 0,739 0,852 0,735
D 0,788 0,809 0,812 0,809 0,671 0,726 0,799 0,816 0,798 0,829 0,826 0,576 0,589 0,807 0,656 0,656 0,662 0,695 0,509 0,369 0,656 0,758 0,806 0,786 0,778 0,399 0,576 0,768
E 0,787 0,746 0,851 0,822 0,818 0,702 0,802 0,808 0,837 0,870 0,864 0,855 0,785 0,846 0,749 0,284 0,798 0,771 0,724 0,487 0,737 0,807 0,826 0,844 0,837 0,771 0,803 0,816
Piracão
F 0,833 0,777 0,816 0,840 0,698 0,769 0,796 0,837 0,817 0,829 0,829 0,856 0,825 0,829 0,700 0,651 0,706 0,724 0,727 0,656 0,703 0,796 0,784 0,839 0,806 0,709 0,726 0,790
G 0,794 0,791 0,824 0,784 0,831 0,813 0,804 0,809 0,807 0,826 0,793 0,862 0,867 0,817 0,721 0,743 0,727 0,663 0,759 0,759 0,735 0,775 0,784 0,769 0,778 0,802 0,762 0,776
H 0,746 0,765 0,779 0,775 0,808 0,811 0,777 0,805 0,766 0,821 0,819 0,815 0,833 0,817 0,714 0,721 0,712 0,712 0,724 0,742 0,717 0,770 0,767 0,773 0,754 0,770 0,784 0,770
I 0,732 0,782 0,770 0,774 0,780 0,780 0,777 0,768 0,792 0,786 0,807 0,813 0,817 0,799 0,517 0,527 0,657 0,625 0,696 0,663 0,641 0,741 0,788 0,733 0,705 0,757 0,760 0,749
J 0,693 0,680 0,665 0,689 0,660 0,711 0,685 0,713 0,620 0,697 0,682 0,608 0,608 0,651 0,560 0,569 0,569 0,560 0,386 0,504 0,560 0,570 0,536 0,693 0,696 0,518 0,486 0,553
117
3.3.2 Parte 2 – Índices de Vegetação X Parâmetros Estruturais
Os parâmetros estruturais medidos e calculados, assim como consta nos materiais e

métodos foram: Altura Média, DAP médio, Densidade, Área Basal e Biomassas (Total, Viva,
além de 3 modelos de cálculo para Copa Viva e Folhas).
Outro ponto que merece consideração é a relação feita entre parâmetros de campo e
imagens de satélite. O monitoramento da estrutura vegetal realizado pelo NEMA-UERJ é
realizado anualmente, enquanto as imagens de satélite foram registradas semestralmente.
Assim, para análise das relações entre índices de vegetação e parâmetros estruturais
selecionou-se a coleta de campo cuja data mais se aproximasse da data da imagem. Desta
forma, os valores de verão e inverno de 2010 foram comparados aos dados das coletas de
2009 e 2010, respectivamente e, verão e inverno de 2011 às coletas de 2010 e 2011, como
descrito na Quadro 14.
Quadro 14 - Períodos das imagens e os períodos

de coleta de campo correspondente.
Imagem de Satélite Data da Coleta
De agosto a dezembro de
Verão de 2010
2009
Inverno de 2010 Setembro de 2010
Verão de 2011 Setembro de 2010
Novembro e Dezembro de
Inverno de 2011
2011
Com base nessa associação, os valores referentes às coletas de 2010 foram associados
a duas imagens diferentes (inverno de 2010 e verão de 2011). Por esse motivo não podem ser
consideradas concomitantemente em uma mesma análise. Sendo assim, as análises de
correlação foram feitas por estação do ano, para todo o complexo de Guaratiba e
separadamente por região.
118
3.3.2.1 Complexo de Guaratiba
Cabe resgatar aqui, algumas características referentes aos parâmetros estruturais, que
são importantes para a análise dos índices espectrais, presentes no Quadro 12. O mais
importante é que, de maneira geral, as florestas com maior altura média se encontram
próximas ao corpo hídrico (florestas de franja) e há decréscimo nessa média em direção ao
Apicum (passando pela floresta de bacia e transição).
As análises para as duas regiões (os dois verões e os dois invernos), (apresentadas no
Apêndice B) não ressaltou relação significativa nos verões, com significância (p<0,05) nos
invernos para:
 SAVI com Biomassa (Total, Copa1, Copa 2), como se pode ver no apêndice B,
figura B12;
 NDVI com Biomassa Total e Viva (Apêndice B, Figura B11).
Entretanto, quando cada estação do ano foi analisa em conjunto, nenhum coeficiente
de determinação foi superior a 0,23.
Quando cada período foi analisado separadamente, verificou-se significância no
inverno de 2010 com SAVI em relação à Biomassa Total, Biomassa Viva, Copa 2 e Folhas
(Apêndice B, Figura B3) e, no verão de 2011 para Copa3 (Apêndice B, Figura B5). E, em
relação ao NDVI no inverno de 2010 em relação a Biomassa Total e Folhas (Apêndice B,
Figura B4) e Biomassa de Folhas para o verão 2011 (Apêndice B, Figura B6). Os melhores
coeficientes de determinação foram encontrados nas análises com os dados de inverno de
2010, nas relações de NDVI com Biomassa Total (R2 = 0, 41) e Biomassa de folhas (R2=0,45)
(Apêndice B, Figura B4).
De maneira geral, verificou-se mais relações significativas quando cada área foi
analisada separadamente.
3.3.2.2 Baía de Sepetiba
Para os dois verões juntos o SAVI mostrou relação significativa com Biomassa Total,
Biomassa Viva, Copa 1 e Copa 3 (Apêndice B, Figura B14) e, o NDVI, com os mesmos
parâmetros (Apêndice B, Figura B15). Nos dois índices percebeu-se que há uma inversão na
119
relação, quanto maior o parâmetro, menor o valor do índice calculado. Quando cada verão foi
analisado em separado, observou-se comportamentos distintos com melhora no coeficiente de
relação.
No verão de 2010 (Apêndice B, Figuras B18 e B19), as regressões a partir da análise
do NDVI e SAVI apresentaram comportamento semelhante. Para os dois índices, Biomassa
da Copa 2, Altura Média, DAP Médio e Densidade tiveram regressão com p>0,05, sendo os
únicos não significativos. Dentre as análises que apresentaram p<0,05, os melhores ajustes
foram, em ordem decrescente para Biomassa da Copa 3 (R2=0,62), Biomassa de Folhas
(R2=0,59), Biomassa da Copa 1 (R2=0,55) e Biomassa Viva (R2=0,50), para os dois índices.
Isso demonstra que o NDVI, índice mais utilizado nas pesquisas, seria uma boa ferramenta
para estimativas envolvendo Biomassa Total da Copa (modelo de Biomassa da Copa 3).
No verão de 2011 (Apêndices B, Figuras B22 e B23), houve menos regressões
significativas entre índices de vegetação e parâmetros estruturais. Para os três índices não
houve significância para as relações envolvendo Biomassa Total, Biomassa da Copa 2 e
Biomassa de Folhas, para NDVI e SAVI. A Densidade também não apresentou correlação
significativa com os índices. Para NDVI e SAVI, a maior significância foi em relação à
Biomassa da Copa 3 (p=0,009), análise que apresentou melhor R2, de 0,65.
Verifica-se até aqui que, considerando os verões, a maior relação encontrada foi entre
os índices e os cálculos de Biomassa da Copa 3.
Sobre as relações entre os comportamentos dos índices e os valores dos parâmetros
estruturais considerando os dois invernos (Apêndice B, Figuras B16 e B17), somente as
relações entre NDVI e Densidade e DAP foram significativos, sendo inversamente
proporcional para DAP e diretamente proporcional para densidade, mesmo que com R2 baixo.
No inverno de 2010, o único índice que apresentou relação significativa foi NDVI para
Biomassa de Copa 1 e Copa 3, sendo a última com maior R2, de 0,54 (Apêndice B, Figura
B21).
No inverno de 2011 (Apêndices B, Figuras B24 e B25), os resultados das regressões
foram semelhantes para os dois índices analisados. Houve significância na relação entre os
índices e: Densidade, DAP Médio e Altura Média. Dentre essas regressões, as que
apresentaram maiores valores de R2 foram Altura Média X SAVI (R2=0,61) e Altura Média
X NDVI (R2=0,61).
120
3.3.2.3 Rio Piracão
Nos resultados envolvendo as parcelas localizadas às margens do rio Piracão, houve

algumas diferenças em relação ao padrão descrito para a Baía de Sepetiba.
Analisando os dois verões simultaneamente (Apêndice B, Figuras B26 e B27),
constatou-se que algumas relações dos índices com os valores dos parâmetros estruturais
foram inversas às apresentadas para as florestas às margens da baía de Sepetiba.
Diferente do apresentado para a baía de Sepetiba, os índices foram diretamente
proporcionais à quantidade de biomassa de uma parcela (seja Total, Viva, de Folhas ou da
Copa).
Em relação à altura média, mais uma vez o comportamento se mostrou contrário ao
verificado para a baía de Sepetiba. Logo, para SAVI e NDVI, quanto maior a altura medida,
maior foi o índice calculado na parcela.
Essa foi a mesma relação observada para o DAP médio, e o contrário foi observado
para densidade, onde mais uma vez houve comportamento inversamente proporcional para
SAVI e NDVI.
Outro fato que merece atenção é que, nas análises realizadas para as florestas às
margens da baía de Sepetiba, verificou-se que as relações entre altura e índice eram mais
robustas que entre densidade e índice. Pois bem, não se chegou a tal constatação para as
análises das parcelas próximas ao rio Piracão, onde para as relações com a densidade os
ajustes foram levemente mais robustos que em relação à altura média.
É importante destacar também que considerando os dois verões concomitantemente, as
regressões envolvendo SAVI e NDVI apresentaram significância. Entretanto, mesmo sendo as
relações significativas, todas apresentaram um coeficiente de determinação baixo, sendo 0,31
o maior valor observado (Biomassa de Folhas X NDVI ou SAVI).
No verão de 2010 (Apêndice B, Figuras B30 e B31), nenhuma regressão se mostrou
significativa. Já no verão de 2011 (Apêndice B, Figuras B34 e B35), as relações de SAVI e
NDVI com alguns cálculos de Biomassas (da Copa 1, da Copa 2, de Folhas) e com a
Densidade se mostram significativas. Dessas, os maiores coeficiente de determinação foi com
a densidade (0,49) e copa 2 (0,49), para ambos os índices.
Ao analisar os dois invernos conjuntamente (Apêndice B, Figuras B28 e B29),
percebeu-se que para todos os índices a relação deles com os cálculos de biomassa são
diretamente proporcionais, ou seja, quanto maior a biomassa da floresta, maior o índice de
121
vegetação calculado. Além dos cálculos relacionados à biomassa, se observou essa mesma
relação (direta) com os valores de DAP médio e atura. Para as medições de densidade os dois
parâmetros analisados se mostraram inversamente proporcionais.
Ainda considerando os dois invernos, observou-se que o NDVI e o SAVI
apresentaram relações significativas com todos os parâmetros estruturais analisados aqui,
entretanto, nenhum coeficiente de determinação ultrapassou 0,5. (mantém essa discussão, só
com os 2 índices).
No inverno de 2010 (Apêndices B, Figuras B32 e B33), todas as relações com
parâmetros estruturais e os índices NDVI e SAVI foram significativos novamente, tendo
encontrado coeficiente de determinação de 0,67 em relação à densidade e, 0,64 e 0,56 para
Biomassa da Copa 2 e Biomassa Total, respectivamente. Desses, como dito anteriormente, os
cálculos de biomassa se apresentaram diretamente proporcionais aos dois índices, enquanto a
densidade foi inversamente proporcional.
O inverno de 2011 (Apêndices B, Figuras B36 e B37), diferente das análises
envolvendo essa estação do ano em 2010, não apresentou nenhuma regressão significativa
envolvendo NDVI ou SAVI.
122
Tabela VI - Parâmetros estruturais e índices de vegetação por estação

Baía de Sepetiba rio Piracão
Período e Parâmetros T1 T2 T3 T1 T2 T3
A1 C1 E1 A2 C2 E2 A3 C3 E3 A1 C1 E1 A2 C2 E2 A3 C3 E3
Biomasssa Total 231,34 218,00 98,56 220,08 271,18 107,24 251,11 203,59 75,02 255,35 94,39 67,45 205,52 75,89 65,19 267,38 134,19 37,99
Biomassa Viva 222,14 188,26 97,16 197,36 215,04 103,76 244,68 182,69 73,87 253,85 88,73 62,77 200,42 62,08 62,59 253,10 126,65 36,28
Biomassa da Copa (1) 32,07 27,11 19,60 27,84 30,38 3,56 35,05 24,10 2,27 35,54 17,81 19,70 36,04 14,04 17,39 44,67 26,54 11,91
Biomassa da Copa (2) 15,70 18,43 19,44 13,95 24,43 3,82 16,63 25,17 2,10 24,93 12,50 7,89 26,96 11,42 7,86 33,88 19,25 5,02
Biomassa da Copa (3) 67,37 45,09 19,54 59,53 62,05 3,83 73,82 44,77 2,15 59,52 25,57 18,95 54,53 17,38 19,84 67,79 37,87 11,46
Biomassa de Folhas 9,71 7,53 5,30 8,63 8,75 5,38 11,05 7,17 4,05 10,06 5,43 3,91 8,73 3,60 3,99 10,45 7,09 2,41
Verão 2010
Altura Média 8,2 (5,6) 8,35 3,00 15,30 12,50 5,10 11,30 10,50 2,40 10,40 4,60 4,00 9,00 4,50 3,40 9,60 5,00 2,80
DAP Médio 14,30 12,86 3,00 16,50 18,55 3,80 14,50 14,80 2,70 12,30 4,90 3,90 10,70 4,80 4,00 11,90 6,30 3,00
Densidade 2250,00 1743,00 28571,40 1602,90 933,00 22063,50 2311,10 1600,00 28714,30 2583,30 12125,00 16166,70 3555,60 9625,00 14125,00 31,55,6 9444,40 15535,70
% Rh 4,70 33,68 91,70 4,60 8,19 93,30 3,50 41,60 93,00 47,60 23,20 1,30 40,70 34,30 0,00 42,90 27,00 0,90
% Lg 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 6,60 14,00 3,50 4,50 12,40 1,30 6,40 17,30
% Av 87,10 50,80 5,30 79,40 15,71 0,50 91,10 46,40 4,10 51,20 59,80 71,30 51,70 38,40 78,40 47,50 56,30 71,90
SAVI 1,01 1,20 1,18 1,12 1,04 1,27 1,08 1,26 1,22 1,25 1,12 1,04 1,22 1,17 0,99 1,04 1,21 0,99
NDVI 0,68 0,80 0,79 0,75 0,70 0,85 0,72 0,84 0,82 0,83 0,75 0,69 0,82 0,78 0,66 0,70 0,81 0,66
Biomasssa Total 228,28 219,59 205,67 221,70 224,25 234,25 230,51 197,27 171,99 259,10 94,71 62,87 209,67 75,86 66,52 270,52 137,10 38,13
Biomassa Viva 215,56 189,04 99,46 198,97 168,11 110,37 224,08 176,37 79,67 257,60 88,53 44,75 205,38 63,52 63,87 254,66 129,75 34,45
Biomassa da Copa (1) 30,95 26,70 19,88 28,01 23,56 4,06 32,07 22,90 2,64 36,22 17,71 8,32 36,67 14,37 13,07 44,18 26,97 7,47
Biomassa da Copa (2) 15,23 17,98 19,63 14,08 21,63 4,42 15,27 24,64 2,47 25,51 12,31 6,21 27,43 11,74 8,02 33,34 19,64 4,90
Biomassa da Copa (3) 65,03 44,92 19,85 59,91 46,99 4,43 67,27 42,41 2,56 60,45 25,44 13,19 55,58 17,76 20,25 67,41 38,36 10,94
Inverno 2010
Altura Média 8,50 8,32 2,90 13,40 11,34 5,10 9,90 10,80 2,40 10,30 4,60 3,90 9,00 4,60 3,10 10,40 5,30 2,60
DAP Médio 15,20 12,63 3,10 16,80 17,41 4,10 15,00 14,80 2,90 12,40 5,10 3,90 10,70 5,00 4,30 12,20 6,40 3,40
Densidade 1783,30 1771,00 28730,20 1558,80 822,00 15396,80 2244,40 1511,10 28142,90 2583,30 11625,00 15333,30 3333,30 7875,00 12500,00 3066,70 9111,10 14285,70
% Rh 5,30 32,30 87,20 4,80 19,73 90,50 3,60 42,10 89,20 48,10 23,90 1,80 40,90 36,10 0,00 42,80 27,60 1,70
% Lg 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 5,80 15,00 3,60 5,00 13,70 0,00 6,40 18,90
% Av 86,10 51,07 0,10 79,70 41,48 0,80 83,00 6,20 5,00 50,60 58,60 48,00 52,20 38,60 771,00 47,70 56,10 61,40
SAVI 0,62 0,83 0,81 0,74 0,77 0,87 0,77 0,84 0,85 1,05 1,07 0,84 1,06 1,07 0,85 1,09 1,08 0,58
NDVI 0,62 0,83 0,81 0,74 0,77 0,87 0,77 0,84 0,85 0,70 0,71 0,56 0,71 0,71 0,57 0,73 0,72 0,39
Biomasssa Total 228,279 219,589 205,66912 221,697 224,25 234,248 230,51 197,269 171,992 259,103 94,7118 62,87424 209,669 75,8612 66,51655 270,519 137,095 38,1305
Biomassa Viva 215,559 189,044 99,458477 198,975 168,109 110,373 224,084 176,367 79,6671 257,601 88,5272 44,7489 205,377 63,5182 63,8658 254,656 129,753 34,4459
Biomassa da Copa (1) 30,9465 26,703 19,882898 28,0101 23,5578 4,05861 32,0708 22,8986 2,64476 36,2203 17,7052 8,320861 36,6731 14,3675 13,07209 44,1814 26,9664 7,46999
Biomassa da Copa (2) 15,2265 17,9774 19,629445 14,0848 21,6286 4,41736 15,2653 24,6381 2,46554 25,5085 12,3127 6,205398 27,4274 11,7395 8,018322 33,3398 19,6421 4,90442
Biomassa da Copa (3) 65,0313 44,9159 19,84997 59,9065 46,9911 4,43124 67,266 42,4093 2,56432 60,4456 25,4366 13,19227 55,5796 17,759 20,24907 67,4127 38,3603 10,9443
Verão 2011
Altura Média 8,5 8,32 2,9 13,4 11,34 5,1 9,9 10,8 2,4 10,3 4,6 3,9 9 4,6 3,1 10,4 5,3 2,6
DAP Médio 15,2 (5,8) 12,63 3,1 16,8 17,41 4,1 15 14,8 2,9 12,4 5,1 3,9 10,7 5 4,3 12,2 6,4 3,4
Densidade 1783,3 1771 28730,2 1558,8 822 15396,8 2244,4 1511,1 28142,9 2583,3 11625 15333,3 3333,3 7875 12500 3066,7 9111,1 14285,7
% Rh 5,3 32,3 87,2 4,8 19,73 90,5 3,6 42,1 89,2 48,1 23,9 1,8 40,9 36,1 0 42,8 27,6 1,7
% Lg 0 0 0 0 0 0 0 0 0 0 5,8 15 3,6 5 13,7 0 6,4 18,9
% Av 86,1 51,07 0,1 79,7 41,48 0,8 83 6,2 5 50,6 58,6 48 52,2 38,6 771 47,7 56,1 61,4
SAVI 0,88472 1,16427 1,12155 0,84553 1,00249 1,19478 0,82245 1,05923 1,08413 1,04762 1,06888 0,837456 1,05703 1,06536 0,851211 1,08791 1,08351 0,57642
NDVI 0,5914 0,77778 0,749077 0,56522 0,67 0,79791 0,54974 0,70776 0,72414 0,7 0,71429 0,560284 0,70612 0,71179 0,569444 0,72687 0,72385 0,38597
Biomasssa Total 194,925 181,381 106,86248 137,392 126,78 124,471 82,8003 168,811 90,9983 247,013 95,8624 58,12994 207,504 72,5992 55,18625 273,391 120,289 29,138
Biomassa Viva 77,758 108,579 137,9738 114,67 70,6401 130,697 76,3749 147,908 129,422 136,72 92,1177 24,75117 183,32 60,2101 18,07067 250,722 54,9057 5,41682
Biomassa da Copa (1) 10,9925 14,939 24,645548 15,5554 19,9082 4,16567 9,55916 17,7921 3,11052 19,041 18,209 3,928421 32,9535 13,778 4,405644 43,6033 13,6889 1,70106
Biomassa da Copa (2) 6,11219 11,832 21,549513 8,33993 23,5971 5,25582 4,41566 22,7011 5,69561 18,3315 12,6674 3,952721 25,8543 11,5622 3,41184 33,1133 13,0675 1,70106
Biomassa da Copa (3) 21,4732 21,5673 24,286895 33,3958 26,0546 5,08267 20,768 32,5724 4,14084 20,2525 26,3373 6,479502 48,2212 16,5768 5,716375 66,3119 14,5359 1,70106
Inverno 2011
Altura Média 6,5 5,38 2,9 10,4 10,34 4,6 9,7 9,7 2,5 10,1 4,8 3,2 9,4 4,6 2,7 10,4 5 2,2
DAP Médio 10,7 (5,4) 8,96 3,2 14,2 15,58 4 16,6 14 3 9,8 5,4 3,6 10,8 5 3,2 12,4 5,4 2
Densidade 1583,3 1986 27619 1352,9 378 23174,6 1177,8 1555,6 28000 2583,3 9875 10555,6 2977,8 7375 11200 3066,7 8777,8 10446,4
% Rh 5,7 31,96 83,4 5,4 18,3 88,2 3,4 43 88,5 49,5 25,6 4,5 41,3 36,9 0,1 41,9 28,8 3,1
% Lg 0 0 0 0 0 0 0 0 0,1 0 6,4 16,5 3,6 4,4 14,9 0 6,6 18,8
% Av 27,5 19,71 8,8 45,3 4,9 1,9 25,8 24,7 6,6 4,2 60,4 15,5 37,8 32,6 16 44,9 5,1 0
SAVI 0,9661 1,09265 1,20826 0,62816 0,72 1,26433 0,94362 1,10423 1,15479 1,19084 1,15144 0,852399 1,25503 1,15603 1,03654 1,06128 1,15212 0,77333
NDVI 0,64626 0,73077 0,806897 0,42029 0,48214 0,84444 0,63095 0,73856 0,77143 0,79592 0,76963 0,57037 0,83857 0,77251 0,693333 0,7095 0,77 0,51786
123
3.4 - Discussão
Um dos resultados mais importantes encontrados aqui é que os índices se apresentam

nas duas regiões de forma contrária. Tal antagonismo é muito interessante e, merece ser
observado e analisado com maior atenção.
Conceitualmente, os índices de vegetação são adotados pois permitem a comparação
de várias imagens oriundas de diferentes satélites (PONZONI; SHIMABOKURO, 2007),
contudo, Ponzoni et al (2013) apontam que “mesmo se tratando de dados de natureza similar
(índices de vegetação) e gerados com relativamente pouca defasagem temporal entre si,
índices gerados por diferentes sensores não podem ser considerados correlacionados.” Isso,
em parte, porque os intervalos espectrais de cada banda variam de forma distinta para cada
sensor.
Ainda que sensores diferentes gerem índices distintos devido a oscilações em virtude
dos sensores, a escassa bibliografia referente a índices de vegetação que estuda manguezais e,
mais importante, a diversidade de imagens que são adotadas nesses estudos, nos força a
comparar esses valores, mesmo que gerados por sensores diferentes.
Como descrito nos resultados, os valores de NDVI variaram de 0,4 a 0,85, o SAVI de
0,6 a 1,27, o RVI de 0,062 a 0,558 e o RS de 2,346 a 14,348. As análises estatísticas
realizadas apontaram que os índices NDVI, RVI e RS tem comportamentos similares, por
isso, para estudos das florestas de mangue, recomenda-se optar por um desses índices. A
similaridade dos resultadosé explicada pelo uso no cálculo nesses índices da mesma banda
espectral, sem considerar nenhum outro fator.
Entre o NDVI e o SAVI o Índice de Vegetação Normalizado, como já mencionado, é
sem dúvida o mais utilizado em estudos florestais inclusive para os manguezais. Os valores de
NDVI encontrados condizem com os obtidos em outros estudos sobre manguezais. Desses, o
estudo de Batadlan et al. (2009) encontrou NDVI entre 0,41 e 0,87 e, Ramsey e Jensen (1996)
achou na Flórida, valores de NDVI entre 0,74 a 0,88. Infelizmente, não há evidências em
Batadlan et al. (2009) sobre altura, densidade e espécies nas áreas monitoradas. Já para o
estudo de Ramsey e Jensen (1996), embora haja uma descrição de altura e espécies, não existe
discriminação dos valores de NDVI considerando tais parâmetros. Logo, só podemos analisar
os índices em relação a todo o complexo florestal.
Estudos como os realizados por Kamthonkiat (2011), Giri (2007) e Mahmoud (2007)
encontraram valores de NDVI inferiores aos encontrados para Guaratiba. Esse último
encontrou com imagens Quickbird, NDVI para uma floresta de mangue entre 0,38 e 0,52.
124
Giri et al. (2007) encontraram valores de NDVI entre 0,2 e 0,7. Os menores valores
dos índices foram associados às florestas cujas copas são mais abertas e por isso a medição
feita pelo sensor com uma porção menor da vegetação e maior do substrato. Isso porque,
percebe-se através do presente estudo que, a altura não tem muita correlação, mas a densidade
sim. A mistura espectral com o solo interfere bastante. Esse comportamento de diminuição
dos valores de NDVI foi verificado quando analisamos os resultados temporalmente. Em
algumas parcelas, principalmente as dominadas por Avicennia schaueriana, os valores do
NDVI de 2010 foram maiores que em 2011, provavelmente, porque foi verificado
mortalidade de alguns indivíduos dessas parcelas em virtude da praga. Tal mortalidade foi
verificada na própria imagem de satélite.
Em relação ao NDVI, os maiores valores foram verificados nas parcelas C, E, F e H.
Essas parcelas, como já descrito, correspondem às faixas de bacia e transição da região da
baía de Sepetiba e, da franja e bacia da região do rio Piracão, respectivamente. Na região do
Piracão, as parcelas F e H apresentaram maior contribuição de Rhizophora mangle que a
parcela de franja, que é dominada por Avicenia schauerianna. As florestas da baía de
Sepetiba, os maiores valores de índice também se encontram nas parcelas da transversal com
maior contribuição de Rhizophora mangle.
Essa distribuição inversa entre os resultados, relacionados com a diversidade de cada
parcela, aponta que o padrão invertido entre franja/bacia/transição para Piracão e Baía de
Sepetiba se dá principalmente pela contribuição de Rizophora mangle. Evidenciando que mais
que a característica estrutural, a dominância influencia consideravelmente na resposta
espectral de uma floresta. Tal fato não foi observado antes, muito provavelmente porque
ecossistemas de terra firma dificilmente apresentam esse arranjo de florestas monoespecíficas
e padrões estruturais como observado para os manguezais.
Assim, percebeu-se que para o período analisado, as florestas com maior contribuição
de Rhizophora mangle apresentaram (em Guaratiba) maiores valores de NDVI e SAVI
quando comparadas a parcelas com dominância de Avicennia schaueriana.
Como dito no início desse capítulo, a literatura sobre assinatura espectral de espécies
de mangue ainda é escassa e a existente é controversa. Herz (1991) estudou as florestas de
mangue através de radiômetros portáteis e imagens do Landsat/MSS, seus resultados apontam
que Avicennia possui maior reflectância (em toda a curva) que Rhizophora e Laguncularia
quando se analisa a floresta (substrato de solo ladoso ou areia). Mas ao analisar as folhas,
Herz (1991) encontra reflectância maior de Laguncularia, seguida por Avicennia e
Rhizophora. O comportamento foliar é contrário ao publicado por Wang & Sousa (2009) e
125
Rebelo-Mochell e Ponzoni (2007) que afirmaram que Avicennia germinans teria maior
reflectância, que Laguncularia racemosa, e Rhizophora mangle. A partir dos estudos de Herz
(1991), Wang & Souza (2009) e Rebelo-Mochell e Ponzoni (2007) se esperaria valores de
NDVI maiores para Avicennia schauerina, mas os resultados levantados aqui apontam
Rhizophora mangle com a de maior reflectância e, consequentemente, maiores valores de
índice de vegetação.
Embora não se possa com o presente estudo garantir como é a assinatura espectral das
espécies de mangue, pode-se afirmar que Avicennia schauerianna apresentou valores menores
de NDVI que Rhizophora mangle, considerando observações sistemáticas em campo e o
imageamento SPOT em 4 datas distintas.
Considerando as parcelas com maior contribuição de Rhizophora E e F - e
consequentemente com maiores valores de NDVI -, de maneira geral os maiores valores de
NDVI foram superiores na floresta de transição da baía de Sepetiba, provavelmente porque na
parcela de Transição há maior dominância de Rhizophora mangle.
Já nas parcelas A e J, com maior contribuição de Avicennia schaueriana, a parcela de
franja (A) apresentou NDVI médio maior que a parcela de transição. Talvez porque as
parcelas de franja da baía de Sepetiba sejam praticamente monoespecíficas, enquanto no
Picarão haja contribuição de Laguncularia racemosa.
As regressões, quando são consideradas as duas regiões concomitantemente,
apontaram baixa correlação entre parâmetros estruturais e índices de vegetação, isso se
explica, mais uma vez, pela contribuição inversa de Rhizophora mangle ao longo das estações
monitoradas.
Para a região da Baía de Sepetiba, as análises de verão foram mais robustas que as de
inverno. Porém os índices de vegetação se mostraram altamente relacionados aos parâmetros
estruturais em pelo menos um dos momentos analisados. As relações mais significativas e
com R2 mais altos foram para Densidade e Biomassas da Copa, sendo a Biomassa Total a
com menor correlação.
D´Lorio et al. 2007 descreveram que florestas de mangue de Rhizophora mangle da
Flórida, com copas mais desenvolvidas e densas, apresentam maior reflectância que bosques
anões. Infelizmente, não há dentre as parcelas monitoradas nesta tese, regiões de floresta
desenvolvida e anã de Rhizophora (monoespecíficas) para realizar essa comparação. Mas
verificou-se que em Guaratiba, as florestas dominadas de Avicennia não seguiram esse mesmo
comportamento.
126
Talvez pela falta de abordagem em relação a dominância, alguns trabalhos (como

Satynarayama et al., 2001 dentre outros) tenham encontrado relações não significativas entre
índices de vegetação e parâmetros espectrais, mesmo que relações fortes tenham sido
identificadas.
A baixa relação entre os parâmetros estruturais e os índices de vegetação para todo o
complexo de Guaratiba indica que, em um complexo de florestas onde há uma diversidade de
espécies e a dominância de espécies não segue um mesmo caráter espacial os índices de
vegetação não são diretamente relacionados a estrutura vegetal.
Em outras palavras, em lugares como Guaratiba, onde florestas de franja e transição
não são compostas exatamente pelas mesmas espécies, e com a mesma composição de
dominância, a estimativa realizada possivelmente é influenciada (e por isso alterada) pela
resposta espectral das espécies.
Por isso, diferente de alguns estudos, não se pode dizer que em Guaratiba os índices de
vegetação respondem somente à densidade, biomassa ou altura. Apesar da influência desses
fatores, observou-se, principalmente, que a distribuição de espécies é uma característica tão
fundamental como qualquer outro padrão estrutural.
Os valores dos índices foram oscilantes temporalmente, em relação as estações do ano,
exceto para o RVI, os valores de invernos sempre foram maiores que o de verão. Tal
comportamento pode ser uma relação com a disponibilidade hídrica e sua ação sobre o
estresse da vegetação.
Já o comportamento dos índices ao longo do monitoramento pode ser relação com a
praga de uma lagarta o que causou perda massiva da copa e mortalidade de alguns indivíduos
de Avicennia schaueriana. Com certeza o ocorrido alterou o comportamento espectral das
florestas. Seto et al. (2007), ao observarem oscilações temporais de NDVI em florestas de
mangue, associam isso a mudanças nas taxas de produtividade primária. Em Guaratiba, no
verão de 2011 a floresta estava muito mais impactada que no verão de 2010, o que pode ter
ocasionado mudanças nos valores dos índices de vegetação, como pode ser a razão da baixa
correlação entre índices de vegetação e Biomassa Total no ano de 2011.
Por todo o exposto, no presente estudo foi possível verificar relação entre os
parâmetros estruturais e os índices de vegetação, assim como encontrado na literatura.
Entretanto, a diversidade florística, aspecto pouco abordado em estudos anteriores, é uma
característica primordial que deve ser considerada na estimativa dos parâmetros estruturais a
partir dos índices de vegetação.
127
3.5 Considerações Finais
O presente estudo corroborou que os índices de vegetação possuem relação com

parâmetros estruturais como biomassa, altura e densidade das florestas de mangue. Dentre
esses parâmetros, a relação mais robusta com a biomassa é observada com os modelos que
estimam somente a biomassa presente na Copa. Tal fato é explicado, uma vez que os sensores
óticos possuem uma maior interação com esse compartimento (dossel) da floresta.
Entretanto, mesmo que esse padrão seja apresentado nas análises, os resultados
indicaram que a assinatura espectral de cada espécie pode ser tanto, ou mais importante, que a
influencia das características estruturais de uma floresta. Um estudo mais aprofundado em
relação as respostas espectrais e as espécies devem ser feitas. Assim como análises
envolvendo diferentes florestas monoespecíficas com diferentes estruturas vegetais. Isto
porque, até se ter mais evidências, estimativas de Biomassa que adotem os índices de
vegetação como método só podem ser realizados com grande levantamento de campo e
análises semelhantes a apresentadas aqui.
Como esses resultados, recomenda-se o uso conjunto do NDVI e SAVI para o
monitoramento de ecossistemas costeiros. Isto porque, os índices de vegetação se mostraram
uma ótima técnica para os estudos das florestas de mangue, mas para isso, os estudos devem
ter também um levantamento estrutural que caracterize a diversidade da floresta analisada.
128
4 A TÉCNICA DE MAPEAMENTO ATRAVÉS DE SENSORES ÓTICOS COMO

TRANSFORMADORES DO ESPAÇO CIENTÍFICO
129
APRESENTAÇÃO
Na seção I foram apresentadas duas técnicas para o estudo das florestas de mangue de
Guaratiba. Ambas podem gerar mapas em que as florestas de mangue são diferenciáveis a
partir de parâmetros estruturais ou de classificações ecológicas que se baseiam em
diferenciações da floresta. Os métodos adotados consideram duas lógicas distintas, uma que
parte do agrupamento de pixels semelhantes, com apoio da segmentação, para posteriormente
classificá-los; e outra que transforma a imagem em um grid de índices de vegetação, para
relacioná-los a parâmetros estruturais.
A seção I possui capítulos elaborados nos moldes de artigos acadêmicos. Em cada um
desses capítulos o artigo foi (propositalmente) elaborado para que cada mapa e técnica
discutida fossem avaliados e testados para que pudessem ser considerados representações da
realidade, ou fatos. Porque fato? Porque considerados e não simplesmente ser? Porque o papel
da ciência hoje ainda é produzir fatos11.
Latour (2000) aponta como são feitas as articulações e como são feitas as ciências
dentro do Laboratório, segundo ele a ciência está em movimento, e para entendermos um fato
temos que analisar de fora o período de construção de um “fato”. Assim o autor descreve a
temática do livro Ciência em Ação:
Esse é o movimento global daquilo que estudaremos reiteradamente ao longo deste
livro, penetrando a ciência a partir de fora, acompanhando discussões e cientistas até
o fim, para finalmente irmos saindo aos poucos da ciência em construção
(LATOUR, 2000)
Se um dos anseios norteadores desse estudo é analisar as técnicas relacionadas ao

mapeamento de manguezais como modificadoras do espaço científico, é importante se
constatar que além das bases conceituais evidenciadas nos dois primeiros capítulos
(Geográficas e Ecológicas), um mapa reúne muitos agentes não identificados prontamente.
Coisas escapam à abordagem científica. Na verdade, escapam ou estão escondidas.
O mapa é tudo. O que está evidenciado e o que está escondido ou desconsiderado.
Nesse sentido, assim como um mapa é construído, considera-se aqui que o mapeamento
11
Latour (Ciência em ação), aponta que os cientistas produzem resultados e destes, afirmações. As afirmações
podem se tornar fato à medida que é “descoberto” por um cientista é citado por outros pesquisadores, de modo
que tal informação é propagada até se tornar verdade.
130
também está em construção12. Por isso, observar todos os elementos que são o mapa, assim
como identificar o que está envolvido nas práticas de mapear é realizar mapeamento em
ação13.
No caso dos dois primeiros capítulos dessa tese, as plantas ocupam seu território, eu
mapeio as plantas, mas não são somente esses entes os responsáveis pelos mapas, são
todas as práticas científicas envolvidas no processo de mapeamento, assim como todas as
práticas envolvidas até se chegar ao processo de mapeamento. Todos os programas, todos os
computadores, satélites, todos os modelos matemáticos, qualquer elemento cuja a existência
vincula-se à produção da análise espacial e do material cartográfico.
Os mapas aparentemente representam os ambientes naturais e por isso são, eles
mesmos, considerados objetos naturais. Mas não são, na medida em que eles não foram
elaborados por esses ambientes e nem necessitam unicamente das características dos
ecossistemas para fazer o mapa. É necessário muito mais. Eles necessitam de “porta-vozes”
(LATOUR, 2004) e, por isso, eles podem ser considerados “não-somente-naturais”. Se quem
os mapeou fui eu, então seria certo afirmar que quem os definiu fui eu e os cientistas
envolvidos na coleta de dados? Novamente, não. Não apenas.
Essa seção será desenvolvida de modo a mostrar que os mapas são as ciências
contidas neles; os procedimentos para sua elaboração; sua história; as conexões nos
laboratórios em que eles se inserem e; por fim, são parte da gestão do espaço, envolvem
relações sociais, relações de poder e relações políticas. Por isso, o mapa é mais que um
conjunto de ferramentas ele modifica (movimentando) o espaço científico, ao mesmo tempo
que resulta das movimentações que ocorrem nesse espaço.
12
Esta consideração é válida para qualquer forma de construção de conhecimento sobre a realidade.
13
Latour (2000) defende que a ciência pode ser considerada a partir de duas metades, como um Jano bifronte, de
um lado tem-se a ciência pronta, apresentadas em seus trabalhos,replicadas, como fatos. Do outro lado, há a
ciência em construção. E, assim, para se entender a ciência não devemos nos ater aos fatos, mas a construção
desses, analisando o "fazer" ciência.
131
5 OS MAPAS SÃO O QUE? AS ONTOLOGIAS DO MAPA TEMÁTICO
"Será que eu vejo apenas o que você não vê?

Eu não entendo como você não consegue perceber?
Que eu não sei mais... .Eu não sei!"
Luz Antiga - Nando Reis
5.1 Introdução
O mapa é considerado, assim como a fala e a escrita, um meio de comunicação. Isso

porque ele representa e transmite informações sobre uma localidade ao seu usuário, o receptor
da mensagem contida no mapa.
Uma vez que a fala e a escrita se baseiam em idiomas específicos, elas são setorizadas
regionalmente. Nesse sentido, o mapa é muito mais popularmente disseminado e antigo que
qualquer língua atualmente em uso. Nas sociedades modernas, seu arranjo, sua plástica, sua
simbolização, sua potencialidade prática, são utilizados em todos os países, para todos os fins
e práticas sociais e por toda a população.
Segundo History of Cartography (BAGROW, 2010) “Mapas são representações
gráficas que facilitam a compreensão espacial de coisas, conceitos, condições, processos,
eventos no mundo humano”.
Essa prática de registrar uma informação por meio de desenhos e símbolos é quase tão
antiga quanto as nossas práticas sociais. Autores como Menezes & Fernandes (2013), Fitz
(2008) e Castro (2012) sugerem que, muitas vezes os mapas vieram da motivação humana de
registrar suas atividades ou de apontar áreas de interesse para suas práticas cotidianas, seja
para seus sucessores, como para outros povos.
O anseio de mapear é um instinto humano básico e duradouro. Onde estaríamos sem
mapas? A resposta é, obviamente, “perdidos”, mas os mapas fornecem respostas a
muito mais perguntas do que simplesmente como ir de um lugar a outro
(BROTTON, 2014)
132
Assim como outras práticas sociais e outras técnicas, a elaboração de mapas também
evoluíram ao longo da história da humanidade, absorvendo e se reinventando frente a algumas
inovações tecnológicas e práticas disciplinares. É indiscutível que o nascimento da produção
do conhecimento sobre a elaboração dos mapas tenha surgido com a ciência cartográfica e,
por isso, qualquer mapa carrega os preceitos dessa ciência. Mas atualmente, além desses
conceitos, o mapa incorporou características e necessidades de outras práticas científicas.
Sendo um elemento interdisciplinar que muitas vezes não é compreendido, nem em todos os
aspectos disciplinares, nem em relação a outros elementos inerentes a sua existência.
Considerando os produtos cartográficos elaborados na academia, como os produzidos
nos capítulos I e II, alguns aspectos conceituais não ficam expostos, assim como algumas das
conexões envolvidas em sua confecção. Isso porque, muitas vezes debate-se apenas a sua
questão disciplinar. Como se o mapa fosse feito a luz de cada uma dessas disciplinas, e
somente na esfera acadêmica, como produto científico que é. O mapa não é só científico e
muitas vezes ele é produzido de forma não científica e longe da academia. Para Latour (1994
e 2004), a constituição moderna, de onde emergem a ciência contemporânea, separa as
percepções da realidade em dois pólos: fato e valor. Sobre a constituição moderna, Latour
(1994), propõe:
A hipótese deste ensaio – trata-se de uma hipótese e também de um ensaio – é que a
palavra “moderno” designa dois conjuntos de práticas totalmente diferentes que,
para permanecer eficazes, devem permanecer distintas, mas que recentemente
deixaram de sê-lo. O primeiro conjunto de práticas cria, por “tradução”, misturas
entre gêneros de seres complementares novos, híbridos de natureza e cultura. O
segundo cria, por “purificação”, duas zonas ontológicas inteiramente distintas, a dos
humanos, de um lado, e a dos não-humanos, de outro. Sem o primeiro conjunto, as
práticas de purificação seriam vazias ou supérfluas. Sem o segundo, o trabalho de
tradução seria freado, limitado ou mesmo interditado. O primeiro conjunto
corresponde àquilo que chamei de redes, o segundo ao que chamei de crítica. O
primeiro, por exemplo, conectaria em uma cadeia contínua a química da alta
atmosfera, as estratégias científicas e industriais, as preocupações dos chefes de
Estado, as angústias dos ecologistas; o segundo estabeleceria uma partição entre o
mundo natural que sempre esteve aqui, uma sociedade com interesses e questões
previsíveis e estáveis, e um discurso independente tanto da referência quanto da
sociedade (LATOUR, 1994, p.16)
Segundo Latour (1994), existem duas formas complementares e concomitantes a partir

das quais construímos conhecimento sobre a realidade: a dimensão não-moderna e a dimensão
moderna (Figura 44). Aqueles que “traduzem” o mundo e suas conexões e veem os híbridos
conectados e pertencentes a uma rede contínua (através da percepção não-moderna) e, aqueles
que mesmo sem ter consciência, separam a realidade em pólos, por exemplo o da natureza e
da sociedade, assim como presente na figura 44.
133
Figura 44 - Dimensões moderna e não moderna de percepção da realidade
Fonte: Latour (1994).
As práticas de análise na dimensão moderna, realizam o trabalho de purificação. Tais

práticas são aplicadas em objetos com conexões que não sã
sãoo passíveis de serem estudados
dessa maneira (LATOUR,, 1994). A dimensão moderna e seu processo de purificação ao
longo dos anos foram responsáveis, por exemplo, por trazer uma aparente separação entre
sujeito e objeto, homem e natureza (PORTO GONÇALVES, 20
2013).
Nesse sentido, as práticas atuais ligadas ao mapeamento de manguezais ou para a
produção de qualquer material cartográfico se faz baseada em práticas de purificação. Isso
porque essas atividades, se dão a partir de esforços científicos isolados disci
disciplinarmente. Em
cada uma “ocorre” um estudo detalhado de algo, de modo que conhecimentos são estocados,
mas o todo nunca é realmente analisado para um determinado fim, uma vez que cada
disciplina já se vê como fim! Esse é um dos problemas da ciência modern
moderna, a ciência sem
consciência, onde segundo Morin (1984) “o dilema dos especialistas é que, se eles próprios
não podem ter uma ideia geral sobre suas especialidades, proíbem
proíbem-se
se a si mesmos ter ideias
gerais sobre outros assuntos”.
Em virtude da constituição moderna, os objetos – chamados por Latour (1994) de
híbridos ou quase-sujeitos
sujeitos – adquiriram relações bem mais complexas do que as
compreensíveis pelas próprias práticas de produção de conhecimento sobre a realidade que
são hegemônicas em nossa sociedade. Isso porque a constituição moderna fragmenta os
métodos de análise, impossibilitando a compreensão de todas as conexões presentes em torno
e acerca dos objetos.
A questão é que essa maneira fragmentada de se estudar o mundo, mesmo dominado o
paradigma científico
ntífico atual, ela apresenta dificuldades em analisar os fenômenos e as
observações (KUHN, 1975
1975; Morin,, 1984). Por isso novos caminhos de análise são escolhidos,
como o da tradução proposto por Latour (1984).
134
O esforço de tradução é a proposta dessa seção. Se há elementos diversos que escapam

a purificação do mapeamento de manguezais então, podemos identificá-lo como um híbrido,
logo, faz-se necessário o esforço de tradução. Sendo ela, a reunião de todos os elementos
pertencentes à rede sociotécnica no mapa.
De maneira geral, pode-se dizer que a rede sociotécnica é a consideração de todos os
elementos (entidades, pessoas, conceitos, ações, etc) que interagem com o fenômeno
analisado. Como os elementos são influenciados e influencia esse fenômeno, ele deixa de ser
um objeto isolado e passa então a ser uma rede.
Na dimensão não-moderna o objeto híbrido é a rede e as várias ontologias do objeto,
assim como todos os quase-sujeito ou quase-objetos que são influenciados pelo mapa e
também o influenciam. Embora na seção anterior, o mapeamento de mangue tenha sido o ator
principal, aqui ele se torna coadjuvante. Isso porque esse tipo de mapa é somente um tipo,
preocupado com o que está representado no mapa. Mas considerando que qualquer mapa
apresenta as mesmas articulações no âmbito da rede sóciotécnica, podemos avaliar os
mapeamentos de manguezais e descrever a rede do mapa em geral.
Pela constatação desse aspecto múltiplo e fragmentado que o mapeamento (de
manguezais) possui, o propósito deste capítulo é apresentar o mapa com base na percepção
não-moderna, ou seja, através da observação dos atores que a ele atribuem realidade. As
conexões desta rede são imperceptíveis aos olhos modernos.
Para isso, serão utilizados os pressupostos da Teoria Ator-Rede (LATOUR, 1994,
1999, 2000, 2001 e 2013). Nessa perspectiva, será proposto o exercício de observação do
objeto, o mapa, na ótica não-moderna. desenvolvendo alguns aspectos do mapa de modo a
apresentar a rede. Nesse processo iremos mostrar como os mapas são a sua história; as
ciências contidas neles; os procedimentos para sua elaboração; as conexões nos
laboratórios em que eles se inserem; as conexões na vida dos pesquisadores que os fazem
e; por fim, são parte da gestão do espaço. Portanto, o mapa é mais que um conjunto de
ferramentas, que ele modifica (movimentando) o espaço científico, ao mesmo tempo que
resulta das movimentações que ocorrem nesse espaço.
135
5.2 Os mapas são...a sua história
Segundo o artigo 6 do Manifesto da Transdisciplinaridade (BASARAB-NICOLESCU,

2002), “a transdisciplinaridade é multireferencial e multidimensional. Levando em conta os
conceitos de tempo e história, a trasndisciplinaridade não exclui a existência de uma
transhistoricidade horizontal”.
Por isso, para se entender a complexidade relacionada à arte de mapear e depois
associá-la à análise do espaço, faz-se necessária uma breve revisão sobre a história dessa
prática, uma vez que é dessa ciência que emergem os mapas atuais. Em outras palavras, para
se entender as práticas atuais de mapeamento (como o de manguezais, como realizado nos
capítulos 1 e 2), é necessário se fazer uma viagem no tempo e se entender a trajetória histórica
da arte de mapear, até o advento das geotecnologias, indispensáveis ao processo de
mapeamento nos dias atuais.
Assim como defendido por Milton Santos (1996) citando Baudrillard (1973), isso se
dá porque “a descrição de um sistema de objetos depende da descrição de um sistema de
práticas. Não basta definir os objetos em sistema. Temos que definir qual o sistema de
práticas que sobre ele se exerce. Há uma interferência contínua entre os dois”. Logo, não
basta simplesmente definir o mapa e seus objetos disciplinares para elaboração (projeções,
escalas, computadores, softwares), é necessário ir mais fundo no problema, além das
conexões diretas, é necessário definir as práticas envolvidas na elaboração do mapa e na
criação da cartografia. “Todo e qualquer período histórico se afirma com um elenco
correspondente de técnicas que o caracterizam como uma família correspondente de objetos”
(SANTOS, 1996).
O primeiro período frequentemente relatado pelos livros de cartografia como
importante para a evolução dessa ciência é o período de expansão das civilizações Greco-
Romanas. Durante essa época houve diversos avanços nas ciências Cartográficas, como, por
exemplo, às discussões acerca da forma do nosso planeta e de sua dimensão. Na Grécia
antiga, foi na Biblioteca de Alexandria o locus do trabalho de Ptolomeu, pai da geografia e
empreendedor na arte de cartografar, nesse período a arte de mapear foi considerada como um
estudo, uma ciência (Brotton, 2013). Foi nesse período que houve a proposição dos
meridianos e paralelos e de projeções cartográficas para a elaboração de mapas, sendo
considerado um grande marco, o mapeamento de Ptolomeu (Figura 45), cuja proposta é
utilizada até hoje.
136
Figura 45 - Mapa-mundi idealizado por Ptolomeu, exemplificando a proposição das

projeções.
Fonte: mapas históricos (2015).
Cabe destacar, que mesmo normalmente discutido de forma temporalmente linear, os

estudos, evoluções e representações cartográficas não ocorreram desta maneira. Reconhece-se
sim, que as civilizações ditas ocidentais encontradas no entorno do mediterrâneo tiveram
grande influência para as ciências cartográficas. Todavia, como apresentado na obra de
Brotton (2014) concomitantemente aos estudos cartográficos de Ptolomeu e dos discípulos de
Alexandria, houve grande atividade cartográfica também nas civilizações orientais, cada uma
com suas características próprias quanto à utilização ou não de projeção, o arranjo dos pontos
cardeais e a finalidade específica do mapeamento. A arte/ciência/técnica de cartografar
“pulsava” em diferentes regiões do Planeta.
Após o período de influência dos gregos e romanos, houve certa estabilidade, ou até
retrocesso nos estudos ligados à elaboração de mapas. O período da Idade Média (séc. V ao
séc. XV), é denominado como Idade das Trevas para a Cartografia. Nesse período as
principais atividades relacionadas à cartografia ocorreram graças aos árabes e bizantinos
(MENEZES E FERNANDES, 2013), mas sem grandes avanços cartográficos para o enfoque
desse trabalho.
O período posterior ao da civilização Grega que apresenta grande importância para a
história da cartografia é o período do Renascimento (sec. XV ao XVII), mas, especificamente,
137
o período das grandes navegações. São os mapas dessa época que se diferenciam dos feitos
até o momento, tanto pelo estabelecimento da orientação do mapa para Norte (assim como
proposto por Ptolomeu, mas só se estabelecendo como senso comum no século XVI), como
pela maior preocupação com as linhas de terra e mares, ou até pela adoção (permanentemente)
das gratículas de orientação como elementos essenciais dos mapas (BROTTON, 2013).
Pelo menos para o pensamento ocidental, o grande avanço da cartografia teria se
dado centrado na Europa, estando relacionado ao Renascimento (Séculos XV e
XVI), época que começaram a surgir relações capitalistas. Com a intensificação do
comércio entre Ocidente e Oriente, o que exigiu o desenvolvimento da navegação,
houve grande ímpeto na confecção dos mapas, bem como a criação de meios para a
respectiva orientação (...) (MARTINELLI, 2013).
Nessa perspectiva, o mapa representa “os interesses” e crenças de quem mapeia, sendo
o mapeamento como um reflexo de luta política e de poder. Um exemplo são os mapas
elaborados até o século XV que tinham a orientação da parte superior, relacionado a leste (de
“oriens” em latim). Essa orientação. Outros exemplos são os mapa mundi, apresentados na
China e Austrália que, diferente do amplamente divulgado aqui, não tem a Europa no centro
do mapa (Figura 46) no caso da China e, é orientado para Sul (figura 47), no caso da
Austrália.
Figura 46 - Mapa mundi com centro distinto.
Fonte: http://actualidad.rt.com/
138
Figura 47 - Mapa mundi com centro distinto.
Fonte: http://actualidad.rt.com/
A descoberta da América e da expansão do continente Africano levaram à política de

expansão territorial e colonial européia, com destaque para os países Ibéricos. Com esse
intuito expansionista, estudos para conhecimento mais preciso das regiões foram reforçados,
levando ao aprimoramento de cálculos, desenho e reprodução de territórios do Planeta
(Menezes e Fernandes, 2013). Avanços como o uso de astronomia de navegação, topografia e
geodésia (alguns desses ramos utilizados fortemente até os dias atuais) foram práticas
inicialmente desenvolvidas na Idade Média.
Segundo Brotton (2013) esse tipo de carta era usado por marinheiros desde o século
XII, sendo aperfeiçoada por vários navegadores, tanto que mapas como o da figura 48, onde
rotas e rumos são representados em todo o mapa.
139
Figura 48 - Planisfério de Cantino, datado de 1502
Legenda: São observadas as rotas para navegação.

Fonte: mapas históricos (2015).
Entretanto, não foi só pelos avanços técnicos que o período do Renascimento marca a
história cartográfica. Se o pensamento for voltado não para a elaboração de técnicas, mas para
epistemologia cartográfica, esse período teve grande importância na disseminação da ciência
e também para o valor atribuído ao material cartográfico. Nesse aspecto não foi o mapa o ator
principal, mas uma outra descoberta: as novas prensas para impressão de material.
Ainda se baseando nos relatos de Brotton (2013) a adoção da prensa móvel em vários
países da Europa foi uma das grandes invenções (ou reinvenções) tecnológicas da época do
Renascimento. “(...) Há poucas dúvidas de que a nova invenção (ou reinvenção) transformou
o conhecimento e seu método de comunicação”.(BROTTON, 2013).
Com esse advento, alguns materiais de comunicação (sejam livros, sejam mapas)
passaram, através de sua multiplicação do status de raros, para populares. Com necessidade
imposta pela obrigação de usar as prensas, as mesmas obras se transformaram em objetos
passíveis de serem prensados, multiplicados e vendidos. Passaram a ser produtos vendáveis e
ótimos para a obtenção de lucro.
O impacto das novas prensas também afetou as comunicações visuais, em particular

a cartografia. Parte da importância da impressão veio do fato de ela possibilitar
aquilo que um crítico chamou de “a declaração pictória exatamente repetível”. As
novas prensas possibilitaram que os cartógrafos reproduzissem e distribuíssem
exemplares idênticos de seus mapas aos centos, talvez milhares, em um grau de
precisão e uniformidade que até então era inimaginável (BROTTON, 2013).
140
Com certeza, esse momento foi crucial para o processo de popularização dos mapas.
Eles não eram mais feitos a mão, de maneira cara e demorada. Não eram mais somente
disponíveis a reis, imperadores ou ao clérigo que possuíam recursos suficientes para subsidiar
sua elaboração. Agora eles eram multiplicáveis e, mesmo que ainda de acesso restrito à
nobreza ou aos intelectuais, com certeza sua disseminação era maior.
Mas, se por um lado a evolução tecnológica com as prensas alavancou a popularização
dos mapas, por outro ela também alterou a percepção sobre esse objeto. Para alguns, o mapa
continuava a ser visto como objeto científico, mas para outros ele passou a ser visto como
produto. O mapa era passível de ser representado em larga escala, e por ser desejado por
muitos, podia ser vendido. Na verdade, ele deveria ser vendido para que a prensa fosse
economicamente viável. Com essa percepção de comercialização do mapa, seu aspecto
científico e os estudos correlatos a essa crença continuavam a ser desenvolvidos, muitos
mapas foram somente replicados ou elaborados com o principal objetivo de venda e lucro.
Esse aspecto fica claro na narrativa de Brotton do mapa como dinheiro (BROTTON, 2013).
Além da visão comercial para o mapa, trazida pelas prensas, nesse momento, outro aspecto
importante é que o conhecimento espacial acabou sendo difundido, abrindo caminhos até
então não trilhados.
Há uma relação entre a evolução/história da ciência cartográfica com movimentos de
transformação da ciência e da sociedade, além de influências culturais e religiosas. Mas tendo
como base a cartografia atual, dita da sociedade moderna, e focando principalmente na
cartografia dita ocidental14 , pode-se dizer que seus avanços se deram pela necessidade de
representar vastos territórios, as fronteiras de cada estado e os terrenos conquistados. Era
como se o conceito de território se materializasse através do mapa. O mapa refletia o poder de
uma nação frente a sua expansão.
Os desenhos ou estruturas apresentavam desde então uma forma original de
interpretação acerca de seus territórios ou domínios em mares, sempre servindo para
satisfazer necessidades que foram surgindo nas condições do trabalho humano, para
demarcar vias de comunicações, definir lugares de ação e outros (SLICHTCHEV,
1979). Entretanto, a finalidade mais marcante em toda a história dos mapas, desde
seu início, teria sido a de estarem sempre voltados à prática, principalmente a
serviço da dominação, do poder. Sempre registraram o que mais interessava a uma
minoria, fato este que acabou estimulando o incessante aperfeiçoamento deles
(MARTINELLI, 2013).
14
Cabe aqui uma ressalva e um pedido de desculpas às civilizações orientais. O enfoque dado a cartografia
ocidental se deve somente ao desconhecimento da autora, principalmente pela dificuldade de acesso a
informações acerca da história oriental da cartografia.
141
Além dos avanços na época do Renascimento e da Idade Moderna, o século XX

também tem grande importância para as práticas de mapeamento, tanto em relação à
popularização das ciências como para o aprimoramento técnico. Adventos como fotografia,
avião, computadores, satélites, além de diversos outros contribuíram para os avanços
constantes dessa ciência. Os sistemas de informação geográfica e, sem dúvida, a internet,
popularizaram de forma assustadora o uso dos mapas.
Por sua alta relação com as reflexões propostas no âmbito desse trabalho/estudo, o
papel das geotecnologias nos desdobramentos da ciência cartográfica será discutido
posteriormente. O que se quer destacar nesse momento é a influência da disseminação e
popularização dos mapas no uso dos materiais cartográficos.
Isso, porque assim como dito por Cosgrove (2003), o mapa não somente representa,
ele interage com os indivíduos, ampliando a percepção de análise da sociedade. Em suas
palavras:
O mapa é um dos instrumentos que servem para aumentar a capacidade do corpo
humano, ele é um objeto híbrido, nem puramente natural nem puramente cultural.
Como um telescópio ou microscópio, ele nos permite ver em escalas impossíveis
para os olhos descobertos e sem precisar movermos-nos fisicamente no espaço
(COSGROVE, 2003).
Ele é uma arma poderosa para qualquer análise e manipulação de fenômenos presentes
na superfície do planeta. Atualmente sua presença está na maioria das casas, seja por
celulares, tablets, ou “Google Maps”, seja pelo material didático de uma criança, ou por um
site de aluguel de casas. Nos meios acadêmicos, está presente em um grande número de
estudos científicos, sendo elaborados por grupos de pesquisa que tradicionalmente não foram
introduzidos nesse ramo da ciência.
A falta de conhecimento básico de elementos cartográfico, pode gerar mapas de
qualidade ruim. Parte do problema é falsa ideia de facilidade de manipulação e qualidade de
informação que os softwares de informação espacial proporcionam. Mas, "a utilização errada
de conceitos ou até a falta deles, irão forçosamente surgir erros que certamente
comprometerão todo o projeto que seja apoiado cartograficamente” (Menezes e Fernandes,
2013).
Esses erros inerentes a certos materiais cartográficos podem vir da falta de valor dado,
ou mesmo desconhecimento, dos elementos cartográficos essenciais à elaboração de um
mapa. Isso porque, pode ocorrer desconhecimento das ciências intrínsecas ao mapa, ou do
conteúdo de tais ciências.
142
Portanto, ao analisar e estudar o espaço, e seus vários fenômenos, o mapa é, por si só,
interdisciplinar. Mas será que todos os elaboradores de mapa veem com o mesmo grau de
importância todas as áreas dessa atividade? Ou será que enquanto alguns acreditam que
mapear é fazer ciência, outros acham que é somente colorir?
5.3 Os mapas são...as ciências contidas neles
Uma das ciências que mais se relaciona ao mapeamento é a cartografia. Segundo

Taylor (1991):
Ciência que trata da organização, apresentação, comunicação e utilização da
geoinformação, sob uma forma que pode ser visual, numérica ou tátil, incluindo
todos os processos de elaboração, após a preparação dos dados, bem como o estudo
e utilização dos mapas ou meios de representação, em todas as suas formas.
Como a ciência cartográfica só foi constituída no século XVII, pode-se afirmar que a
arte de cartografar é mais antiga do que a cartografia em si. A percepção da sociedade sobre
os mapas como produtos cartográficos e da ciência são considerações recentes (BROTTON,
2013). Antes os mapas eram confeccionados sem serem categorizados em separado dos outros
produtos gráficos como escrita e pintura. É por isso que mapas e globos são encontrados em
pinturas ou como elementos arquitetônicos antigos.
Ao longo da história da sociedade, a percepção sobre a cartografia se modificou e com
certeza irá se modificar ao longo dos anos vindouros. Um dos exemplos dessa evolução é que
a aceitação da cartografia como ciência passou a ser largamente debatida. Ao longo da
história essa atividade foi vista como ciência, ferramenta religiosa e técnica, se
metamorfoseando, recebendo críticas e se rearranjando. Inicialmente era associada às
atividades cosmográficas e posteriormente às geográficas, para depois se constituir por si só
como ciência. Nesse sentido, pode-se dizer que a cartografia foi tão debatida como o
geoprocessamento é hoje. Autores como Castiglione (2003) acreditam que o
geoprocessamento 15 traz à tona, dentro da geografia, uma questão paradigmática, e que
vivemos hoje uma ruptura já descrita entre antigo e novo, em que uma perspectiva nova é
15
Isso, considerando o geoprocessamento relacionado a Informática, que surgou há mais de 30 anos.
143
altamente criticada por aqueles que estão presos a velhos pensamentos16. Sobre isso, Morin
(1984) diz que mudanças de paradigma estão ligadas, muitas vezes, a mudanças tecnológicas.
No caso do mapeamento de florestas, verificamos que os mapas incorporam tanto
conceitos cartográficos e geográficos como os relacionados aos aspectos biológicos. Logo,
além de interdisciplinar, ele é transdisciplinar sendo todas as ciências envolvidas em sua
elaboração. Tal olhar vem da consideração de que “a transdisciplinaridade é complementar à
abordagem disciplinar, ela faz surgir através da interação de disciplinas novos dados que se
articulam, e ela nos oferece uma nova visão da natureza e realidade. A transdiciplinaridade
não é o domínio de todas as disciplinas, mas a abertura de todas as disciplinas que atravessa e
ultrapassa” (Nicolescu, 1999).
Nessa perspectiva, o mapeamento de ecossistemas, não é a junção das ciências, é a
reunião e confronto da cartografia, geografia e biologia. Isso para uma articulação e
construção de uma nova visão sobre o objeto. O mapa de ambientes florestais é cartográfico-
geográfico-ecológico.
Objeto cartográfico porque, como veremos, para sua elaboração deve-se (ou se
deveria) ter ciência dos processos e transformações cartográficas inerentes a qualquer tipo de
produto cartográfico. Isso porque, são as representações cartográficas que definem como a
representação será e como leremos o objeto. Pois as medições e representações em geral é que
traduzirão o espaço, sendo consideradas na tomada de decisão. Por isso, cuidados devem ser
tomados para que tais representações sejam coerentes com o que se deseja levantar.
O mapa é geográfico porque busca uma representação no espaço. A representação ali
é a de um recorte espacial, e o fenômeno de interesse deve ser analisado com base em tal
recorte e com percepção do espaço geográfico. Ou seja, está em seu âmago a componente
geográfica, pois busca a representação do espaço e de fenômenos espaciais, cujo contexto,
extensão, taxonomia e dinâmica devem ser analisados antes das escolhas dos parâmetros
cartográficos para a sua representação.
Além dos conhecimentos cartográficos e geográficos, quando consideramos o
mapeamento de manguezais ou de outros sistemas florestais, constatamos que o mapa também
possui um aspecto ecológico. Isto porque, pouco adianta deter o embasamento cartográfico e
as percepções em relação a como deve ser realizada a leitura do espaço geográfico, se falta ao
16
Tal discussão é um assunto tão complexo que detalhá-lo aqui fugiria no tema central desse texto. Mas tal visão
deverá ser trabalhada por pesquisadores caso queiramos o fortalecimento das ciências relacionadas à
representação e análise da Geoinformação.
144
especialista o conhecimento necessário para compreender e transmitir os aspectos ecológicos

da floresta que está sendo mapeada.
Deste modo, os mapeamentos de manguezais precisam unir, nas práticas acadêmicas,
"a visão dos que trabalham com “mapa" com a visão dos ecólogos”. Todavia, na prática isso
não é realizado na maioria das vezes. Há esforços independentes dos dois lados.
No caso do mapeamento dos manguezais, por exemplo, existem dois grupos de
cientistas (ecólogos17 e geógrafos) divididos em polos que trabalham separadamente. De um
lado para o entendimento do ecossistema e, de outro, para o entendimento da sua “melhor”
representação e da análise dessa área em uma visão espacial. Cada qual com uma percepção
diferente do que é um mapeamento de manguezal.
Para os ecólogos o mapa é um fato, um objeto estático que passa uma informação
verdadeira e tem um único significado: o da legenda. Já para o “mapeador”, o mesmo mapa é
um objeto construído, cujo valor e veracidade se relacionam às características e processos de
execução. Vê-se, então, um problema ético relacionado à percepção de fato e/ou valor,
atribuídos ao mesmo objeto por grupos distintos de pessoas.
A consideração distinta entre fato e/ou valor atribuída ao mapa emerge das percepções
distintas que cada usuário tem de um material cartográfico.
5.3.1 A fonte das incertezas para essa análise
Ao fim do primeiro mapa confeccionado por mim (criado a partir de classificação de

imagens de satélite, como parte de minha monografia de graduação), olhei aquela figura
colorida, a quantificação de área gerada e me perguntei: É isso? Essa é a área de mangue dos
manguezais de Guaratiba que será utilizada por todos os integrantes do laboratório e outros
setores da sociedade que veem no NEMA/UERJ uma referência no estudo de manguezais?!
Eu constatei que aquele mapa, feito por mim principalmente por edição manual, era agora um
fato. O mapa seria apresentado em congressos, usado em artigos e cálculos e na sua
apresentação e apropriação, ele não contaria que foi feito por uma pessoa com menos de 1 ano
de experiência em sensoriamento remoto e que não sabia conceitualmente o que era resolução
espacial. Ele não contaria que não sofrera nenhum tipo de validação (por desconhecimento de
sua autora do que era validação!). A verdade era que o mapa tinha sido feito, os ecólogos
acreditavam nele. Tanto o mapa como a área mapeada eram fatos. Lembro que estremeci com
17
O que chamo de ecólogo incorpora, na verdade, outros cientistas que se decidam ao estudo do ecossistema,
como por exemplo oceanografia, etc.
145
essa constatação, tive uma agonia que me acompanhou até o ponto de enxergar as conexões e
a teoria que o explicasse. Esse aperto foi a primeira fonte de incerteza de que a maneira que o
mapa era visto pelos pesquisadores a quem mostrei o mapa, não era para mim a maneira que
ele devia ser visto.
Outro momento que demonstra a incerteza de como vemos e analisamos o mundo,
ocorreu durante o Simpósio Brasileiro de Sensoriamento Remoto (SBSR), realizado na cidade
de João Pessoa em abril de 2015 18 . Durante a apresentação da “Plataforma Google”, a
palestrante falava na nova tecnologia para mapeamento do desmatamento da Amazônia,
descrevendo o quão veloz e eficaz são os novos softwares para mapeamento - Em tempo
Real!! - da perda de áreas florestadas. Em certo momento foi projetado na parede um slide
com a frase: “Quando uma árvore cai, ela não só faz barulho, ela aciona um computador que
registra sua queda”. Tal afirmação me trouxe à tona o questionamento do que era mais
importante para a palestrante e a empresa que ela representava. Se era a queda da árvore, o
computador, o software que registra sua queda ou, o mapa que é gerado. E se é a velocidade
do registro ou a sua certeza. O que era mais importante?
Provavelmente, para muitos, o mapa gerado era o mais importante porque pode ser
usado pelos órgãos ambientais para o monitoramento e prevenção do desmatamento. Sendo
vendável e lucrativo. Portanto, importante para a Google e para os órgãos.
O software, como meio para se realizar o mapeamento, pode ser considerado tão
importante quanto o mapa. Afinal, o mapeamento é feito quase em tempo real e, “a queda da
árvore não existe se ela não for mapeada”.
Através dos seus discursos, aparentemente, para as pessoas do evento científico, os
softwares e seus mapas são os mais importantes, afinal, “a árvore já caiu”. O porquê da queda
é assunto para outro evento acadêmico, assim como discussão de como remediar a queda. O
importante, é que a queda agora é passível de ser mapeada com rapidez!
No evento ninguém questiona se há dados in situ e quais as referências para os
modelos para estimativa de biomassa das florestas, por exemplo. Isso porque enquanto no
SBSR as perguntas são em relação à técnica de mapeamento, em outro congresso as perguntas
serão sobre o estoque de carbono, o desenho amostral das parcelas de estrutura vegetal e o
modelo alométrico para estimativa da biomassa vegetal e do estoque de carbono. Como se
fossem mundos diferentes. Um para o estudo dos mapas, outro para o estudo das florestas.
18
Em meio às leituras de teoria Ator-Rede, os acontecimentos corriqueiros eram mais evidentes para mim como
reflexo da dimensão moderna.
146
Entre os dois mundos pode haver uma ponte, mas ela provavelmente se assemelha a
uma passarela de pedestre, onde passa uma pessoa por vez e em uma direção. Isso é
verificado por que há abordagens multidisciplinares nos dois laboratórios. Mas será que
realmente fazemos um trabalho transdisciplinar, ou simplesmente trocamos poucas
informações sem abalar os pilares da instituição moderna? As práticas científicas ouvem e
consideram (igualmente) todas as vozes? E quando se realiza um mapeamento, ele representa
a realidade de qual grupo? Ele representa realmente alguma realidade?
Assim como descrito para o carbono por Fernandez (2014) em sua tese, no caso do
mapa podemos dizer que frente ao nítido papel (e ontologia) multidisciplinar do mapeamento,
e também do Geoprocessamento, a discussão sobre mapeamentos de manguezais e uso das
geotecnologias para análise dessas florestas poderia seguir dois caminhos19.
Um caminho para a tese seria o de reforçar as bases científicas do Geoprocessamento,
reafirmá-lo como ciência e dizer que seus conhecimentos são o mais importante para qualquer
análise espacial e sua devida representação. Que hierarquicamente sua importância se
equipara, talvez, somente às bases cartográficas. Nessa saída condenaríamos os ecólogos
puros e a ideia que as bases ecológicas e o conhecimento vertical sobre os elementos naturais
são o mais importante para sua correta análise espacial.
Uma outra saída seria optar por defender a heresia que se é tentar mapear ecossistemas
sem o profundo conhecimento desse ambiente. "Que se a pessoa se propõe a mapear esse
ambiente", não importa o quanto eles sabem de outra área "como assim ele não sabe de
mangue20"? Que o geoprocessamento é só um conjunto de técnicas, não é necessário pensar,
só copiar passo a passo o que está em determinado artigo! Afinal, "Geotecnologia é meio,
Biologia é fim".
A adoção de um dos dois caminhos reforçaria a separação em natureza e cultura, fato e
valor, apontadas por Latour (1994) e tão praticadas a partir da ótica moderna.
No primeiro caminho a falta de conhecimento, ou até mesmo a falta de consideração e
valorização por parte dos ecólogos sobre Geoprocessamento e mapeamento seria o problema.
E talvez por isso, laboratórios com pessoas que creem (até sem saber que creem) e seguem
esse caminho fazem amostragens, classificações ecológicas da floresta, arranjo das áreas a
serem analisadas pensando somente no aspecto ecológico e não considerando o aspecto de
19
Na verdade, ambos os caminhos foram adotados pela autora durante a jornada acadêmica. Até que se chegasse
ao “caminho do meio”.
20
Muitas dessas afirmativas já foram pensadas por mim, em diversos momentos da construção da vida
acadêmica. Em fases mais inseridas no laboratório de Geoprocessamento, pensava o quanto era importante, e
os ecólogos (que querem mapas!) deveriam saber disso. Em outros momentos, indo mais a campo e estudando
a floresta, pensava, como eles não sabem da Floresta?
147
análise espacial ou mesmo em sua aplicação política. Afinal, eles que devem pensar em como
considerar os aspectos ecológicos. Mas não se quer aqui, inflamar essa crítica.
Ao nos virarmos para a segunda via podemos cair na armadilha de acharmos que as
técnicas de aquisição de dados e as interpretações das imagens nos mostram o principal. Que,
mesmo que haja um enfoque multidisciplinar, há uma importância maior do caráter
geográfico.
Cada um desses caminhos é hierárquico e competitivo, como uma competição de cabo
de guerra entre dois grupos, onde o prêmio (pendurado no meio do cabo) é um mapa, que hora
fica mais para a direita, por imprimir mais as questões geográficas ora, por refletir com mais
esmero os aspectos biológicos, tomba para a esquerda.
Essa dicotomia é considerada por alguns, consequência da modernidade. Latour
(1994) expõe que a dita modernidade (que institucionalizou diversas ciências estudadas
atualmente) fragmentou nossa percepção do mundo. Que nosso mundo é separado em polos,
seus nomes podem ser natureza e cultura, ou tantos outros que destacam as dicotomias
verificadas ao "tirarmos os óculos da modernidade e colocarmos o da teoria Ator-Rede"21.
Segundo a ótica não-moderna a separação em polos realizada pelos modernos fez com
que se proliferassem os objetos híbridos de natureza e cultura (LATOUR, 1994). Eles
emergem porque os polos separados não dão conta de estudar a realidade, e alguns objetos se
encontram entre os polos. Eles não podem ser estudados fragmentados (embora sejam), uma
vez que interagem, modificam e são modificados por atores. Eles muitas vezes não são
considerados por estudos feitos pela ótica moderna. É da modernidade que emerge a crise
civilizatória que nos encontramos.
Outros autores também apontam essa crise. Capra, por exemplo, (1998) caracteriza
uma crise de ideias. Em suas palavras,
(...) Nenhum deles [intelectuais do mundo moderno], entretanto, identificou o
verdadeiro problema subjacente à nossa crise das ideias: o fato de a maioria dos
intelectuais que constituem o mundo acadêmico subscrever percepções estreitas da
realidade, as quais são inadequadas para enfrentar os principais problemas de nosso
tempo. Esses problemas, como veremos em detalhes, são sistêmicos, o que significa
que estão intimamente interligados e são interdependentes. Não podem ser
entendidos no âmbito da metodologia fragmentada que é característica de nossas
disciplinas acadêmicas e de nossos organismos governamentais. Tal abordagem não
resolverá nenhuma de nossas dificuldades, limitar-se-á a transferi-las de um lugar
para outro na complexa rede de relações sociais e ecológicas”.
Ponto de mutação (CAPRA, 1998, p.23).
21
A metáfora dos óculos como objeto relacionado a adoção da teoria (e por isso da ótica) não moderna, foi
presentada pela Professora Fátima Branquinho e magistralmente adotada por Fernandez (2014). E como é uma
artíficio simples e inteligente de diferenciar as duas percepções (moderna e não-moderna), a mesma metáfora
será adotada nessa obra.
148
Retornando às duas saídas óbvias (na ótica moderna) descritas para se estudar o mapa,
percebemos que elas seriam adotadas por aqueles que veem pela lógica moderna e por isso,
separam objeto e sujeito; razão e emoção; natureza e sociedade; humanos e não humanos;
científicos e políticos; fato e valor. Tais dicotomias estão tão engendradas no mundo, que a
fragmentação é intensificada ao longo dos anos, e se apresentam das mais diferentes formas
para aquele que usa os óculos da modernidade. Nessa perspectiva o mundo moderno se revela
como um fractal 22 , onde dicotomias são observadas a cada escala de análise. Logo, há a
dicotomia ciência X sociedade, mas há também dicotomias dentro do próprio polo ciência,
como Ecologia x Geografia, ou ainda dentro de um polo ainda menor, entre Geografia,
Geotecnologias e Cartografia.
Então, como sair disso? Por que essa discussão não poderia nos levar a buscar o que
está entre a disputa, o que é comum aos dois polos aparentes? Segundo Bruno Latour (1994),
poderia nos levar a isso sim! Olhar o mapa como um híbrido, ousar descrever o mapa como
Geográfico-Cartográfico-Ecológico é uma oportunidade para percebermos que a existência
das dicotomias é apenas aparente, que jamais fomos modernos. Seguindo neste caminho,
devemos sair das certezas produzidas pelos meios acadêmicos, para tentar observar algo
diferente. Devemos tratar os conflitos no interior da sociedade humana, que a Ciência se
propõe a resolver, como reflexos de um conflito epistemológico, ou seja, um conflito sobre a
forma como construímos conhecimento sobre a realidade.
No trecho transcrito abaixo, Latour (2004) nos remete ao alerta de que a exclusão de
aspectos para possibilitar a análise sob a ótica da ciência moderna pode ser encarada como um
problema ético:
A cada vez que aparece um debate sobre os valores, aparece sempre uma extensão
do número de participantes da discussão. Pela expressão: “Mas há ao mesmo tempo
aí um problema ético!”, nós exprimimos nossa indignação ao afirmar que os
poderosos omitiram ao levar uma consideração certas associações de humanos e não
humanos; nós os acusamos de nos terem colocado diante do fato consumado, tendo
tomado decisões muito rapidamente, em um grupo muito pequeno, com
pouquíssimas pessoas; indignamo-nos por terem omitido, esquecido, proibido,
renegado, denegado certas vozes que, se tivessem sido consultadas, teriam
modificado consideravelmente a definição dos fatos de que se falam, ou que teriam
dado à discussão um giro diferente (LATOUR, 2004).
Frente a isso, como prosseguir? Optamos por não escolher nenhum dos lados nesse
cabo de guerra, mas o que faremos com o mapa? O que está sendo considerado? Será que
certas vozes não foram ouvidas e, por isso, há aqui um problema ético? E se tentarmos ouvir
22
Figura que é formada por uma forma geométrica onde, cada parte da figura é composta pela mesma figura
geométrica, e assim sucessivamente. Como um infinito de repetições geométricas.
149
essas vozes? E se tentarmos identificar os movimentos de humanos e não-humanos na rede

sociotécnica do mapa? Assim, o mapa será, ele próprio, uma rede.
Tal qual sugerido por Latour (1994), vamos olhar "para baixo" e ver os “vários” mapas
presentes nessa rede sociotécnica. Segundo o autor, em uma rede as coisas possuem, vários
“modos de existência”, às vezes pendendo mais para o polo (moderno) natureza, às vezes para
o polo (moderno) sujeito/sociedade. A sua essência, percebida através da ótica não-moderna
só pode ser alcançada se o objeto (a coisa) for considerado como possuindo uma ontologia
geometria variável, ou várias ontologias. A sua análise deve, portanto, respeitar todos os
“modos de existência”.
Se não houvesse o aspecto cartográfico, o próprio mapa não existiria, (ou seria outra
coisa, nunca saberemos) visto que é essa ciência a responsável pelas questões conceituais
intrínsecas da atividade de mapear e já detalhadas no primeiro capítulo dessa seção. Então
sim, obviamente o mapa é cartográfico!
Os mapas são relacionados à geoinformação, que seria a informação passível de ser
georreferenciada, ou seja, localizada na Terra. A Geoinformação é o produto da pesquisa
científica, como na Geografia, ciência que objetiva a análise de distribuição fenômenos
localizados na superfície, ou seja, o estudo da Geosfera. Além disso, as técnicas de
mapeamento mais utilizadas ultimamente, adotam em sua grande maioria, o sensoriamento
remoto (seja imagem de satélite, fotografia aérea, dentre outras), necessitando do suporte de
outros especialistas, também inseridos nos estudos geográficos. Por esses dois aspectos os
mapas seriam cartográficos-geográficos. Mas é só? Segundo Castiglione (2003), o mapa se
transformou em um sistema de informações geográficas. E como tal, deve ser capaz de
representar múltiplas dimensões do espaço e tempo da temática a que se refere. Esse sistema
pode dar origem a múltiplas representações estáticas (mapas) da realidade.
Quando nos voltamos mais especificadamente para o mapeamento de florestas, é
evidente que eles possuem um aspecto biológico relacionado ao entendimento para
representação do ecossistema. Entendimento tanto à distância, através dos sensores, como
para levantamento in situ de dados de campo, indispensáveis para realmente estudar “o
mundo real”.
Pelo exposto, o mapa é cartográfico. Mas não só isso! Ele é geográfico. Mas não só
isso! Então concluímos: ele é cartográfico-geográfico-biológico. Não, não só! O mapa é,
pensando no aspecto disciplinar, além de cartográfico-geográfico-biológico!
Segundo Santos (2012):
150
O mundo é um só. Ele é visto através de um dado prisma, por uma dada disciplina,
mas, para o conjunto de que une as diversas disciplinas, os materiais constitutivos
são os mesmos. É isso, aliás, o que une as diversas disciplinas e o que para cada
qual, deve garantir, como uma forma de controle, o critério da realidade total. Uma
disciplina é uma parcela autônoma, mas não independente, do saber geral. É assim
que transcendem as realidades truncadas, as verdades parciais, mesmo sem a
ambição de filosofar ou teorizar.
Ou seja, mesmo que não queiramos filosofar ou teorizar tudo. Temos que enfatizar que
as conexões e articulações feitas pelo mapa e apresentadas nessa tese, não dão conta de
perceber todas as amarrações existentes. Deve-se para isso observar muito mais!
O mapa, além das articulações cartográficas-geográficas-ecológicas, também apresenta
outras vertentes. São econômicos, uma vez que um dos objetivos de se mapear manguezais é
o “acesso à produtividade” e assim eles são utilizados para a valoração do ecossistema
(Fernandez et al., 2014); são históricos, ao verificar que Guaratiba (área de estudo dessa tese)
só existe, provavelmente, porque teve um processo de ocupação diferenciado (detalhado em
Almeida, 2010); são medicinais uma vez que trabalhos como Bhimba et al. (2010);
Premanathan et al. (1999) estudam substâncias presentes em espécies de mangue para
combate de doenças e, um dia, uma mapa pode definir as áreas de ocorrência de determinadas
espécies. O mapa também possui um caráter político, já que a partir dele são tomadas decisões
e definidas várias medidas. O mapa ao fim, é tudo que representa e tudo que envolve sua
elaboração e sua utilização. Ele é antes, durante e depois. São tantas as conexões que uma tese
não dá conta de descrevê-las, um olhar não dá conta de perceber. Mas todas as conexões estão
aí, passíveis de serem descritas e cartografadas.
5.4 Os mapas são...os procedimentos para sua elaboração
Para que qualquer mapa seja elaborado são necessárias algumas transformações que
são denominadas transformações cartográficas. Essas transformações são definidas como o
conjunto de processos que possibilitam a elaboração de mapas. Ou seja, que viabilizam a
representação cartográfica de dados e fenômenos espaciais.
Com o advento das geotecnologias 23 , principalmente a adoção dos Sistemas de
Informações Geográficas (SIG), algumas das transformações são realizadas automaticamente
e se encontram “embutidas” nos dados utilizados em diversas análises. Até dados gráficos,
23
São as tecnologias envolvidas no Geoprocessamento.
151
como os elementos presentes nos capítulos 1 e 2 dessa tese, foram produzidos a partir dessas
transformações, mesmo que as vezes elas sejam de total desconhecimento do analista.
É importante esse destaque para a disponibilização de qualquer dado/fenômeno
encontrado na superfície do planeta de maneira gráfica (por imagem, linha, ponto ou
polígono), algum tipo de transformação foi realizado. Isso porque um mapa mostra uma
incompleta e seletiva visão da realidade. “Mentir com mapas não é só fácil, mas essencial”
(Monmonier, 1991, p.7).
Os tipos de transformações para a elaboração de material cartográfico podem ser
divididos, segundo Menezes e Fernandes (2013), em três categorias: geométricas, projetivas
e cognitivas.
As transformações geométricas são aquelas responsáveis por relacionar em
coordenadas (no mapa) os fenômenos observados, estudados e analisados na superfície
terrestre. Elas dizem respeito basicamente à escala e ao sistema de coordenadas. A escala
refere-se ao tamanho utilizado para a representação do mundo real, sendo definida como “a
relação entre a dimensão representada do objeto e sua dimensão real” (MENEZES;
FERNANDES, 2013). Mesmo sendo um artifício diretamente relacionado à proporção e
principalmente atribuído à área de mapeamento, sua importância na geração de diversos
mapas, como os temáticos, está não só na área a ser representada, mas no detalhamento dessa
representação. Isto porque a escala, juntamente com as transformações cognitivas, determina
como, e em que grau de generalização um certo fenômeno será mapeado. Essa relação entre
escala e generalização, será explorada, nesse texto, quando mencionarmos as transformações
cognitivas.
Além das transformações escalares, a transformação relacionada ao sistema de
coordenadas também compõe o grupo de transformações geométricas. É através de um
sistema de coordenadas (geográficas) que um objeto presente da superfície do planeta pode ter
a especificação que o torna único: sua posição. E, é só a partir do sistema de coordenadas, que
há uma transposição coerente entre o ordenamento no real e sua relação no mapa.
O sistema de coordenadas está arrolado ao sistema geodésico, isso porque, assim como
relatado por Menezes e Fernandes (2013) em cada sistema de referência um mesmo objeto
possui coordenadas diferentes. No caso dos produtos cartográficos, existem basicamente os
sistemas de coordenadas planos (normalmente em metros) e os sistemas de coordenadas
geográficos (em graus, minutos e segundos). A adoção equivocada de dados provenientes de
sistemas geodésicos distintos num mesmo projeto pode ocasionar problemas sérios na
interpretação e análise do espaço.
152
Quando é necessário identificar a posição de uma determinada informação na

superfície da Terra são utilizados os Sistemas de Referência Terrestres ou Geodésicos. Estes
por sua vez, estão associados a uma superfície que mais se aproxima da forma da Terra, e
sobre a qual são desenvolvidos todos os cálculos das suas coordenadas. As coordenadas
podem ser apresentadas em diversas formas: em uma superfície esférica recebem a
denominação de coordenadas geodésicas e em uma superfície plana recebem a denominação
da projeção às quais estão associadas, como por exemplo, as coordenadas planas UTM.
Define-se por Sistema Geodésico Brasileiro - SGB - o conjunto de pontos geodésicos
implantados na porção da superfície terrestre delimitada pelas fronteiras do país. Em outras
palavras é o sistema ao qual estão referidas todas as informações espaciais no Brasil.
As transformações projetivas são interligadas através do modelo terrestre estabelecido
pelas coordenadas esféricas de latitude e longitude, bem como da figura geométrica da
superfície terrestre, elipsoide ou esfera. Ou seja, são as projeções as responsáveis pelas
transformações entre o mundo real (superfície terrestre) para uma representação plana (no
caso dos mapas).
Segundo Menezes e Fernandes (2013), a projeção caracteriza um processo de
transformação cartográfica em que um sistema de projeção é adotado para que uma
informação geográfica seja plotada em uma representação bidimensional plana e associada a
um sistema de coordenadas característico desse tipo de representação.
Esse tipo de transformação é importante porque a mesma informação geográfica pode
ser representada de diferentes maneiras dependendo das características e propriedades das
projeções cartográficas utilizadas.
Assim como descrito por Menezes e Fernandes (2013) e Monmonier (1991), as
projeções podem ser classificadas em equivalente, conforme ou equidistante. De maneira
direta e resumida, as projeções equivalentes são aquelas que preservam as relações de área,
enquanto as projeções conformes preservam ângulos e; as equidistantes preservam distâncias.
Nenhum mapa consegue preservar as três características descritas. Cada qual preserva uma
característica em detrimento a deformação das demais. Não só por isso, mas também, nenhum
mapa pode ser considerado como representação exata da realidade.
Um exemplo bastante didático de como as projeções podem ocasionar distorções é
quando analisamos a projeção de Mercator, muito utilizada na época das navegações por ser
conforme. Nessa projeção (figura 49), que está usualmente presentes em atlas e livros
didáticos, a Groelândia aparece com tamanho semelhantes ao da África, sendo que a
Groelândia possui 2.160.000 km²e a África possui mais de 30.000.000 km².
153
Figura 49 - Mapa mundi na projeção de mercator
Fonte: World atlas, 2015.
As transformações cognitivas são aquelas que incorporam tanto o processo de

simbolização com o de generalização dos fenômenos, cada qual com grande importância para
a confecção de material cartográfico. Elas são aquelas sofridas pela informação geográfica,
para que possa tanto ser passível de representação quanto de reconhecimento pelo usuário do
mapa (MENEZES; FERNANDES, 2013).
A generalização é o processo de representação que simplifica adequadamente a
informação cartográfica à escala e aos objetivos de um mapa (ICA, 1992 apud MENEZES;
FERNANDES, 2013). Ou seja, um mapa é a representação reduzida de um recorte espacial,
cuja redução é consequência primeiramente da escala escolhida. Mas para que tal redução seja
feita os fenômenos presentes no referido recorde devem ser simplificados, omitidos ou
reduzidos, ou seja, generalizados. A generalização é tanto maior quanto menor for a escala
adotada24 (ANSON E ORMELING, 1996). Segundo, Monmonier (1991) o valor de um mapa
24
Para a cartografia, uma escala maior, possui menor generalização e maior detalhamento, por isso representa
uma menor área. Uma menor escala, em oposição, possui maior generalização, menor detalhamento. Nessa
definição, um mapeamento feito na escala de 1:20.000 tem maior escala que outro realizado em 1:50.000.
154
depende da qualidade de sua generalização e que aspectos há nela. Outro exemplo do papel
da generalização/simbolização é o mapa do metro, ele não se preocupa com a forma ou
distâncias. Ele simplesmente traduz de forma simples o conteúdo necessário para o usuário
final. Isso porque, o melhor mapa não é o que contém tudo, mas o necessário à compreensão
do fenômeno. Mesmo que para isso se afaste da realidade.
A geoinformação pode ser observada e por isso representada (dependendo da escala
adotada) como fenômeno pontual, linear ou de área. Cada um desses fenômenos depende de
um tipo de generalização.
Assim como apresentado por Monmonier (1991), os fenômenos lineares podem sofrer
5 tipos de generalização: seleção, simplificação, deslocamento, suavização e realce; os
fenômenos pontuais podem sofrer: seleção, deslocamento, associação, abreviação, agregação
e conversão para área e; as feições de área: seleção, simplificação, deslocamento, suavização,
realce, agregação, dissolução, segmentação, conversão para pontos e conversão para linhas
(Erro! Fonte de referência não encontrada.50).
Figura 50 - Alguns tipos de generalização.
Fonte: Monmonier, 1991
Cada tipo de generalização alterará o dado original de uma maneira que ele já não é
mais uma representação exata da realidade, mas atende aos objetivos do mapa que foi
155
idealizado. Esse conceito é imprescindível para os mapeamentos realizados atualmente, tanto,

que tal enfoque será dado em momento oportuno.
A simbolização é um dos últimos processos realizados em um produto cartográfico e é
importante porque “por descrever e diferenciar feições e lugares, símbolos cartográficos
servem como código gráfico para armazenamento e recuperação de dados em um quadro
geográfico bidimensional” (Monmonier, 1991). Logo, é através da simbolização que pontos
são associados a cidades, cruzes a hospitais, linhas diferentes são associadas a diferentes
estradas e cores específicas a feições detalhadamente descritas na legenda do mapa. Os
símbolos são tanto pontuais como lineares ou poligonais e se relacionam segundo Monmonier
(1991) a seis variáveis: tamanho, forma, valor, textura, direção e matiz. O processo de
simbolização é imprescindível para que um mapa não seja poluído a ponto que não possa ser
entendido. E também para que represente os fenômenos de interesse tão claro que a cognição
possa facilmente “traduzi-los” em fenômenos presentes na superfície terrestre.
Mesmo que cada mapa apresente uma simbolização específica, o mapa, justamente por
sua simbolização e seu papel cognitivo é universal, podendo ser entendido por qualquer
pessoa, de qualquer país que tenha o mínimo de alfabetização cartográfica. Por sua potência
informativa é que sua aplicação, geradora de mapas temáticos é amplamente utilizada nos dias
de hoje.
Isso porque os mapas temáticos são um dos principais mapas utilizados atualmente,
mapeamentos de solo, de uso e cobertura, de unidades de conservação, de desmatamento e
regeneração de floretas, de conflitos ambientais, são todos mapas temáticos.
A Cartografia Temática surgiu, segundo Martinelli (2003), entre os séculos XVIII e
XIX, a partir da sistematização da ciência e a especialização da Cartografia. Antes dela houve
a visão estritamente topográfica, a focada nos aspectos políticos e até as visões religiosas.
Diferente da cartografia sistemática25, onde o importante é o registro da localização de
cidade e sistemas naturais, a cartografia temática não representa analogamente o que se "vê".
Diferente da representação política ela não representa só o que está dominado (ou o império);
diferente da cartografia religiosa ela não registra só a história do antigo e novo testamento. A
cartografia temática representa através de abstração, generalização e simbolização o que "se
organiza". Assim, mais importante que os elementos da paisagem e sua localização, o
25
De acordo com as normas da legislação cartográfica (decreto-lei n.º 243/67), a cartografia sistemática tem, por
fim a representação do espaço territorial brasileiro por meio de cartas, elaboradas seletiva e progressivamente,
consoante prioridades conjunturais, segundo os padrões cartográficos terrestre, náutico e aeronáutico.
156
prioritário são os grupos e a organização em fenômenos espacialmente mapeáveis. Por isso, é

essa cartografia que mais depende das transformações cognitivas.
Segundo Lacoste (1976) o mapa temático reporta certo número de conjuntos espaciais
resultantes da classificação dos fenômenos que integram o objeto de estudo de determinado
ramo específico, fruto da divisão do trabalho científico. Esses conjuntos espaciais seriam
abstraídos, analisados e agrupados a luz de um tema específico: O tema que se pretende
mapear. Assim, em um recorte espacial podem ser feitos tantos mapas temáticos quanto
fenômenos ou características passíveis de serem observados.
Outra definição de cartografia temática é a de que:
Ela é a ciência da representação e do estudo da distribuição espacial dos fenômenos
naturais e sociais, suas relações e suas transformações ao longo do tempo, por meio
de representações gráficas em mapas - modelos icônicos - que reproduzem este ou
aquele aspecto da realidade de forma gráfica e generalizada (SALICHTCHEV,
1973).
Relacionado à essa citação, Martinelli salienta que: "Se a cartografia pretende

representar e investigar conteúdos espaciais por meio dos citados modelos icônicos, não
poderá fazê-lo sem o conhecimento da essência dos fenômenos que estão sendo representados
nem sem o suporte das ciências que os estudam." Ou seja, dentro da Cartografia Temática, o
"elaborador do mapa" deve ter conhecimento mínimo sobre o fenômeno que ele pretende
cartografar. Através dessa máxima, pode-se induzir que o inverso também é verdadeiro. Não
se deveria elaborar mapas sem conhecimento mínimo da "ciência de cartografar".
Na atualidade, o mapa temático é tão importante quanto os mapas de base ou
sistemáticos. Temos mapas temáticos em todos os lugares. No museu que entramos, no mapa
turístico que usamos, no mapa da área de estudo de um artigo acadêmico. A maioria dos
ramos da academia utiliza corriqueiramente os mapas temáticos e dificilmente tem
consciência de como eles são elaborados e, qual o arcabouço “teórico-cartográfico” intrínseco
a eles. Por isso, existem mapas carregados de erros que comprometem seus resultados e sua
utilização.
Segundo Martinelli (2003), a evolução da ciência para a criação dos mapas temáticos é
baseada em certos paradigmas, como os da Teoria Matemática da Comunicação, Semiologia,
Coremática, Transformação Cartográfica e Visualização. Além dos paradigmas, o
mapeamento temático apresenta uma base conceitual por trás do saber cartográfico, um dos
pilares dessa base seriam a Cognição e análises (TAYLOR, 1994) relacionadas ao processo de
simbolização. A Cognição se relaciona à atividade cerebral de reconhecer padrões e relações
espaciais mediante imagens mentais que se constroem desses padrões (PETCHENIK, 1995
157
apud MARTINELLI 2003). Sendo a cognição relacionada à pessoa que faz o mapa, seu
resultado é condicionante às características dela. Ou seja, seu arcabouço de cultura, formação,
etc. Um mapa, como um quadro não é só a representação do que é visto, mas também de
quem faz a representação. As relações espaciais podem estar na superfície estudada, mas só
pode ser registrada através da interpretação de alguém, que por sua vez, possui uma série de
características (culturais, sociais, filosóficas e ideológicas), as quais de alguma maneira são
expressas ou influenciam o mapa elaborado. Por isso o usuário do mapa, sempre deve ficar
atento, assim como exposto por Monmonier (1991):
Mostrando como mentir com os mapas, eu quero fazer os leitores ficarem atentos
que, como discursos e pinturas, são coleções de informações feitas por alguém e
também estão sujeitas a distorções decorrentes de ignorância, ganância, cegueira
ideológica, ou malícia (MONMONIER, 1991, p. 2)
Essa “leitura da realidade” e sua representação cartográfica são importantes e devem

ser analisadas com atenção porque elas são o pilar fundamental para a elaboração de qualquer
mapa. Isso porque, se os produtos cartográficos são meios de comunicação, eles, como
qualquer meio de comunicação, possuem um emissor e um receptor da mensagem. No caso
dos mapas, os receptores são os usuários, enquanto os emissores são as pessoas que elaboram
os mapas.
Esse sistema de comunicação assume uma característica monossêmica, que exige
uma facilitação na comunicação de ideias de acordo com a capacidade cognitiva do
usuário. Na realidade, de uma forma simplificada, o sistema de informação está
restrito ao mundo real, ao cartógrafo e ao usuário, gerando três realidades distintas,
como se fossem conjunto separados. Quanto maior a interseção dessas realidades,
mais próximo se chega ao mapa ideal para a representação de um espaço geográfico
em qualquer dos seus aspectos (MENEZES; FERNANDES, 2013, p. 43)
Inúmeros são os esquemas de representação cartográfica (MENEZES &

FERNANDES, 2013). Todos, assim como o apresentado na figura 51, apresentam o mundo
real como locus da realidade a ser apresentada (logo, fonte de dados); o cartógrafo como
intérprete e representador dessa realidade e; o usuário como leitor do mapa (que e é
considerado uma representação da realidade).
158
Figura 51 - Sistema de comunicação da informação cartográfica.
Fonte: Kolácny 1997.
Além da variação de percepção da realidade atribuída à pessoa que realiza o mapa e

faz a cognição e representação dos fenômenos estudados, existem ainda outros fatores
atualmente que fazem com que cada mapa seja único. Esses fatores se relacionam às fontes de
informação utilizadas.
Para o mapeamento de florestas de mangue, um dos avanços que contribuíram para
aumento na prática de se mapear, foi o sensoriamento remoto, que como fonte de informação,
também influencia no mapa final.
5.4.1 O advento do sensoriamento remoto (sr) e seu papel como fonte e análise do mundo
Antes do advento das geotecnologias e do desenvolvimento do geoprocessamento

(principalmente as fotografias aéreas e imagens orbitais), a elaboração de mapas era baseada
em dados primários e secundários levantados por outras técnicas in situ. Os dados primários
eram adquiridos através de expedições científicas para catalogar e descrever lugares no
território. Já a aquisição de dados secundários era feita através da descrição presente em
159
outras obras ou outros mapas. Esses por muitas vezes eram utilizados como única fonte de
dados para a elaboração de um mapa.
É importante destacar que por muito tempo, a elaboração de mapas era restrita a
cientistas específicos que estudavam e realizavam somente esse ofício. Além disso, o mapa
era um objeto custoso e seleto. Vários são os relatores de imperadores e reis que contratavam
seleto grupo para realização de mapas do seu império ou reinado.
Ao longo da história o mapa deixa de ser um símbolo de poder, um troféu, e passa a
ser uma fonte de conhecimento. Na época das navegações, como já descrito, o mapa se
transforma em ferramenta fundamental para o transporte marítimo, mas ainda é direcionado
ao grupo específico. Após a criação das prensas, assim como relatado por Brotton (2014),
houve grande popularização dos mapas, mas nada comparado ao vivido nos últimos 30 anos
com a evolução das geotecnologias.
As geotecnologias podem ser definidas como “o conjunto de tecnologias para coleta,
processamento, análise e oferta de informações com referência geográfica” (ROSA, 2005)26.
Elas englobam as fotografias aéreas, receptores de GNSS 27 , imagens aéreas, Sistemas de
Informação Geográfica (SIG), programas para processamento de imagens digitais, Laser
Scanner, entre outros.
No âmbito do mapeamento temático, uma das técnicas mais utilizadas de aquisição de
dados da superfície terrestre é, sem dúvida, o Sensoriamento Remoto, que é definido como a
técnica que permite obter dados de algum objeto ou superfície, sem contato direto com o
mesmo. Tal aquisição ocorre por meio de plataformas terrestres, aéreas (aviões e balões) ou
orbitais (satélites) (FLORENZANO, 2007).
A evolução dos sensores foi muito grande nos últimos anos. Tanto que, atualmente,
podemos obter dados de relevo, temperatura, altura de copa de árvores, salinidade dentre
outros. Logo, é inquestionável sua contribuição como fonte de dados. Isso porque proporciona
dados de grandes áreas quase simultaneamente e, às vezes, de lugares de difícil acesso.
Segundo Florenzano (2007), a história do sensoriamento remoto nos remete à história
da fotografia, a qual tem o exemplar mais antigo, datado de 1926. O responsável foi o
inventor francês Joseph Nicephore Niepe, que largou o exército para se dedicar à evolução
26
É importante destacar que no âmbito desse estudo, Geotecnologias e Geoprocessamento não serão usados
como sinônimos. Enquanto Geotecnologia é “o conjunto de tecnologias para coleta, processamento, análise e
oferta de informações com referência geográfica” (ROSA, 2005), considera-se Geoprocessamento como a
ciência que envolve a aquisição, armazenamento e manipulação da Geoinformação. Essa postura é evidenciada
porque a autora acredita que adoção de Geotecnologias como fenômeno de Geoprocessamento enfraquece os
embates políticos-científicos que existem “dentro da Geografia” para reconhecimento do Geoprocessamento
como disciplina a ser estuda.
27
Sigla para Sistema Global de Navegação por Satélite.
160
dessa técnica. Só após cerca de 30 anos dessa descoberta, a primeira fotografia aérea foi
retirada, a bordo de um balão. Depois do ocorrido, estudos foram feitos para a evolução dessa
técnica e disseminação dessa aplicação.
Mas paralelamente, balões já eram usados em 1860 para mapeamentos de tropas
inimigas na Guerra civil americana. Na ocasião, fotografias aéreas não eram utilizadas e sim
desenhos feitos por soldados representando a localização das tropas. Mas o que são os olhos,
senão os primeiros sensores remotos que temos contato?
Voltando à relação entre Geotecnologias (principalmente o Sensoriamento Remoto) e
a Cartografia Temática, seus avanços e disseminação alavancaram as práticas cartográficas e
disseminaram a prática de elaboração de mapas até para aqueles pouco aptos a fazê-lo.
No mundo de hoje, com a globalização da tecnologia, tendo destaque na informática
e nas telecomunicações, a cartografia conta com inúmeras contribuições consistentes
para efeito do desenvolvimento. É patente a ampla difusão de mapas e de
possibilidades para sua elaboração por parte do grande público, mesmo não havendo
um adequado preparo (MARTINELLI, 2003, p.11).
As Geotecnologias emergem para modificar o espaço acadêmico-político-social da

Cartografia e da Geografia, para interagir com essas áreas da ciência e modifica-las e, ao
mesmo tempo, ser modificada. A geoinformação sempre esteve presente nas práticas
cartográficas e geográficas, afinal, é o “objeto fim” dos estudos dessas duas ciências. Nessa
rede, o Geoprocessamento e suas geotecnologias emergem para modificar as articulações
relacionadas à manipulação, análise e representação dessa informação.
O problema está na aparente facilidade em se manipular e analisar a geoinformação.
Nos atendo às imagens de satélites orbitais, elas aparentam ser tão fáceis de manipular, se
assemelham tanto às usuais fotografias que sua transformação em mapas parece ser algo
corriqueiro e sem pré-requisitos. Todavia, o tratamento dessas imagens para a geração de
mapas, não só necessita de conhecimentos sobre o geoprocessamento, como da cartografia e
também do fenômeno a ser analisado e representado.
A noção do fenômeno a ser analisado é imprescindível para que a informação
representada tenha sido corretamente analisada e, não só isso, que para sua elaboração tenham
sido consideradas outros saberes (sejam científicas, sejam das comunidades tradicionais).
O conhecimento sobre o Geoprocessamento é importante porque embora a imagem de
satélite seja vista por alguns como reflexo da realidade, ela é só mais uma forma (técnica) de
representação da realidade. Antes de me estender sobre as aplicações e os conceitos básicos
inseridos na atividade de mapeamento através do SR e sobre as bases físicas do SR, acredito
ser importante destacar as crenças e convicções arraigadas no fazer deste estudo.
161
Aqui, usa-se como referencial teórico o exposto por Jensen (2009) e também
defendido por Lang e Blaschke (2009) ao posicionar o SR em relação às demais ciências. A
aplicação do SR, como dito anteriormente, aumentou significativamente nos últimos anos,
entretanto, muitos pesquisadores o entendem apenas como uma ferramenta, um método de
estudo para sua ciência. Jensen (2009) acredita que sensoriamento remoto é uma ciência.
Porém fala também que o SR pode ser considerado uma ferramenta, como a matemática é
para alguns.
O uso sofisticado de sensores para medir a quantidade de energia eletromagnética
que emana de um corpo ou objeto ou área geográfica, a distância e depois a extração
de informação importante dos dados usando algoritmos baseados em matemática e
estatística é uma atividade científica” (FUSSEL et al. 1986 apud JENSEN 2009).
Ainda segundo Jensen (op.cit.), há estágios de desenvolvimento de uma disciplina

científica, estando o SR na parte central de sua curva de desenvolvimento. Mesmo que ainda
pouco consolidada, por sua complexidade, pesquisa, e aplicação de métodos em seus
desenvolvimentos ela pode ser considerada uma ciência.
Também Lang e Blaschke (2009) defendem que há todo um aparato científico por trás
da utilização das tecnologias e Sistemas de Informação Geográfica, tendo esta as
características de uma (jovem) ciência. Por essas características, autores como Fitz (2008)
defendem que o momento atual da Geografia é a de discussão e surgimento de novos
paradigmas. Isto porque o geoprocessamento pode se tornar um novo ramo da Geografia
(DOBSON, 1983), se consolidando como uma nova ciência (SEADRA, 1999), assim como
ocorrido com a Cartografia.
Um dos aspectos incontestáveis é o caráter interdisciplinar do Geoprocessamento e
suas geotecnologias. Neste contexto, mesmo sendo utilizada em estudos de outras áreas
(biológica, física ou social), tem-se que ter atenção, pois nesse ambiente não há nenhuma
disciplina superior, mesmo que haja sobreposição de conhecimento entre disciplinas (Figura
52). Todas as ciências devem ser tratadas com o mesmo grau de importância e seriedade, não
havendo valorização de uma em detrimento das demais.
162
Figura 52 - Modelo de Interação entre as ciências de informação geográfica e as demais

ciências.
Fonte: Jensen (2009)
Os sensores remotos, segundo Fitz (2008), são os dispositivos capazes de captar a

energia refletida ou emitida por uma superfície qualquer e registrá-la na forma de dados
digitais diversos (imagens, gráficos, dados numéricos, etc.). Esses sensores podem ser
classificados como ativos ou passivos. Uma maneira simples de diferenciar os dois tipos de
sensores é que os ativos possuem uma fonte própria de energia, a partir da qual as medições
são realizadas. Em oposição, os sensores passivos não possuem uma fonte de energia própria,
utilizando nesse caso, a energia solar.
Cada alvo na terra possui uma assinatura espectral, comportando-se de forma diferente
em cada faixa do espectro eletromagnético, em relação aos outros alvos (Figura 53). Esse
comportamento distinto de cada objeto é o responsável pela identificação, através do
sensoriamento remoto, dos diferentes elementos integradores de uma paisagem (JENSEN,
2009).
O conhecimento do desempenho da assinatura espectral na distinção de cada elemento
integrador da paisagem é a chave para diversos mapeamentos temáticos e a análise de
163
diversas características inerentes aos objetos. Assim como exposto no capítulo II, sobre o
comportamento espectral da vegetação.
Figura 53 - Resposta espectral de diversos alvos.
Fonte: Jensen, 2009.
Sendo assim, são os especialistas em sensoriamento remoto os responsáveis, com a

ajuda de softwares de classificação de imagens de satélite, os responsáveis por interpretar as
assinaturas espectrais de forma a entender a distribuição de alvos na superfície terrestre e
transformar essa distribuição (interpretada) em um mapa temático. Ou pelo menos, em um
arquivo vetorial em que os antigos alvos estejam agrupados em polígonos.
Com a efetiva incorporação do Sensoriamento Remoto como fonte de dados para o
mapeamento temático, o sistema cartográfico apresentado por Menezes e Fernandes (2013)
que apresenta o mundo real como a fonte de dados e a concepção cartográfica o tratamento do
dado para a elaboração efetiva do mapa que deve ser representado (Figura 54) pode ser
repensado.
164
Figura 54 - Sistema de Comunicação Cartográfico
Fonte: Adaptado
do de Menezes & Fernandes, 201
2013.
O Sensoriamento Remoto pode ser visto por alguns como mais uma forma de coleta e
tratamento dos dados para a concepção do mapa e por esse aspecto ele está inserido na parte
“Tratamento” do sistema apresentado. Contudo, o grau de interferência dessa técnica na
leitura dos fenômenos sobre a superfície da terra é tanta que ele deve ter seu próprio destaque
do processo de comunicação cartográfica.
Sendo assim, propomos aqui uma releitura ao sistema de comunicação cartográfica
(Figura 55),
), partiríamos do Mundo real, que com a consideração do Sensoriamento Remoto
não é mais a “Fonte dos dados”, mas o locus dos fenômenos estudados e passíveis de serem
analisados num caráter espacial.
Os satélites presentes no mundo real registram nas imagens os fenômenos28. São eles a
primeira representação da realidade presente no sistema cartográfico, mesmo que realizada
por objetos (os satélites!29). Tal representação da realidade pode ser de diferentes maneira
maneiras
sem virtude das características do satélite que registra os fenômen
fenômenos,
os, seus sensores e suas
imagens.
28
Em uma imagem, esse registro é um instante. Para a percepção de fenômenos, muitas vezes é necessário o uso
de múltiplas datas.
29
Quase-sujeitos
sujeitos como será apresentado no ítem 4.6 do pres
presente capítulo.
165
Figura 55 - Novo Sistema de Comunicação Cartográfica, considerando as imagens de satélite

separadamente.
Assim como definido por NOVO (2010), são os sensores que convertem a energia
proveniente dos objetos em imagens (no caso dos sensores imageadores), permitindo que a
interação física (de radiância, emitânica ou retroespalhamento), seja associada à assinatura
espectral. As características básicas dos sensores e suas imagens são: a resolução espacial,
espectral, radiométrica e temporal.
A resolução espacial está ligada ao tamanho do pixel de uma imagem, sendo “a menor
feição passível de detecção do instrumento em questão” (NOVO, 2001). Ela é a capacidade de
distinção espacial do fenômeno na superfície terrestre, portanto, interfere na maneira do seu
usuário “enxergar” o fenômeno.
É o número de bandas que um sensor mede e, a abrangência dessas bandas o
considerado na resolução espectral. Ela é “a amplitude dos intervalos de comprimento de
onda nos quais a radiação eletromagnética é registrada” (FONSECA; FERNANDES, 2004).
A resolução espectral é fundamental para que a imagem registre mais do que os olhos
humanos são capazes de ver. Isso porque os sensores medem a resposta dos objetos além da
faixa do espectro eletromagnético chamada de “faixa do visível”, registrando em imagem
características às quais sem essas imagens seríamos cegos. A resolução radiométrica descreve
a habilidade do sensor em “distinguir variações no nível de energia refletida” (NOVO, 2010),
sendo normalmente indicada em função dos Níveis de Cinza da imagem. Uma resolução
166
radiométrica de oito bits significa que o a imagem tem um leque de variação de 265 níveis de
cinza (28=256) (FONSECA & FERNANDES, 2004).
Atualmente, existem vários satélites imageadores na órbita terrestre, cada qual com
sensores de diferentes resoluções espaciais, espectrais e radiométricas. Além disso, por a
imagem ser menor do que a superfície que ela imageia e, por representar em um só número (o
do pixel) todos os objetos presentes naquela área, ela já realiza na sua elaboração duas das
transformações descritas para a elaboração dos mapas: a transformação geométrica (escalar) e
a de generalização. Sendo assim, pode-se dizer que as imagens, oriundas de diferentes
sensores, são diferentes representações da realidade e influenciarão a elaboração do mapa
final, pois cada imagem possibilita um tipo de leitura da realidade.
Ao voltar para o sistema cartográfico, que é baseado na imagem de satélite como fonte
de dados, tem-se o tratamento do dado para que seja transformado em informação geográfica.
Esse processo engloba tanto os processos relacionados ao tratamento e manipulação da
imagem, como as etapas para representação dessas informações em um sistema
bidimensional.
Em relação ao tratamento e manipulação da imagem, assim como se têm vários tipos
de imagens de satélite considerando seus vários tipos de resolução, também existem vários
processos de tratamento e classificação das imagens.
Para se realizar um mapeamento baseado em uma imagem de satélite, primeiro a
imagem deve sofrer correções em relação aos erros inerentes à sua aquisição, tanto
geométricos como radiométricos (NOVO, 2010). Após a correção é realizada a classificação
da imagem, que é definida como “o processo de atribuir a um pixel em função de suas
propriedades numéricas” (Novo, op. Cit.). O processo de classificação adotado pode ser o
visual, o não-supervisionado e o supervisionado. Todos, seja na própria etapa de classificação,
seja para a avaliação da classificação, necessitam do conhecimento do usuário pela área
fenômeno e resposta espectral. É como se a classificação da imagem resultasse da
interpretação do usuário daquele imageamento.
Isso porque embora a imagem e seus pixels representem os objetos distribuídos na
realidade eles serão interpretados por um usuário e a leitura que será feita, dependerá dos
objetivos, preconceito e ideologias que o usuário tiver, assim como descrito para o mapa. Do
mesmo modo como Brotton (2013) afirma que “aideia de mundo pode ser comum a todas as
sociedades, mas diferentes sociedades têm ideias muito distintas do mundo e de como ele
deve ser representado”. Para qualquer fenômeno, diferentes pessoas têm ideias e valores
diferentes sobre os fenômenos representados.
167
O que se tem nesse processo todo, unindo tudo o descrito até aqui, é a criação de um
objeto monossêmico (o mapa) a partir de outro polissêmico (a imagem), podendo então ser
dito que são confeccionadas representações a partir de outras representações da realidade. Se
a partir desse pensamento reavaliarmos os capítulos I e II, verificamos que há muito mais
nuances e influências do que as expostas. O mapa se apresenta então, recheado de valores.
A imagem é um objeto polissêmico, onde o pixel possui vários significados (biológico,
político, sociais) e sua transformação em objeto monossêmico, onde cada localidade é
associada a somente uma feição registrada na legenda, depende dessa etapa de tratamento dos
dados.
Além do conhecimento sobre os fenômenos e as etapas de correção e classificação da
imagem, o conhecimento cartográfico relacionado a suas transformações ainda é
imprescindível. Sem elas, um produto cartográfico além de possuir severos erros de
representação, pode não ser entendido (ou ser erroneamente interpretado) pelo usuário do
mapa, o que causaria sua inutilidade. Então, dentro do sistema de comunicação cartográfico
estão também as transformações cartográficas.
Uma questão importante é que com a disseminação das geotecnologias e com a
popularização do trabalho com sensoriamento remoto, algumas das etapas descritas são
eventualmente negligenciadas ou realizadas sem o mínimo de cuidado e considerações
necessárias. Sobre isso Castiglione (2003) relata que:
A nova complexidade do espaço chamou mais a atenção da sociedade para as
representações deste e, neste aspecto, a resposta do geoprocessamento, inclusive por
conta de uma primeira impressão lúdica que ele traz aos neófitos, possibilitou um
grande movimento de popularização das representações do espaço. Esse é sem
dúvida um fato novo, que se insere na ambiência e no espírito pós-moderno, que
aduz um apelo comercial que de forma alguma existia na cartografia convencional.
Não há nada de essencialmente pernicioso na difusão que o geoprocessamento vem
experimentando. Há apenas a preocupação de que esta demanda comercial acabe
por, em algum momento, interferir no processo de seu desenvolvimento científico,
ao privilegiar abordagens mais simplistas e comercializáveis (CASTIGLIONE,
2003, p. 43).
Quando se inicia uma empreitada onde a necessidade clara é o que se quer mapear,
todo o resto são incertezas. Isso porque o que se tem na cabeça é somente a legenda final do
mapeamento, são os fenômenos que se quer representar.
Assim, começa-se uma jornada com uma ideia que para sua concretização várias
escolhas devem ser feitas, cada uma delas interferindo no mapa ao qual será relacionado a
legenda idealizada. É como no início tivéssemos uma sacola de compras vazias, e ao longo do
trajeto colocássemos elementos necessários para a elaboração do mapa. Que imagem será
usada? Que tipo de correções serão feitas? Como elas serão realizadas? Qual processo de
168
classificação será adotado? Qual a escala do mapeamento? Cada uma das respostas, assim
como cada um dos conjuntos de combinações resultará em um mapa diferente.
As respostas a cada uma das perguntas, os itens “colocados nas sacolas” nem sempre
se dão com base na eficiência científica, às vezes não se tem, por exemplo a melhor imagem,
mas a mais barata, ou a conseguida através de um convênio. Não se escolhe a classificação
que se quer fazer, mas aquela que se sabe fazer, ou aquela permitida pelo software que se tem
no laboratório de pesquisa. São inúmeras as conexões presentes num ato de mapear e, se não
se pode ter controle de todas, é imprescindível pelo menos seu reconhecimento.
No caso do Capítulo I, por exemplo, a imagem IKONOS foi a adotada, por ser a
imagem de alta resolução mais barata que existia na época de sua execução (mais detalhado
no capítulo IV). Do mesmo modo, que o uso das imagens SPOT (do capítulo II) surgiu em
virtude de uma parceria do NEMA com a Planet Action, uma ONG francesa vinculada a
empresa responsável pelos satélites SPOT. Ou seja, o que foi colocado na sacola de compras
nesses dois capítulos, transcende as descrições técnicas e metodológicas.
Além disso, no processo cartográfico apresentado, os fenômenos são representados a
partir de uma classificação que tem como premissa as percepções das pessoas que elaboram o
mapa. Tal conhecimento pode ser “mais cartográfico” ou “mais ecológico”, no caso do
mapeamento de manguezais e a influência de cada um desses polos, também resulta em
diferentes mapas.
Nesse sentido, o mapa é cada uma das etapas, produtos e processos presentes em sua
elaboração. Além de serem também as conexões realizadas para que cada um dos produtos
fosse adquirido ou que interferiram na escolha de um dos processos.
5.5 Os mapas são...as conexões nos laboratórios
Quando analisamos os laboratórios (instituições ou grupos) envolvidos nas tarefas de

mapeamento, o mapa é visto a partir das conexões que ele faz dentro dos laboratórios. Por
essa perspectiva vemos a dimensão social do mapa.
Segundo Latour (2012) existem duas abordagens muito diferentes sobre o “social”.
Uma se tornou senso comum, e é a que mais utilizamos, ao dizer por exemplo que “tal
questão” se identifica com uma abordagem socioambiental. Esse enfoque é adotado quando
algo “não devia ser “puramente” biológico, linguístico, econômico” (Latour, 2012) mas sim,
169
influenciar a ordem social. A segunda abordagem, definida por Latour (2012) e adotada no
âmbito dessa tese, considera o “social” não um domínio especial de observação, uma esfera
específica, “Mas apenas como um movimento peculiar de reassociação e reagregação”
(LATOUR, op. cit., p. 25). Em suas próprias palavras:
Segundo essa visão, o direito, por exemplo, não deve ser visto como algo explicável
pela “estrutura social” além da lógica interna; ao contrário, sua lógica interna é que
pode explicar alguns traços daquilo que faz uma associação durar mais e estender-se
por um espaço maior. [...] A ciência não precisa dar lugar ao “quadro social”,
moldado por “forças sociais” tanto quanto por sua própria objetividade, pois os
objetos dela deslocam, eles próprios, qualquer contexto graças aos elementos
estranhos que os laboratórios de pesquisa associam de maneira imprevisível
(LATOUR, 2012, 25).
Sendo assim, o social não é uma esfera a ser considerada, por exemplo ao dizer que
um certo projeto de pesquisa de doutorado é social porque “o produto gerado auxiliará
projetos de conservação e restauração de florestas de mangue em todo o Brasil, com grande
importância para o planejamento e execução de políticas públicas, podendo vir a incrementar,
por exemplo, o mapeamento de uso e cobertura do solo dos Zoneamentos Ecológicos
Econômicos”, como presente nesta tese. O social nesse texto é muito mais um movimento de
associações.
Os mapeamentos elaborados nos capítulos I e II só puderam ser feitos pelas
associações entre dois laboratórios: O Núcleo de Estudos em Manguezais (NEMA-UERJ) e o
Laboratório Espaço de Sensoriamento Remoto e Estudos Ambientais (Lab. ESPAÇO –
UFRJ). Eles emergiram de dentro dos laboratórios e, para entendermos as conexões
envolvidas na territorialidade dos manguezais, é necessário olharmos dentro e fora de seu
locus de produção. Para isso, seguiremos a primeira regra metodológica sugerida por Latour
(2000) para seguir cientistas rumo afora que consiste em “Não tentarmos analisar os produtos
finais, em vez disso, seguiremos os passos de cientistas e engenheiros nos momentos e nos
lugares nos quais planejam esses produtos finais.” Vamos visitar os laboratórios envolvidos
no mapeamento dos manguezais de Guaratiba, focando nos pontos mais evidentes para a
construção da rede do mapeamento de manguezais. Sendo o objetivo o de relacionar as
conexões dentro e entre laboratórios.
Os dois laboratórios foram criados com intervalo de um ano, sendo o ESPAÇO
estruturado em 1996 e o NEMA do ano posterior. O primeiro, através da Professora Carla
Madureira (na época, professora visitante do Departamento de Geografia da UFRJ) e o
NEMA pelo professor Mário Soares (também então professor visitante, mas da oceanografia
da UERJ).
170
Segundo Fernandez (2014) as primeiras atividades do Núcleo de Estudos em

Manguezais focavam na descrição dos manguezais de Guaratiba (na caracterização estrutural
da vegetação, monitoramento de salinidade na água intersticial) sem nenhum enfoque nas
mudanças climáticas ou sequestro de carbono dessas florestas e sobre o enfoque da linha de
Pesquisa “Ecologia do Ecossistema Manguezal”.
Nesse período inicial de criação do NEMA, destacam-se os trabalhos do Júlio
Pellegrini (PELLEGRINI, 1996) e Fábio Corrêa (CORRÊA, 1995) sobre caracterizá-lo de
apicuns e sobre nutrientes e retranslocação em mangue, respectivamente.
Ainda baseado em observações de Viviane Fernandez, em 2000 dois eventos
importantes marcam a trajetória do laboratório. O primeiro foi a apresentação no 6th
International Wetland Symposium dos resultados de nova linha de pesquisa, na ocasião foram
legitimados pela comunidade científica os estudos relacionados as análises do manguezal com
indicador de variações no nível do mar.
O segundo acontecimento foi o rompimento de um oleoduto da Refinaria de Duque de
Caxias, que fez com que 1.300.000 litros de óleos fossem “derramados” na baía de
Guanabara.
Na época, a então Secretaria de Estado de Meio Ambiente e Desenvolvimento
(SEMADS) solicitou ao NEMA/UERJ uma avaliação dos danos causados aos
atributos estruturais, funcionais e de dinâmicas da cobertura vegetal. Esse projeto, de
alta importância e visibilidade, trouxe para o NEMA/UERJ a expansão da equipe, a
possibilidade de levantamento de informação sobre a baía de Guanabara (...) e um
aumento da produção científica do grupo (FERNANDEZ, 2014).
Em 2001 a Viviane (OLIVEIRA, 2001) defendeu a monografia sobre “monitoramento

do ecossistema manguezal visando sua utilização como indicador de variações do nível médio
relativo do mar e, o Filipe (CHAVES, 2001) a sua sobre caracterização estrutural, topográfica
e de salinidade não só dos manguezais de Guaratiba, mas da restinga da Marambaia
(FERNANDEZ, 2014).
Em 2002, Ana Margarida Portugal defendeu sua dissertação de mestrado sobre a
resposta dos manguezais de Guaratiba frente a possível elevação do nível médio relativo do
mar, isso com auxílio de fotografias aéreas (PORTUGAL, 2002). O trabalho, uma parceria
com o Instituto Nacional de Pesquisas Espaciais (INPE) teve participação do Professor Dalton
de Morisson Valeriano. Para o georreferenciamento, processamento e classificação das
imagens, foi utilizado o software SPRING. Essa foi a primeira experiência do NEMA-UERJ
relacionada ao Sensoriamento Remoto.
171
No início de 2003 eu entrei para o NEMA-UERJ. Na época o laboratório ainda

ocupava a mesma sala de 15,7 m2, mas agora, o Mário já tinha seu próprio computador e os
estagiários, 3 outros computadores. Até o final da minha graduação (em 2007), dois outros
“projetos” impulsionaram as pesquisas do NEMA: O diagnóstico dos manguezais da baía de
Guanabara frente a outro derramamento de óleo (através do tombamento de um trem na
Ferrovia Centro-Atlântica) e, a elaboração do Laudo Biológico do Sistema de Caravelas –
Nova Viçosa – BA, para a criação da Reserva Extrativista de Cassurubá. Outro projeto
importante, no período, foi a construção do relatório sobre impactos ecológicos das mudanças
climáticas e variabilidade de ambientes costeiro (Ecological Impacts of Climatic Change and
variability: Coastal Environments - Mangroves anda Salt Flats), por envolver cooperação
internacional.
Em 2006, uma nova empreitada para se estudas as florestas de Guaratiba através de
Sensoriamento Remoto se inicia com a minha monografia (ALMEIDA, 2007). Em reunião
com o Mário, ele explica que gostaria que as análises feitas pela Ana Margarida
(PORTUGAL, 2002) fossem realizadas em toda a região de Guaratiba e, que tivéssemos uma
estimativa da área ocupada pelas florestas nessa região.
Se o fator indutor dos processos sucessionais observados fosse o mesmo a elevação
do nível médio do mar, as áreas de apicum estariam sendo reduzidas com o avanço
das florestas em todo o sistema de manguezais da baía de Sepetiba. Este padrão foi
observado e, assim, descartamos a possibilidade de processos locais, como a
dinâmica de meandros, estarem induzindo o que observamos nos monitoramentos da
vegetação. Mais tarde, já no mestrado, Paula analisou oito imagens e corroborou que
o processo de aumento das áreas de floresta e de diminuição das áreas de apicum
não se dá de forma contínua e tem influência dos ciclos climáticos. Em períodos
mais secos o avanço da floresta é menor do que em períodos úmidos e essa variação
é mais marcada em regiões onde não existe um aporte de água doce continental,
como na Restinga da Marambaia (ALMEIDA, 2010). De todo modo, houve
aumento da área entre os anos inicial e final de observação. A área de floresta de
mangue mapeada foi de 17,05 Km² em 1985, e de 20,88 Km² em 2006
(FERNANDEZ, 2014).
A monografia foi realizada através de uma parceria com o INPE, desta vez com o
professor Milton Kampbel, o curioso aqui era que os métodos utilizados foram os mesmos da
dissertação da Ana Margarida (PORTUGAL 2002). Mesmo os dois trabalhos tendo pouco
mais de 5 anos de diferença. Ou seja, nossos métodos e motivos para medir plantas tinham
evoluído, crescido, assim como as áreas monitoradas tinham se expandido, mas as técnicas de
mapeamento eram as mesmas e, realizadas ainda da mesma maneira, somente através de
parcerias.
A partir de relações sociais totalmente alheias à universidade tive conhecimento da
Professora Carla Madureira da UFRJ e a convidei, com aval do Mário, para compor minha
172
banca de monografia. No momento da defesa, com os resultados apresentados e com as

observações da Carla, constatou-se que sim, o sensoriamento remoto era um ótimo caminho
para se estudar os manguezais, que só através dele poderíamos analisar a escala de todo
complexo de Guaratiba. Mais ainda, considerar o aspecto temporal. Mas com esse estímulo,
verificamos o quão atrasado estávamos em relação ao embasamento teórico dessa área da
ciência. Foi nesse momento que o ESPAÇO integrou o mapeamento dos manguezais de
Guaratiba.
Em 2008, o NEMA iniciou um projeto de Avaliação do Potencial de Florestas de
Mangue como Sequestradoras de Carbono, através de parceria com a UFRJ, o CENPES
(Centro de Pesquisas de Desenvolvimento Leopoldo Américo Miguez de Mello) e a
Universidade Federal do Sergipe.
A rede temática de mudanças climáticas do CENPES tem por objetivo “entender o
fenômeno das emissões de gases de efeito estufa e desenvolver rotas de sequestro de
carbono, dentro do contexto de mitigação de mudanças climáticas, para
disponilibilizar as tecnologias para a Petrobrás”, conforme consta no sitio da
PETROBRAS na internet (PETROBRAS, 2014).
O projeto objetivava quantificar o sequestro de carbono em todos os compartimentos

da floresta e extrapolar a quantificação para todo o complexo de Guaratiba. Mas como seria
feita a extrapolação espacial? Através do mapeamento dos manguezais e do detalhamento dos
diferentes tipos de floretas 30 . O NEMA adotou então o mapeamento de florestas de
mangue como uma das áreas de pesquisa do laboratório.
Um exemplo da consolidação de parceria entre o NEMA e o ESPAÇO é o projeto
INCT AmbTropic - Instituto Nacional de Ciência e Tecnologia Ambientes Marinhos
Tropicais, iniciado em 2012 cujo objetivo é “a avaliação de como a heterogeneidade espaço-
temporal dos ambientes marinhos tropicais poderá determinar os padrões de resposta destes
ambientes e sua resiliência às mudanças climáticas que afetarão o norte-nordeste do Brasil
neste século”.
No final de 2010, a média de campos era tão grande que cada integrante ía, em média,
uma vez por semana, isso para coleta de dados básicos para a análise da floresta. Quem
trabalha com mapeamento, precisa essencialmente do conhecimento de campo e de dados
oriundos de visitas, mas sua coleta de dados vem também do Processamento digital de
imagens, sua classificação e só depois dessas etapas (muitas vezes exaustivas) é que se tem os
dados básicos para a análise espacial.
30
Foi esse estudo que deu origem ao capítulo III dessa tese.
173
A dificuldade para quem quer mapear os manguezais de Guaratiba numa perspectiva

de absorver as duas áreas de conhecimento é que, devem ser cumpridas as expectativas de
dois mundos. Participar das duas áreas faz emergir a necessidade de ver os dois mundos como
um, estimulando a construção um caminho do meio entre NEMA e ESPAÇO, para uma visão
transdisciplinar efetiva.
Assim como para o NEMA, fica evidente que as atividades de pesquisa do ESPAÇO são
intimamente relacionadas aos projetos realizados por sua equipe. Isso se explica porque fazer pesquisa
com Sensoriamento Remoto ainda é muito caro e, no final da década de 90 muito mais onerosa. Sendo
assim, somente através de subsídios externos aos incentivos da instituição de ensino, se pode trabalhar
com sensoriamento remoto, ou pelo menos, ser um laboratório de vanguarda.
Essa dependência entre “atividades científicas” e projetos ressalta a vertente social do mapa,
já que as atividades se sustentam e apresentam a partir de financiamentos externos e projetos.
As pesquisas do NEMA/UERJ e ESPAÇO talvez só existam do jeito que é porque houveram
projetos para financiar os laboratórios, porque estudantes se interessaram por esse tema e
porque professores resolveram trabalhar com isso. Nas palavras de Latour (2012):
A busca científica, como todo o seu ímpeto, apresenta algumas características
necessariamente “sujeitas” às “limitações sociais” de cientistas “presos ao contexto
social da época”; embora a arte seja amplamente “autônoma”, sofre também a
“influência” de “considerações” sociais e políticas, que podem explicar alguns traços
de suas obras-primas mais famosas (LATOUR, 2012, p. 20).
Dentre os projetos realizados pelo Lab. ESPAÇO/UFRJ, o primeiro foi o “Estudo da

Qualidade ambiental de Municípios em função do Uso do Solo - referencial para o
Planejamento e Ordenamento Territorial, São Gabriel do Oeste, MS” realizado de 1995 a
1998, com o intuito de Geração de Banco de Dados e Mapeamento do município (LATTES,
2015).
De 1997 a 2002, as principais atividades envolveram o Zoneamento Ambiental da
Baía de Guanabara, um convênio entre UFRJ, FEEMA e IBAMA que permitiu mais uma vez
a manutenção de laboratório e aquisição de novos computadores. Segundo a professora Carla
Madureira (comunicação pessoal) esse foi o primeiro grande projeto do laboratório, que
permitiu as primeiras aquisições em termos de equipamentos (como impressoras,
computadores, ploters). O crescimento do laboratório pode ser percebido pelo número de
trabalhos publicados no principal evento científico de Sensoriamento Remoto no Brasil (O
Simpósio Brasileiro de Sensoriamento Remoto – SBSR). No ano de criação do ESPAÇO
(1996) foram apresentados três trabalhos, mesmo número do SBSR posterior (1998). No ano
174
de 2002, posterior ao projeto de monitoramento, o número de trabalho foi o dobro dos dois
anos anteriores (SBSR, 1996; 1998 e 2001).
Entre 2002 e 2003, dois ou três projetos ocorriam concomitantemente. Sendo eles o
“Mapeamento da Cobertura e Uso da Terra para o entorno do PARNA de Jurubatiba”; o
“Subprojeto Sensoriamento Remoto, Cartografia e Bancos de Dados Geográficos para o
Projeto Caracterização do Meio Socioeconômico e Previsão de Impactos na Área de
Influência da Atividade de Exploração de Petróleo na Bacia de Campos” e a “Integração de
dados físicos, bióticos e socioeconômicos no Levantamento e Diagnóstico Ambiental da Área
de Influência da CNAAA”. Tal crescimento, fez com que o ESPAÇO passasse de uma equipe
de cerca de 5 pessoas, para um grupo de pesquisa com mais de 10 integrantes.
Em 2005, outro grande projeto foi elaborado pelo laboratório ESPAÇO, sua execução
não só foi responsável pelo crescimento de infraestrutura do grupo de pesquisa, mas foi nesse
momento que se inseriu uma nova metodologia (a utilizada no capítulo I dessa tese!) ao grupo
e fez com que o grupo se tornasse um exemplo um laboratório de ponta e seguisse novos
caminhos. O “Mapeamento da Cobertura Vegetal da Mata Atlântica” (PROBIO) foi uma
parceria do grupo ESPAÇO como o Ministério do Meio Ambiente (MMA) ele durou um ano
e objetivava o mapeamento dos remanescentes da Mata Atlântica em âmbito nacional. Fazer
esse mapeamento em um ano era uma meta ousada e necessitava de um método de
mapeamento eficaz.
A primeira ideia [em usar o eCognition] foi em 2004, eu e Raul [Sanchez, atual
professor da UFF] numa proposta para o Ministério do Meio Ambiente para o
mapeamento da Mata Atlântica. Isso foi em 2004. Acho que começamos em 2005.
Nessa época era a versão 4. A ideia foi porque a proposta era muito grande, o Bioma
inteiro, num tempo muito curto. Então precisávamos inovar em termos
metodológicos. (...) como não tínhamos a mínima ideia de como usar o GEOBIA, a
Carol Pinho do INPE acabou sendo nossa consultora. Naquele primeiro projeto
usamos o eCognition de uma forma muito simples, mas já era bastante inovador para
o momento. E possibilitou que a gente conseguisse em um ano, completar o
mapeamento que correspondia a uma área de 1100.000 Km2 em uma escala de
1:250.000 (CRUZ, 2015 -comunicação pessoal).
O método de classificação ainda era chamado de Classificação orientada à objetos, o

termo GEOBIA só seria proposto anos depois. A adoção dessa técnica impulsionou os
trabalhos do ESPAÇO.
As primeiras iniciativas de GEOBIA aqui no Brasil devem datar de 2005 e como se
sabe, há umademora parapublicações. Acredito que iniciou com os doutorados [de
brasileiros] que foram feitos na Alemanha, com a escola da PUC, através do Raul
Feitoza ou a escola do Herman Kux no INPE. Acredito que mais ninguém no país
estivesse usando naquele momento. E nós usamos por conta do PROBIO, mas só em
2007 começamos a publicar (CRUZ, 2015 -comunicação pessoal).
175
Foi em 2007, em meio ao furor da adoção do GEOBIA nos mapeamentos que eu

apresentei a Carla minha monografia, usando técnicas que o próprio NEMA tinha utilizado a
5 anos atrás. Se já era antigo para o NEMA/UERJ imaginem para o ESPAÇO?! E foi a partir
das críticas e da curiosidade já descrita na introdução que tentei e ingressei no Programa de
Pós-Graduação em Geografia da UFRJ (PPGG-UFRJ). Isso, sem nunca antes ter
georreferenciado uma imagem, aberto o ArcMap ou ter ouvido falar em classificação
orientada a objetos.
Se um aluno que almeja estudar a ecologia de florestas de mangue precisa “irá para
campo”, “atolar o pé na lama”, “olhar e analisar a floresta” para entender e conhecer o
ecossistema. Uma pessoa que trabalha com sensoriamento remoto precisa de horas e horas em
frente ao computador, olhando e analisando a imagem, para entender e conhecer a resposta
espectral de cada alvo31.
Após a apresentação da historicidade dos dois laboratórios envolvidos nessa tese
percebe-se que a ciência como fato, refletida na tese como os dois primeiros capítulos da
mesma, nos “moldes científicos” só existe porque há uma “ciência em construção” existente
nos dois laboratórios e, ainda mais, tecendo conexões entre laboratórios.
Como verificado pelo breve relato, os mapeamentos apresentados nos Capítulo I e II
não são só os conceitos de cartografia que contém, nem a imagem utilizada, seu
processamento, sua classificação e transformação. Tão pouco, elas são as quantificações de
área ou os dados levantados in situ.
Eles só existem porque houve a parceria entre o NEMA e o ESPAÇO. Eles só são
dessa maneira pelos caminhos trilhados pelo NEMA, seus alunos, suas linhas de pesquisa e
parcerias do laboratório com outros grupos. Assim como, eles só possuem essas
especificidades porque são condizentes com os métodos adotados pelo ESPAÇO, porque suas
parcerias possibilitaram a compra dos softwares primordiais para cada um dos processos
descritos nos primeiros capítulos. O mapeamento se faz dentro e fora dos softwares que os
produz, dentro e fora da bancada onde os computadores estão, dentro e fora dos laboratórios e
a partir da interação de laboratório.
Um “leitor apressado” pode refletir que queremos que não existam mais mapas e que
os eventos naturais falem por si só. Não custa então evidenciar mais uma vez (e diversas
outras ao longo da tese) que esse não é o objetivo. Afinal, “ninguém, nem mesmo os
31
Quando entrei no ESPAÇO, ainda mais influenciada pela parte ecossistêmica, esquecia que o mapeamento é
(ou deveria ser) a junção das duas visões e “me pegavam” sempre, tentando “ver o caranguejo” através das
imagens de satélite.
176
humanos, falam por si mesmos, mas sempre por outra coisa” (LATOUR, 1994). O objetivo
aqui é elencar os humanos e não-humanos 32 presentes na constituição relacionada ao
mapeamento de manguezais e, por isso também, a historicidade sobre o NEMA e o ESPAÇO
é pertinente.
A partir da abertura das “caixas pretas” dos dois laboratórios, percebemos como as
ciências de ecológicas e cartográficas; ou melhor a ciência de “estudar e mapear plantas33” é
feita nos dois laboratórios a partir das mesmas bases e conexões. Que essas práticas possuem
não-humanos (plantas e imagens de satélite; computadores, métodos de medição e
classificação) e humanos (professores, estudantes, avaliadores de projetos), isso como
qualquer produto científico. Assim podemos ver claramente que o que Latour (2011) descreve
para um estudo com endorfina, se aplica também para o mapa:
Observando o gráfico desenhado no papel que vai saindo devagar do fisiógrafo,
entendemos que estamos na junção de dois mundos: um de papel, do qual acabamos
de sair, e um do instrumento, no qual acabamos de entrar. Na interface é produzido
um híbrido: uma imagem bruta que será usada depois num artigo, mas que agora
está emergindo de um instrumento (LATOUR, 2011)
Assim como o gráfico produzido por um experimento de endorfina, o mapa também

emerge de algo (da leitura do real). Ele é um híbrido que é elaborado por alguém, mas depois
será usado como verdade científica e representação da realidade. E é como híbrido que ele
deve ser considerado.
5.6 Os mapas são...científicos e políticos...são a gestão do espaço
Já verificamos que o mapa são as ciências contidas nele, os elementos para sua
elaboração assim como os laboratórios e os pesquisadores envolvidos em sua feitura. Mas os
mapas são tanto o que os concretiza como o interesse que está por trás de sua elaboração e a
interação após a sua concretização. Eles são tanto o antes, como o durante e o depois de sua
elaboração.
O mapeamento, tanto na sociedade contemporânea como nas civilizações mais antigas
(como da Grécia Antiga, Navegações e Renascimento), seja qual fosse a área abrangida, a
32
Humanos e não-humanos são terminologias usadas por Latour (1994) para descrever os integrantes da rede
sociotecnica, sejam pessoas ou objetos.
33
Se o objetivo desse estudo é acabar com as dicotomias, vamos olhar para essa prática de uma maneira menos
fragmentada.
177
técnica ou a orientação (Oriente, Ocidente, Norte ou Sul), sempre possuiu e possui um

objetivo final. Este objetivo é definido pela equipe executora e/ou pela pessoa, órgão ou
equipe que o solicita.
No império Greco-Romano, o desenvolvimento da cartografia se deu para que se
conseguisse mapear cada vez com mais detalhes. Mas qual era o objetivo fim desses esforços?
Principalmente poder representar o território do império romano. E com que propósito? Para
que os exércitos pudessem se deslocar, para auxiliar viagens e coleta de impostos além de
“mostrar” o domínio do império romano. A dominação de uma nação poderia ser simbolizada
por sua expansão territorial.
Já na época das navegações, todos os esforços em avanços cartográficos e a maioria
dos mapas elaborados por cartógrafos relacionados a Portugal ou a Espanha tinham como
objetivo final potencializar o aspecto colonizador desses países. Diferente da “Cartografia
Greco-Romana” que representava o mundo habitado por povos conhecidos, a cartografia da
Idade Média, como veremos a seguir, mapeava as áreas a descobrir, territórios a colonizar, o
levantamento, conhecimento e registro dos continentes e áreas de exploração e, não só isso, a
divisão dessas áreas entre esses paísesaté representar com perfeição os 360º do globo terrestre.
O mapa era visto como ferramenta de navegação, descobrimento e exploração e por fim,
como prova de dominação. Talvez seja esse o exemplo pretérito mais forte, do papel
científico-político do mapa. Nessa época, segundo Brotton (2013):
A riqueza e poder do país não estavam mais na posse de território, mas no controle
estratégico de redes comerciais que estavam a milhares de quilômetros de distância
do centro imperial. Diferentemente dos antigos impérios construídos sobre a
aquisição e controle da terra, tínhamos um novo tipo de império, construído sobre a
água.
Existem outros exemplos pretéritos, envolvendo cartografia e política, como o do

Tratado de Madrid em 1750, “os mapas adquiriram uma enorme importância enquanto
instrumentos visuais de trabalho” (FERREIRA, 2007, p.52), pois mostravam as pretensões
das coroas ibéricas na “partilha da América do Sul”. Ou o mapeamento do território Francês
organizado pela família Cassini considerado “o primeiro mapa moderno de uma nação,
usando métodos científicos inovadores de levantamento topográfico para representar de forma
abrangente um país Europeu” (BROTTON, 2013, p. 326); utilizado para simbolizar e
construir o sentimento de nação da República recém instituída. Mas através desses poucos
exemplos citados e brevemente descritos, percebe-se tanto a evolução científica sendo
conseguida a partir de interesses políticos, como, o uso dos mapas como instrumentos
políticos, seja para a requisição de território (no caso do Tratado de Tordesilhas, da questão
178
sobre Moluscas, do Tratado de Madri), seja para a construção de um Estado-Nação (no caso
da República Francesa).
Exemplos do papel científico-político do mapa também são facilmente encontrados no
mundo contemporâneo, tanto em empregos globais como em nacionais ou regionais.
Uma das aplicações mundiais da elaboração de material cartográfico para um fim
político se relaciona às políticas mundiais relacionadas às Mudanças Climáticas, sendo esta
amplamente debatida em Fernandez (2014).
Em âmbito mundial, os Inventários Nacionais à cerca das emissões de gases do efeito
estufa são as fontes de informação para as reuniões e tomadas de decisões da Convenção
Quadro das Nações Unidas sobre Mudanças Climáticas (United Nations Framework
Conventionon Climate Change – UNFCCC) (Fernandez, 2014).
Os Inventários Nacionais, denominados Comunicações Nacionais, representam o
diagnóstico mundial das emissões e remoções antrópicas de gases causadores de efeito
estufa (GEEs), incluindo o monitoramento necessário para verificação do
cumprimento das metas estabelecidas do Protocolo de Kyoto. Devem ser transmitidos
à Conferência das Partes, por meio de Secretariado, utilizando metodologias
comparáveis, desenvolvidas e aprovadas pela Conferência das Partes (FERNANDEZ,
2014, p, 216).
Segundo Fernandez (2014), essas metodologias podem ser encontradas em

publicações do Intergovernamental Panel on Climate Change (IPCC), como: (i) Revised 1996
IPCC Guidelines for National Greenhouse Gas Inventories (IPCC, 1997); (ii) Good Practice
Guidance and Uncertainty Management in National Greenhouse Gas Inventories (IPCC,
2000); (iii) Definitions and Methodological Options to Inventory Emissions from Direct
Human-induced Degradation Forests and Devegetation of Other Vegetation Types (IPCC,
2003a); (iv) Good Practice Guidance for Land Use, Land use Change and Forestry (IPCC,
2003b); (v) 2006 IPCC Guidelines for National Greenhouse Gas Inventories (IPCC, 2006).
Em alguns desses documentos existem descrições específicas de como realizar o
mapeamento através da adoção do Sensoriamento Remoto para a identificação do uso e
cobertura. Isso porque, através das metodologias propostas atualmente, só se pode realizar o
inventário de emissões dos gases do efeito estufa através de técnicas de mapeamento
temático. Ou seja, a fonte de dados proveniente das emissões são mapas e, a partir deles é que
são feitas as principais tomadas de decisões.
Em âmbito Nacional, um exemplo da adoção da cartografia e das geotecnologias como
ferramenta política é o Cadastramento Ambiental Rural (CAR), apresentado no “novo”
Código Florestal Brasileiro”.
179
O Código Florestal Brasileiro foi estabelecido pela lei Federal 12.651 de 25 de maio
de 2012 e “ dispõe sobre a proteção da vegetação nativa. Dentre as várias diferenças do
“antigo código” está a apresentação do CAR, apresentado no capítulo VI da lei:
CAPÍTULO VI
DO CADASTRO AMBIENTAL RURAL
Art. 29. É criado o Cadastro Ambiental Rural - CAR, no âmbito do Sistema
Nacional de Informação sobre Meio Ambiente - SINIMA, registro público
eletrônico de âmbito nacional, obrigatório para todos os imóveis rurais, com a
finalidade de integrar as informações ambientais das propriedades e posses rurais,
compondo base de dados para controle, monitoramento, planejamento ambiental e
econômico e combate ao desmatamento.
§ 1o A inscrição do imóvel rural no CAR deverá ser feita, preferencialmente,
no órgão ambiental municipal ou estadual, que, nos termos do regulamento, exigirá
do proprietário ou possuidor rural: (Redação dada pela Lei nº 12.727, de 2012).
I - identificação do proprietário ou possuidor rural;
II - comprovação da propriedade ou posse;
III - identificação do imóvel por meio de planta e memorial descritivo,
contendo a indicação das coordenadas geográficas com pelo menos um ponto de
amarração do perímetro do imóvel, informando a localização dos remanescentes de
vegetação nativa, das Áreas de Preservação Permanente, das Áreas de Uso Restrito,
das áreas consolidadas e, caso existente, também da localização da Reserva Legal.
§ 2o O cadastramento não será considerado título para fins de
reconhecimento do direito de propriedade ou posse, tampouco elimina a necessidade
de cumprimento do disposto no art. 2o da Lei no 10.267, de 28 de agosto de 2001.
§ 3o A inscrição no CAR será obrigatória para todas as propriedades e posses
rurais, devendo ser requerida no prazo de 1 (um) ano contado da sua implantação,
prorrogável, uma única vez, por igual período por ato do Chefe do Poder Executivo.
Art. 30. Nos casos em que a Reserva Legal já tenha sido averbada na
matrícula do imóvel e em que essa averbação identifique o perímetro e a localização
da reserva, o proprietário não será obrigado a fornecer ao órgão ambiental as
informações relativas à Reserva Legal previstas no inciso III do § 1o do art. 29.
Parágrafo único. Para que o proprietário se desobrigue nos termos do caput,
deverá apresentar ao órgão ambiental competente a certidão de registro de imóveis
onde conste a averbação da Reserva Legal ou termo de compromisso já firmado nos
casos de posse
O CAR foi criado para a organização do espaço territorial do Brasil e de seus imóveis
rurais, assim como definição das áreas de Reservas Legais e Áreas de Preservação
Permanente, como disposto em Brasil (2012). Para sua realização existe uma página
eletrônica específica, o Sistema Nacional de Cadastro Ambiental Rural
(http://www.car.gov.br/), onde se pode fazer o download do programa específico que faz o
Cadastro.
Além da inserção de documentos legais referentes ao Imóvel, outra etapa para o
cadastro é a delimitação do imóvel em imagem de satélite disponível do programa, além da
delimitação de possíveis áreas de APP e a área da reserva legal. Ou seja, um instrumento
nacional para o cadastro dos imóveis rurais e seu mapeamento online.
180
Todos os exemplos apontados até aqui são os mais diferentes possíveis, tanto no
aspecto temporal como em relação aos objetivos e aplicação, mas todos retratam o papel
científico-político que o mapa possui ao longo da história, mesmo antes da modernidade, mas
com certeza muito mais complexa após.
Atualmente, o mapeamento de manguezais é feito principalmente com o uso das
geotecnologias (principalmente o Sensoriamento Remoto). Como descrito por Kuezen et al.
(2011), o sensoriamento remoto em manguezais fornece informações para:
 Inventário do habitat;
 Detecção de mudanças e monitoramento;
 Suporte para a avaliação de ecossistemas;
 Acesso à produtividade;
 Estimativa da capacidade de regeneração;
 Planejamento de trabalho de campo;
 Acesso à qualidade de água;
 Fornecer informações para o manejo e respostas a desastres.
Alguns, se não todos, os objetivos descritos por Kuenzen et al. (2011) ratificam as
relações políticas que os mapas possuem. O “inventário do habitat” pode ser a base de estudos
de valoração ambiental e; junto com a detecção de mudanças podem ser a base da
quantificação de sequestro de carbono de uma região. Como dito em relação às medidas do
IPCC, os mapas aqui também servem de base para gestão do território e decisões e
articulações políticas da sociedade deixando de ser uma mera representação de um ambiente e
passando a ser ferramenta concreta de tomadas de decisões. A relação entre mapeamento e
relações políticas talvez fique mais evidente ao detalhar os objetivos fins dos dois
mapeamentos apresentados na outra seção dessa tese.
Como já mencionado, os mapeamentos da tese foram elaborados no âmbito das
pesquisas desenvolvidas pelo Núcleo de Estudos em Manguezais (NEMA-UERJ). A primeira
demanda, a diferenciação das florestas de mangue em tipos fisiográficos, surgiu no
NEMA/UERJ no projeto de análise do papel do ecossistema manguezal com sequestrador de
carbono atmosférico. Esse tipo de estudo se relaciona a outra complexa rede sociotécnica
descrita por Fernandez (2014) e alimenta as práticas relacionadas aos estudos de mudanças
181
climáticas e mudanças de uso da terra (focando na análise da emissão dos gases do efeito
estufa).
Esse tipo de estudo relaciona-se também aos estudos de desmatamento da Amazônia e
àquela apresentação da representante da Google no SBSR de 2015. Com sua frase
apresentada no slide, não sabíamos o que era mais importante para o desenvolvimento da
técnica: a árvore caída, o barulho feito, o computador acionado ou o mapa produzido. Ao
constatarmos o papel político que os mapeamentos de floresta têm, pode-se especular o que é
mais importante para a sociedade moderna e concluir o mesmo que Latour (2011) para um
estudo pedológico na floresta Amazônica:
“Se uma imagem vale mais do que mil palavras, um mapa, como veremos, vale mais
que uma floresta inteira” (Latour, 2001, p. 39). Isso porque uma floresta só pode ser
“valorada” a partir de práticas científicas de mapeamento, seu carbono estocado e sequestrado
só pode ser estimado a partir de um cálculo de área, realizado a partir do mapeamento. Uma
Unidade de Conservação, de Preservação Permanente ou Reserva legal só é legítima, a partir
de seu cadastro. Sendo assim, na sociedade moderna, uma floresta pode existir no mundo real,
pode estar de pé, mas o que a faz fato dentro da sociedade é sua identificação quanto a
polígono pertencente em um mapa. O mapa, vale mais do que a floresta que representa.
A consideração do mapa mais importante que a própria floresta e sua maior
importância (por seu “científico”) nas práticas sociais hierarquiza os saberes e valoriza esse
tipo de representação da realidade. Na ótica não-moderna, após percebemos que os mapas são
sua história; as ciências contidas neles; os procedimentos para sua elaboração; as
conexões nos laboratórios e; por fim, são parte da gestão do espaço de modo a interagir
(após sua finalização) com outros agentes verificamos que tal hierarquização não existe. O
mapa está no mundo comum, onde ciência, procedimento, laboratórios, medidas em
campo, árvores interagem de maneira que todos devem ser considerados para a
democratização do fazer. Seja da ciência, seja de qualquer prática.
5.7 Então, o mapa é a rede sociotécnica
Um mapa pode ser um objeto de arte e decoração. Ele pode ser muito mais dinâmico e
interativo, utilizado por milhões de pessoas para atravessar as grandes cidades todos os dias,
como nos aplicativos de navegação e trânsito dos celulares. Podem também substituir textos e
182
serem as maiores ferramentas políticas em trabalhos relacionados ao meio ambiente. Seja qual
for o mapa ou seu objetivo principal, ele age na sociedade e a ele pode ser atribuído um
sistema de ações. Nas palavras de Milton Santos:
Uma casa vazia ou um terreno baldio, um lago, uma floresta, uma montanha, não
participam do processo dialético senão porque lhes são atribuídos determinados
valores, isto é, quando são transformados em espaço. O simples fato de existirem
como formas, isto é, como paisagem, não basta. A forma já utilizada é coisa
diferente, pois seu conteúdo é social. Ela se torna espaço, porque forma-conteúdo
(SANTOS, 1996).
A partir da purificação moderna, Latour evidencia a existência dos quase-sujeitos:

Desta vertente fundamental, aprendemos que o único meio de escapar às armadilhas
simétricas da naturalização e da sociologização consiste em conceder à linguagem
sua autonomia. Como desdobrar, sem ela, este espaço mediano entre as naturezas e
as sociedades para nele acolher os quase-objetos, quase-sujeitos? As semióticas
oferecem uma excelente caixa de ferramentas para seguir de perto as mediações da
linguagem. Mas ao eludir o problema duplo das ligações com o referente e com o
contexto, elas nos impedem de seguir os quase-objetos até o fim. Estes, como eu
disse, são ao mesmo tempo reais, discursivos e sociais. Pertencem à natureza, ao
coletivo e ao discurso. Se autonomizarmos o discurso, entregando para tanto a
natureza aos epistemólogos e a sociedade aos sociólogos, tornamos impossível a
conciliação dessas três fontes (LATOUR 1994).
Os quase-sujeitos são objetos, mas agem na rede-sociotécnica assim como os atores.

Desta forma, nem são objetos nem sujeitos, como os próprios sujeitos, não o são. “A
proliferação dos quase-objetos rompeu a temporalidade moderna, bem como sua Constituição.
[…] Ninguém mais pode classificar em um único grupo coerente34 os atores que fazem parte
do “mesmo tempo” (LATOUR, 1994,).
Se voltarmos ao sistema de comunicação cartográfica (proposto nesse estudo, com a
incorporação das geotecnologias) ele pode ser explicado de duas maneiras:
1 – As imagens de satélite registram o mundo real, locus dos fenômenos, e imagens
são produzidas. A imagem mostra ao “mapeador”, através dos pixels, as condições de
cobertura do solo (baseada em suas próprias resoluções). O “mapeador” analisa essas
diferenças e registra no mapa. O mapa então passa a ser usado por tomadores de decisão. Sua
qualidade depende do trabalho do “mapeador”.
2 – As imagens de satélite veem o mundo real, locus dos fenômenos, e imagens são
produzidas. A imagem fala com o “mapeador”, através dos pixels, as condições de cobertura
do solo (baseada em suas próprias resoluções). O “mapeador” registra essas diferenças em
forma de mapa. O mapa então passa a influenciar as ações dos tomadores de decisão, dos
usuários finais. Sua influência dependerá do seu tema, de seu detalhamento.
34
Porque os atores são heterogêneos.
183
As duas opções estão corretas, a questão é que a primeira é a que está mais
incorporada nos “pensadores modernos”, enquanto a segunda evidencia o papel de quase-
sujeito das imagens de satélite e do mapa e de quase-objetos do “operador” e dos usuários
finais. No fundo, não há diferença. Na rede sociotécnica do mapa tanto sujeitos como objetos
agem, influenciam e são influenciados.
Quando, por exemplo, um mapa de manguezal é elaborado no NEMA-UERJ e,
percebe-se que esta pode ser uma linha de pesquisa do laboratório, então o mapa está agindo
nas articulações do laboratório. Se para ele ser elaborado, articulações financeiras entre
laboratório e agências de fomento devem ser pensadas e estruturadas, mas uma vez ele está
agindo.
“O espaço é formado por um conjunto indissociável, solidário e também contraditório,
de sistemas de objetos e sistemas e ações, não considerados isoladamente, mas como o quadro
no qual a história se dá” (SANTOS, 1996). Portanto, o mapeamento de manguezais, assim
como qualquer mapa, é natural-social, cientifico-político, sujeito-objeto. Mais uma vez
dizemos que ele é, as ciências e suas práticas, seus laboratórios (NEMA e ESPAÇO como
um) e conexões (agências de fomentos, bolsas de estágio, programas de pós-graduação, etc),
sua ideia inicia, tudo que envolve sua execução (imagens, computadores, processamento de
imagens, medidas nas florestas, método de mapeamento, experiência do operador) e sua
reprodução e aproveitamento.
No caso do mapeamento de manguezais, o mapa vai além da comunicação cartográfica
apresentada no início desse capítulo. Ele se desdobra em várias articulações, como proposto
na figura 56. O mapa é a rede.
184
Figura 56 - A rede do mapeamento.
Legenda: Nela, para a realização do mapeamento temos sujeitos e objetos com a mesma importância. O “Mundo Real”, locus do fenômeno, é analisado tanto por humanos (cientistas com suas culturas) ou através dos satélites (não-humanos) e suas imagens. A
concepção do mapa é feia (atualmente) tanto por cartógrafos, como ecólogos e geógrafos, e para tal, elementos e conceitos de cada uma dessas ciências interferem no processo. Nesse aspecto, não só a parte de dentro do laboratório é considerada, mas o
movimento social necessário para essa prática, como a relação com agências de fomento (CNPq, FAPERJ e CAPES) e as próprias instituições de ensino (UFRJ e UERJ). Todo esse processo não se apresenta de maneira linear, mas como uma rede interconectada.
Fonte: Almeida (2015).
185
6 REFLEXÕES FINAIS
"Ando devagar porque já tive pressa..."

Tocando em frente - Almir Sater
Ao final do extenso exercício que esse estudo propôs pode-se dizer que técnicas de
mapeamento permitem, para algumas escalas determinar as distintas fitofisionomias (tipos
fisiográficos) presentes nas florestas de mangue. Constata-se ainda, que esses esforços
científicos não são isolados, que a "arte" de mapear possui vários atores e objetos que
influenciam sua elaboração e que esse aspecto também deve ser considerado sob uma
perspectiva transdisciplinar.
Ao seguir os passos do paradigma científico atual construímos a seção I da tese, que
mostrou através de seus dois capítulos, contribuições significativas para a análise mais
detalhada das florestas de mangue.
Ao considerar somente esse aspecto relacionado ao "conjunto de ferramentas" da
tecnociência do geoprocessamento, a primeira parte da tese objetivava analisar duas técnicas
para o mapeamento de manguezais, com o intuito de diferenciar suas estruturas florestais.
Nesse contexto, a Classificação Baseada em Objetos Geográficos foi analisada no capítulo I e
a análise dessa floresta através de índices de vegetação no capítulo II.
A Classificação Baseada em Objetos Geográficos se mostrou eficaz para a
diferenciação do interior da floresta de mangue através do mapeamento dos tipos fisiográficos
de manguezais. Através do estudo de caso, foi demonstrada a eficácia do método adotado para
o estudo detalhado e em alta resolução de florestas de mangue, o que possibilitou a
discriminação confiável, de suas diferentes fitofisionomias. Para estudos de outros tipos
florestais, a contribuição desse estudo são os aspectos metodológicos, é demostrar que para
um mapeamento que objetive a diferenciação (interna) da floresta, se faz necessário um
levantamento de campo que represente a diversidade (ecológica) da floresta.. Somente a
aliança de técnicas inovadoras com estudos in situ a partir de métodos já consolidados, pode
fornecer resultados eficazes.
Conclui-se que com o sucesso no desempenho desse método para o mapeamento com
a legenda proposta (mais ecológica), fica evidente que o mesmo pode ser adotado para a
diferenciação das florestas de mangue.
186
O capítulo II avaliou o uso de Índices de Vegetação para a diferenciação de

fitofisionomias das florestas de mangue. Nessa etapa, verificou-se que alguns índices de
vegetação possuem comportamentos semelhantes e, que quando o objetivo é o uso dos índices
para a quantificação de biomassa, os índices se relacionam mais com a biomassa da copa
(considerando todos os seus compartimentos), do que com a biomassa total da floresta.
Além do exposto, uma das grandes contribuições desse capítulo é a demonstração de
que os índices de vegetação podem responder, em iguais proporções, tanto pela densidade e
desenvolvimento estrutural da floresta quanto pela espécie dominante na floresta. Ou seja,
duas florestas com estruturas opostas podem apresentar valores muito próximos de índices de
vegetação, somente em função da dominância de espécie. Por isso, essa área de
conhecimento carece de mais análises para detalhamento dessas relações.
Embora ambos os capítulos tenham objetivado o estudo do ecossistema manguezal,
acredita-se que os resultados adquiridos aqui podem auxiliar outros estudos semelhantes a
esse mas em outros ambientes florestais, na medida que ele traz contribuições à modelagem
de conhecimento (capítulo I) e, a avanços entre as relações das respostas espectrais e
características florestais (capítulo II).
Talvez para alguns cientistas essas contribuições sejam as mais evidentes da tese. Mais
evidentes porque a seção apresenta resultados técnicos promissores para o mapeamento de
florestas. Entretanto, ao pensarmos assim seguimos o paradigma científico atual. Castiglione
(2003), considerando o contexto do geoprocessamento; reforça que "em geral, a capacitação
em novas tecnologias se faz de forma instrumental, ou seja, com ênfase no domínio dos
processos operativos de construção de soluções". Em outras palavras, as contribuições da
seção I são mais evidentes porque está estruturada na linguagem técnico-científica.
Ao final da análise da seção I corre-se o risco de se tentar questionar sobre qual seria o melhor
método, entre os dois analisados, para o mapeamento de florestas de mangue.
6.1 Um último exercício - Afinal qual o melhor mapa?
Para responder tal pergunta, uma das abordagens seria a comparação direta dos
resultados gerados pelos dois métodos. Para isso, poderia-se usar por exemplo, a biomassa
como parâmetro de comparação, ou ainda, através do carbono estocado nessas florestas, já
que esses são parâmetros calculados muitas vezes nos estudos florestais.
187
Se a base for o mapa gerado no capítulo I (figura 30), poderíamos usar os dados
apresentados em Estrada et al. (2015) sobre o estoque médio de carbono na biomassa aérea,
de cada tipo fisiográfico. Assim, estimaríamos que o estoque de carbono em Guaratiba é de
aproximadamente 175.773 tC, sendo 390617,2 toneladas a biomassa aérea..
Se for considerado os resultados do capítulo II, os índices de vegetação poderiam ser
transformados em biomassa através das equações geradas nas regressões. A partir dessa
análise seriam elaborados mapas como da figura 57. Sob essa abordagem, considerando
imagens individuais, como a do NDVI do Inverno de 2011 que apresentou resultados
satisfatórios, chegaríamos a estimativa de estoque de 51.552 toneladas de biomassa aérea
total, que representa 23.198,4 tC.
Figura 57 - Mapeamento dos tipos fisiográficos de Guaratiba
Legenda: valores médios de estoque de carbono na biomassa aérea.

188
Os resultados gerados aqui podem ainda ser comparados com mapeamentos nacionais,
ou outros que não consideram a diferenciação de tipos fisiográficos de florestas. A figura 58,
apresenta o mapa elaborado no capítulo 1 (somente para comparação com os demais), e os
contornos da mesma floresta para o Ministério de Ciência e Tecnologia (no âmbito do
Inventário Nacional de Mudança de Uso da Terra). Como vimos durante a tese, é claro que
cada mapa possui suas especificidades frente à escala de mapeamento que influencia na
generalização. Mas faremos o exercício de calcular o estoque de carbono na biomassa aérea,
para Guaratiba, em cada mapeamento (considerando o valor de estoque médio de 60,7 tC/ha,
valor médio estocado na floresta de bacia segundo Fernandes et al. 2015) da figura. Nesse
caso, diferente dos valores calculados para os capítulos I e II, teríamos 129.753 tC no
mapeamento do inventário (cuja área mapeada foi de 2126,12 ha, distinta do mapeamento
realizado no presente estudo, que foi de 1881 ha).
Tais estimativas compõem uma forma que poderia apontar qual o melhor mapeamento
realizado, mas o que se pretende também ressaltar nesta tese é que comparações categóricas
dessa natureza não devem ser feitas. Na seção 2 desta tese são apresentadas razões para isso.
Na seção II foi apresentado que cada análise espacial é feita para um propósito e partir
de um tipo de coleta de informações do real, um tipo de imagem de satélite (ou várias), uma
maneira de interpretação dos fenômenos, um método de classificação e a partir de um analista
que possui seus próprios pré-conceitos e motivações. Responder qual é o melhor mapa não
pode se basear apenas nas pesquisas voltadas só nas técnicas, mas considerar igualmente
todos os fatores anteriormente descritos na seção II.
Isso porque são inúmeros os parâmetros que compõem a realidade, o que complica a
extração de modelos genéricos que possam responder pela realidade como um todo,
independente de estudos de caso. No entanto, as principais questões que impedem
comparações categóricas são as mesmas que definem os parâmetros que estão relacionados às
mensurações. São eles, a escala (detalhamento espacial), a legenda (detalhamento temático
quanto ao foco), a projeção cartográfica (que vai ser responsável pela forma e dimensões da
representação projetada), o limite da área (as vezes, não coincidente), data de representação.
Esses são alguns dos principais elementos definidores de um mapa. Ou seja, apesar de se ter
diferentes formas de se alcançar um produto, a representação do mesmo vai interferir
drasticamente na sua quantificação, sendo responsável, na maioria das vezes, pelas diferenças
enormes encontradas.
189
Figura 58 - Mapeamento de manguezais
Legenda: Acima - no âmbito do inventário de uso da terra; Abaixo - mapeamento de tipos fisiográficos.
O capítulo III, a partir de sua historicidade e embasamento conceitual demonstrou a

complexidade do conteúdo do mapa, que vai além da legenda e das áreas apresentadas,
engloba toda sua conceituação.
"Em face de uma tecnologia que se transforma cada vez mais velozmente, parece
haver uma única forma de tentar efetivamente acompanhá-la. Dominar o conhecimento
científico que a subsidia, ou seja, seu conteúdo" (Castiglione, 2003). Nesse sentido, trabalhos
de classificação parecem que só acompanham essa ciência se fizerem contribuições às
técnicas de mapeamento, se contribuírem com a metodologia.
Nesse sentido, no paradigma atual de representação do espaço, os mapas são sempre
as melhores tentativas de representações frente aos objetos e métodos que se pode ou se quer
190
reunir naquele momento. Os mapas não são fatos, são conjuntos de valores que fazem com
que cada mapa seja único. Uma reunião de pontos negativos e positivos que os usuários
deveriam ser capazes de interpretar. Pelo menos aqueles usuários que pretendem fazer do
mapa um dos instrumentos essenciais de seu trabalho, como aqueles que trabalham com
análises ambientais à partir de técnicas de Sensoriamento Remoto.
O capítulo III teve o papel de mostrar a complexidade que o mapa possui, tanto através
de sua conceituação como a partir da historicidade da atividade de mapeamento. A reunião
desses elementos, mesmo que já conhecidos por uma parte da comunidade científica foi
importante para aqueles que a desconheciam. Qualquer representação do real carrega consigo
uma história e um embasamento conceitual desconhecido por muitos que a usam. Não há
outra maneira de entender um objeto por inteiro se não entender como ele foi construído e
transformado. Por isso, do tratado da transdisciplinaridade, Basarab Nicolescu (1999) diz que:
Em comparação à interdisciplinaridade e a multidisplinaridade, a

transdisciplinaridade é multireferenciada e multidimensional. Tudo tendo noção das
concepções do tempo e da história, a transdisciplinaridade não exclui a existência de
um horizonte transhistórico.
Basarab (1999) evidencia que a análise transdisciplinar de um objeto tem que levar em
conta sua dimensão conceitual e temporal. Por isso, uma contribuição e inovação desse estudo
é a reunião do aspecto histórico e conceitual num trabalho que almejava analisar métodos de
análise espacial para o estudo de uma floresta costeira.
Se Milton Santos diz que "o que falta é uma disciplina que se inspire na técnica,
mas que não analise só o conjunto de técnicas mas o fenômeno da técnica, como ator e
transformador do espaço" (SANTOS, 1996), Castiglione afirma que para o
geoprocessamento, "o olhar epistemológico parece um exercício que deve ser
cotidianamente cultivado" (CASTIGLIONE, 2003).
Ao final do Capítulo III há a construção da rede sociotécnica relacionada ao
mapeamento de manguezais. Para isso, foram reunidos os agentes envolvidos nos
mapeamentos gerados na seção I, apontando em que contexto é que se faz o mapa. Além de
apontar onde são feitos os mapas, como são feitos e o que influenciam.
Uma das maiores contribuições dessa tese é reunir as duas análises em um único
documento, afinal porque estudos "técnicos" e "intelectuais" não podem, na verdade, compor
um único tipo de estudo? Aqui não se quis (somente) apresentar contribuições técnicas, nem
191
só se envolver em discussões epistemológicas. Aqui se fez ciência conforme o paradigma

científico vigente, mas questionando esse mesmo paradigma.
Afinal, como cientistas conscientes que temos que ser, não devemos só pensar no
mapa, mas no seu passado, no seu embasamento e em suas articulações futuras.... Esse é um
primeiro exercício de algo que deve ser feito aos poucos, pensando muito na ciência que se
tem e se faz e, na ciência que se quer ter e fazer. Tentamos aqui praticar “ciência com
consciência” e de forma mais holística pensar como os mapas são. Ao fim, voltamos ao
começo: Que tal fazermos mapas em ação? Que tal fazermos ciência em ação?
192
REFERÊNCIAS
ALATORRE, L. C., SÁNCHEZ-ANDRÉS, R., CIRUJANO, S., BEGUERÍA, S., &

SÁNCHEZ-CARRILLO, S. (2011). Identification of mangrove areas by remote sensing: The
roc curve technique applied to the northwestern Mexico coastal zone using landsat
imagery. Remote Sensing, 3(8), 1568-1583.
ALBUQUERQUE, C. K. 2010. Avaliação Qualitativa de Fragmentos Florestais com Dados

de Sensoriamento Remoto como subsídio à formação de Corredores Ecológicos na APA São
João. Dissertação (Mestrado em Geografia) - Universidade Federal do Rio de Janeiro, .
Orientador: Carla Bernadete Madureira Cruz. 223p.
ALMEIDA, P. M. M. 2007. Utilização de Imagens de Satélite Para Análise MultiTemporal do

Manguezal de Guaratiba - RJ. Trabalho de Conclusão de Curso (Graduação em Oceanografia)
- Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 72 f.
ALMEIDA, P. M. M. 2010. Análise espaço-temporal da área ocupada por florestas de

mangue em Guaratiba (Rio de Janeiro, RJ) de 1985 até 2006 e sua relação com as variações
climáticas. Dissertação de mestrado para o Programa de Pós- Graduação em Geografia da
UFRJ. 142 f.
ANSON, R. W., & ORMELING, J. A. 1996. International Cartographic Association

(ICA). Communication, design and visualization,. Basic Cartography for students and
technicians, 3, 71-83.
BAATZ, M., & SCHÄPE, A. 1999. Object-oriented and multi-scale image analysis in
semantic networks. In 2nd international symposium: operationalization of remote
sensing (Vol. 16, No. 20, pp. 7-13).
BAGROW, L. 2010. History of cartography. Transaction Publishers.
BATADLAN, B. D., PARINGIT, E. C., SANTILLAN, J. R., CAPARAS, A. S., & FABILA,
J. L. 2009. Analysis of background variations in computed spectral vegetation indices and its
implications for mapping mangrove forests using satellite imagery. In 4th ERDT Conference,
Manila, Philippines.
BAUDRILLARD, J. 1973. Le miroir de la production. Casterman, Paris.
BERK, A., BERNSTEIN, L. S., & ROBERTSON, D. C. 1987. MODTRAN: A moderate

resolution model for LOWTRAN (No. SSI-TR-124). SPECTRAL SCIENCES INC
BURLINGTON MA.
BLASCO, F., AIZPURU, M., & GERS, C. 2001. Depletion of the mangroves of Continental
Asia. Wetlands Ecology and Management, 9(3), 255-266.
BLASCO, F., T. GAUQUELIN, M. RASOLOFOHARINORO, I. Denis, M. Aizpum and V.

Caldairou. 1998. Recent advances in mangrove studies usingremote sensing data. Mttr.
Ereshzoater Res. f9:n7-296.
193
BHIMBA, B. V., MEENUPRIYA, J., JOEL, E. L., NAVEENA, D. E., KUMAR, S., &
THANGARAJ, M. 2010. Antibacterial activity and characterization of secondary metabolites
isolated from mangrove plant Avicennia officinalis. Asian Pacific Journal of Tropical
Medicine, 3(7), 544-546.
BRITES, R. S., SOARES, V. P., & RIBEIRO, C. A. A. S. 1997. Efeitos da estratégia de

amostragem na exatidão reportada pelo índice Kappa na classificação de imagens
orbitais. Revista Árvore, 21(1), 155-162
BROTTON, J. 2014. Uma história do mundo em doze mapas. Zahar.
CAPRA, F. 1998. Ponto de Mutação, O. editora Cultrix.
CASTIGLIONE, L. H. G. 2003. Uma viagem epistemológica ao geoprocessamento. Rio de

Janeiro, ENCE. Dissertação de Mestrado.
Castro, J. F. M. 2012. História da cartografia e cartografia sistemática. Ed. PUC Minas.
CHAVES, F.O. 2001. Análise dos Padrões de Zonação e Sucessão de Espécies de Mangue na
Região de Guaratiba, Baía de Sepetiba – RJ. Monografia de Bacharelado. Departamento de
Oceanografia. Universidade do Estado do Rio de Janeiro. 77p.
CONCHEDDA, G., DURIEX, D., MAYAUX, P. 2008. An object-based method for mapping
and change analysis in mangrove ecosystems, ISPRS Journal of Photogrammetery & Remote
Sensing, 63: 578-589.
CONGALTON, R. G., & GREEN, K. (2008). Assessing the accuracy of remotely sensed
data: principles and practices. CRC press.
CORRÊA, F. M. 1996. Caracterização estrutural preliminar do bosque de mangue da região

do Rio Piraquê, Guaratiba, Baía de Sepetiba - RJ. Monografia de Final de Curso.
Departamento de Oceanografia. Universidade do Estado do Rio de Janeiro. 37p.
COSGROVE, D. 2003. Historical perspectives on representing and transferring spatial

knowledge. In Mapping in the Age of Digital Media–The Yale Symposium, Wiley-
Academy (pp. 128-137).
CRUZ, C.B.M., VICENS, R.S., SEABRA, V.S., REIS, R.B., FABER, O.A., RICHTER, M.,
ARNAUT, P.K.E., ARAUJO, M. 2007. Classificação orientada a objetos no mapeamento dos
remanescentes da cobertura vegetal do bioma Mata Atlântica, na escala 1:250.000. XIII
Simpósio Brasileiro de Sensoriamento Remoto, INPE, Florianópolis, Brasil.
CRUZ, C. B. M.; ROSÁRIO, L. S.; ABREU, M. B.; ALMEIDA, P. M. M.; VICENS, R. S.;
CRONEMBERGER, F. M. 2009. Classificação Orientada a Objetos na Geração do Mapa de
Uso e Cobertura da Terra do estado do Rio de Janeiro. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 14. (SBSR) Natal. São José dos Campos: INPE, p. 4797-
4804. DVD, On-line. ISBN 978-85-17-00044-7. (INPE-15962-PRE/10571).
CRUZ, 2015 -comunicação pessoal

194
D'IORIO, M., JUPITER, S. D., COCHRAN, S. A., & POTTS, D. C. 2007. Optimizing remote
sensing and GIS tools for mapping and managing the distribution of an invasive mangrove
(Rhizophora mangle) on South Molokai, Hawaii. Marine Geodesy, 30(1-2), 125-144.
DOBSON, J. E. 1983. Reply to Comments on Automated Gegraphy.The Professional

Geographer. 35 (3):349-353.
DUPUY, S., HERBRETEAU, V., FEYFANT, T., MORAND, S., & TRAN, A. 2012. Land-
cover dynamics in Southeast Asia: contribution of object-oriented techniques for change
detection. In 4th International Conference on GEographic Object-Based Image Analysis
(GEOBIA), Rio de Janeiro, Brazil (pp. 217-222).
DUTRIEUX, E., DENIS, J., POPULUS, J. 1990. Application of SPOT data to a baseline
ecological study the Mahakam Delta mangroves East Kalimanta, Indonesia. Oceanologica
Acta 13, 317e326
ESTEVAM, M.R.M. 2010. Análise da dinâmica de propágulos, plântulas e jovens associada

ao processo de colonização de planície hipersalina (apicum) por espécies de mangue em
Guaratiba, Rio de Janeiro – RJ. Monografia de Bacharelado. FACULDADES
INTEGRADAS MARIA THEREZA. Rio de Janeiro. 64p.
ESTRADA, G.C.D. 2009. Análise da variabilidade estrutural de florestas de mangue de

Guaratiba, Rio de Janeiro - RJ. Dissertação de Mestrado Programa de Pós-Graduação em
Ecologia da Universidade Federal do Rio de Janeiro. 83 p.
ESTRADA, G. C. D.; CALLADO, C. H.; SOARES, M. L. G.; LISI, C. S. 2008. Annual

growth rings in the mangrove Laguncularia racemosa (Combretaceae). Trees (2008) n. 22 p.
663–670
ESTRADA, G. C. D. 2013. Análise espaço-temporal do sequestro e do estoque de carbono na

biomassa aérea de manguezais. Tese (Doutorado em Ecologia) – Instituto de Biologia,
Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2013. 268 p
ESTRADA, GUSTAVO CALDERUCIO DUQUE ; SOARES, MÁRIO LUIZ GOMES ;

FERNADEZ, VIVIANE ; DE ALMEIDA, PAULA MARIA MOURA. 2015. The economic
evaluation of carbon storage and sequestration as ecosystem services of mangroves: a case
study from southeastern Brazil. International Journal of Biodiversity Science, Ecosystem
Services & Management, v. 11, p. 29-35.
FERNANDEZ, V. 2014. Para onde vamos com o sequestro de carbono? A rede sociotécnica
do carbono assimilado por manguezais, Tese. Doutorado em Meio Ambiente
FERREIRA, A. A. M. & OLIVEIRA, M. V. 1985. Contribuição ao estudo arqueo-geológico

do Quaternário Superior da Baixada de Guaratiba-Sepetiba. In: Coletores e Pescadores Pré-
Históricos de Guaratiba - Rio de Janeiro. L. M. Kneip (ed.). Editora UFRJ/EDUFF. Rio de
Janeiro, Niterói. pp 29-46.
FERREIRA, M. C. 2007. O Mapa das Cortes e o Tratado de Madrid: a cartografia a serviço

da diplomacia. Varia História, 23(37), 51-69.
195
FIGUEIREDO, G. C., & VIEIRA, C. A. O. 2007. Estudo do comportamento dos índices de

exatidão global, Kappa e Tau, comumente usados para avaliar a classificação de imagens de
sensoriamento remoto. Simpósio Brasileiro de Sensoriamento Remoto, 13, 5755-5762.
FITZ, P. R. 2008. Geoprocessamento sem complicação. São Paulo: Oficina de Textos.
FLORENZANO, T. G. 2007. Iniciação em sensoriamento remoto. 2.ed. de imagens de satélite

para estudos ambientais. São Paulo: Oficina de Textos.
FONSECA, L. M. G. 2000. Processamento digital de imagens. Instituto Nacional de

Pesquisas Espaciais (INPE), 105p.
FONSECA, A. D., & FERNANDES, J. C. 2004. Detecção remota.
FROMARD, F., C. VEGA, AND C. POISY 2004. Half a century dynamics coastal change
affecting mangrove shorelines of French Guiana: A case study based on remote sensing data
analysis and field surveys, Mar. Geol., 208, 265 – 280 Green EP.
GIRI, C., PENGRA, B., ZHU, Z., SINGH, A., & TIESZEN, L. L. 2007. Monitoring
mangrove forest dynamics of the Sundarbans in Bangladesh and India using multi-temporal
satellite data from 1973 to 2000. Estuarine, Coastal and Shelf Science, 73(1), 91-100.
GREEN, E. P., CLARK, C. D., MUMBY, P. J., EDWARDS, A. J., & ELLIS, A. C. 1998.
Remote sensing techniques for mangrove mapping. International Journal of Remote
Sensing, 19(5), 935-956.
GREEN, EDMUND P., ET AL. (1997). Estimating leaf area index of mangroves from
satellite data. Aquatic Botany 58.1: 11-19.
GREEN, E. P., MUMBY, P. J., EDWARDS, A. J., & CLARK, C. D. 1996. A review of
remote sensing for the assessment and management of tropical coastal resources. Coastal
management, 24(1), 1-40.
HELDEN, U. & STERN, M. 1980. Evaluation of Landsat Imagery and Digital Data for
Monitoring Desertification Indicators in Tunisia. Proc. 14th. Int. Symp. on Rem. Sens. of
Environ., p. 1601-1611.
HERZ, R. 1991. Manguezais do Brasil. USP.
ISMAIL, M. H., OTHMAN, C. K., AKMA, C. K., & USALI, N. 2011. Performance of
intrinsic and soil line-based vegetation indices to mangrove mapping in Malaysia. Journal of
Biodiversity and Ecological Sciences, 1(1), 41-52.
JENSEN, J. R., & EPIPHANIO, J. C. N. 2009. Sensoriamento remoto do ambiente: uma

perspectiva em recursos terrestres. São José dos Campos: Parêntese Editora.
JONES J., DALE P.E.R., CHANDICA A.L. AND BREITFUSS M.J. 2004. Distribution
changes of the Grey Mangrove Avicennia marina (Forsk.) using large scale aerial color
196
infrared photographs: are the changes related to habitat modiﬁcation for mosquito control?
Estuar. Coast. Shelf Sci. 61: 45–64
JUPITER, S. D.; DONALD, C. P.; STUART, R. P.; NORMAN, C. D. 2007. Natural and
anthropogenic changes to mangrove distributions in the Pioneer River Estuary (QLD,
Australia). Wetlands Ecol Manage. 15: 51-61.
KAMAL, M., PHINN, S., & JOHANSEN, K. 2014. Characterizing the spatial structure of
mangrove features for optimizing image-based mangrove mapping. Remote Sensing, 6(2),
984-1006.
KAMTHONKIAT, D., RODFAI, C., SAIWANRUNGKUL, A., KOSHIMURA, S., &

MATSUOKA, M. 2011. Geoinformatics in mangrove monitoring: damage and recovery after
the 2004 Indian Ocean tsunami in Phang Nga, Thailand. Natural Hazards and Earth System
Science, 11(7), 1851-1862.
KOVACS, J.M.; FLORES-VERDUGO, F.; WANG, J.; ASPDEN, L.P. 2004.

Estimating leaf area index of a degraded mangrove forest using high spatial resolution
satellite data. Aquat. Bot. 80, 13-22.
KUENZER, C., BLUEMEL, A., GEBHARDT, S., QUOC, T. V., & DECH, S. 2011. Remote
sensing of mangrove ecosystems: A review. Remote Sensing, 3(5), 878-928.
KUHN, T. S. 1975. A estrutura das revoluções científicas (Vol. 3). São Paulo: Perspectiva.
LACOSTE, Y., & FRANCA, M. C. 1976. A geografia: isso serve, em primeiro lugar, para
fazer a guerra. Papirus.
LANG, S.; BLASCHKE, T. 2009. Análise da Paisagem com SIG. São Paulo: Oficina de
Textos.
LATOUR, B., & WOOLGAR, S. 1997. A vida de laboratório: a produção dos fatos
científicos. Rio de Janeiro: Relume Dumará.
LATOUR, B. 1994. Jamais fomos modernos. Editora 34.
LATOUR, B. 2000. Ciência em ação. Unesp.
LATOUR, B. 2004. Políticas da natureza: como fazer ciência na democracia. Edusc.
LATOUR, B. 2012. Reagregando o social: uma introdução à teoria do ator-rede. Salvador:

Edufba.
LATTES. 2015. Plataforma Lattes. Disponível em www.lattes.canpq.br Acessado abril de

2015
LAW, J. 1996. After ANT: complexity, naming and topology. The Sociological
Review, 47(S1), 1-14.
197
LEE, T. M., & YEH, H. C. 2009. Applying remote sensing techniques to monitor shifting
wetland vegetation: A case study of Danshui River estuary mangrove communities,
Taiwan. Ecological engineering, 35(4), 487- 496.
LEFF, E. Racionalidade ambiental: a reapropriação social da natureza. Rio de Janeiro:

Civilização Brasileira, 2006. 555 p.
LEFF, E. Saber Ambiental: sustentabilidade, racionalidade, complexidade, poder. Petrópolis:

Vozes, 2009. 494 p.
LEUKERT, K., DARWISK, A. ; REINHARDT, W. 2004. Transferability of Knowledge-

based classification rules, ISPRS 2004 XXth Congress, Istanbul. Lugo, A.E. & Snedaker, S.C.
1974. The ecology of mangroves. Annual Review of Ecology and Systematics, 5: 39-64.
LUGO, A. E., & SNEDAKER, S. C. 1974. The ecology of mangroves. Annual review of
ecology and systematics, 39-64.
MARTINELLI, M. 2003. Mapas da geografia e cartografia temática. Editora Contexto.
MENEZES, P. M. L. D., & FERNANDES, M. D. C. 2013. Roteiro de cartografia. São Paulo:

Oficina de Textos, 288.
MAHMOUD, A., SALEH. 2007. Assessment of mangrove vegetation on Abu Minqar Island
of the Red Sea, Journal of Arid Environments, Vol. 68, Issue 2, pp. 331-336.
MONMONIER, M. 2014. How to lie with maps. University of Chicago Press.
MORIN, E. 1984. Ciencia com consciencia (p. 300). Barcelona: Anthropos.
MUTTITANON, W., TRIPATHI, N.K. 2005. Land use/land cover changes in the coastal
zone of Ban Don Bay, Thailand using Landsat TM data. Int. J. Remote Sens. 26, 231–2323.
NICOLESCU, B. 2002. Manifesto of transdisciplinarity. SUNY Press.
NOVO, E.M.L.. 2010. Sensoriamento remoto: princípios e aplicações. Edgard. 4ª Edição

Blücher.
OLIVEIRA, V. F. 2001. Monitoramento do ecossistema manguezal visando sua utilização

como indicador de variações do nível médio relativo do mar (Guaratiba - RJ). 74 p.
Monografia (Bacharelado em Oceanografia) - Departamento de Oceanografia, Universidade
do Estado do Rio de Janeiro, Rio de Janeiro, 2001.
PELLEGRINI, J. A. C. 2000. Caracterização da planície hipersalina (apicum) associado a um

bosque de mangue em Guaratiba, Baía de Sepetiba, Rio de Janeiro, RJ. Tese de Mestrado.
Instituto Oceanográfico, Universidade de São Paulo. 101 p.
PELLEGRINI, J.A.C. 1996. Caracterização preliminar de um apicum associado ao manguezal

de Guaratiba, Baía de Sepetiba, Rio de Janeiro, RJ. Tese de Bacharelado em Oceanografia.
Departamento de Oceanografia, Universidade do Estado do Rio de Janeiro. 39p.
198
PETROBRAS. 2014. Disponível em http://www.petrobras.com.br/. Acessado em 2014.
PORTUGAL, A.M..M. 2002. Manguezais de Guaratiba frente à perspectiva de elevação do

nível médio relativo do mar, Baía de Sepetiba, Estado do Rio de Janeiro – Brasil. Tese de
mestrado. Instituto Oceanográfico, Universidade de São Paulo. 163 p.
PIMENTA, M. L., COURA, P. H. F., CRUZ, C. B. M., & LACERDA, E. R. Estudo das
incertezas da definição de parâmetros no processo de correção atmosférica.
PINHO, C. D. 2005. Análise orientada a objetos de imagens de satélites de alta resolução

espacial aplicada à classificação de cobertura do solo no espaço intra-urbano: o caso de São
José dos Campos. 2005. 180 p (Doctoral dissertation, Dissertação (Mestrado)–INPE–Instituto
Nacional de Pesquisas Espaciais, São José dos Campos).
PONZONI, F.J.; SHIMABUKURO, Y.E. 2007. Sensoriamento Remoto no Estudo da

Vegetação.São José dos Campos, SP. Editora Parêntese.
PONZONI, F. J., DOS SANTOS, S. B., CANTINHO, R. Z., & GEOTECNOLOGIAS, G.

2013. Comparação entre índices de vegetação gerados a partir de dados dos sensores MODIS
e Vegetation-2.
PORTUGAL, A.M..M. 2002. Manguezais de Guaratiba frente à perspectiva de elevação do

nível médio relativo do mar, Baía de Sepetiba, Estado do Rio de Janeiro – Brasil. Tese de
mestrado. Instituto Oceanográfico, Universidade de São Paulo. 163 p.
PREMANATHAN, MARIAPPAN, KANDASAMY KATHIRESAN, AND HIDEKI

NAKASHIMA. 1999. "Mangrove halophytes: A source of antiviral substances." South Pacific
Study 19.1-2 (1999): 49-57.
RAMSEY, E., JENSEN, J.R., 1996. Remote sensing of mangrove wetlands: relating canopy
spectra to site-speciﬁc data. Photogramm. Eng. Remote Sens. 62, 939–948
REBELO- MOCHEL, F. R. & PONZONI, F.J. 2007. Spectral characterization of mangrove

leaves in the Brazilian Amazonian Coast: Turiaçu Bay, Maranhão State. Anais da Academia
Brasileira de Ciências, 79: 683-692
ROGERS, K., SAINTILAN, N., CAHOON, D. 2006. “Surface elevation dynamics in a

regenerating mangrove forest at Homebush Bay, Australia”. Wetlands Ecology and
Management , v.13, pp. 587-598.
ROSA, R. 2005. Geotecnologias na geografia aplicada. Revista do Departamento de

Geografia, 16(1), 81-90.
SALICHTCHEV, K. A. 1973. Some reflections on the subject and method of cartography

after the sixth international cartographic conference.Cartographica: The International Journal
for Geographic Information and Geovisualization, 10(2), 106-111.
SANTOS¹, D. C., MARTINS, P. W., FILHO, S., & DA SILVA, A. D. Q. 2012.

Reconhecimento e mapeamento de gêneros de mangue a partir de dados
199
espectrorradiométricos e imagens ikonos na Ilha de Marajó–Pa (Doctoral dissertation,

INSTITUTO DE GEOCIÊNCIAS).
SANTOS, M. 1978. Por Uma Geografia Nova da Crítica da Geografia a Uma Geografia
Crítica.
SANTOS, M., & MARQUES, M. C. 2002. A natureza do espaço: técnica e tempo, razão e
emoçã (Vol. 1). Edusp.
SATYANARAYANA, B., THIERRY, B., SEEN, D. L., RAMAN, A. V., &

MUTHUSANKAR, G. 2001. Remote sensing in mangrove research-relationship between
vegetation indices and dendrometric parameters: A case for Coringa, east coast of India.
In Paper presented at the 22nd Asian Conference on Remote Sensing (Vol. 5, p. 9).
SATYANARAYANA, B., MOHAMAD, K. A., IDRIS, I. F., HUSAIN, M. L., &

DAHDOUH-GUEBAS, F. 2011. Assessment of mangrove vegetation based on remote
sensing and ground-truth measurements at Tumpat, Kelantan Delta, East Coast of Peninsular
Malaysia. International journal of remote sensing, 32(6), 1635-1650.
SBSR. 1996. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO In:

SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 15. (SBSR)., 1996,
Salvador. Anais... São José dos Campos: INPE, 1996. Internet. Acesso em: maio. 2015.

Santos. Anais. São José dos Campos: INPE, 1996. Internet. Acesso em: maio. 2015.

Curitiba. Anais. São José dos Campos: INPE, 2011. Internet. Acesso em: maio. 2015.
SBSR. 2013. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16.

(SBSR)., 2013, Foz do Iguaçu. Anais... São José dos Campos: INPE, 2013. Internet.. Acesso
em:mai. 2015.
SENDRA, J. B., & ROM, S. J. D. P. R. 1999. LA CIENCIA DE LA INFORMACIÓN

GEOGRÁFICA Y LA GEOGRAFÍA. VII Encuentro de Geógrafos de América Latina.
Publicaciones CD, Inc. CDROM, San Juan de Puerto Rico.
SETO, K. C., & FRAGKIAS, M. 2007. Mangrove conversion and aquaculture development
in Vietnam: A remote sensing-based approach for evaluating the Ramsar Convention on
Wetlands. Global Environmental Change, 17(3), 486-500Soares, M. L. G. 1997. Estudo da
biomassa aérea de manguezais do sudeste do Brasil - análise de modelos. Tese de Doutorado.
Instituto Oceanográfico. Universidade de São Paulo. 2 vol. 560 p.
SOARES, M. L. G. ; TOGNELLA-DE-ROSA, M.M.P. ; OLIVEIRA, VIVIANE

FERNANDEZ DE ; CHAVES, FILIPE DE OLIVEIRA ; SILVA JUNIOR, CARLOS
MILTON GONÇALVES DA ; PORTUGAL, ANA MARGARIDA MARQUES ;
ESTRADA, GUSTAVO CALDERUCIO DUQUE ; BARBOSA, BEATRIZ ; ALMEIDA,
200
PAULA MARIA MOURA DE. 2005. Ecological Impacts of climatic change and variability:
Coastal environments - Mangroves and Salt Flats 2005 (Relatório Técnico).
SOARES, M. L. G. ; ESTRADA, GUSTAVO CALDERUCIO DUQUE ; CHAVES, FILIPE

DE OLIVEIRA ; FERNANDEZ, V. 2013. Analysis of the structural variability of mangrove
forests through the physiographic types approach. Aquatic Botany, v. 111, p. 135-143.
SOARES, M. L. G. 2009. A conceptual model for the responses of mangrove forests to sea
level rise. Journal of Coastal Research, v. SI 56, p. 267-271.
SOARES, M. L. G.; SCHAEFFER-NOVELLI, Y. 2005. Above-ground biomass of mangrove

species. I. Analysis of models. Estuarine, Coastal and Shelf Science, v. 65, p. 1-18.
TAO, C. V., & YONG, H. U. 2002. 3D reconstruction methods based on the rational function
model. Photogrammetric Engineering and Remote Sensing, 68 (7), 705-714.
TAYLOR, D. R. F. 1991. A Conceptual Basis For Cartography/New Directions For The

Information Era: Keynote presentation to the ICA General Assembly at Bournemouth, UK,
September 1991. Cartographica: The International Journal for Geographic Information and
Geovisualization, 28(4), 1-8.
TWILLEY, R.R. 1995. Properties of mangrove ecosystems related to the energy signature of
coastal environments. In: Maximum Power. Colorado, University of Colorado Press.
Boulder.
WANG, L. E., & SOUSA, W. P. 2009. Distinguishing mangrove species with laboratory
measurements of hyperspectral leaf reflectance. International Journal of Remote
Sensing, 30(5), 1267-1281.
WANG, L., SOUSA, W. P., GONG, P., & BIGING, G. S. 2004. Comparison of IKONOS and
QuickBird images for mapping mangrove species on the Caribbean coast of Panama. Remote
Sensing of Environment, 91(3), 432-440.Xiaoxia, S.; Zhang, J. ; Zhengjun Liu. 2004. An
Object-Oriented Classification Method on High resolution Satellite Data. 25th Asian
Conference on Remote Sensing, Thailand, November 2004 (2004), pp. 347–350
ZAR, J. H.1996. Biostatistical analisys. Biostatistical analisys. (http://www.car.gov.br/)

201
APÊNDICE A - Box plots referentes às análises de variância (teste de Kruskal Wallis)

realizadas com os dados dos índices
Figura 1 - Box plots referentes ao índice NDVI - dados gerais. Letras congruentes acima das
caixas dos quartis indicam semelhanças significativas entre os dados analisados
202
Nota: Letras congruentes acima das caixas dos quartis indicam semelhanças significativas entre os dados
analisados
203
Figura 2 - Box plots referentes ao índice NDVI - regiões da Baía de Sepetiba e Rio Piracão.
204
analisados
205
Figura 3 - Box plots referentes ao índice NDVI - dados por parcela

206
Nota: Letras congruentes acima das caixas dos quartis indicam semelhanças significativas entre os dados analisados
207
Figura 4 - Box plots referentes ao índice RS - dados gerais

208
analisados
209
Figura 5 - Box plots referentes ao índice RS - regiões da Baía de Sepetiba e Rio Piracão.
210
211
Nota: Letras congruentes acima das caixas dos quartis indicam semelhanças significativas entre os dados analisados
212
Figura 6 - Box plots referentes ao índice RS - dados por parcela

213
analisados
214
Figura 7 - Box plots referentes ao índice Rvi - dados gerais

215
analisados
216
Figura 8 - Box plots referentes ao índice Rvi - regiões da Baía de Sepetiba e Rio Piracão
217
218
analisados
219
Figura 9 - Box plots referentes ao índice Rvi - dados por parcela

220
analisados
221
Figura 10 - Box plots referentes ao índice SAVI - dados gerais.

222
analisados
223
Figura 11 - Box plots referentes ao índice SAVI - regiões da Baía de Sepetiba e Rio Piracão
224
analisados
225
Figura 12 - Box plots referentes ao índice SAVI - dados por parcela

226
analisados
227
APÊNDICE B - Análises de regressão entre os índices selecionados e os parâmetros

estruturais
Figura 1 - Regressão linear - dados de todas de todas as estações.
SAVI X BIOMASSA DA COPA (3) - verão 2010 SAVI X BIOMASSA DE FOLHAS - verão 2010
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = -0,0007x
0,0007x + 1,1601 0,6 y = 0,002x + 1,1197
R² = 0,0287 R² = 0,003
0,4 p = 0,502 0,4 p = 0,830
0,2 0,2
0,0 0,0
0,0 20,0 40,0 60,0 80,0 0,0 2,0 4,0 6,0 8,0 10,0 12,0
Biomassa da copa (ton/ha) Biomassa de folhas (ton/ha)
SAVI X ALTURA MÉDIA - verão 2010 SAVI X DAP MÉDIO- verão 2010
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = 0,0007x + 1,1281 0,6 y = -0,001x

0,001x + 1,1422
R² = 0,0008 R² = 0,003
0,4 P= 0,909 0,4 p = 0,830
0,2 0,2
0,0 0,0
0,0 5,0 10,0 15,0 20,0 0,0 5,0 10,0 15,0 20,0
Altura média (m) DAP médio (cm)
SAVI X DENSIDADE - verão 2010

1,4
1,2
1,0
0,8
Índice
0,6 y = 2E-06x + 1,1183

R² = 0,0233
0,4 P = 0,543
0,2
0,0
0,0 5000,0 10000,0 15000,0 20000,0 25000,0 30000,0 35000,0
Densidade troncos/ha)
Índice: SAVI; Verão 2010. Em bege: relações significativas

228
NDVI X BIOMASSA DA COPA (1) - verão 2010 NDVI X BIOMASSA DA COPA (2) - verão 2010
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5
Índice
0,5
Índice
0,4 y = -0,001x
0,001x + 0,7822 0,4 y = 0,0009x + 0,7432
0,3 R² = 0,0334 R² = 0,0148
p = 0,468 0,3 p = 0,631
0,2 0,2
0,1 0,1
0,0 0,0
0,0 10,0 20,0 30,0 40,0 50,0 0,0 10,0 20,0 30,0 40,0
Biomassa da copa (ton/ha) Biomassa da copa (ton/ha)
NDVI X BIOMASSA DA COPA (3) - verão 2010 NDVI X BIOMASSA DE FOLHAS - verão 2010
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = -0,0005x
0,0005x + 0,7751 0,4 y = 0,0014x + 0,7481
R² = 0,028 R² = 0,0032
0,3 0,3
p = 0,507 p = 0,824
0,2 0,2
0,1 0,1
0,0 0,0
0,0 20,0 40,0 60,0 80,0 0,0 2,0 4,0 6,0 8,0 10,0 12,0
NDVI X ALTURA MÉDIA - verão 2010 NDVI X DAP MÉDIO- verão 2010
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0005x + 0,7538 0,4 y = -0,0006x

0,0006x + 0,7632
R² = 0,0009 R² = 0,0028
0,3 P = 0,903 0,3 p = 0,836
0,2 0,2
0,1 0,1
0,0 0,0
0,0 5,0 10,0 15,0 20,0 0,0 5,0 10,0 15,0 20,0
NDVI X DENSIDADE - verão 2010
0,9
0,8
0,7
0,6
0,5
Índice
0,4 y = 1E-06x + 0,7476

R² = 0,0226
0,3 P = 0,552
0,2
0,1
0,0
0,0 5000,0 10000,0 15000,0 20000,0 25000,0 30000,0 35000,0
Densidade (troncos/ha)
Índice: NDVI; Verão 2010. Em bege: relações significativas.

229
Figura 3 - Regressão linear - dados de todas as estações
SAVI X ALTURA MÉDIA - inverno 2010 SAVI X DAP MÉDIO - inverno 2010
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 0,013x + 1,0899 0,6 y = 0,005x + 1,1346

R² = 0,174 R² = 0,0605
0,4 p = 0,085 0,4
0,2 0,2
0 0
0 5 10 15 0 5 10 15 20
SAVI X DENSIDADE - inverno 2010

1,4
1,2
0,8
Índice
0,6 y = -2E-06x + 1,2026

R² = 0,0373
0,4 p = 0,443
0,2
0
0 5000 10000 15000 20000 25000 30000 35000
Índice: SAVI; Inverno 2010. Em bege: relações significativas

230
Figura 4 - Regressão linear - dados de todas de todas as estações
NDVI X BIOMASSA DA COPA (1) - inverno 2010 NDVI X BIOMASSA DA COPA (2) - inverno 2010
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
0,4 y = 0,0013x + 0,6888 0,4 y = 0,0036x + 0,6607
0,3 R² = 0,0161 0,3 R² = 0,0659
0,2 p = 0,616 0,2 p = 0,304
0,1 0,1
0 0
0 10 20 30 40 50 0 10 20 30 40
NDVI X ALTURA MÉDIA - inverno 2010 NDVI X DAP MÉDIO-

MÉDIO inverno 2010
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
0,4 y = 0,0103x + 0,6444 0,4
R² = 0,0911 y = 0,0055x + 0,6666
0,3 0,3
p = 0,224 R² = 0,0593
0,2 0,2
0,1 0,1
0 0
0 5 10 15 0 5 10 15 20
NDVI X DENSIDADE - inverno 2010
1
0,9
0,8
0,7
0,6
Índice
0,5
0,4
y = 2E-07x + 0,7156
0,3 R² = 0,0002
0,2 p = 0,961
0,1
0
0 5000 10000 15000 20000 25000 30000 35000
Índice: NDVI; Inverno 2010. Em bege: relações significativas
231

SAVI X BIOMASSA TOTAL - verão 2011
SAVI X BIOMASSA VIVA - verão 2011
1,4
1,4
1,2
1,2
1
1
0,8
0,8
Índice
Índice
0,6 y = 0,001x + 0,8235 0,6
R² = 0,2137 y = 0,0005x + 0,9231
0,4 R² = 0,0504
p = 0,053 0,4
p = 0,370
0,2
0,2
0
0
0 50 100 150 200 250 300
0 50 100 150 200 250 300
Biomassa total (ton/ha)
Biomassa viva (ton/ha)
SAVI X BIOMASSA DA COPA (1) - verão 2011 SAVI X BIOMASSA DA COPA (2) - verão 2011
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6 y = 0,0064x + 0,891
y = 0,0018x + 0,9513
R² = 0,1271
0,4 R² = 0,02 0,4 p = 0,920
p = 0,576
0,2 0,2
0 0
0 10 20 30 40 50 0 10 20 30 40
SAVI X ALTURA MÉDIA - verão 2011 SAVI X DAP MÉDIO-- verão 2011
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6 y = -0,001x

0,001x + 1,0011
y = 0,0027x + 0,9729 R² = 0,0012
0,4 R² = 0,0038 0,4 P = 0,892
p = 0,808
0,2 0,2
0 0
0 5 10 15 0,0 5,0 10,0 15,0 20,0

1,4
1,2
0,8
Índice
0,6
y = 1E-06x + 0,9786
0,4 R² = 0,007
p = 0,741
0,2
0
0 5000 10000 15000 20000 25000 30000 35000
232
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 0,4 y = 0,0043x + 0,5957
y = 0,0012x + 0,6359
0,3 0,3 R² = 0,1271
R² = 0,0199
p = 0,146
0,2 p = 0,577 0,2
0,1 0,1
0 0
0 10 20 30 40 50 0 10 20 30 40
NDVI X ALTURA MÉDIA - verão 2011 NDVI X DAP MÉDIO-

MÉDIO verão 2011
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 0,4
y = 0,0018x + 0,6502 y = -0,0007x
- + 0,669
0,3 0,3
R² = 0,0038 R² = 0,0012
0,2 p = 0,809 0,2 P = 0,892
0,1 0,1
0 0
0 5 10 15 0,0 5,0 10,0 15,0 20,0
0,9
0,8
0,7
0,6
0,5
Índice
0,4 y = 1E-06x + 0,654

0,3 R² = 0,007
0,2 p = 0,742
0,1
0
0 5000 10000 15000 20000 25000 30000 35000
Índice: NDVI; Verão 2011. Em bege: relações significativas
233

SAVI X BIOMASSA TOTAL - inverno 2011 SAVI X BIOMASSA VIVA - inverno 2010
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6 y = 0,0013x + 0,9075
y = 0,0008x + 0,939
R² = 0,1811
R² = 0,076
0,4 0,4 p = 0,078
p = 0,268
0,2 0,2
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Biomassa total (ton/ha) Biomassa viva (ton/ha)
SAVI X BIOMASSA DA COPA (1) - inverno 2011 SAVI X BIOMASSA DA COPA (2) - inverno 2011
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 0,0039x + 0,9807 y = 0,0054x + 0,969
0,6
R² = 0,0509 R² = 0,0711
0,4 p = 0,368 0,4 p = 0,285
0,2 0,2
0 0
0 10 20 30 40 50 0 5 10 15 20 25 30 35
SAVI X BIOMASSA DA COPA (3) - inverno 2011 SAVI X BIOMASSA DE FOLHAS - inverno 2011
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6
y = 0,0007x + 1,0246
y = -0,0007x
0,0007x + 1,043
0,4 R² = 0,0035
0,4 R² = 0,0002
p = 0,816
p = 0,960
0,2 0,2
0 0
0 10 20 30 40 50 60 70 0 5 10 15 20
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6
y = -0,0118x
0,0118x + 1,1144
0,4 R² = 0,0401 0,4 y = -0,0131x
0,0131x + 1,1474
p = 426 R² = 0,1176
0,2 0,2 P = 0,163
0 0
0 2 4 6 8 10 12 0 5 10 15 20

234
NDVI X BIOMASSA TOTAL - inverno 2011 NDVI X BIOMASSA VIVA - inverno 2011
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0005x + 0,6279 0,4
R² = 0,0762 y = 0,0009x + 0,6071
0,3 0,3 R² = 0,1806
p = 0,268
0,2 0,2 p = 0,079
0,1 0,1
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0026x + 0,6558 0,4 y = 0,0036x + 0,648
0,3 R² = 0,0508 0,3 R² = 0,0712
p = 0,368 p = 0,285
0,2 0,2
0,1 0,1
0 0
0 10 20 30 40 50 0 5 10 15 20 25 30 35
NDVI X BIOMASSA DA COPA (3) - inverno 2011 NDVI X BIOMASSA DE FOLHAS - inverno 2011
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0005x + 0,6851 0,4

0,3 R² = 0,0035 0,3 y = -0,0005x + 0,6974
p = 0,816 R² = 0,0002
0,2 0,2 p = 0,959
0,1 0,1
0 0
0 10 20 30 40 50 60 70 0 5 10 15 20
NDVI X ALTURA MÉDIA - inverno 2011 NDVI X DAP MÉDIO- inverno 2011
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 0,4
y = -0,0078x + 0,7449 0,3
0,3 y = -0,0087x + 0,7668
R² = 0,04
0,2 0,2 R² = 0,1175
p = 0,426
P = 0,163
0,1 0,1
0 0
0 2 4 6 8 10 12 0 5 10 15 20
0,9
0,8
0,7
0,6
0,5
Índice
0,4 y = 6E-06x + 0,6472

0,3 R² = 0,1629
p = 0,097
0,2
0,1
0
0 5000 10000 15000 20000 25000 30000
235
NDVI X BIOMASSA TOTAL - verão NDVI X BIOMASSA VIVA - verão

0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0003x + 0,6679 0,4 y = 0,0002x + 0,6798
R² = 0,0405 R² = 0,0244
0,3 0,3
p = 0,240 p = 0,363
0,2 0,2
0,1 0,1
0,0 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0
NDVI X BIOMASSA DA COPA (1) - verão NDVI X BIOMASSA DA COPA (2) - verão
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5
Índice
0,5
Índice
0,4 y = 0,0004x + 0,7 0,4 y = 0,0026x + 0,6682
0,3 R² = 0,0028 R² = 0,0542
0,3 p = 0,172
p = 0,761
0,2 0,2
0,1 0,1
0,0 0,0
0,0 10,0 20,0 30,0 40,0 50,0 0,0 10,0 20,0 30,0 40,0
NDVI X BIOMASSA DA COPA (3) - verão NDVI X BIOMASSA DE FOLHAS - verão

0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5
Índice
0,5
Índice
0,4 0,4 y = 0,0084x + 0,6502

y = -0,0002x + 0,7186
0,3 R² = 0,0027 R² = 0,055
0,3
p = 0,762 p = 0,169
0,2 0,2
0,1 0,1
0,0 0,0
0,0 20,0 40,0 60,0 80,0 0,0 2,0 4,0 6,0 8,0 10,0 12,0
NDVI X ALTURA MÉDIA - verão NDVI X DAP MÉDIO- verão

0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0015x + 0,6998 0,4

R² = 0,003 y = -0,0008x + 0,7172
0,3 0,3 R² = 0,0017
P = 0,753
0,2 p = 0,753 0,2 p = 0,809
0,1 0,1
0,0 0,0
0,0 5,0 10,0 15,0 20,0 0,0 5,0 10,0 15,0 20,0
NDVI X DENSIDADE - verão
0,9
0,8
0,7
0,6
0,5
Índice
0,4 y = 1E-06x + 0,6991

0,3 R² = 0,0121
p = 0,522
0,2
0,1
0,0
0,0 5000,0 10000,0 15000,0 20000,0 25000,0 30000,0 35000,0
Índice: NDVI; Verões 2010/2011. Em bege: relações significativas

236
SAVI X BIOMASSA DA COPA (1) - verão SAVI X BIOMASSA DA COPA (2) - verão
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = 0,0007x + 1,0476 0,6 y = 0,0039x + 0,9997
R² = 0,0027 R² = 0,054
0,4 0,4 p = 0,172
p = 0,763
0,2 0,2
0,0 0,0
0,0 10,0 20,0 30,0 40,0 50,0 0,0 10,0 20,0 30,0 40,0
SAVI X BIOMASSA DA COPA (3) - verão SAVI X BIOMASSA DE FOLHAS - verão

1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 0,6 y = 0,0126x + 0,9725

y = -0,0003x
0,0003x + 1,0754
R² = 0,0552
0,4 R² = 0,0028 0,4 p = 0,168
p = 0,759
0,2 0,2
0,0 0,0
0,0 20,0 40,0 60,0 80,0 0,0 2,0 4,0 6,0 8,0 10,0 12,0
SAVI X DAP MÉDIO-

MÉDIO verão
SAVI X ALTURA MÉDIA - verão
1,4
1,4
1,2
1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = 0,0022x + 1,0472 0,6

y = -0,0012x + 1,0733
R² = 0,0029
0,4 0,4 R² = 0,0018
P = 0,755
p = 0,755
p = 0,806
0,2 0,2
0,0 0,0
0,0 5,0 10,0 15,0 20,0 0,0 5,0 10,0 15,0 20,0
SAVI X DENSIDADE - verão

1,4
1,2
1,0
0,8
Índice
y = 2E-06x + 1,0458
0,6 R² = 0,0123
p = 0,519
0,4
0,2
0,0
0,0 5000,0 10000,0 15000,0 20000,0 25000,0 30000,0 35000,0
Índice: SAVI; Verões 2010/2011. Em bege: relações significativas
237
NDVI X BIOMASSA DA COPA (1) - inverno NDVI X BIOMASSA DA COPA (2) - inverno
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
0,4 y = 0,002x + 0,669 0,4 y = 0,0037x + 0,6527
0,3 R² = 0,0372 0,3 R² = 0,0741
p = 0,259 p = 0,108
0,2 0,2
0,1 0,1
0 0
0 10 20 30 40 50 0 10 20 30 40
NDVI X BIOMASSA DA COPA (3) - inverno NDVI X BIOMASSA DE FOLHAS - inverno

1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
0,4 y = 0,0007x + 0,6868 0,4
0,3 R² = 0,0125 0,3 y = 0,0112x + 0,6366
0,2 p = 0,515 0,2 R² = 0,0939
0,1 p = 0,069
0,1
0 0
0 20 40 60 80 0 5 10 15 20
NDVI X ALTURA MÉDIA - inverno NDVI X DAP MÉDIO-- inverno

1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
0,4 0,4
y = 0,0025x + 0,6892 y = -0,0008x
0,0008x + 0,7126
0,3 0,3
R² = 0,0047 R² = 0,001
0,2 p = 0,690 0,2 p = 0,855
0,1 0,1
0 0
0 5 10 15 0 5 10 15 20
NDVI X DENSIDADE - inverno

1
0,9
0,8
0,7
0,6
Índice
0,5
0,4 y = 3E-06x + 0,68
0,3 R² = 0,046
0,2 p = 0,209
0,1
0
0 5000 10000 15000 20000 25000 30000 35000
Índice: NDVI; Invernos 2010/2011. Em bege: relações significativas

238
Figura B12 - Regressão linear - dados de todas de todas as estações
SAVI X BIOMASSA DA COPA (3) - inverno SAVI X BIOMASSA DE FOLHAS - inverno

1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 0,0021x + 1,0495 y = 0,0156x + 1,0132

0,6
R² = 0,0664 R² = 0,0969
0,4 p = 0,129 0,4 p = 0,065
0,2 0,2
0 0
0 20 40 60 80 0 5 10 15 20
SAVI X ALTURA MÉDIA - inverno

1,4 SAVI X DAP MÉDIO - inverno
1,4
1,2
1,2
1
1
0,8
Índice
0,8
Índice
0,6 y = 0,004x + 1,0832

0,6 y = -0,0018x
0,0018x + 1,1261
R² = 0,0065
0,4 p = 0,641 R² = 0,0031
0,4
p = 0,747
0,2 0,2
0 0
0 5 10 15 0 5 10 15 20
SAVI X DENSIDADE - inverno

1,4
1,2
0,8
Índice
0,6 y = 3E-06x
06x + 1,081
R² = 0,0306
0,4 p = 0,307
0,2
0
0 5000 10000 15000 20000 25000 30000 35000
Índice: SAVI; Invernos 2010/2011. Em bege: relações significativas

239
Figura 13 - Regressão linear - dados de todas de todas as estações em todo o período de

estudo
SAVI X BIOMASSA TOTAL SAVI X BIOMASSA VIVA
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 0,6
y = 0,0004x + 0,9962 y = 0,0005x + 0,9842
0,4 R² = 0,0253 0,4
R² = 0,047
p = 0,182 p = 0,067
0,2 0,2
0,0 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0
SAVI X BIOMASSA DA COPA (3) SAVI X BIOMASSA DE FOLHAS

1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = 0,0005x + 1,0409 0,6

R² = 0,0037 y = 0,0059x + 1,0182
0,4 0,4
p = 0,611 R² = 0,0099
0,2 0,2 p = 0,455
0,0 0,0
0,0 20,0 40,0 60,0 80,0 0,0 5,0 10,0 15,0 20,0
SAVI X ALTURA MÉDIA SAVI X DAP MÉDIO

1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 0,6
y = 0,0017x + 1,0457
y = -0,003x + 1,0843
0,4 R² = 0,0011
0,4 R² = 0,0072
p = 0,782
p = 0,478
0,2 0,2
0,0 0,0
0,0 5,0 10,0 15,0 20,0 0,0 5,0 10,0 15,0 20,0
SAVI X DENSIDADE
1,4
1,2
1,0
0,8
Índice
0,6
0,4 y = -0,0029x + 1,1632

R² = 0,1099
0,2 p = 0,461
0,0
0,0 20,0 40,0 60,0 80,0
Índice: SAVI. Em bege: relações significativas
240
Figura 14 - Regressão linear segundo dados da estação Baía de Sepetiba
SAVI X ALTURA MÉDIA - verão SAVI X DAP MÉDIO-

MÉDIO verão
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = -0,0148x
0,0148x + 1,2096 0,6
R² = 0,1933
0,4 0,4 y = -0,0125x + 1,2272
P = 0,067
R² = 0,3079
0,2 0,2
0,0 0,0
0,0 5,0 10,0 15,0 20,0 0,0 5,0 10,0 15,0 20,0
SAVI X DENSIDADE - verão

1,4
1,2
1,0
0,8
Índice
0,6 y = 5E-06x + 1,0374

R² = 0,2049
0,4 p = 0,059
0,2
0,0
0,0 5000,0 10000,0 15000,0 20000,0 25000,0 30000,0 35000,0
241
NDVI X ALTURA MÉDIA - verão

0,9
0,8
0,7
0,6
0,5
Índice
y = -0,0098x + 0,8078
0,4 R² = 0,1917
0,3 P = 0,069
0,2
0,1
0,0
0,0 5,0 10,0 15,0 20,0
Altura média (m)
NDVI X DENSIDADE - verão
0,9
0,8
0,7
0,6
0,5
Índice
0,4 y = 3E-06x + 0,6934

R² = 0,2033
0,3
p = 0,060
0,2
0,1
0,0
0,0 5000,0 10000,0 15000,0 20000,0 25000,0 30000,0 35000,0
242
SAVI X BIOMASSA TOTAL - inverno SAVI X BIOMASSA VIVA - inverno

1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 0,0014x + 0,8615 y = 0,0015x + 0,9063
0,6
R² = 0,1407 R² = 0,1431
0,4 p = 0,125 0,4 p = 0,121
0,2 0,2
0 0
0 50 100 150 200 250 0 50 100 150 200 250
SAVI X BIOMASSA DA COPA (1) - inverno SAVI X BIOMASSA DA COPA (2) - inverno
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 2E-05x + 1,1041 0,6 y = 0,0017x + 1,0817

R² = 1E-06 R² = 0,0046
0,4 0,4 p = 0,778
p = 0,996
0,2 0,2
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30
SAVI X BIOMASSA DA COPA (3) - inverno SAVI X BIOMASSA DE FOLHAS - inverno

1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = -0,0005x + 1,1208 0,6 y = 0,0022x + 1,0885

R² = 0,0035 R² = 0,0013
0,4 0,4 p = 0,888
p = 0,815
0,2 0,2
0 0
0 20 40 60 80 0 5 10 15 20
SAVI X ALTURA MÉDIA - inverno SAVI X DAP MÉDIO - inverno

1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6
y = -0,0168x + 1,23
0,4 R² = 0,0956 0,4 y = -0,0127x + 1,2247
p = 0211 R² = 0,1275
0,2 0,2
0 0
0 5 10 15 0 5 10 15 20
SAVI X DENSIDADE - inverno

1,4
1,2
0,8
Índice
0,6 y = 7E-06x + 1,043

R² = 0,1681
0,4 p = 0,091
0,2
0
0 5000 10000 15000 20000 25000 30000 35000
243
Figura 17 - Regressão linear segundo dados da estação Baía de Sepetiba.
NDVI X BIOMASSA TOTAL - inverno NDVI X BIOMASSA VIVA - inverno

1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5 y = 0,0006x + 0,6456
0,4 y = 0,0007x + 0,6031 0,4 R² = 0,061
0,3 R² = 0,0886 0,3 p = 0,323
0,2 p = 0,230 0,2
0,1 0,1
0 0
0 50 100 150 200 250 0 50 100 150 200 250
NDVI X BIOMASSA DA COPA (1) - inverno NDVI X BIOMASSA DA COPA (2) - inverno
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
0,4 0,4 y = -0,0002x
0,0002x + 0,7351
y = -0,0017x
- + 0,7616
0,3 0,3 R² = 0,0002
R² = 0,017
0,2 0,2 p = 0,961
p = 0,605
0,1 0,1
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30
NDVI X BIOMASSA DA COPA (3) - inverno NDVI X BIOMASSA DE FOLHAS - inverno
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
0,4 0,4 y = 0,0015x + 0,7216
0,3 y = -0,0012x
0,0012x + 0,7694 0,3 R² = 0,0012
0,2 R² = 0,0403
0,2 p = 0,889
0,1 p = 0,424
0,1
0 0
0 20 40 60 80 0 5 10 15 20
NDVI X ALTURA MÉDIA - inverno

1
0,9
0,8
0,7
0,6
Índice
0,5
y = -0,0158x + 0,8509
0,4 R² = 0,1902
0,3 p = 0,070
0,2
0,1
0
0 5 10 15
Altura média (m)

244
SAVI X ALTURA MÉDIA - verão 2010 SAVI X DAP MÉDIO-- verão 2010
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = 0,017x + 1,0684

0,6 y = -0,0094x
0,0094x + 1,2593
R² = 0,2352
0,4 p = 0,18 R² = 0,3779
0,4
p = 0,078
0,2 0,2
0,0 0,0
0,0 2,0 4,0 6,0 8,0 10,0 0,0 5,0 10,0 15,0 20,0

1,4
1,2
1,0
0,8
Índice
0,6 y = 4E-06x + 1,1135

R² = 0,2703
0,4 p = 0,15
0,2
0,0
0,0 5000,0 10000,0 15000,0 20000,0 25000,0 30000,0 35000,0
245
NDVI X DAP MÉDIO- verão 2010

NDVI X ALTURA MÉDIA - verão 2010
0,9
0,9
0,8
0,8
0,7
0,7
0,6 0,6
0,5
Índice
0,5
Índice
0,4 y = 0,0113x + 0,7143 0,4 y = -0,0063x

0,0063x + 0,8411
R² = 0,2351 0,3 R² = 0,3757
0,3
p = 0,188 p = 0,079
0,2 0,2
0,1 0,1
0,0 0,0
0,0 2,0 4,0 6,0 8,0 10,0 0,0 5,0 10,0 15,0 20,0
0,9
0,8
0,7
0,6
0,5
Índice
0,4 y = 3E-06x + 0,7445

R² = 0,268
0,3 p = 0,15
0,2
0,1
0,0
0,0 5000,0 10000,0 15000,0 20000,0 25000,0 30000,0 35000,0
246
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = -0,0005x + 1,3008 y = -0,0007x + 1,3077
0,6
R² = 0,0102 R² = 0,1435
0,4 p = 0,795 0,4 p = 0,314
0,2 0,2
0 0
0 50 100 150 200 250 0 50 100 150 200 250
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
y = -0,0034x + 1,2727 0,6 y = 0,0004x + 1,1942

0,6
R² = 0,1613 R² = 0,0009
0,4 p = 0,283 0,4 p = 0,939
0,2 0,2
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = -0,0018x + 1,2691 0,6 y = -0,0096x + 1,285

R² = 0,2221 R² = 0,0282
0,4 p = 0,200 0,4 p = 0,665
0,2 0,2
0 0
0 20 40 60 80 0 2 4 6 8 10 12
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
y = -0,0009x + 1,2071 0,6 y = -0,0038x + 1,2425

0,6
R² = 0,0014 R² = 0,0621
0,4 p = 0,923 0,4 p = 0,517
0,2 0,2
0 0
0 5 10 15 0 5 10 15 20

1,4
1,2
0,8
Índice
0,6 y = 9E-07x + 1,1912

R² = 0,0144
0,4 p = 0,760
0,2
0
0 5000 10000 15000 20000 25000 30000 35000
247
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
y = -0,0009x + 0,9414
0,4 y = -0,0016x + 1,1387 0,4 R² = 0,4221
0,3 R² = 0,1819 0,3 p = 0,058
p = 0,252
0,2 0,2
0,1 0,1
0 0
0 50 100 150 200 250 0 50 100 150 200 250
NDVI X DAP MÉDIO-

MÉDIO inverno 2010
NDVI X ALTURA MÉDIA - inverno 2010
1
1
0,9
0,9
0,8
0,8
0,7 0,7
0,6 0,6
Índice
Índice
0,5 0,5
y = -0,0083x + 0,857
0,4 R² = 0,176 0,4 y = -0,0071x
0,0071x + 0,8708
p = 0,260 0,3 R² = 0,3311
0,3
0,2 p = 0,104
0,2
0,1 0,1
0 0
0 5 10 15 0 5 10 15 20

1
0,9
0,8
0,7
0,6
Índice
0,5
y = 3E-06x + 0,7632
0,4 R² = 0,2095
0,3 p = 0,22
0,2
0,1
0
0 5000 10000 15000 20000 25000 30000 35000

248
SAVI X ALTURA MÉDIA - verão 2011

1,4
1,2
0,8
Índice
0,6 y = -0,0227x
0,0227x + 1,2029
R² = 0,3897
0,4 p = 0,072
0,2
0
0 5 10 15
Altura média (m)

1,4
1,2
0,8
Índice
0,6 y = 6E-06x + 0,9651

R² = 0,2618
0,4 p = 0,159
0,2
0
0 5000 10000 15000 20000 25000 30000 35000
249
NDVI X ALTURA MÉDIA - verão 2011

0,9
0,8
0,7
0,6
0,5
Índice
0,4 y = -0,0151x + 0,8033

0,3 R² = 0,3888
p = 0,072
0,2
0,1
0
0 5 10 15
Altura média (m)

0,9
0,8
0,7
0,6
0,5
Índice
0,4 y = 4E-06x + 0,645

R² = 0,2609
0,3 p = 0,160
0,2
0,1
0
0 5000 10000 15000 20000 25000 30000 35000

250
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6
y = -0,0018x + 1,0307
0,4 y = -0,0084x
0,0084x + 1,1218 0,4 R² = 0,0044
R² = 0,0762 p = 0,864
0,2 p = 0,472 0,2
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25

251
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 0,4
y = -0,0003x
0,0003x + 0,7118 y = 0,003x + 0,3448
0,3 0,3 R² = 0,3606
R² = 0,0057
0,2 p = 0,847 0,2 p = 0,087
0,1 0,1
0 0
0 50 100 150 200 250 0 50 100 150 200
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 0,4
y = -0,0056x + 0,7496 y = -0,0012x + 0,6889
0,3 0,3
R² = 0,076 R² = 0,0043
0,2 p = 0,472 0,2 p = 0 ,866
0,1 0,1
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = -0,0084x + 0,8517

0,4
R² = 0,365
0,3 p = 0,084 0,3 y = -0,0152x + 0,762
R² = 0,131
0,2 0,2 p = 0,338
0,1 0,1
0 0
0 10 20 30 40 0 5 10 15 20

252
Figura 26 - Regressão linear segundo dados da estação Piracão

253

254

255
Figura 29- Regressão linear segundo dados da estação Piracão

256

SAVI X BIOMASSA TOTAL - verão 2010
SAVI X BIOMASSA VIVA - verão 2010
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = 0,0006x + 1,0328 y = 0,0006x + 1,0355
R² = 0,27 0,6
R² = 0,2716
0,4 p = 0,151 p = 0,150
0,4
0,2 0,2
0,0 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0
SAVI X BIOMASSA DA COPA (1) - verão 2010 SAVI X BIOMASSA DA COPA (2) - verão 2010
1,4
1,4
1,2
1,2
1,0
1,0
0,8
0,8
Índice
Índice
0,6 y = 0,0035x + 1,0253 y = 0,0051x + 1,0285
R² = 0,1609 0,6
R² = 0,2578
0,4 p = 0,284
0,4 p = 0,162
0,2 0,2
0,0
0,0
0,0 10,0 20,0 30,0 40,0 50,0
0,0 10,0 20,0 30,0 40,0
Biomassa da copa (ton/ha)
SAVI X BIOMASSA DA COPA (3) - verão 2010 SAVI X BIOMASSA DE FOLHAS - verão 2010
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = 0,0024x + 1,0302 y = 0,0188x + 0,9973

0,6
R² = 0,2447 R² = 0,309
0,4 p = 0,175 0,4 p = 0,120
0,2 0,2
0,0 0,0
0,0 20,0 40,0 60,0 80,0 0,0 2,0 4,0 6,0 8,0 10,0 12,0
SAVI X ALTURA MÉDIA - verão 2010 SAVI X DAP MÉDIO- verão 2010
1,4 1,4
1,2 1,2
1,0 1,0
0,8 0,8
Índice
Índice
0,6 y = 0,0199x + 0,9954 y = 0,0152x + 1,009

0,6
R² = 0,3263 R² = 0,3093
0,4 p = 0,108 0,4 p = 0,119
0,2 0,2
0,0 0,0
0,0 2,0 4,0 6,0 8,0 10,0 12,0 0,0 2,0 4,0 6,0 8,0 10,0 12,0 14,0

1,4
1,2
1,0
0,8
Índice
0,6
y = -0,0162x + 1,1947
0,4 R² = 0,1927
p = 0,112
0,2
0,0
0,0 2,0 4,0 6,0 8,0 10,0
257

NDVI X BIOMASSA TOTAL - verão 2010 NDVI X BIOMASSA VIVA - verão 2010
0,9
0,9
0,8
0,8
0,7
0,7
0,6
0,6
0,5
Índice
0,5
Índice
0,4 y = 0,0004x + 0,6903
0,4 y = 0,0004x + 0,6921
R² = 0,2722
0,3 R² = 0,2737
p = 0,149 0,3 p = 0,148
0,2
0,2
0,1
0,1
0,0
0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0
Biomassa total (ton/ha)
Biomassa viva (ton/ha)
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5
Índice
0,5
Índice
0,4 y = 0,0024x + 0,6853 y = 0,0034x + 0,6875
0,4
R² = 0,1625 R² = 0,26
0,3 p = 0,281 0,3 p = 0,160
0,2 0,2
0,1 0,1
0,0 0,0
0,0 10,0 20,0 30,0 40,0 50,0 0,0 10,0 20,0 30,0 40,0
NDVI X BIOMASSA DA COPA (3) - verão 2010

NDVI X BIOMASSA DE FOLHAS - verão 2010
0,9
0,9
0,8
0,8
0,7
0,7
0,6
0,6
0,5
Índice
0,5
Índice
0,4 y = 0,0016x + 0,6886

0,4 y = 0,0125x + 0,6667
R² = 0,2467
0,3 R² = 0,3112
p = 0,173 0,3
p = 0,118
0,2
0,2
0,1
0,1
0,0
0,0
0,0 20,0 40,0 60,0 80,0
0,0 2,0 4,0 6,0 8,0 10,0 12,0
Biomassa de folhas (ton/ha)
NDVI X ALTURA MÉDIA - verão 2010 NDVI X DAP MÉDIO- verão 2010
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5
Índice
0,5
Índice
0,4 y = 0,0133x + 0,6654 0,4 y = 0,0102x + 0,6745

R² = 0,3285 R² = 0,3115
0,3 0,3
p = 0,106 p = 0,118
0,2 0,2
0,1 0,1
0,0 0,0
0,0 2,0 4,0 6,0 8,0 10,0 12,0 0,0 2,0 4,0 6,0 8,0 10,0 12,0 14,0

0,9
0,8
0,7
0,6
0,5
Índice
0,4
y = -0,0108x + 0,7983
0,3 R² = 0,1925
0,2 p = 0,111
0,1
0,0
0,0 2,0 4,0 6,0 8,0 10,0
258

259

260

SAVI X BIOMASSA TOTAL - verão 2011 SAVI X BIOMASSA VIVA - verão 2011
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6
y = 0,0012x + 0,7977 y = 0,0012x + 0,8114
R² = 0,3942 R² = 0,3782
0,4 p = 0,070 0,4 p = 0,077
0,2 0,2
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
SAVI X DAP MÉDIO-

MÉDIO verão 2011
SAVI X ALTURA MÉDIA - verão 2011
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 0,6
y = 0,036x + 0,7488 y = 0,0284x + 0,7639
R² = 0,399 R² = 0,3538
0,4 0,4 p = 0,091
p = 0,068
0,2 0,2
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12 14

261

NDVI X BIOMASSA TOTAL - verão 2011 NDVI X BIOMASSA VIVA - verão 2011
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 0,4
y = 0,0008x + 0,5336 y = 0,0008x + 0,5428
0,3 R² = 0,3937 0,3 R² = 0,3778
p = 0,070 p = 0,078
0,2 0,2
0,1 0,1
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
NDVI X ALTURA MÉDIA - verão 2011 NDVI X DAP MÉDIO-

MÉDIO verão 2011
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 0,4
y = 0,024x + 0,5011 y = 0,0189x + 0,5111
R² = 0,3985 0,3 R² = 0,3533
0,3
p = 0,068 p = 0,091
0,2 0,2
0,1 0,1
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12 14

262

1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 0,001x + 0,9391 y = 0,001x + 0,9739
R² = 0,329 0,6
R² = 0,2939
0,4 p = 0,106 p = 0,132
0,4
0,2 0,2
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 0,0066x + 0,9581 y = 0,0093x + 0,9421
R² = 0,3328 0,6
R² = 0,3765
0,4 p = 0,104 p = 0,079
0,4
0,2 0,2
0 0
0 10 20 30 40 50 0 5 10 15 20 25 30 35
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 0,0037x + 0,9858 y = 0,0288x + 0,9518

R² = 0,24 0,6
R² = 0,3447
0,4 0,181 p = 0,096
0,4
0,2 0,2
0 0
0 10 20 30 40 50 60 70 0 2 4 6 8 10 12
1,4 1,4
1,2 1,2
1 1
0,8 0,8
Índice
Índice
0,6 y = 0,031x + 0,8896 y = 0,0269x + 0,8979

0,6
R² = 0,3954 R² = 0,3793
0,4 p = 0,070 0,4 p = 0,077
0,2 0,2
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12 14

1,4
1,2
0,8
Índice
0,6
y = -3E-05x + 1,269
0,4
R² = 0,3599
0,2 p = 0,088
0
0 2000 4000 6000 8000 10000 12000
263

0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0007x + 0,6282 y = 0,0007x + 0,6514
0,4
R² = 0,3289 R² = 0,2937
0,3 p = 0,106 0,3 p = 0,132
0,2 0,2
0,1 0,1
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
NDVI X BIOMASSA DA COPA (1) - inverno 2011

NDVI X BIOMASSA DA COPA (2) - inverno 2011
0,9
0,9
0,8
0,8
0,7
0,7
0,6
0,6
0,5
Índice
0,5
Índice
0,4 y = 0,0044x + 0,6409
0,4 y = 0,0062x + 0,6302
R² = 0,3324
0,3 R² = 0,3762
p = 0,104 0,3 p = 0,079
0,2
0,2
0,1
0,1
0
0
0 10 20 30 40 50
0 5 10 15 20 25 30 35
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0024x + 0,6593 y = 0,0191x + 0,6367

0,4
R² = 0,2397 R² = 0,3444
0,3 p = 0,181 0,3 p = 0,097
0,2 0,2
0,1 0,1
0 0
0 10 20 30 40 50 60 70 0 2 4 6 8 10 12
NDVI X ALTURA MÉDIA - inverno 2011 NDVI X DAP MÉDIO- inverno 2011
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Índice
Índice
0,4 y = 0,0206x + 0,5953 0,4 y = 0,0179x + 0,6008

R² = 0,3953 R² = 0,379
0,3 p = 0,070 0,3 p = 0,078
0,2 0,2
0,1 0,1
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12 14

0,9
0,8
0,7
0,6
0,5
Índice
0,4
0,3 y = -2E-05x + 0,8479
R² = 0,3596
0,2 p = 0,088
0,1
0
0 2000 4000 6000 8000 10000 12000

Tese Paula Maria Moura Almeida

Enviado por

Direitos autorais:

Formatos disponíveis

Tese Paula Maria Moura Almeida

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tese Paula Maria Moura Almeida

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade do Estado do Rio de Janeiro

Paula Maria Moura de Almeida

Na rede do mapeamento:: Uma análise da resposta espectral da florestas de mangue e do

Tese apresentada, como requisito parcial

A447 Almeida, Paula Maria Moura de.

Na rede do mapeamento: uma análise da resposta espectral da florestas de mangue e do

Tese apresentada, como requisito parcial para obtenção

Aprovada em 17 de agosto de 2015

"Segura na corda do caranguejo,

O monitoramento dos ecossistemas costeiros, assim como o planejamento e o manejo

Palavras-chaves: Mapeamento de Manguezais. Teoria ator-rede. Sensoriamento Remoto.

The monitoring of coastal ecosystems, as well as planning, appropriate management of

Keywords: Mangrove mapping, Actor-Network Theory, Remote sensing

Figura 1- Protocolo do experimento de Green et al (1998) ...................................................... 28

Quadro 1 - Características das imagens do satélite IKONOS .................................................. 46

Tabela 1 -Desempenho do Índice Kappa .................................................................................. 60

"Eu prefiro ser essa metamorfose ambulante, do

“Quando não tiver mais nada

Quando estiver com tudo

O manguezal é um dos principais ecossistemas de transição entre o mar e o continente

de diversos dados, de diferentes fontes, com grande abrangência espacial, melhorando o

Isso significa que, além das disciplinas inerentes ao mapeamento de manguezais -

em objetos híbridos de natureza e cultura. Na realidade, a teoria ator-rede parte do

Frente o objetivo proposto, a tese é composta de duas seções.

Figura 1- Protocolo do experimento de Green et al (1998)

A.Selecionar uma pequena e

Fonte: adaptado de Green et al., 1998.

A seção I então, se apresenta ainda nos moldes científicos tradicionais. Os dois

Portanto, ressalta-se que em alguns momentos, a referência a essas disciplinas “que

Para analisar o mapeamento de manguezais como técnica, no âmbito do conjunto de

“Fui no mangue catar lixo, catar caranguejo,

A região estudada denominada muitas vezes nessa tese de “Manguezais de Guaratiba”

inundação, possui aproximadamente 500 Km2 (RONCARATI; BARROCAS, 1978 apud

Figura 2- Localização da área de estudo

Outra característica da Baixada de Guaratiba é a existência, como observamos na

Figura 3- Mapa dos Manguezais de Guaratiba

Fonte: Almeida, 2015

Figura 4 - Apicum de Guaratiba

Legenda: Foto de um dos apicuns da região de Guaratiba, ao fundo a floresta de mangue.

Estrada (2009) caracterizou as florestas de mangue da região como sendo distribuídas

Figura 5 – Zonação das Florestas de mangue de Guaratiba às margens da baía de

SEÇÃO I - A TÉCNICA DE MAPEAMENTO ATRAVÉS DE SENSORES ÓTICOS –

2 USO DA CLASSIFICAÇÃO BASEADA EM OBJETOS NO MAPEAMENTO DOS

"Seria tudo muito melhor

2.1.1 Cartografia, Mapeamento e Dados óticos orbitais

O mapeamento da superfície terrestre, seus atributos naturais e antrópicos e as práticas

relação à resolução espacial, como em relação às resoluções espectral e radiométrica. Essas

evoluíram, formando o grupo da nova geração de métodos de classificação, estando o Sistema

2.1.2 Sistema Baseado em Conhecimento (SBC) e a Classificação Orientada à Objetos

Os métodos de classificação (sistemas) baseados em conhecimento estão relacionados

O presente capítulo tem como objetivo investigar a aplicabilidade da técnica de

2.3 Materiais e métodos

Figura 6 - Fluxograma de etapas desenvolvidas.

2.3.1 Escolha e Aquisição das imagens

Quadro 1 - Características das imagens do satélite IKONOS

Fonte: Engesat, (2012).

Figura 7 - Quicklook da imagem Ikonos

Quadro 2- Informações sobre as cenas.

Cena Data da cena Cobertura de nuvens Ângulo de elevação ID

2.3.2 – Trabalhos de Campo