UNIVERSIDADE ZAMBEZE

DEPARTAMENTO DE ENGENHARIA FLORESTAL

FACULDADE DE ENGENHARIA AGRONÓMICA E FLORESTAL

SENSORIAMENTO REMOTO E GEOTECNOLOGIAS APLICADOS AO

MONITORAMENTO DO DESFLORESTAMENTO NO NORTE DE MOÇAMBIQUE POR
MEIO DE DADOS SATÉLITES DA PROVÍNCIA DE NIASSA DE 2012 A 2017

Anifo J. Moirinho, Félix R. Chicuáva, Francisco Surage, Márcia Carlos*, Picardo Moreira &
Rodrigues Manjala. Docente: Eng. MSc Silva Rassul Moreira

Disciplina: Geoprocessamento

RESUMO: Embora a província de Niassa apresente a maior área florestal total e a maior área
florestal produtiva correspondente a 36% da área florestal total de Niassa onde a maior parte desta
área florestal (≈ 48%) encontra-se na Reserva Nacional de Niassa e a área de protecção representa,
aproximadamente, 20% da área florestal de Niassa (MITADER, 2018). No entanto, ao contrário do
que se pensa, surgem relatos de que, nos últimos anos, os níveis de desmatamento e de degradação
florestal aumentaram consideravelmente, devido ao aumento da população (INE, 2017), associado à
procura de áreas extensas para a agricultura familiar e itinerante. Neste âmbito, o presente estudo
tem como objectivo final, o uso de geotecnologias dados satélites da província de Niassa do ano
2012 a 2017 e índice de vegetação NDVI no monitoramento do desmatamento florestal, por ser
considerada a província com maior extensão de florestas nativas, (Blid, apud MBANZEA A. A. et
al, 2022; Instituto Nacional de Estatística (INE), 2019; Nhantumbo et al., apud DINAF, 2017;
MITADER, 2018), preservar grande diversidade biológica (MICOA & WWF, apud MBANZEA A.
A. et al, 2022) e por falta de estudo baseados em técnicas de sensoriamento remoto e
geotecnologias. Para isso utilizou-se o software ArcGIS, na classificação não-supervisionada de
imagens do satélite MODISTerra do ano 2012 a 2017. Posteriormente, a detecção de mudanças
(change detection) permitiu avaliar certos parâmetros como: desmatamento, manutenção e ou
florestas de savana. Os resultados revelam que as áreas desmatadas/solos sem vegetação registaram
um aumento de até 6% em 2017 e consequentemente houve uma redução de cerca de 2% das áreas
de florestas densas, 5% para florestas abertas. Como resultado obteve-se o NDVI mais alto em 2014
e o mais baixo verificou-se em 2017.

Palavras chaves: Índice da vegetação NDVI, Sensoriamento Remoro, Desmatamentos em Niassa.

1. INTRODUÇÃO

O elevado nível de pobreza e o aumento considerável da população em Niassa (INE, 2019)

aumentam a pressão sobre as florestas nativas e os recursos naturais, devido à falta de alternativas
de subsistência e de renda por parte das famílias rurais (JICA, 2015). Estima-se que a população irá
duplicar até 2050 (Zinkina e Korotayev, apud Mbanzea A. A. et al, 2022), aumentando a pressão
sobre as florestas para níveis sem precedentes, caso não sejam encontradas alternativas sustentáveis
de geração de rendas e de subsistência.

A produtividade vegetal é tradicionalmente estimada directamente pela medição da biomassa e

cobertura acima do solo, processo que requer altos recursos humanos, financeiros e tempo. Para
contornar esse desafio, o uso de estimativas de biomassa a partir de produtos de sensoriamento
remoto surge como uma ferramenta que pode ser aplicada para estudos de extensas áreas (Yu et al.,
2018). A utilização de imagens orbitais obtidas por sensoriamento remoto no mapeamento do uso e
cobertura da terra possibilita a geração de informações rápidas, confiáveis e actualizadas sobre dado
ambiente, bem como a possibilidade de acompanhamento sazonal de dada porção da superfície
terrestre. Segundo Silva AM et al. (2015), o mapeamento do uso da terra mediante técnicas de
análises espaciais são o meio mais rápido e fácil para análise dos fenómenos naturais nas mais
variadas escalas.

A capacidade de resposta espectral de uma planta está relacionada a como as espécies competem e
respondem aos efeitos estressores do ambiente (Mahaut et al., 2020; Scher et al., 2020), reflectindo
na forma com que se distribuem no espaço, moldando assim a estrutura das comunidades vegetais
(Scher et al., 2020). Neste âmbito, o presente estudo tem como objectivo final, o uso de
geotecnologias, dados satélites da província de Niassa do ano 2012 a 2017 e índice de vegetação
NDVI no monitoramento do desmatamento florestal.

2. METODOOGIA
Com o objectivo monitorar o desmatamento florestal na Província de Niassa e detectar a evolução
das mudanças na cobertura vegetal daquela região, técnicas de sensoriamento remoto foram
aplicadas na análise de uma série temporal de imagens aplicou-se uma metodologia que obedeceu
sequencialmente as etapas que foram

A Província do Niassa com cerca de 129 mil km² e 16 Distritos está localizada na região norte de
Moçambique, e tem fronteira, a norte com a Tanzânia, a sul com as províncias de Nampula e
Zambézia, com a província de Cabo Delgado a este e a oeste com o Malawi, com o qual também
divide o Lago Niassa, um dos Grandes Lagos Africanos (INAE, apud DNCI, 2018).

2.1.Download e importação de imagens orbitais

Para análise e mapeamento das classes de uso e cobertura da terra, optou-se pelas imagens do
satélite MODIS com o código MOD13Q1. A escolha justifica-se pelas séries cronológicas longas
disponíveis (desde 2000), pela resolução temporal de 16 dias, o formato pronto a usar (calibrado), a
cobertura global, a disponibilidade gratuita, e pela resolução espacial de 250m, adequada para o
estudo de recursos terrestres em âmbito provincial. O download dos arquivos de imagens foi através
do site do “Land Processes Distributed Active Archive Center–LP DAAC”, estes dados apresentam
correcção geométrica e radiométrica. As imagens, originalmente disponíveis em formato GeoTiff,
foram importadas no aplicativo ArcGIS/ArcMap, sendo posteriormente submetidas à diferentes
técnicas de processamento digital e ou estatístico dos valores de NDVI.

2.2.Processamento das imagens

Técnicas como georreferenciamento, realce e classificação digital, foram usadas para interpretação,
extracção de informações e comparação entre as imagens da série temporal. Após a importação, as
imagens passaram pelo processo de realce por contraste. Através das cenas de cada ano, obtidas
pelo sensor MODIS (duas imagens por cada ano), foram determinadas as composições médias de
cada ano em estudo por meio da relação matemática abaixo.

Foi usada também a seguinte escala (Imagem(xxxx) * 0,0001), com auxílio da ferramenta raster
calculator para poder normalizar as imagens dentro do intervalo do NDVI (-1 a +1). O NDVI é o
índice sensível à presença de pigmentos que participam dos processos fotossintéticos e o cálculo do
mesmo pode ser feito pela seguinte equação:

Depois de realçadas as imagens passaram pelo procedimento de georreferenciamento onde foram

projectadas nas coordenadas (Tete WGS1984 zona37S) e recortadas pelo arquivo vectorial limite da
provincial de Niassa. Após esses procedimentos, as imagens estão prontas para a etapa de
classificação digital.
2.3.Classificação Digital e Análise de Imagens

Através da classificação não supervisionada, quatro classes (solo sem vegetação, floresta de savana,
floresta aberta e floresta densa) foram estabelecidas em cada mapa classificado. Para o processo de
analise softwares como ArcGIS 10.3 e Excel foram usados para o pré-processamento das imagens e
para gerar gráficos e ou tabelas, respectivamente.

3. RESULTADOS E DISCUSSÃO

3.1.Resposta multitemporal das áreas analisadas

Nesse trabalho obtiveram-se as médias dos dados disponíveis, de 2012 para 2017, esses mapas são
apresentados na Figuras 03. Para que seja possível obter a média do NDVI entre mapas, faz-se
necessário que eles estejam no formato (raster ou matricial). Desse modo, os mapas foram baixados
nesse formato. Posteriormente, para levantamento de áreas foi utilizado a ferramenta Raster
Calculator.

Por meio de operações matemáticas e da classificação digital de imagens, foi possível revelar as
mudanças ocorridas nesse período de 6 anos (Figura 03).

Figura 03: mapas ilustrando alterações ocorridas na cobertura florestal no ano 2012 e no ano 2017.
Com base na Figura 03 é evidente que vários Distritos e ou cidades da Província de Niassa como
Mavago, Sanga, Muembe, Lago, Ngauma, Mecula, Majune e Lichinga (onde alguns fazem parte da
reserva nacional de Niassa) apresentaram uma elevada variação da sua cobertura florestal onde em
2017 observa-se uma área bastante extensa sendo dominada pelo NDVI da classe do vermelho
(solos sem vegetação) o que indica perda de vegetação que pode estar associado a factores
socioeconómicos e culturais.

De acordo com Mbanzea A. A. et al, (2022) a reserva nacional de Niassa é uma das últimas regiões
selvagens preservadas de África. Contudo, este patrimônio natural é afectado pela exploração
florestal e mineira ilegais, pelo crescimento populacional e pelas mudanças climáticas. Em Niassa a
cobertura florestal reduz-se continuamente ao longo do tempo. Durante o período em estudo, observa-se uma
perda de cerca de 435.000 hectares.

Por outro lado, alguns Distritos como Mecanhelas, Cuamba, Metarica, Mandimba, e Maua
apresentaram um cenário totalmente diferente pois nestes pontos pode observar-se que houve uma
alteração positiva na qual tem-se em 2017 aumento no valor do NDVI (florestas abertas e densas)
em áreas que no ano de 2012 apresentavam-se com um NDVI baixo (solos expostos e florestas de
savana) a essa variação pode associar-se a possível alteração na fonte de renda das famílias que lá
se encontram.

Dados apresentados na Tabela 01, contabilizando a variação das áreas correspondentes a cobertura e
uso espacialmente, verifica-se um total percentual de 39%, 38% e 17% composta por floresta densa,
floresta aberta e floresta de savana, respectivamente no ano de 2012. Essa composição/cobertura e
uso foi reduzindo ao longo dos anos, onde em 2017 observa-se uma redução de -2% para floresta
densa e 5% para floresta aberta, tendo mantido o a área da floresta de savana. Áreas sem vegetação
aumentaram em 6% no ano de 2017 o que indica aumento de áreas desmatadas pela prática
intensiva de agricultura itinerante e de subsistência.

Tabela 01: Variação da área em hectares de uso e cobertura no ano 2012.

Classes de cobertura Área (ha)_2012 % Área(ha)_2017 % Change_(2017-2012) %

Solo sem vegetação 739281.199083 6 1523014.14 12 783732.937178 6
Floresta de savana 2106928.119047 17 2126786.51 17 19858.388675 0.16
Floresta aberta 4608137.247839 38 4093318.89 33 -514818.357948 -4
Floresta densa 4793775.172730 39 4511464.03 37 -282311.147024 -2
Σ 12248121.738699 12254583.56
3.2.Análise ou detecção de mudanças no NDVI

A Figura 04 ilustra o resultado obtido da subtracção de duas imagens (imagem_2017-

imagem_2012) com o objectivo de avaliar na íntegra o quão a área desmatada se manifestou durante
esse período. Ao subtrair as duas imagens o resultado obtido expressa a diferença nos valores de
cada pixel entre as duas imagens, onde tem-se valores negativos que indicam que houve diminuição
ou perda do valor de NDVI (perda da vegetação) e positivos que indicam aumento ou ganho no
valor do NDVI (aumento de áreas com vegetação).

Figura 04: Mudanças rápidas no NDVI que evidenciam o nível de aumento e perda da vegetação.

3.3.Análise temporal do NDVI

Devido ao factor antrópico (acção humana sobre os ecossistemas naturais), a vegetação vem
apresentando variações na Província de Niassa e com base nestas variações foi possível elaborar a
fenologia do NDVI do ano 2012 até o ano 2017 de modo a examinar e gerar conclusões com base
nos valores apresentados. Pelo comportamento do gráfico é evidente que no ano 2012 e 2013 não
houve alteração no NDVI porém em 2014 houve um aumento do mesmo o que dita aumento da
vegetação e redução de actividades agrícolas. Por outro lado, nota-se que a partir de 2015 até 2017
o NDVI reduziu drasticamente indicando maior desmatamento ou perda da vegetação. Como
resultado obteve-se o NDVI mais alto em 2014 e o mais baixo verificou-se em 2017 (Figura 06).
 Fenologia de NDVI do ano 2012 ate 2017
0.998
0.996
0.994
NDVI 0.992
0.99
0.988
0.986
0.984
2012 2013 2014 2015 2016 2017
NDVI 0.99455 0.995 0.997 0.99325 0.9948 0.9885

Figura 05: Fenologia do NDVI ao longo dos anos (comportamento da vegetação).

4. CONSIDERAÇÕES FINAIS

O uso combinado de geotecnologias como o sensoriamento remoto e o geoprocessamento

possibilitou a análise integrada das informações mapeadas, evidenciando os processos de
manutenção, regeneração florestal e desmatamento, ocorridos durante 6 anos (de 2012 a 2017).
Observou-se que em 2012 a Reserva Nacional do Niassa assim como os demais distritos
mantiveram a sua área florestada por um bom tempo, porém com o aumento da população e baixa
fiscalização acompanhada de corrupção essas áreas acabaram sendo exploradas ao longo do tempo
até que em 2017 essas mesmas áreas passaram a apresentar um nível de NDVI bastante reduzido.

Pelo possível surgimento ou descoberta de uma nova fonte de renda, as florestas mostraram um
NDVI elevado no ano de 2014 porém pelo aumento populacional em 2017 esse nível de NDVI
baixou drasticamente. Em relação as áreas, observa-se que as áreas desmatadas/solos sem vegetação
registaram um aumento de até 6% em 2017 e consequentemente houve uma redução de cerca de 2%
das áreas de florestas densas, 5% para florestas abertas.

5. REFERÊNCIAS BIBLIOGRÁFICAS

DINAF. ( 2017). Relatórios anuais 2013-2017. Maputo, Moçambique.

DNCI. (2018). Plano operacional da comercialização agrícola em Niassa. Direcção Nacional do

Comercio Interno.

Florenzano, T. (2016). Iniciação em Sensoriamento Remoto. (3 ed.). (S. P. textos, Ed.) Gráfica.

INE. (2019). IV Recenseamento Geral da População e Habitação 2017. . Instituto Nacional de

Estatística, Maputo.
JICA. (2015). The Preparatory Study on Road Improvement Plan in Nacala Development Corridor
(N13: Cuamba-Mandimba-Lichinga) in the Republic of Mozambique.

Maputo. Mahaut, L., Fort, F., Violle, C., & Freschet, G.T. (2020). Multiple facets of diversity
effects on plant productivity: Species richness, functional diversity, species identity and
intraspecific competition. Functional Ecology, 34(1), 287–298

MBANZEA A. A., D. C. (2022). Como a degradação das florestas está a afectar a rotina dos chefes
de família em algumas comunidades na província do niassa.

MITADER. (2018). Inventario florestal nacional, relatorio final. DINAF, Maputo, Moçambique.

REGET. (2016). Geotecnologias para monitoramento florestal no município de Nova Palma - Rio
Grande Do Sul – BR.

Silva AM, X. A. (2015). Análise multitemporal e atualização do mapa de uso e ocupação do solo do
município de Monteiro/PB. In: Actas XVI SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO. Foz do Iguaçu, Brasil.

SITOE, A. I. (2016). Estudo sobre causas directas e indirectas do desmatamento e degradação

florestal em Moçambique - Relatório final. C. WINROCK. Maputo.

Scher, C.L. et al. (2020). Application of remote sensing technology to estimate productivity and
assess phylogenetic heritability. Applications in Plant Sciences, 8(11), e11401.

Yu, T. Sun, R., Xiao, Z., Zhang, Q., Liu, G., Cui, T., & Wang, J. (2018). Estimation of global
vegetation productivity from global land surface satellite data. Remote Sensing, 10(2), 327.