Mapeamento de Cangas No Vale do Peixe Bravo com uso de Sensoriamento Remoto

Tipo: Projeto de Pesquisa

Ano de início: 2019

Situação: Em Andamento

Localidade: Vale do Rio Peixe Bravo

Introdução:

O ambiente identificado na região como Geossistema Ferruginoso do Vale do Peixe Bravo (Figura 1) é composto por diversas rochas, dentre elas as formações ferríferas bandadas (BIF) ou itabiritos, cangas, jaspilitos, metadiamictitos ferruginosos, filitos ferruginosos, entre outras (SIMMONS, 1963; SALGADO e do CARMO, 2015) . Um dos indicativos da presença destes minerais na paisagem que, por vezes, aflora à superfície, são as cangas lateríticas. Estes ambientes têm distintos interesses para além do econômico, relacionados à disponibilidade hídrica, endemismos de espécies, patrimônio arqueológico, paleontológico, e natural. Devido à singularidade deste ambiente, faz-se necessário conhecê-lo, através de mapeamento para que seja possível fazer análises quantitativas e monitorar as mudanças e ameaças pelas quais passam estas áreas.

Localização do Geossistema Ferruginoso do Vale do Peixe Bravo
Figura 1 – Localização do Geossistema Ferruginoso do Vale do Peixe Bravo

Objetivo Geral:

  • Mapear, quantificar e monitorar os afloramentos de canga ao longo do Vale do Peixe Bravo, além de apontar as principais ameaças a este ambiente.

Objetivos Específicos:

  • Utilizar um método automatizado e de baixo custo para classificação e monitoramento das cangas com o uso de imagens de satélite orbital;
  • Calcular a extensão de canga mapeada;
  • Identificar e quantificar as ameaças ao ambiente de canga na região
  • Propor estratégia de conservação para as áreas de canga do Peixe-Bravo
  • Contribuir para o monitoramento da área ao longo do tempo

Integrantes: Eric Oliveira Pereira; Flávio do Carmo e Luciana Kamino

Resultados preliminares:

  • Predição através da aplicação de método de DeepLearning em imagens Sentinel-2A e 2B para identificação  e mapeamento automatizado das cangas (Figura 2).
As áreas em branco foram preditas através de algoritmos DeepLearning. Para esta classificação foram testadas duas composições de bandas, cor-natural (A) e falsa-cor (B), esta última substituindo a banda do azul pelo infra-vermelho. Os resultados mostraram melhores resultados na composição falsa-cor.
Figura 2 – As áreas em branco foram preditas através de algoritmos DeepLearning. Para esta classificação foram testadas duas composições de bandas, cor-natural (A) e falsa-cor (B), esta última substituindo a banda do azul pelo infra-vermelho. Os resultados mostraram melhores resultados na composição falsa-cor.
  • A classificação teve acurácia geral de 98% e uma precisão de  79 %
  • A área total da imagem trabalhada é de aproximadamente 1.000 km², sendo que menos de 3 km² correspondem aos afloramentos de canga (Figura 4).
Em verde estão as cangas distribuídas ao longo da área de estudo.
Figura 3 – Em verde estão as cangas distribuídas ao longo da área de estudo.
  • Foram relacionados, por meio das bases oficiais, os direitos minerários concedidos na região do projeto em áreas de canga (Figura 4), a fim de identificar eventuais ameaças e alterações de longo prazo nos afloramentos de canga, com base na predição realizada (Figura 3)
Sobreposição entre os Títulos Minerários e as Cangas expostas (em vermelho).
Figura 4 – Sobreposição entre os Títulos Minerários e as Cangas expostas (em vermelho).

Próximas Etapas:

  • O trabalho se encontra em fase final, sendo que toda a parte metodológica e os resultados estão concluídos. Os detalhamentos e aprofundamentos, bem como quantificações, métodos e resultados serão apresentados em artigo científico, que está em fase final de elaboração.