Resumo A precipitação pluviométrica é uma das variáveis mais importantes para investigações associadas a processos biológicos. Na Amazônia, estudos sobre sua distribuição espacial e temporal vêm sendo utilizados como uma ferramenta de análise no planejamento regional visando a conservação de diferentes ecossistemas. Isto pode ser exemplificado pela construção de calendários agrícolas e de queimas controladas com o objetivo de prevenir que fogos derivados de queimadas para limpeza de roças e pastagens escapem do controle e se transformem em incêndios florestais de grandes proporções em anos de seca severa na Amazônia. O objetivo do estudo foi modelar a distribuição espacial das chuvas no Estado de Roraima (1998-2018) utilizando as escalas mensal e anual a partir de dados orbitais de dois produtos disponíveis na rede mundial de computadores: TRMM e WORLDCLIM. Foi adotada a krigagem ordinária como método para a modelagem da precipitação com base em 59 estações pluviométricas localizadas em toda a área de estudo. Roraima apresenta dois períodos climáticos bem definidos ao longo do ano (seca e chuva), mas contrastantes em função de seus três tipos climáticos que agem de forma distinta entre dois hemisférios. Em média a precipitação do clima Af (clima equatorial de floresta) se concentra no intervalo entre março e agosto (63,5%), com pico em maio, enquanto Am (clima de monção) e Aw (clima de savana) transitam entre abril a setembro (pico em junho), onde concentram 73,3% e 82,3% das chuvas, respectivamente. Entre 1998 e 2018 a precipitação média anual foi de 1925 ± 339,7 mm, independentemente da localização hemisférica. Eventos climáticos extremos possuem um efeito dramático nos índices pluviométricos regionais, fazendo com que em anos El Niño (longas secas) os riscos de incêndios florestais sejam maiores e, em anos de La Niña (períodos de chuva intensa), os riscos de enchentes sejam mais frequentes.

Abstract Rainfall is one of the most important variables for studies of biological processes. In the Amazon, studies of the spatial and temporal distribution of rainfall have been used as an analysis tool in regional planning aimed at the conservation of different ecosystems. This is exemplified by the construction of agricultural calendars and by controlled burning to prevent the fires that are used to clear fields and maintain pastures from escaping from control and turning into large forest fires in years of severe drought. Our study aimed to model the spatial distribution of rainfall in Brazil’s state of Roraima (1998-2018) at monthly and annual scales based on orbital data from two products available on the world-wide web (TRMM and WORLDCLIM). Ordinary kriging was adopted as a method for geostatistical modeling of precipitation considering the 59 meteorological stations located in the study area. Roraima has two well-defined climatic seasons in the year, but these seasons are inverted between the portions of the state in the northern and southern hemispheres. On average, 63.5% of the precipitation in the Af (without dry season) climate area falls between March and August, with a peak in May, while in both the Am (monsoon) and Aw (with dry winter) climates rainfall is concentrated between April and September (73% in Am and 82.3% in Aw), with the peak in June. Between 1998 and 2018 the average annual precipitation was 1925 ± 339.7 mm, regardless of the hemispheric location. Extreme climatic events have a dramatic effect on regional rainfall, where El Niño years (long droughts) are characterized as drier periods with higher risks of forest fires, while in La Niña years (wetter periods) there are higher probabilities of heavy rains associated with long periods of flooding.

Resumo:Na porção norte da Amazônia brasileira, as savanas, florestas estacionais e terras agropecuárias formam uma paisagem complexa, onde o mapeamento de uso e cobertura da terra é uma tarefa desafiadora. Nesse trabalho, dados Landsat-8/OLI e ALOS-2/PALSAR-2 foram combinados para mapeamento de 17 classes de uso e cobertura da terra usando o algoritmo Random Forest. O potencial de cada conjunto de dados foi analisado separadamente e em comparação ao modelo híbrido. Os resultados mostraram que o modelo híbrido com as polarizações PALSAR-2 HH/HV e seis bandas de reflectância do OLI produziu os melhores resultados, com acurácia global de 83% e Kappa de 0,81. Isto representou um aumento de 6% em relação à classificação das bandas do OLI somente. Os modelos usando os dados ópticos produziram resultados melhores do que os do SAR. Entretanto, a maior contribuição do PALSAR-2 foi melhorar a discriminação de classes de savana com menor biomassa, como os campos limpos e campos cerrados.

Abstract: In northern Brazilian Amazon, the crops, savannahs and rainforests form a complex landscape where land use and land cover (LULC) mapping is difficult. Here, data from the Operational Land Imager (OLI)/Landsat-8 and Phased Array type L-band Synthetic Aperture Radar (PALSAR-2)/ALOS-2 were combined for mapping 17 LULC classes using Random Forest (RF) during the dry season. The potential thematic accuracy of each dataset was assessed and compared with results of the hybrid classification from both datasets. The results showed that the combination of PALSAR-2 HH/HV amplitudes with the reflectance of the six OLI bands produced an overall accuracy of 83% and a Kappa of 0.81, which represented an improvement of 6% in relation to the RF classification derived solely from OLI data. The RF models using OLI multispectral metrics performed better than RF models using PALSAR-2 L-band dual polarization attributes. However, the major contribution of PALSAR-2 in the savannahs was to discriminate low biomass classes such as savannah grassland and wooded savannah.

A ocupação e consolidação do território na Amazônia apresentam diferentes características relacionadas à dinâmica das conversões de uso e cobertura da terra, que podem ser analisadas utilizando imagens orbitais de sensoriamento remoto. O objetivo do presente trabalho foi avaliar os produtos de detecção de mudanças gerados por análise de vetor de mudança (AVM) e subtração de imagens, a partir de imagens-fração derivadas das imagens ópticas TM/Landsat, para o estudo das conversões de uso e cobertura da terra presentes em área de colonização agrícola na região sudeste de Roraima. Analisaram-se as imagens de mudança provenientes da aplicação do AVM (magnitude, alfa e beta) e da subtração das imagens-fração (solo, sombra e vegetação) quanto à sua capacidade de identificar e discriminar as conversões existentes, de acordo com levantamento de campo. Foram testados dois algoritmos de classificação de imagens do tipo supervisionado, Bhattacharyya e Support Vector Machine. Foram feitos agrupamentos para otimizar a identificação das conversões nas classificações testadas. Houve melhor desempenho do classificador por regiões Bhattacharyya na discriminação das conversões. A utilização das imagens-diferença das frações como informação de entrada para o classificador apresentou qualidade de classificação muito boa ou excelente, sendo superior às classificações utilizando os produtos AVM, isoladamente ou em conjunto com as imagens-diferença.

Territory occupation and consolidation in the Amazon region have some specific characteristics related to the dynamics of land use and land cover conversions, which can be analyzed using orbital remote sensing images. The aim of this study was to evaluate change detection products generated by change vector analysis (AVM) and image subtraction techniques derived from linear spectral mixing modeling (MLME), applied to Thematic Mapper/Landsat optical images, to study land use and land cover conversions occurring in agricultural settlement areas in the southeastern region of Roraima, Brazil. We analyzed change images derived from application of AVM (magnitude, alpha and beta) and subtraction of fraction images (soil, vegetation and shade), for their ability to identify and discriminate the existing conversions. An extensive field work was used as a guide to define the classes. Exploratory analyses of class behaviors were made and two supervised algorithms for image classification - Bhattacharyya and Support Vector Machine - were tested. By grouping (clumping classes), we sought to optimize conversion identification in the classification products. The results indicated better Bhattacharyya region classifier performance of conversion discrimination. The use of MLME fractions difference images as input into the classifier resulted a very good or excellent classification quality, which was better in comparison with products using AVM images, either in isolation or in conjunction with MLME difference images.