Análise temporal (2002-2014) da expansão da espécie de samambaia dicranopteris flexuosa no Vale do Pati (Brasil) utilizando técnicas de classificação de imagens de satélite

Abstract

Con el objetivo de analizar las áreas ocupadas por la especie Dicranopteris Flexuosa en un período de tiempo entre 2002 y 2014, en el Valle de Pati (Bahía-Brasil), fue necesario utilizar técnicas de clasificación de imágenes de satélite multi-espectrales a partir de los algoritmos de clasificación supervisada Redes Neuronales y Máxima Verosimilitud. Los resultados obtenidos demostraron que la especie tiende a expandirse rápidamente, impidiendo la regeneración de la flora nativa. El algoritmo que presentó una mayor confiabilidad en sus resultados fue el basado en las Redes Neuronales.

Afin d'analyser les zones occupées par l'espèce Dicranopteris flexuosa entre 2002 et 2014 dans la vallée du Pati (Bahia-Brésil) nous avons utilisé des techniques de classification d'images de satellite multispectrales à partir des algorithmes de classification supervisée de réseaux de neurones et maximum de vraisemblance. Les résultats montrent que l'espèce a tendance à se développer rapidement, empêchant la régénération de la flore indigène. L'algorithme avec la plus grande fiabilité pour ce but fut le Réseaux de neurones.

Afim de analisar as áreas ocupadas pela espécie de samambaia invasora Dicranopteris flexuosa no período entre 2002 e 2014, no Vale do Pati (Bahia-Brasil), foram utilizadas técnicas de classificação de imagens de satélite multiespectrais a partir dos algoritmos de classificação supervisionada Redes Neurais e Máxima Verossimilhança. Os resultados apontam que a espécie tende a se expandir rapidamente, impedindo a regeneração da flora nativa. O algoritmo que apresentou maior confiabilidade para tal foi o Redes Neurais.

In order to analyze the areas occupied by the invasive fern species Dicranopteris flexuosa between 2002 and 2014 in the Pati Valley (Brazil) multispectral satellite image classification techniques were used from the supervised classification algorithms Neural Networks and Maximum Likelihood. The results show that the species tends to spread rapidly, blocking the regeneration of native flora. The algorithm with the highest reliability for this was the Neural Networks.