O aumento da cobertura por florestas jovens no Estado de São Paulo é resultado de diferentes processos naturais e antrópicos como regeneração natural e restauração ativa. Identificar com precisão o método de restauração e a dinâmica dessas manchas de florestas jovens são cruciais para compreender sua distribuição espacial, estrutura, funcionamento e contribuição nos processos ecológicos e fornecer mecanismos de monitoramento, garantir a persistência dessas áreas no futuro. O estudo e refinamento da classificação das florestas com base nos métodos de restauração possui ainda muitos desafios. O presente trabalho buscou responder uma pergunta crucial para este cenário: 'Como distinguir florestas secundárias em áreas de restauradas ativamente e regeneradas passivamente?'. Para tanto, o objetivo deste estudo foi combinar dados de contexto da paisagem, do comportamento espectral atual e histórico da vegetação, para distinguir dentre as áreas de florestas secundárias o método de restauração - regeneração natural e restauração ativa - usando classificadores não-supervisionados. A área de estudo são as Bacias Hidrográficas dos Rios Piracicaba, Capivari e Jundiaí, Bioma Mata Atlântica, localizada no Estado de São Paulo, Brasil. O primeiro conjunto de dados para estudo do contexto da paisagem utilizou variáveis biofísicas de declividade, proximidade a hidrografia e estatística focal da vegetação primária em um buffer de 300 metros de cada área de floresta jovem estudada. O segundo conjunto de variáveis para estudo do comportamento espectral atual foi formado por quatro índices de vegetação com leituras observadas nos períodos chuvosos e secos. O terceiro conjunto de variáveis para estudo do histórico do comportamento espectral da vegetação é composto por dados de tendência, magnitude, anomalias, sazonalidade, média de NDVI e variação interanual, decompostos das séries temporais de cada área. A Análise dos Componentes Principais realizada sobre esse conjunto de variáveis mostrou que as variáveis do comportamento espectral atual e histórico da vegetação são responsáveis por explicar 65% das áreas de restauração e regeneração, nos três primeiros componentes principais (CP), enquanto as variáveis de contexto, para essas áreas e bacia em específico, explicou apenas 6%, estando presente apenas no quarto CP. O conjunto de amostras, 170 áreas de restauração ativa e 170 áreas de regeneração natural e foram treinados quatro classificadores baseados em algoritmos de aprendizado de máquina XGB Boost, Gradient Boosting, Bagging Classifier e Linear Discriminant Analysis. O classificador XGBoost obteve acurácia de 88%, enquanto os algoritmos Gradient Boosting e Linear Discriminant Analysis obtiveram menores acurácia com 84%. Este trabalho demonstrou que é possível distinguir áreas de floresta secundária em diferentes métodos de restauração usando variáveis de comportamento espectral atual e histórico, com acurácia satisfatória, no contexto de bacias com particularidades e características semelhantes às bacias hidrográficas dos rios Piracicaba, Capivari e Jundiaí.

The increase in coverage by young forests in the State of São Paulo is the result of different natural and anthropic processes such as natural regeneration and active restoration. Accurately identifying the restoration method and the dynamics of these patches of young forests are crucial to understanding their spatial distribution, structure, functioning and contribution to ecological processes and providing monitoring mechanisms, ensuring the persistence of these areas in the future. The study and refinement of forest classification based on restoration methods still has many challenges. The present work sought to answer a crucial question for this scenario: 'How to distinguish secondary forests in actively restored and passively regenerated areas?'. Therefore, the objective of this study was to combine landscape context data, current and historical spectral behavior of vegetation, to distinguish between areas of secondary forests the method of restoration - natural regeneration and active restoration - using unsupervised classifiers. The study area is the Piracicaba, Capivari and Jundiaí River Basins, Atlantic Forest Biome, located in the State of São Paulo, Brazil. The first set of data for studying the landscape context used biophysical variables of slope, proximity to hydrography and focal statistics of primary vegetation in a buffer of 300 meters of each area of young forest studied. The second set of variables for studying the current spectral behavior was formed by four vegetation indices with readings observed in the rainy and dry periods. The third set of variables for studying the history of the spectral behavior of vegetation is composed of data on trends, magnitude, anomalies, seasonality, average NDVI and interannual variation, decomposed from the time series of each area. The Principal Components Analysis carried out on this set of variables showed that the variables of the current and historical spectral behavior of the vegetation are responsible for explaining 65% of the restoration and regeneration areas, in the first three principal components (PC), while the context variables, for these areas and basin in particular, explained only 6%, being present only in the fourth CP. The sample set, 170 areas of active restoration and 170 areas of natural regeneration and four classifiers based on machine learning algorithms XGB Boost, Gradient Boosting, Bagging Classifier and Linear Discriminant Analysis were trained. The XGBoost classifier obtained an accuracy of 88%, while the Gradient Boosting and Linear Discriminant Analysis algorithms obtained lower accuracy with 84%. This work demonstrated that it is possible to distinguish different restoration methods using current and historical spectral behavior variables, with satisfactory accuracy, in the context of basins with characteristics and characteristics similar to the Piracicaba, Capivari and Jundiaí River Hydrographic Basins.