app.uff.br · Web viewBOORI, M. S.; VOŽENÍLEK, V.; CHOUDHARY, K. Land use/cover disturbance due...

UNIVERSIDADE FEDERAL FLUMINENSEINSTITUTO DE GEOCIÊNCIAS

CURSO DE BACHARELADO EM GEOGRAFIA

CAMILA HENRICI DIAS DOBAL

ÍNDICES AUTOMÁTICOS E COBERTURA DO SOLO: UM ESTUDO DE CASO EM TAMOIOS, CABO FRIO

Niterói2019



Monografia apresentada ao curso de Bacharelado em Geografia, como requisito parcial para a obtenção do título de Bacharel em Geografia.

Orientadora:Prof.a Dr.a, Juliana Magalhães Menezes

Niterói2019



Monografia apresentada ao curso de Bacharelado em Geografia, como requisito parcial para a obtenção do título de Bacharel em Geografia.

Aprovada em 24 de janeiro de 2019.

BANCA EXAMINADORA

_____________________________________________Prof.a Dr.a, Juliana Magalhães Menezes (Orientadora) - UFF

_____________________________________________Prof. Dr. Carlos Marclei Arruda Rangel - UFF

_____________________________________________Prof. a Ma. Luana Alves de Lima - UFF

Niterói2019

Dedico este trabalho a meus pais

Ivan Alexandre e Patrícia, que em todos

os momentos da minha vida estiveram

ao meu lado e que também desde pequena me

mostraram que a educação é o bem mais

valioso que podemos ter.

AGRADECIMENTOS

Depois de algum tempo finalizo este, que foi um dos trabalhos que mais tenho

orgulho de ter realizado. Com isto e com toda minha trajetória na Universidade

Federal Fluminense venho prestar alguns agradecimentos a pessoas que estiveram

em meu caminho durante este percurso.

Primeiro, preciso agradecer a minha família, principalmente meus pais, que

aguentaram muitos finais de período estressantes, entenderam que em alguns

momentos tive que estar ausente e mais do que isto, me apoiaram em todos os

momentos em que estava prestes a surtar, seja por achar que não daria conta de

algum projeto ou por pura auto cobrança.

Também preciso agradecer alguns amigos, que mesmo não entendendo

quase nada de Geografia, durante todo este tempo não desistiram de mim e sempre

se mostraram presentes para ouvir minhas reclamações, que admito que não foram

poucas, e que vibraram comigo cada conquista que tive. Nos quais destaco: Jéssica,

Luiz Filipe e Thaís, muito obrigada por cada momento.

Além disto preciso comentar das pessoas que conheci nesta Geografia, que

foram muito além de meros colegas e se tornaram amigos, mais aqui escolho falar

apenas duas destas pessoas, representando todas, que são Gisele e Tainan.

Obrigada por tudo.

Por último mais não menos importante, agradeço as oportunidades que tive

nessa graduação, que foram participar do programa de monitoria, com a orientação

da Prof.a Dr.a, Juliana Magalhães Menezes, que abriu meus caminhos para além da

Cartografia e além disso aceitou a tarefa de ser minha orientadora, obrigada por

tudo. E a oportunidade de estágio que tive no Centro de Hidrografia da Marinha

(CHM) no setor de Cartografia, que mudou minha perspectiva de trabalho como

Geógrafa e me permitiu vivenciar um pouco a importância do trabalho do cartógrafo.

Para todos o meu muito obrigada de todo coração.

A única forma de chegar ao impossível é acreditar que é possívelLewis Caroll

RESUMO

O presente trabalho busca estabelecer uma relação entre os Índices Automáticos de detecção de água e a cobertura do solo na região de Tamoios em Cabo Frio. Para isto foram utilizadas imagens Landsat 8 disponibilizadas pelo Serviço Geológico Norte Americano (USGS). Os índices automáticos podem ser caracterizados como operações matriciais que tem como objetivo identificar um ou mais alvos em imagens de satélite, neste trabalho, buscamos trabalhar com o Índice de Diferença Normalizada da Água (NDWI) de McFetteres (1996), que surge inspirado em um dos primeiros índices deste tipo, o NDVI, o Índice de Diferença Normalizada da Água Modificado (MNDWI) de Xu (2006), que é uma nova versão do índice anterior e o Índice Automático de Extração de Água (AWEI) de Feyisa et al. (2014), que apresenta diferentes versões para imagens que apresentam sombra ou não, chamados de AWEIsombra e AWEIsem sombra. O mapeamento de Cobertura do Solo foi realizado de forma automática no software SPRING, com base em amostras espectrais coletadas pelo usuário, no qual foram consideradas as classes de cobertura: água, área urbana, vegetação e solo exposto (incluindo nesta categoria também afloramentos rochosos e as salinas - áreas de extração de sal - presentes na região). Como resultado dos mapas e das comparações realizadas entre eles pode ser constatado que apesar de todos os índices utilizados neste trabalho terem diferenciado os alvos (água e não água) os que apresentam melhores resultados foram o MNDWI e o NDWI pois neles, além da diferenciação entre a água e os outros alvos representados em diferentes cores (água em tons azuis e não água em tons próximos ao vermelho), podemos perceber também uma diferenciação entre áreas com a presença de material particulado em suspensão e áreas que não o possuem. Quanto a comparação com a cobertura do solo, também houve correspondência nestes índices.

PALAVRAS-CHAVE: Cobertura do Solo; Recursos Hídricos; Sensoriamento Remoto.

ABSTRACT

The present work seeks to establish a relationship between Automatic Water Detection Index and the Land Cover in Tamoios district, in Cabo Frio. For this, were used Landsat 8 images available provided by the Geological Survey North American (USGS). The automatic indexes can be characterized as matrix operations that aim to identify one or more targets in satellite images. In this work, we sought to work with the McFetteres (1996) Water Normalized Difference Index (NDWI), which is inspired by a of the first indices of this type, the NDVI, the Standardized Difference Index of Modified Water (MNDWI) of Xu (2006), which is a new version of the previous index and the Automatic Water Extraction Index (AWEI) of Feyisa et al. (2014), which features different versions for shady or non-shaded images, called AWEI shadow e AWEI no shadow. The mapping of Land Cover was performed automatically in the SPRING software, based in spectral samples, collected by the user, were considered in which the cover class: water, urban area, vegetation and bare soil (including in this category also outcrops and salt extraction area - that has in this region). As result of the maps and the comparison made between them, it can be verified that although all the indexes used in this work differentiated the targets (water and no water) the ones which better results are the MNDWI and NDWI because in them, in addition to the differentiation between water and other targets represented in different colors (water in blue tones and not water in shades near to red), we can also see a differentiation between areas with the presence of suspended particulate matter and areas that they do not have it. As for the comparison with the soil cover, there was also correspondence in these indices.

Keywords: Land Cover; Water resources; Remote sensing.

LISTA DE ILUSTRAÇÕES

Figura 1 - Localização da Área de Estudo .................................................... 19

Figura 2 - Fluxograma do Processamento .................................................... 22

Figura 3 - Mapa NDWI .................................................................................. 23

Figura 4 - Mapa MNDWI ............................................................................... 24

Figura 5 - Mapa AWEI sem sombra ..................................................................... 25

Figura 6 - Mapa AWEI com sombra .................................................................... 26

Figura 7- Mapa de Cobertura do Solo ……………………………………….... 28

Figura 8 - Gráficos de áreas classificadas como Água e Não Água.............. 29

LISTA DE TABELAS

Tabela 1 - Satélites e Bandas utilizadas para o NDWI .................................... 17

Tabela 2 - Satélites e Bandas utilizadas para o MNDWI ................................. 18

Tabela 3 - Satélites e Bandas utilizadas para o AWEI sem sombra ....................... 18Tabela 4 - Satélites e Bandas utilizadas para o AWEI com sombra ....................... 18

LISTA DE ABREVIATURAS E SIGLAS

ANA Artificial Neural Networks

APA Área de Proteção Ambiental

AWEI Índice Automático de Extração de Água

GEOBIA Análise de Imagens Baseada em Objetos Geográficos

IBGE Instituto Brasileiro de Geografia e Estatística

INEA Instituto Estadual do Meio Ambiente do Rio de Janeiro

MNDWI Modified Normalized Difference Water Index

MDE Modelo Digital de Elevação

NDVI Índice de Vegetação da Diferença Normalizada

NDWI Índice de Água da Diferença Normalizada

USGS Serviço Geológico dos Estados Unidos

SUMÁRIO

1 INTRODUÇÃO ................................................................................. 12

2 REVISÃO DA LITERATURA ........................................................... 13

2.1 Uso e Cobertura do Solo ................................................................ 13

2.2 Avaliação de Recursos Hídricos com Sensoriamento Remoto. 14

3 METODOLOGIA ............................................................................... 19

3.1 Área de Estudo ............................................................................... 19

3.2 Imagens Utilizadas ......................................................................... 21

3.2.1 Processamento das Imagens ........................................................... 21

4 RESULTADOS…………………………………………………………... 22

4.1 Realização dos Índices ..................................................................... 22

4.2 Realização da Cobertura do Solo ..................................................... 27

4.3 Comparação dos Resultados ........................................................... 29

5 CONCLUSÃO ................................................................................... 30

REFERÊNCIAS BIBLIOGRÁFICAS ................................................ 31

ANEXO A ......................................................................................... 34

ANEXO B ......................................................................................... 38

1 - INTRODUÇÃO

Atualmente, podemos utilizar diversos métodos para identificação de alvos

sem necessidade de realizar um trabalho de campo, diminuindo custos e o tempo

gasto nas atividades, através do uso de imagens de satélite. Estas imagens podem

ser processadas de diversas formas e atendendo aos mais diversos interesses,

como observado em Florenzano (2011) que cita como exemplo os estudos de:

fenômenos ambientais; ambientes naturais e em ambientes transformados (são os

ambientes construídos ou transformados pelo homem). Para auxiliar nesses estudos

são criadas diversas metodologias como por exemplo os índices automáticos, que

através de operações matriciais, conseguem diferenciar alvos a partir do contraste

entre eles, dentre estes índices podemos citar os de detecção da água, presentes

neste trabalho e os índices de detecção de vegetação, também podemos citar os

mapeamentos de cobertura do solo, que antes exigiam trabalhos de campo longos,

que hoje podem ser realizados através de softwares de computador, com as mais

diversas metodologias a serem aplicadas.

Sobre o uso de sensoriamento remoto associado a estudos sobre recursos

hídricos já ocorre a diversos anos, associado tanto com a identificação de corpos

hídricos como em McFeeters (1996), Xu (2006) e Feyisa et al. (2014), tanto

associando outras metodologias a qualidade da água, um exemplo de trabalho que

podemos citar é o realizado por Lima et al. (2011) que associa o mapeamento de

uso e cobertura do solo com a qualidade da água subterrânea, transformada em

mapeamentos temáticos de acordo com cada indicador de qualidade da água, e

posterior análise e comparação dos resultados, a partir disto surge a ideia deste

trabalho.

O principal objetivo do trabalho é a verificação da aplicabilidade de Índices

Automáticos de Detecção da Água em trabalhos e pesquisas sobre a localização de

corpos hídricos. Como objetivos secundários pretende-se estabelecer relação entre

os próprios índices aplicados, quais sejam: o NDWI de McFeeters (1996), o MNDWI

de Xu (2006) e os dois índices AWEI de Feysa (2014), que são caracterizados e

diferenciados pelo tipo de imagem que será realizada a operação do índice (com

13

sombra e sem sombra); e comparar os índices aplicados com o mapeamento de

Cobertura do Solo na região de Tamoios em Cabo Frio, RJ.

2 – EMBASAMENTO TEÓRICO

2.1 - USO E COBERTURA DO SOLO

É importante destacar as diferenças entre uso e cobertura do solo, segundo

Rozenstein e Karnieli (2011), Szuster et al. (2011), Rawat e Kumar (2015) e Boori et

al. (2015), o uso se refere a função atribuída ao solo e está também muito ligada as

atividades econômicas e sociais exercidas naquele local, já a cobertura se refere ao

aspecto físico do que está sobre o solo, não possuindo necessariamente uma

relação com o aspecto econômico.

Para a criação de mapas temáticos que visam trabalhar com a cobertura do

solo há diversas metodologias, principalmente no que se refere à classes a serem

abordadas no processo de classificação, as quais destacam-se aqui o sistema

CORINE, que a partir da interpretação visual de mapas temáticos (como por

exemplo o de geologia, clima e pedologia), mapas topográficos, informações sobre a

população e imagens aéreas auxilia a distinguir as classes de uso mais comuns no

território europeu, apresentando como resultado mapas de cobertura do solo com

níveis hierárquicos que variam de 3 a 44 e o sistema criado por Anderson et al.

(1976), que define através da interpretação visual as categorias de análise

prioritárias para classificação. Estes apresentam relevância internacional por serem

reconhecidos como os primeiros projetos do tipo, sendo o primeiro realizado pela

Agência Europeia do Ambiente e o segundo um projeto para o U.S. Geological

Survey.

Já quanto ao processo de classificação, Rozenstein (2011) destaca as

classificações: não supervisionada a partir do método ISODATA, nela o sistema

classifica a imagem com base nas assinaturas espectrais dos alvos já pré-

estabelecidas pela base de dados do programa; classificação supervisionada, que

14

ocorre a partir da fase de treinamento que o usuário adquire amostras testes de

cada classe que estará presente na classificação final e o software com base nestas

amostras classifica a imagem, e a classificação híbrida na qual são realizadas as

duas classificações e em seguida há a análise da acurácia de cada uma das

classificações e posteriormente a junção das melhores amostras de cada

mapeamento realizado para gerar um novo mapa.

Há também estudos que destacam a importância dos tipos de classificação

supervisionada, como em Srivastava et al. (2012) e Szuster et al. (2011), cujos tipos

são: a de máxima verossimilhança, a artificial neural networks – ANA (redes neurais

artificiais) e a support vector machine (mecanismo de suporte ao vetor).

Apesar de todas as técnicas demonstradas acima, também há pesquisadores

que tentam realizar este mapeamento com o auxílio de técnicas como o NDVI

(Índice de Vegetação da Diferença Normalizada), como pode ser observado nos

trabalhos de Boori, et al. (2015) e Julien et al. (2011).

Quanto às imagens, muitos pesquisadores, como Araújo Filho e Meneses

(2007) e Shahi et al. (2015), consideram as imagens do satélite Landsat ainda uma

boa fonte para se realizar a classificação, por não terem custo e resoluções ótimas,

de 30 metros na espacial, 16 dias na temporal e variando entre 8 e 16 bits na

radiométrica (somente o Landsat 8 apresenta 16 bits).

Já quanto às bandas que devem ser utilizadas não há um consenso, variando

de cada autor e ao propósito de cada pesquisa, porém as mais utilizadas são as

bandas do espectro visível e do espectro infravermelho (se destacando as imagens

do infravermelho próximo), como podemos observar em Florenzano (2011).

2.2 - AVALIAÇÃO DE RECURSOS HÍDRICOS COM SENSORIAMENTO REMOTO

Não há um consenso sobre as bandas que deverão ser aplicadas para a

análise de corpos hídricos, mas é recomendado utilizar pelo menos uma imagem do

espectro visível e uma do espectro infravermelho, como pode ser observado em

Florenzano (2011), pois a água apresenta uma assinatura espectral marcante no 15

espectro visível, por refletir mais este comprimento de onda, e no espectro

infravermelho, por absorver quase que totalmente as ondas deste comprimento.

Quanto ao aspecto visual da água, é possível identificar áreas que contém

material em suspenção nas bandas do espectro visível, nas imagens do satélite

Landsat 8, por exemplo, neste espectro, além das bandas já conhecidas como azul,

verde e vermelho, há a banda azul costeiro, indicada para estudos em áreas

costeiras. Porém a banda mais indicada para realizar estudos deste tipo ainda é a

verde, pois as bandas azuis sofrem interferências das nuvens.

A análise de recursos hídricos através do sensoriamento remoto apresenta

diversas formas de aplicação, que se referem principalmente a classificação das

águas em superfície, a qualidade da água, a presença ou não de água, além da

detecção da alteração no volume de água em corpos hídricos, com o auxílio de

Modelos Digitais de Elevação (MDE).

Entre os índices de avaliação, focaremos na qualidade da água como Índice

de Diferença Normalizada da Água (NDWI), que foi criado por McFeeters (1996),

com base no índice de vegetação por diferença normalizada (NDVI), que associa as

reflectâncias das bandas vermelha e infravermelho próximo para delinear as áreas

com vegetação. Este método busca delimitar os corpos hídricos e auxiliar na

identificação da turbidez da água, para isto, associa a banda verde do espectro

visível (que apresenta o solo e a vegetação com baixa reflectância) e a banda do

infravermelho próximo (que apresenta maior diferenciação entre os alvos água e

não-água), através de uma operação aritmética. Este método foi revisto por Xu

(2006), criando o Modified Normalized Difference Water Index (MNDWI) para

minimizar os ruídos que ocorriam no NDWI, como por exemplo, o de áreas

amplamente urbanizadas. Para isto propõe a substituição da banda do infravermelho

próximo pelo infravermelho médio de ondas curtas, pois a água absorve mais ondas

neste comprimento do que no anterior. Podemos observar nas equações abaixo:

NDWIMcFeeters (1996) = (G – NIR) / (G + NIR) (1)

MNDWIXu (2006) = (G – MIR) / (G + MIR) (2)

Onde: G = banda verde, NIR = banda infravermelho próximo e MIR = banda

infravermelho médio de ondas curtas.

16

Outro índice que apresenta grande importância é o Índice Automático de

Extração de Água (AWEI), criado por Feyisa et al. (2014), que apresenta grande

usabilidade em áreas montanhosas, com grande sombreamento e também em áreas

com alto índice de urbanização, através da sua grande capacidade de

separabilidade dos pixels. Ao contrário do método do Xu (2006), este se utiliza de

quatro bandas em áreas sem sombreamento (AWEI sem sombra) - verde,

infravermelho próximo, infravermelho médio de ondas curtas e infravermelho médio

de ondas longas - e cinco bandas em áreas de sombra (AWEI sombra) - bandas:

azul, verde, infravermelho próximo, infravermelho médio de ondas curtas e

infravermelho médio de ondas longas. Seguindo as seguintes fórmulas (2):

AWEI sem sombra = 4 x (G – MIR1) - 0,25 X NIR + 2,75 MIR2 (3)

AWEI sombra = B+ 2,5 x G– 1,5 x (NIR - MIR1) - 0,25 x MIR2 (4)

Onde: B = banda azul, G = banda verde, NIR = banda infravermelho próximo, MIR1 =

banda infravermelho médio de ondas curtas e MIR2 = infravermelho médio de ondas longas.

Porém há trabalhos que utilizam somente a classificação de uso do solo, a

interpretação visual e a análise orientada a objetos para distinguir a água de outros

alvos espectrais, como em Yang et al. (2015). Já Sun et al. (2012) realizou uma

comparação entre o modo de classificação da Máxima Verossimilhança em conjunto

com a assinatura espectral da banda do infravermelho próximo e a Análise

Geoespacial de objetos baseada na Imagem (GEOBIA). Também há trabalhos que

não utilizam um índice específico, porém se utilizam de bandas utilizadas nos

índices acima citados, como Yamazaki et al. (2015).

Nas Tabelas 1, 2, 3 e 4, podemos observar as bandas que devem ser

utilizadas em análises com os índices acima citados:

17

Tabela 1 - Satélites e Bandas Utilizadas para o NDWI

Satélite Resolução

Espacial

Resolução

Espectral

Bandas a serem

utilizadas

CBERS - 4

(MUX)

20 metros 8 Bits 2 e 4

CBERS – 4 (WFI) 64 metros 10 Bits 14 e 16

GeoEye 1 1,65

metros

11 Bits 2 e 4

IKONOS 4 metros 11 Bits 2 e 4

Landsat 5 30 metros 8 Bits 2 e 4



Quickbird 2,62

metros

11 Bits 2 e 4

Rapideye 6,5 metros 12 Bits 2 e 5

SPOT 6 8,8 metros 12 Bits 2 e 4

SPOT 7 8,8 metros 12 Bits 2 e 4

Worldview 2 1,85

metros

11 Bits 3 e 7

Fontes: www.apollomaping.com, www.engesat.com.br e www.cbers.inpe.br acesso em: 09/04/2018.

18

Tabela 2 - Satélites e Bandas Utilizadas para o MNDWI


Espacial

Resolução

Espectral

Bandas a serem

utilizadas




Fontes: www.apollomaping.com, www.engesat.com.br e www.cbers.inpe.br acesso em: 09/04/2018.

Tabela 3 - Satélites e Bandas Utilizadas para o AWEI sem sombra


Espacial

Resolução

Espectral

Bandas a serem

utilizadas

Landsat 5 30 metros 8 Bits 2, 4, 5 e 7



Fonte: www.engesat.com.br acesso em: 09/04/2018.

Tabela 4 - Satélites e Bandas Utilizadas para o AWEI com sombra


Espacial

Resolução

Espectral

Bandas a serem

utilizadas

Landsat 5 30 Metros 8 Bits 1, 2, 4, 5 e 7



Fonte: www.engesat.com.br acesso em: 09/04/2018.

É importante salientar que somente os satélites Landsat apresentam as

bandas do espectro infravermelho de ondas curtas e infravermelho de ondas longas

na mesma resolução espacial das bandas do espectro visível e do infravermelho

19

próximo. Quando isso não ocorre há um aumento da dificuldade na utilização das

imagens nas metodologias acima citadas.

3 – METODOLOGIA

3.1- ÁREA DE ESTUDO

A área de estudo selecionada corresponde ao distrito de Tamoios, localizado

no município de Cabo Frio, pertencente a Região dos Lagos no estado do Rio de

Janeiro. De acordo com o Censo 2010 a população é de 45.958 habitantes

(IBGE,2010)

Figura 1 - Localização da área de estudo

Este distrito, segundo informações do Projeto Orla (Brasil, 2004) apresenta

como principais atividades econômicas, a pesca (devido a presença de diversas

espécies de valor agregado no Rio são João), a extração de areia (em muitos locais,

de forma ilegal, é importante ressaltar que há processos de licenciamento em tramite

no INEA – Instituto Estadual do Meio Ambiente e algumas áreas com agricultura. É 20

importante também ressaltar a presença de áreas de extração de petróleo,

presentes na área da plataforma continental, e que compõem grande parte dos

rendimentos oriundos desta região. Nos últimos anos, também pode ser notado o

aumento da especulação imobiliária, como presente no trabalho de Voivodic (2007).

Esta região também apresenta grande importância ambiental, pois nela está

contido o Parque Municipal do Mico Leão Dourado, área de proteção integral dentro

da APA da Bacia do rio São João, e diversos ecossistemas, como por exemplo

restingas, manguezais, falésias, dunas, ambientes estuarinos e lagunas, ainda

preservados.

Quanto a questão física, o distrito de Tamoios apresenta diversas

classificações conforme o critério selecionado, de forma geral, a área apresenta,

segundo o Projeto Orla (Brasil, 2004), diversos processos resultantes de regressão

marinha (aumento da linha de costa e diminuição do nível médio do mar localmente).

No Diagnóstico Geoambiental do estado do Rio de Janeiro, produzido por Dantas et

al. (2000) quanto aos domínios morfoestruturais presentes na área, há a planicie-

fluvio marinha da baixada do rio São João, bacias sedimentares datadas do período

cenozoico, e a superfície aplainada nas baixadas fluminenses, formada a partir do

cinturão orogênico do atlântico. Já quanto aos domínios geomorfológicos, em 3

classes, duas formadas por meio de agradação (recebimento de material): planícies

costeiras e Fúlvio-lagunares e uma por meio de degradação (retirada de material):

domínio de suaves colinas.

Ainda no diagnóstico formulado por Dantas et al. (2000), Tamoios é

classificada em 3 unidades geoambientais, com base em características

geomorfológicas, pedológicas e pluviométricas, que seriam a Restinga, os Brejos e

as Colinas Baixas.

A unidade da restinga apresenta terrenos com solos do tipo Podzolíco e

Arenoso Quartzolítico, com altitudes próximas ao nível do mar, esta unidade durante

muito tempo foi utilizada para extração de areia por meio de cavas. Por ser

predominantemente composto por sedimentos arenosos de origem marinha e

quaternários, seus terrenos apresentam alta permeabilidade, baixa fertilidade e

suscetibilidade a erosão eólica (quando não presenta sua cobertura vegetal).

21

A unidade dos Brejos apresenta terrenos com solos do tipo Glei, com alto teor

de matéria orgânica, alta probabilidade de inundações (não sendo recomendado

para urbanização) e elevado risco de acidificação nas drenagens.

Já a terceira unidade, a das Colinas Baixas, apresenta altitudes inferiores a

50 metros, que fazem com que apresente um relevo suave, com vertentes convexas

e topos arredondados ou alongados. Quanto aos solos, eles são do tipo Podzol e

Latossolos Amarelo Vermelho, ocupados em sua grande maioria por pastagens,

fragmentos de mata, núcleos urbanos e agricultura, apesar da baixa fertilidade.

3.2 - IMAGENS UTILIZADAS

As cenas Landsat 8 utilizadas neste trabalho foram adquiridas de forma

gratuita no site earthexplorer.usgs.gov de responsabilidade do Serviço Geológico

Norte Americano em 25 de maio de 2018. Estas cenas apresentam a identificação

LC82160762018141LGN00 e foram coletadas em 21 de maio de 2018.

3.2.1 - Processamento das imagens

O processamento foi realizado nos programas QGIS 2.18.11 e no Spring

5.5.1, primeiro foram realizados os índices relacionados a água na região de estudo

a partir da ferramenta Calculadora Raster e depois a classificação de cobertura do

solo, realizada de forma automática. Os processos realizados podem ser

consultados no Anexo A deste trabalho.

22

Imagem 2 - Fluxograma do Processamento

4- RESULTADOS

Os principais resultados gerados neste estudo foram os mapeamentos

realizados, que podem ser conferidos a seguir.

4.1 - OS ÍNDICES

Os índices realizados nas imagens foram o NDWIMcFeeters (1996), o MNDWIXu (2006),

o AWEI sem sombra e o AWEI sombra, com base nas equações (1), (2), (3) e (4), expostas

no item 2.2. Para facilitar a visualização da diferenciação entre os alvos foi aplicada

uma visualização Falsa-Cor com a escala de cores espectrais, que pode ser vista

em detalhes no Anexo A presente neste trabalho.

Como resultado, tivemos as imagens a seguir, no qual os alvos identificados

com cores próximas ao azul são identificados como água e os alvos identificados

com cores próximas ao vermelho são identificados como não água, podendo ser

vegetação, área urbana, solo exposto, etc.

23

Figura 3 - Mapa NDWI com base na equação (1)

24

Figura 4 - Mapa MNDWI com base na equação (2)

25

Figura 5 - Mapa AWEI sem sombra com base na equação (3)

26

Figura 6 - Mapa AWEI com sombra com base na equação (4)

27

4.2 - COBERTURA DO SOLO

Depois da realização dos índices, foi realizada a classificação supervisionada

de cobertura do solo, por meio do software Spring, na ferrramenta de classificação

de imagem, na qual foram selecionadas 4 classes com o número de amostras

variando entre 5 e 10 e que foram adquiridas pelo usuário com base nos elementos

de interpretação visual (como a tonalidade, textura, padrão, forma, localização e

tamanho). As classes selecionadas para o estudo foram: Água, Vegetação, Área

Urbana e Solo Exposto. Já as imagens utilizadas foram as do espectro verde,

vermelho e infravermelho próximo, já que estas apresentam maior diferenciação

entre os objetos em seus determinados comprimentos de onda. Os procedimentos

referentes a este mapeamento podem ser conferidos no Anexo B.

O resultado obtido foi o mapa abaixo, que foi validado a partir da verificação

de áreas classificadas em cada categoria e imagens recentes da região

disponibilizadas gratuitamente pela ferramenta Street View do Google Maps. Com

esta validação, podemos dizer que os resultados corresponderam a realidade e que

são aptos a serem utilizados para comparação com os índices automáticos acima

descritos.

28

Imagem 7 - Mapa de Cobertura do Solo

29

4.3 – COMPARAÇÃO DOS RESULTADOS

Para melhor visualização dos resultados, foram calculadas as áreas que

apresentam água e as que não apresentam água (a partir do algoritmo r. report do

QGIS). A partir disto, podemos notar que nas áreas qualificadas como água, pode

ser percebida uma correspondência entre as áreas identificadas no mapeamento da

cobertura do solo e no mapeamento realizado por meio dos índices automáticos em

três dos quatro índices utilizados, como podemos observar nos gráficos abaixo:

Figura 8 - Gráficos de áreas classificadas como Água e Não Água

Podemos observar no trabalho de Muller et. Al. (2016) resultados similares,

nele é realizada a análise temporal de áreas classificadas como água e não água, a

partir da análise de índices de diferença normalizada (MNDWI Xu(2006) , NDVI e um

índice criado com as bandas do Infravermelho Médio de Ondas Longas e Verde) e a

análise individual das bandas espectrais Azul, Vermelho e Infravermelho Médio de

Ondas Curtas e de Ondas Longas do satélite Landsat nas versões 5 e 7. Para

comparação também é utilizada a cobertura do solo, a partir de amostras adquiridas

através do software eCognition. Como resultados os índices classificaram

corretamente aproximadamente 95% na classe água, sendo os erros encontrados

nas áreas em que há corpos hídricos com grande influência da vegetação, áreas

altamente urbanizadas ou áreas com sombreamento na cena utilizada.

30

5 - CONCLUSÃO

A partir dos resultados obtidos e da comparação entre eles, podemos concluir

que todos os índices diferenciam os alvos (como água e não água), porém os que

apresentam melhores resultados são os índices NDWI, MNDWI e AWEIsem sombra ,

pois demonstram uma grande diferenciação entre a água e os outros alvos

representados que se apresentam em uma gradação de cores no qual as mais

próximas ao azul representam alvos reconhecidos como água e os alvos mais

próximos do vermelho representam alvos reconhecidos como não água. Também

podemos perceber uma diferenciação entre áreas com a presença de material

particulado em suspensão e áreas que não o possuem. Quanto ao AWEIsombra , os

resultados não apresentam uma grande diferenciação da água e os outros alvos

apresentados. Os índices AWEI, apesar da boa resposta do AWEIsem sombra,

apresentam limitações em cenas com presença de nuvens, nelas o resultado pode

ser alterado, havendo a classificação de áreas com nuvens como áreas com

presença de água e áreas de água como áreas que não a possuem.

Quando comparamos estes resultados com a Cobertura do Solo realizada,

podemos encontrar a correspondência das áreas identificadas como água nos

mapeamentos automáticos, principalmente nos índices NDWI e AWEIsem sombra. Os

outros alvos identificados na Cobertura do Solo não apresentam grande

diferenciação no mapeamento por índices, porem eles podem ser identificados por

meio das chaves de interpretação para imagens de sensoriamento remoto, como por

exemplo a textura, tamanho, forma, padrão e localização.

Para estudos posteriores, sugiro a comparação dos resultados encontrados,

especialmente em áreas em que podem ser identificados sólidos em suspenção com

a qualidade da água no local.

31

REFERÊNCIAS BIBLIOGRÁFICAS

ANDERSON, J. R., et al. 1976. A Land Use And Land Cover Classification System For Use with Remote Sensor Data: Geological Survey Professional Paper 964. Edited by NJDEP, OIRM, BGIA, 1998, 2000, 2001, 2002, 2005.

ARAÚJO FILHO, M. D. C.; MENESES, P. R.; SANO, E. E. Sistema de classificação de uso e cobertura da terra com base na análise de imagens de satélite. Revista Brasileira de Cartografia, v. 59, n. 2, 2007.

BARRETO A. B. C. et al. Hidrogeologia do Estado do Rio de Janeiro Brasília, DF: CPRM, 2000 In: Estudo Geoambiental do Estado do Rio de Janeiro.

BOORI, M. S.; VOŽENÍLEK, V.; CHOUDHARY, K. Land use/cover disturbance due to tourism in Jeseníky Mountain, Czech Republic: A remote sensing and GIS based approach. The Egyptian Journal of Remote Sensing and Space science, v. 18, n. 1, p. 17-26, 2015.

BRASIL. IBGE. Censo Demográfico, 2010. Disponível em: <https://censo2010.ibge.gov.br/>. Acesso em: 18 set. 2018.

BRASIL. Ministério do Meio Ambiente. Projeto Orla: Plano de Intervenção na orla do município de Cabo Frio Brasília, DF: MMA/SQA, 2004.

BUTT, A. et al. Land use change mapping and analysis using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, v. 18, n. 2, p. 251-259, 2015.

CAMPOS, J. C.; SILLERO, N.; BRITO, J. C. Normalized difference water indexes have dissimilar performances in detecting seasonal and permanent water in the Sahara–Sahel transition zone. Journal of Hydrology, v. 464, p. 438-446, 2012.

CASTELLUCCIO, M. et al. Land use classification in remote sensing images by convolutional neural networks. arXiv preprint arXiv:1508.00092, 2015.

COSTA, E. M. et al. Processamento de imagens RapidEye no mapeamento de uso do solo em ambiente de Mar de Morros. Pesquisa Agropecuária Brasileira, v. 51, n. 9, p. 1417-1427, 2016.

DANTAS, M. E. et al. Diagnostico Geoambiental do Estado do Rio de Janeiro. Brasília, DF: CPRM, 2000 In: Estudo Geoambiental do Estado do Rio de Janeiro.

DANTAS, M. E., Geomorfologia do Estado do Rio de Janeiro. Brasília, DF: CPRM, 2000 In: Estudo Geoambiental do Estado do Rio de Janeiro.

FEYISA, G. L. et al. Automated Water Extraction Index: A new technique for surfacewatermappingusingLandsatimagery. Remote Sensing of Environment, v. 140, p. 23-35, 2014.

FISHER, A.; FLOOD, N.; DANAHER, T. Comparing Landsat water index methods for automated water classification in eastern Australia. Remote Sensing of Environment, v. 175, p. 167-182, 2016.

32

FLAUZINO, B. K. et al. Mapeamento da capacidade de uso da terra como contribuição ao planejamento de uso do solo em sub-bacia hidrográfica piloto no sul de Minas Gerais. Geociências (São Paulo), v. 35, n. 2, p. 277-287, 2016.

FLORENZANO, T. G. Iniciação em sensoriamento remoto. 3.ed. São Paulo Oficina de Textos, 2011.

GOVENDER, M.; CHETTY, K.; BULCOCK, H. A review of hyperspectral remote sensing and its application in vegetation and water resource studies. Water Sa, v. 33, n. 2, p. 145-151, 2007.

JIA, K. et al. Spectral matching based on discrete particle swarm optimization: A new method for terrestrial water body extraction using multi-temporal Landsat 8 images. Remote Sensing of Environment, v. 209, p. 1-18, 2018.

JULIEN, Y.; SOBRINO, J. A.; JIMÉNEZ-MUÑOZ, J.-C. Land use classificationfrommultitemporalLandsatimageryusingtheYearly Land Cover Dynamics (YLCD) method. International journal of applied earth observation and geoinformation, v. 13, n. 5, p. 711-720, 2011.

KHANDELWAL, A. et al. An approach for global monitoring of surface water extent variations in reservoirs using MODIS data. Remote sensing of Environment, v. 202, p. 113-128, 2017.

LIMA, L; CALONIO, L. W.; MENEZES, J. Mapeamento do uso e cobertura do solo e suas implicações na qualidade da água subterrânea. Estudo de caso: Distrito de Tamoios, Cabo Frio/RJ. Caderno de Estudos Geoambientais-CADEGEO, 2011.

MCFEETERS, S. K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing, v. 17, n. 7, p. 1425-1432, 1996.

MUELLER, N. et al. Water observations from space: Mapping surface water from 25 years of Landsat imagery across Australia. Remote Sensing of Environment, v. 174, p. 341-352, 2016.

PETROPOULOS, G. P.; KALAITZIDIS, C.; VADREVU, K. P. Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery. Computers & Geosciences, v. 41, p. 99-107, 2012.

RAWAT, J. S.; KUMAR, M. Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, v. 18, n. 1, p. 77-84, 2015.

ROZENSTEIN, O.; KARNIELI, A. Comparison of methods for land-use classification incorporating remote sensing and GIS inputs. Applied Geography, v. 31, n. 2, p. 533-544, 2011.

SHAHI, K. et al. A novel spectral index to automatically extractroad networks from WorldView-2 satellite imagery. The Egyptian Journal of Remote Sensing and Space Science, v. 18, n. 1, p. 27-33, 2015.

33

SHALABY, A.; TATEISHI, R. Remote sensing and GIS for mapping and monitoring land cover and land-use changes in the Northwestern coastal zone of Egypt. Applied Geography, v. 27, n. 1, p. 28-41, 2007.

SRIVASTAVA, P. K. et al. Selection of classification techniques for land use/land cover change investigation. Advances in Space Research, v. 50, n. 9, p. 1250-1265, 2012.

SUN, F. et al. Comparison and improvement of methods for identifying water bodies in remotely sensed imagery. International journal of remote sensing, v. 33, n. 21, p. 6854-6875, 2012.

SZUSTER, B. W.; CHEN, Q.; BORGER, M. A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, v. 31, n. 2, p. 525-532, 2011.

TRIBUNAL DE CONTAS DO ESTADO DO RIO DE JANEIRO. Estudo Socioeconômico do Município de Cabo Frio – Edição 2017. Disponível em: <http://www.tce.rj.gov.br>. Acesso em: 7 ago. 2018.

VOIVODIC, R. Gestão Ambiental e Gerenciamento Costeiro Integrado no Brasil: Uma Análise do Projeto Orla em Cabo Frio, RJ. Rio de Janeiro: Universidade Federal do Rio de Janeiro, Tese de Mestrado, 2007.

YAMAZAKI, D.; TRIGG, M. A.; IKESHIMA, D. Development of a global~ 90 m water body map using multi - temporal Landsat images. Remote Sensing of Environment, v. 171, p. 337-351, 2015.

YANG, Y. et al. Landsat 8 OLI image based terrestrial water extraction from heterogeneous backgrounds using a reflectance homogenization approach. Remote Sensing of Environment, v. 171, p. 14-32, 2015.

XU, H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, v. 27, n. 14, p. 3025-3033, 2006.

34

ANEXO A

Realização dos Índices Automáticos no QGIS 2.18.11

Os índices automáticos utilizados neste trabalho foram realizados no software

QGIS na versão 2.18.11. O primeiro passo realizado foi exportar as imagens

necessárias para realização dos índices (no caso as imagens referentes as bandas

correspondentes ao espectro Azul, Verde, Infravermelho Próximo, Infravermelho

Médio de Ondas Curtas e Infravermelho Médio de Ondas Longas). Para facilitar o

processo, as camadas foram nomeadas de acordo com a banda referente.

Após esta primeira etapa, foi iniciada a ferramenta “Calculadora Raster”,

localizada no menu “Raster”, que apresenta a seguinte aparência:

Imagem 1: Calculadora RasterEm seguida, foi selecionada a pasta de saída do novo arquivo e nomeei o

arquivo que seria gerado, que neste caso foi o NDWI. Depois, coloquei a fórmula do

índice escolhido na parte Calculadora de expressão raster, selecionando as

camadas e os símbolos que representam as operações, tendo como resultado a

expressão demonstrada abaixo. É importante notar que há um aviso de expressão

válida, que significa que o programa consegue realizar a operação.

35

Imagem 2: Expressão UtilizadaApós o programa realizar a operação, obtemos como resultado uma imagem

como a seguir:

Imagem 3: Resultado NDWIPorém, a área de trabalho escolhida não obtia destaque na visualização de

toda a cena utilizada, então foi realizado o recorte da cena, a partir da ferramenta

“Extrair” em sua função “Recorte”, localizada no mesmo menu “Raster” já citado.

Imagem 4: Ferramenta Cortador

36

Em seguida, selecionei a pasta e nomeei o arquivo que seria gerado a partir

do recorte na parte “Arquivo de saída” e no Modo Clipping, selecionei “Camada

Máscara” para realizar o corte a partir de um shapefile, pois há menos chance de

erro do que na seleção da “Extensão”, na qual precisam ser digitados os pares de

coordenadas (x e y mínimo e máximo).

Imagem 5: Camada MáscaraÉ importante deixar selecionada a parte “Cortar a extensão do conjunto de

dados alvos para a extensão da linha de corte” para que o resultado tenha somente

a área de interesse para o trabalho. O resultado final obtido é o seguinte:

Imagem 6: Resultado final - NDWI Recortado

37

Para ressaltar o resultado, foi aplicada a renderização “Banda Simples Falsa-

Cor” na gradação de cores “Spectral” com classificação de modo intervalo igual em

10 classes.

Imagem 7; NDWI com Falsa-Cor

38

ANEXO B

Realização da Classificação Semiautomática no Spring 5.5.1

A classificação utilizada este trabalho foi realizado no software Spring 5.5.1. O

primeiro passo realizado foi a criação do Plano de Informação e em seguida o

Projeto, no qual foram definidas as coordenadas limites do trabalho. Depois foram

importadas as imagens que seriam utilizadas pra o programa, a partir do menu

“Arquivo”, “Importar” e finalmente “Importar Dados Vetoriais e Matriciais”. Neste caso

foram importadas somente as referentes ao espectro verde, vermelho e

infravermelho próximo.

Após realizar este passo, se iniciou a realização da classificação, por meio da

ferramenta “Classificação” que se encontra no menu “Imagem”. Foi aberta uma

janela como a que aparece a seguir:

Imagem 1: Ferramenta “Classificação”

39

Depois foi preciso criar o contexto, para isto, foi nomeado o contexto e

escolhidas as bandas a serem utilizadas no mapeamento. A ferramenta aparecerá

como na Imagem 1. O próximo passo realizado foi o “Treinamento”, que é a

aquisição das amostras, nele nomeamos a classe, no caso desta classificação, as

classes escolhidas foram água, vegetação, área urbana e solo exposto, depois foi

escolhida a cor e a aquisição das amostras, que podem ser adquiridas em forma

poligonal ou retangular. Na aquisição para este trabalho, foram adquiridas amostras

nas duas formas. É importante sempre salvar as aquisições de amostras.

Imagem 2: Ferramenta Treinamento

Após adquirir todas as amostras necessárias para a classificação, foi

realizada a classificação em si. Na ferramenta Classificação, nela, foi escolhido o

classificador Maxver, com limiar de aceitação de 90%. Nesta parte, também é

possível realizar a análise das amostras, na qual é gerada uma matriz de confusão

das amostras, que demonstra a porcentagem da amostra que pode ser classificada

como pertencente a outra classe.

40

Imagem 3: Classificação de Imagem

Após a Execução, a imagem gerada se parecerá com a Imagem 4,

porém ela ainda apresentou alguns “erros” de classificação.

Imagem 4: Classificação de Cobertura do Solo

Para corrigir os erros, foi realizada a “Pós-Classificação”, visando

corrigir a classificação dos pixels, a ferramenta funciona com base na escolha do

peso e do limiar, na pós classificação realizada, o peso escolhido foi 5 e o limiar foi

2.

41

Imagem 5: Pós-Classificação

Como resultado, obtemos uma imagem pós-classificada como a que

podemos ver abaixo:

Imagem 6: Imagem Pós-Classificada da Cobertura do Solo

42

app.uff.br · Web viewBOORI, M. S.; VOŽENÍLEK, V.; CHOUDHARY, K. Land use/cover disturbance due...

Documents

Transcript of app.uff.br · Web viewBOORI, M. S.; VOŽENÍLEK, V.; CHOUDHARY, K. Land use/cover disturbance due...