DADOS POLARIMTRICOS DE BANDA C PARA O MAPEAMENTO E MODELAGEM DA ESTRUTURA DA

VEGETAO NA VRZEA AMAZNICA LAGO GRANDE DE CURUAI, PA.

Luiz Felipe de Almeida Furtado

Dissertao de Mestrado do Curso de

Ps-Graduao em Sensoriamento

Remoto, orientada pela Dra. Evlyn

Mrcia Leo de Moraes Novo e Dr.

Thiago Sanna Freire Silva.

INPE

So Jos dos Campos 2014

II

Ficha ser revisada pelo SID.

Dados Internacionais de Catalogao na Publicao

Copyright AAAA do MCT/INPE. Nenhuma parte desta publicao pode ser reproduzida, armazenada em um sistema de recuperao, ou

transmitida sob qualquer forma ou por qualquer meio, eletrnico, mecnico, fotogrfico, reprogrfico, de microfilmagem ou out ros, sem a

permisso escrita do INPE, com exceo de qualquer material fornecido especificamente no propsito de ser entrado e executado num

sistema computacional, para o uso exclusivo do leitor da obra.

Copyright AAAA by MCT/INPE. No part of this publication may be reproduced, stored in a retrieval system, or transmitted in any form or

by any means, electronic, mechanical, photocopying, recording, microfilming or otherwise, without written permission from the INPE, with

the exception of any material supplied specifically for the purpose of being entered and executed on a computer system, for exclusive

use of the reader of the work.

Sobrenome, Prenome(s) Completos do(s) Autor(es).

Cutter Ttulo da publicao / Nome Completo do Autor(es). - So Jos

dos Campos: INPE, ano da publicao.

i + 0p. ; (aa/bb/cc/dd-TDI)

Grau (Mestrado ou Doutorado em Nome do Curso) - Instituto

Nacional de Pesquisas Espaciais, So Jos dos Campos, ano de

defesa.

Orientador: Nome completo do orientador(es).

1. Assunto. 2. Assunto. 3. Assunto. 4. Assunto. 5. Assunto.

I. Ttulo.

CDU

III

FOLHA DE APROVAO

CONFECCIONADA PELO SPG E INCLUDA PELO SID.

IV

V

O caminho do bem um s caminho / O caminho do bem para todos / O

caminho do bem racional.

Tim Maia

VI

VII

A Deus, aos familiares, aos amigos, pessoas importantes e minha nao.

VIII

IX

AGRADECIMENTOS

A Deus, pois sem Ele nenhuma dessas conquistas seria possveis. Pela fora,

determinao, disciplina e coragem para enfrentar todos os desafios.

Aos familiares, principalmente meus pais Maria de Lourdes de Almeida e Genis

Vieira Furtado Filho, que me apoiaram incondicionalmente, de todas as

maneiras possveis. No deve ser nada fcil aturar um filho que est prestes a

dar a luz a uma dissertao!

Aos meus orientadores, Dr. Thiago Silva e Dr Evlyn Novo, que me apoiaram,

ensinaram, ajudaram, puxaram minhas orelhas e ao mesmo tempo me deram

grandiosa liberdade para trabalhar. Por terem se levantado ao meu favor,

quando foi preciso, e por todo apoio frente a tudo que ocorreu durante esses

dois anos de mestrado.

A todos os amigos de UFF e INPE, a dizer Andressa, Pedro Jos, Carlos

Leandro, Leandro, Rafaela, Mariane, Tassa, Slvia, Z, Ricardo, Carina,

Boneco, Gordo, Clayton, Igor, Renato, Elias e a todos que no lembrei o

nome, mas estaro sempre presentes no corao. E um al especial para a

Annia, que enfrentou a lama, os mosquitos e os cips da Amaznia comigo.

A minha namorada, Mayne Assuno, que esteve sempre ao meu lado nas

minhas dificuldades, com palavras de carinho e conforto. Quando precisou,

puxou minha orelha com as mesmas mos que afagam o rosto de maneira to

especial. Tenha certeza que voc muito especial!

Aos membros da banca, doutores Pedro Walfir, Joo Roberto e Jos Mura,

pela disponibilidade, pelas crticas ao trabalho e por terem topado essa misso

de ler todo esse texto em apenas 20 dias!

A todos que direta ou indiretamente auxiliaram na execuo desse trabalho;

doutores Guilherme Fernandes e Raul Vincens, pela disponibilidade das

X

instalaes do LAGEF e aos funcionrios da DSR e principalmente a Vera, pela

extrema agilidade e seriedade de seu trabalho.

Agradecimentos a Capes, ao INPE e a FAPESP pelo financiamento da

pesquisa, tanto em termos de bolsa, como no auxlio dos custos do trabalho de

campo.

E a todos os outros que no entraram nessa lista, no se sintam excludos,

pois sabem como eu sou extremamente esquecido!

XI

RESUMO

reas midas so regies de extrema importncia pela sua biodiversidade e servios ecolgicos prestados, alm de serem considerada uma das principais fontes naturais de gases estufa. Estima-se que entre 12% e 29% da bacia

Amaznica seja constituda por reas midas. Devido a sua grande extenso e ao carter dinmico da sua vegetao, dados de radares de abertura sinttica (SAR) so fundamentais, pois permitem a aquisio de informaes de

maneira sinptica e multitemporal, mesmo em regies de frequente cobertura de nuvens. Dados SAR polarimtricos (PolSAR) obtm maior quantidade de informao sobre cobertura vegetal, podendo melhorar a discriminao de diferentes tipos de vegetao e melhor caracterizar sua estrutura, quando

comparado com dados multipolarizados e multitemporais. Este estudo teve como objetivo avaliar a eficincia do uso de dados polarimtricos do sensor Radarsat-2 (banda C) para a classificao da vegetao e caracterizao de

sua distribuio e estrutura na vrzea Amaznica, na regio da vrzea do Lago Grande de Curuai, no Par Para isso, seis imagens PolSAR Radarsat-2 multitemporais foram classificadas utilizando-se anlise de imagem baseada

em objetos (OBIA) e algoritmo de minerao de dados. Os resultados da classificao permitiram comparar o desempenho do mapeamento dos tipos de vegetao da vrzea usando (a) imagens polarizadas com diferentes ngulos

de incidncia, (b) diagonais principais das matrizes C e T, (c) diferentes combinaes de decomposies polarimtricas e (d) imagens multitemporais. Os resultados dessa comparao permitiram constatar que combinaes entre

imagens polarizadas e decomposies polarimtricas maximizam a separabilidade de classes tomadas individualmente, mas quando essas classes so analisadas em conjunto, as imagens multitemporais so as que

apresentam o melhor desempenho. Por outro lado, as decomposies polarimtricas sobressaram-se na modelagem da estrutura da vrzea do Lago Grande de Curuai e de atributos correlatos, gerando os melhores modelos para

estimar DAP, IAF, Densidade de indivduos e Altura de Inundao. Todos os modelos apresentaram alta correlao com atributos extrados das cenas SAR, porm todos eles apresentaram heterocedasticidade, havendo necessidade de

pesquisas posteriores para identificar e sanar a causa desse problema. Dessa maneira, os resultados desse estudo permitem concluir que os dados polarimtricos foram mais indicados para anlises quantitativas da estrutura da

vegetao e que as cenas multitemporais foram as mais indicadas para o mapeamento de diversos tipos de vegetao da vrzea amaznica.

XII

XIII

ABSTRACT

Wetlands are important regions due its biodiversity and ecological services, and also are considered one of the main sources of green house gases. It is estimated that 12% up to 29% of Amazon River basin area consist of

floodplains. Due to its great area extent and the vegetation communities dynamics, synthetic aperture radar (SAR) data are important because of its synoptically and multitemporally image acquisition, even on intense cloud-

covered regions. Polarimetric SAR data (PolSAR) register an increased amount of vegetation information, increasing vegetation types discrimination and a better structural characterization, when compared to polarized or multitemporal SAR data. This paper have as objective assess the performance of using C

band PolSAR data on mapping Lago Grande de Curuai vrzea vegetation types and characterizing its structural properties. To achieve this objective, six full polarimetric Radarsat-2 images were classified using object based image

analysis (OBIA) and a data-mining algorithm. The classification results allowed assessing the performance of vrzea vegetation mapping using PolSAR images with (a) different incidence angles and polarizations, (b) C and T matrixes main

diagonals, (c) polarimetric decompositions and (d) multitemporal imagery. The results allowed perceiving that the combination of polarimetric decompositions and polarized images maximizes individual classs discrimination performances, but when those classes are analyzed on group, the multitemporal images achieved the best validation indexes. On the other side, polarimetric decompositions highlights on structural and correlated attributes modeling,

adjusting the best models to estimate DBH, LAI, individual density and flood height. All models have high correlation with SAR imagery, but all of them are heterocedastical, and there is need of further research to understand why. This

way, this study concludes that PolSAR data are best suited to quantitative studies of vrzea vegetation, and multitemporal scenes are indicated to map different vegetation types of Amazon vrzea.

XIV

XV

LISTA DE FIGURAS

Pg.

Figura 2.1 Variao anual do nvel da gua, em centmetros, para a estao fluviomtrica de bidos, na regio do baixo Amazonas. A linha azul indica a mdia diria para o

perodo de 1970 a 2011, e a rea sombreada em azul indica o intervalo de confiana de 95% para a mdia. Em destaque, os anos de 2007 (hidrologia regular), 2005

(seca extrema) e 2009 (cheia extrema). Fonte: (ANA, 2012). Figura adaptada de SILVA et al. 2013..................................................................................... 4

Figura 2.2 Em (a), soma coerente dos vetores das respostas dos inmeros espalhadores da superfcie, resultando na flutuao radiomtrica do sinal de retorno; em (b)

exemplo de imagem com rudo speckle. Fonte: http:/earth.esa.int, acessado em 21/02/2013........................................................................... 8

Figura 2.3 Esquema grfico com as diferenas entre radares convencionais e polarimtricos. Fonte: adaptado de van der Sanden (1997)............................................................... 10

Figura 3.1 Em destaque o recorte da rea de estudo, no Lago Grande de Curuai. Ao fundo, composio TM/Landsat 5 RGB321 do perodo da seca. Composio colorida SAR

multitemporal (R: cena SQ7 da poca da cheia; G: cena SQ7 da poca da seca; B: razo entre imagens da seca e cheia), mostrando o swath comum a todas as

cenasutilizadas. MacDonald, Dettwiler e Associados, Ltd........................................................................................ 24

Figura 3.2 Composio colorida RGB321 de cena Landsat-5/TM, contemplando o pulso da seca do ano de 2005. Em

vermelho, as rotas percorridas em campo. As estrelas amarelas so os pontos amostrados em campo, e o polgono amarelo indica a cobertura das cenas de radar... 27

Figura 3.3 Fluxograma geral do processamento dos dados do trabalho................................................................................ 29

Figura 3.4 Fluxograma das etapas da fase de pr-processamento

dos dados............................................................................ 31 Figura 3.5 Fluxograma das etapas da fase de anlise dos dados e

classificao........................................................................ 34

Figura 3.6 Fluxograma das etapas do subitem de classificao dos dados e validao. .............................................................. 37

Figura 3.7 Fluxograma das etapas da fase de modelagem dos

atributos biofsicos da vegetao........................................ 43

XVI

Figura 4.1 Anlise do decrscimo do coeficiente de variao (CV) para diferentes janelas para o filtro polarimtrico Refined Lee, para a cena SQ7 da poca da cheia, na polarizao

HH, em slant range, em regies de Floresta de Terra Firme. ................................................................................. 46

Figura 4.2 Efeito da aplicao do filtro Refined Lee para diferentes

tamanhos de janelas de operao. Imagem: polarizao HH, ngulo de incidncia SQ7, slant range, na poca da cheia. Cenas Radarsat-2 fornecidas atravs do programa

Science andOperationalApplications Research (SOAR), coordenado pela Canadian Space Agency (CSA), projeto nmero 5052/LAN0922. Os dados e produtos Radarsat-2

so licenciados para uso pela MacDonald, Dettwiler e Associados, Ltd................................................................... 47

Figura 4.3 Presena de artefatos em regies de gua (destaque, em

vermelho) e ao longo das bordas entre vegetao e gua. Cenas Radarsat-2 fornecidas atravs do programa Science and Operational Applications Research (SOAR),

coordenado pela Canadian Space Agency (CSA), projeto nmero 052/LAN0922. Os dados e produtos Radarsat-2 so licenciados para uso pela MacDonald, Dettwiler e

Associados, Ltd................................................................... 48 Figura 4.4 Anlise do decrscimo do coeficiente de variao (CV)

para diferentes janelas de mdia espacial para a

decomposio de Freeman Durden, cena SQ7 da poca da cheia, em slant range, em regies de Floresta de Terra Firme..................................................................... 49

Figura 4.5 Anlise visual das janelas de mdia espacial das decomposies polarimtricas. Imagem: componente volumtrica da decomposio de Freeman Durden, em slantrange, ngulo de incidncia SQ7 para a poca da cheia.................................................................................... 50

Figura 4.6 Distribuio das amostras das classes gerais na rea de

estudo (destaque em vermelho). Cenas Radarsat-2 fornecidas atravs do programa Science and Operational Applications Research (SOAR), coordenado pela

Canadian Space Agency (CSA), projeto nmero 5052/LAN0922. Os dados e produtos Radarsat-2 so licenciados parauso pela MacDonald, Dettwiler e

Associados, Ltd................................................................... 52 Figura 4.7 Distribuio das amostras das classes de vrzea na rea

de estudo (destaque em vermelho). A mscara da regio

de terra firme encontra-se na regio hachurada, em vermelho. Cenas Radarsat-2 fornecidas atravs do programa Science and Operational Applications Research

(SOAR), coordenado pela Canadian Space 53

XVII

Agency(CSA), projeto nmero 5052/LAN0922. Os dados e produtos Radarsat-2 so licenciados para uso pela MacDonald, Dettwiler e Associados, Ltd.

Figura 4.8 Retroespalhamento, em dB, das imagens da diagonal da matriz C (c11 HH, c22 HV e c33 VV) e T (t11 HH + VV, t22 HH - VV e t33 HV) para todas as classes de uso e cobertura da vrzea do Lago Grande de Curuai, PA........................................................................................ 54

Figura 4.9 ngulos alpha da decomposio de Cloude Pottier (cp_alpha) e ngulo alpha mdio da decomposio de Touzi (touzi_alpha_s), para todas as classes de uso e cobertura da vrzea do Lago Grande de Curuai, PA.......... 55

Figura 4.10 ngulo alpha mdio da decomposio de Touzi para cada um dos autovetores da matriz C (touzi_alpha_s, _s1, _s2 e _s3 respectivamente), para todas as classes de uso e

cobertura da vrzea do Lago Grande de Curuai, PA.......... 56 Figura 4.11 ngulo (phi) mdio da decomposio de Touzi e para

cada um dos autovetores da matriz C (touzi_phi_s, _s1,

_s2 e _s3 respectivamente) para todas as classes de uso e cobertura da vrzea do Lago Grande de Curuai, PA....... 57

Figura 4.12 ngulo (psi) mdio da decomposio de Touzi e para cada um dos autovetores da matriz C (touzi_psi_s, _s1, _s2 e _s3 respectivamente) para todas as classes de uso e cobertura da vrzea do Lago Grande de Curuai, PA....... 58

Figura 4.13 ngulo (tau) mdio da decomposio de Touzi e para cada um dos autovetores da matriz C (touzi_tau_s, _ s1, _ s2 e _ s3 respectivamente) para todas as classes de

uso e cobertura da vrzea do Lago Grande de Curuai, PA........................................................................................ 59

Figura 4.14 Resposta, em dB, da camada de espalhamento double

bounce das decomposies de Freeman Durden (fd_double), van Zyl (vz_double) e Yamaguchi (yama_double) para todas as classes de uso e cobertura

da vrzea do Lago Grande de Curuai, PA.......................... 60 Figura 4.15 Resposta, em dB, da camada de espalhamento

superficial (odd scattering) das decomposies de

Freeman Durden (fd_odd), van Zyl (vz_odd) e Yamaguchi (yama_odd) para todas as classes de uso e cobertura da vrzea do Lago Grande de Curuai, PA.......... 61

Figura 4.16 Resposta, em dB, da camada de espalhamento volumtrico das decomposies de Freeman Durden (fd_vol), van Zyl (vz_vol) e Yamaguchi (yama_vol) para

todas as classes de uso e cobertura da vrzea do Lago Grande de Curuai, PA......................................................... 62

Figura 4.17 Variao da exatido global (%) das rvores de deciso

geradas em funo de diferentes valores de Fator de 63

XVIII

Confiana, para todos os alvos de uso e cobertura da terra da vrzea do Lago Grande de Curuai, PA.

Figura 4.18 Variao da exatido global (%) (A), do erro mdio

absoluto (B) e do nmero de ns (C) das rvores de deciso geradas em funo de diferentes valores de nmero mnimo de objetos, para todos os alvos de uso e

cobertura da terra da vrzea do Lago Grande de Curuai, PA........................................................................................ 64

Figura 4.19 Valores de retroespalhamento (dB) para as polarizaes

da diagonal principal da matriz C (HH, HV e VV) do ngulo de incidncia SQ7, das classes de cobertura do solo propostas para o Lago Grande de Curuai - PA, para

os trs ngulos de incidncia. As classes so: A gua, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto.......................... 66

Figura 4.20 Valores de retroespalhamento (dB) para as polarizaes da diagonal principal da matriz C (HH, HV e VV) do

ngulo de incidncia SQ14, das classes de cobertura do solo propostas para o Lago Grande de Curuai - PA, para os trs ngulos de incidncia. As classes so: A gua, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto.......................... 67

Figura 4.21 Valores de retroespalhamento (dB) para as polarizaes da diagonal principal da matriz C (HH, HV e VV) do ngulo de incidncia SQ27, das classes de cobertura do

solo propostas para o Lago Grande de Curuai - PA, para os trs ngulos de incidncia. As classes so: A gua, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto.......................... 68

Figura 4.22 Valores do atributo de textura Dissimilaridade (GLCM

Dissimilarity), para as classes de cobertura do solo propostas para o Lago Grande de Curuai - PA. As classes so: A gua, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto................. 69

Figura 4.23 Valores do atributo de textura Entropia (GLCM Entropy),

para as classes de cobertura do solo propostas para o Lago Grande de Curuai - PA. As classes so: A gua Permanente, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto Permanente......................................................................... 70

XIX

Figura 4.24 Valores do atributo de textura Homogeneidade (GLCM Homogeneity), para as classes de cobertura do solo propostas para o Lago Grande de Curuai - PA. As classes

so: AP gua Permanente, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto Permanente................................................... 71

Figura 4.25 Valores do atributo de textura Correlao (GLCM Correlation), para as classes de cobertura do solo

propostas para o Lago Grande de Curuai - PA. As classes so: AP gua Permanente, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto Permanente................................................... 72

Figura 4.26 Valores de retroespalhamento (dB) para os arranjos de

polarizaes das diagonais principais da matriz C e T do ngulo de incidncia SQ7, das classes de cobertura do solo propostas para o Lago Grande de Curuai - PA, para

os trs ngulos de incidncia. As classes so: A gua, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto.......................... 75

Figura 4.27 Resposta para as classes de cobertura do solo do Lago Grande de Curuai - PA para as imagens da

decomposio de Cloude Pottier: (a) ngulo alpha (alpha - graus), (b) anisotropia (anisotropy - adimensional) e (c) entropia (entropy - adimensional). As classes so: A

gua Permanente, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto Permanente......................................................................... 77

Figura 4.28 Resposta para as classes de cobertura do solo do Lago Grande de Curuai - PA para as imagens da

decomposio de Cloude Pottier: (a) ngulo alpha (alpha - graus), (b) anisotropia (anisotropy - adimensional) e (c) entropia (entropy - adimensional). As classes so: A

gua Permanente, AB Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto Permanente......................................................................... 78

Figura 4.29 Resposta para as classes de cobertura do solo do Lago Grande de Curuai - PA para as polarizaes da diagonal

da matriz C para os pulsos da cheia e da seca. As classes so: A gua Permanente, AB Arbustos, CV 81

XX

Campos de Vrzea, TF Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo Exposto Permanente.

Figura 4.30 Allocation disagreement, de todas as classificaes, da classe Arbustos................................................................... 84

Figura 4.31 Allocation disagreement, de todas as classificaes, da

classe Floresta Inundvel.................................................... 84 Figura 4.32 Allocation disagreement, de todas as classificaes, da

classe Macrfitas Emersas.................................................. 85

Figura 4.33 Allocation disagreement, de todas as classificaes, da classe gua......................................................................... 85

Figura 4.34 Allocation disagreement, de todas as classificaes, da

classe Macrfitas Flutuantes............................................... 86 Figura 4.35 Allocation disagreement, de todas as classificaes, da

classe Floresta de Terra Firme............................................ 86

Figura 4.36 Allocation disagreement, de todas as classificaes, da classe Solo Exposto............................................................ 87

Figura 4.37 Quantity disagreement, de todas as classificaes, da

classe Arbustos................................................................... 88 Figura 4.38 Quantity Disagreement, de todas as classificaes, da

classe Floresta Inundvel.................................................... 89

Figura 4.39 Quantity Disagreement, de todas as classificaes, da classe Macrfitas Emersas.................................................. 89

Figura 4.40 Quantity Disagreement, de todas as classificaes, da

classe gua......................................................................... 90 Figura 4.41 Quantity Disagreement, de todas as classificaes, da

classe Macrfitas Flutuantes............................................... 90

Figura 4.42 Quantity Disagreement, de todas as classificaes, da classe Floresta de Terra Firme............................................ 91

Figura 4.43 Quantity Disagreement, de todas as classificaes, da

classe Solo Exposto............................................................ 91 Figura 4.44 Disperso dos pontos, histograma dos erros, anlise dos

resduos e teste de normalidade dos resduos do modelo

da imagem SQ7_C_33, em dB, para a varivel dependente DAP................................................................. 97

Figura 4.45 Disperso dos pontos, histograma dos erros, anlise dos

resduos e teste de normalidade dos resduos do modelo da imagem SQ14_T_22, em amplitude linear, para a varivel dependente Log10 (DAP)...................................... 98

Figura 4.46 Disperso dos pontos, histograma dos erros, anlise dos resduos e teste de normalidade dos resduos do modelo da imagem SQ14_VZ_double, em amplitude linear, para a

varivel dependente DAP.................................................... 99 Figura 4.47 Disperso dos pontos, histograma dos erros, anlise dos

resduos e teste de normalidade dos resduos do modelo

da imagem SQ27_C_33, em dB, para a varivel 100

XXI

dependente DAP.................................................................

Figura 4.48 Disperso dos pontos, histograma dos erros, anlise dos resduos e teste de normalidade dos resduos do modelo da imagem SQ7_CP_ani, para a varivel dependente

Altura de Inundao............................................................ 101 Figura 4.49 Disperso dos pontos, histograma dos erros, anlise dos

resduos e teste de normalidade dos resduos do modelo

da imagem SQ27_CP_ani, transformada por Log10, para a varivel dependente Altura de Inundao........................ 102

Figura 4.50 Disperso dos pontos, histograma dos erros, anlise dos

resduos e teste de normalidade dos resduos do modelo da imagem SQ14_C_33, em amplitude linear, para a varivel dependente Log10 (Densidade de Indivduos)...... 103

Figura 4.51 Disperso dos pontos, histograma dos erros, anlise dos resduos e teste de normalidade dos resduos do modelo da imagem SQ27_VZ_vol, em dB, para a varivel

dependente Log10 (Densidade de Indivduos)................... 104 Figura 4.52 Disperso dos pontos, histograma dos erros, anlise dos

resduos e teste de normalidade dos resduos do modelo

da imagem SQ7_VZ_vol, em dB, para a varivel dependente Log10 (IAF)...................................................... 105

Figura 4.53 Disperso dos pontos, histograma dos erros, anlise dos

resduos e teste de normalidade dos resduos do modelo da imagem SQ14_VZ_vol, em dB, para a varivel dependente IAF................................................................... 106

Figura 4.54 Disperso dos pontos, histograma dos erros, anlise dos resduos e teste de normalidade dos resduos do modelo da imagem SQ27_VZ_odd, em dB, para a varivel

dependente Log10 (IAF)...................................................... 107 Figura 4.55 Modelos para estimativa do DAP (cm). Em (a), modelo

SQ7 VV x DAP (dB x linear); em (b), modelo SQ14 T22 x

DAP (Linear x log10); em (c), modelo SQ14 van Zyl double-bounce X DAP (linear x linear) e em (d) modelo SQ27 VV x DAP (dB x linear).............................................. 108

Figura 4.56 Modelos para estimativa da Densidade de Indivduos (indivduos / ha). Em (a), modelo SQ14 VV x Densidade de Indivduos (linear x log10) e em (b), modelo SQ27 van

Zyl volumtrico x Densidade de Indivduos (dB x log10)..... 109 Figura 4.57 Modelos para estimativa do IAF. Em (a), modelo SQ7 van

Zyl volumtrico x IAF (dB x log10); em (b), modelo SQ14

van Zyl volumtrico x IAF (dB x linear) e em (c), modelo SQ27 van Zyl superficial x IAF (dB x log10)........................ 110

Figura 4.58 Modelos para estimativa da Altura de Inundao (metros).

Em (a), modelo SQ7 VV x DAP (dB x linear); em (b), modelo SQ14 T22 x DAP (Linear x log10); em (c), modelo 111

XXII

SQ14 van Zyl double-bounce X DAP (linear x linear) e em (d) modelo SQ27 VV x DAP (dB x linear)............................

Figura 4.59 Tendncia crescente para os valores de anisotropia do

ngulo de incidncia SQ7 e decrescentes para o ngulo SQ27 em funo do aumento da altura de inundao (barras cinzas)..................................................................... 113

XXIII

LISTA DE TABELAS

Pg.

Tabela 3.1 Parmetros das cenas PolSAR Radarsat 2 utilizadas... 25 Tabela 3.2 Atributos polarimtricos derivados do retroespalhamento

e de decomposio de alvos (Adaptado de Sartori et al., 2011)................................................................................. 32

Tabela 3.3 Classes de cobertura e de vegetao da vrzea do Lago Grande de Curuai PA. Em fotointerpretao, polarizao HH do ngulo de incidncia SQ7 -

MacDonald, Dettwiler e Associados, Ltd.......................... 38 Tabela 3.4 Limitares para a converso da radiometria das cenas

SAR de 16 para 8 bits....................................................... 41

Tabela 4.1 Nmero de amostras por classe de uso e cobertura do solo. A coluna Vrzea / Terra Firme mostra as classes que so utilizadas apenas nas classificaes de vrzea,

de terra firme e em ambas................................................ 51 Tabela 4.2 Valores de exatido global (%), erro mdio absoluto e

nmero de ns em funo da variao do fator de

confiana, para todos os alvos de uso e cobertura da terra da vrzea do Lago Grande de Curuai, PA............... 63

Tabela 4.3 Valores de exatido global (%), erro mdio absoluto e

nmero de ns em funo da variao do fator de confiana, para todos os alvos de uso e cobertura da terra da vrzea do Lago Grande de Curuai, PA............... 65

Tabela 4.4 ndices de validao da classificao para todas as classes de cobertura da classificao relativa aos ngulos de incidncia SQ7, SQ14 e SQ27 e atributos de

amplitude e textura. A coluna Escala referente ao parmetro utilizado na segmentao das imagens.......... 73

Tabela 4.5 ndices de validao da classificao das imagens das

diagonais principais das matrizes C e T. A coluna Escala referente ao parmetro utilizado na segmentao das imagens............................................... 76

Tabela 4.6 ndices de validao da classificao das imagens das decomposies polarimtricas de van Zyl (VZ), Cloude Pottier (CP) e suas combinaes entre si e da diagonal da matriz C. A coluna Escala referente ao parmetro utilizado na segmentao das imagens. As imagens CP, quando combinadas com outras imagens

no foram consideradas como planos de informao para a segmentao......................................................... 79

Tabela 4.7 ndices de validao da classificao das imagens

multitemporais, com ou sem razes multitemporais. A coluna Escala referente ao parmetro utilizado na segmentao das imagens. 82

XXIV

Tabela 4.8 ENL para amostra de gua das imagens do ngulo SQ7................................................................................... 92

Tabela 4.9 ENL para amostra de gua das imagens do ngulo

SQ14................................................................................. 93 Tabela 4.10 ENL para amostra de gua das imagens do ngulo

SQ27................................................................................. 93

Tabela 4.11 Variveis independentes que apresentaram correlao maior que 0,5 com os atributos de campo........................ 94

Tabela 4.12 Variveis independentes descorrelacionadas

(correlaes, entre si, menores que 0,3) apresentaram as maiores correlaes com os atributos de campo........ 95

Tabela 4.13 Coeficiente de determinao R, RMSE e coeficientes a

e b da reta de regresso para cada modelo linear ajustado............................................................................ 96

Tabela 4.14 Comparao entre os valores de entropia e anisotropia

para os ngulos de incidncia SQ7 e SQ27..................... 112 Tabela 4.15 Matriz de correlao de Pearson entre as anisotropias

dos ngulos de incidncia SQ7 e SQ27........................... 113

XXV

LISTA DE SIGLAS E ABREVIATURAS

AD Erro de alocao/Alocation Disagreement

alpha Componente ngulo da decomposio de Cloude-Pottier

Anisotropy Componente Anisotropia, da decomposio de Cloude - Pottier

C Matriz de Covarincia

CP Decomposio de Cloude-Pottier

cp_alpha Componente ngulo da decomposio de Cloude Pottier

CSV Valores separados por vrgulas/Comma separated values

CV Coeficiente de variao

DAP Dimetro na altura do peito

DEM Modelo digital de elevao/Digital elevation model

double Componente de espalhamento double-bounce

ENL Nmero estimado de looks/Estimated number of looks

entropy Componente Entropia da decomposio de Cloude Pottier

ETM+ Enhanced Thematic Mapper Plus

FD Decomposio de Freeman Durden

GLCM Matriz de coocorrncia de nveis de cinza/Gray Level Coocurrence Matrix

IAF ndice de rea foliar

OBIA Anlise de Imagem Baseada em Objetos/Object Based Image Analysis

odd Componente de espalhamento superficial

PolSAR SAR polarimtrico

QD Erro de quantidade/Quantity Disagreement

REM Radiao eletromagntica

RMSE Erro mdio quadrtico/Root mean squared error

S Matriz de Sinclar

SAR Radar de abertura sinttica/Synthetic Aperture Radar

SRTM Shuttle Radar Topographic Mission

T Matriz de Coerncia

TM Thematic Mapper

XXVI

touzi_alpha_s Componente ngulo mdio da decomposio de Touzi

touzi_alpha_s1 Componente ngulo do primeiro autovetor da matriz C, da decomposio de Touzi

touzi_alpha_s2 Componente ngulo do segundo autovetor da matriz C, da decomposio de Touzi

touzi_alpha_s3 Componente ngulo do terceiro autovetor da matriz C, da decomposio de Touzi

touzi_phi_s Componente ngulo mdio da decomposio de Touzi

touzi_phi_s1 Componente ngulo do primeiro autovetor da matriz C, da decomposio de Touzi

touzi_phi_s2 Componente ngulo do segundo autovetor da matriz C, da decomposio de Touzi

touzi_phi_s3 Componente ngulo do terceiro autovetor da matriz C, da decomposio de Touzi

touzi_psi_s Componente ngulo mdio da decomposio de Touzi

touzi_psi_s1 Componente ngulo do primeiro autovetor da matriz C, da decomposio de Touzi

touzi_psi_s2 Componente ngulo do segundo autovetor da matriz C, da decomposio de Touzi

touzi_psi_s3 Componente ngulo do terceiro autovetor da matriz C, da decomposio de Touzi

touzi_tau_m Componente ngulo mdio da decomposio de Touzi

touzi_tau_m1 Componente ngulo do primeiro autovetor da matriz C, da decomposio de Touzi

touzi_tau_m2 Componente ngulo do segundo autovetor da matriz C, da decomposio de Touzi

touzi_tau_m3 Componente ngulo do terceiro autovetor da matriz C, da decomposio de Touzi

vol Componente de espalhamento volumtrico

VZ Decomposio de van Zyl

yama Decomposio de Yamaguchi

ndice Kappa

XXVII

SUMRIO

Pg.

1 INTRODUO.............................................................................. 1

1.1 Hiptese e objetivos..................................................................... 3

2 FUNDAMENTAO TERICA................................................... 3

2.1 Ecossistemas da vrzea amaznica............................................ 3

2.2 A vegetao da vrzea amaznica............................................... 5

2.3 Sensoriamento Remoto por Radar............................................... 7

2.3.1 Tipos de interao com alvos de vrzea...................................... 8

2.4 Radares Polarimtricos................................................................ 9

2.4.1 Decomposio de alvos................................................................ 11

2.5 SAR e reas midas..................................................................... 18

2.6 Anlise de imagem baseada em objetos...................................... 21

2.7 Minerao de dados e rvores de deciso................................... 21

3 MATERIAIS E MTODOS............................................................ 23

3.1 rea de estudo............................................................................. 23

3.2 Dados de sensoriamento remoto.................................................. 24

3.3 Metodologia de campo................................................................. 25

3.4 Processamento dos dados........................................................... 29

3.5 Anlise dos dados e classificao................................................ 33

3.5.1 Seleo das amostras de treinamento e gerao dos grficos boxplot..........................................................................................

35

3.5.2 Teste dos parmetros do minerador de dados............................. 36

3.5.3 Classificao e validao............................................................. 43

3.5.4 Modelagem dos atributos biofsicos da vegetao de vrzea...... 45

4 RESULTADOS E DISCUSSES................................................. 45

4.1 Teste do tamanho da janela do filtro speckle............................... 45

4.2 Teste do tamanho da janela de mdia espacial das

decomposies polarimtricas.....................................................

48

4.3 Seleo das amostras de treinamento e gerao de grficos boxplot..........................................................................................

50

4.4 Pr-selees dos dados polarimtricos........................................ 53

4.5 Parametrizao do minerador de dados....................................... 62

4.6 Classificao dos dados............................................................... 65

4.6.1 Classificao dos ngulos de incidncia...................................... 65

4.6.2 Classificao das diagonais da matriz C e T................................ 74

4.6.3 Classificao das decomposies polarimtricas........................ 76

4.6.4 Classificao da diagonal da matriz C multitemporal................... 80

XXVIII

4.6.5 Anlise dos resultados das classificaes por classe individual 82

4.6.5.1 Allocation Disagreement............................................................... 82

4.6.5.2 Quantity Disagreement................................................................. 87

4.7 Modelagem e estimativa dos parmetros biofsicos da Floresta

Inundvel da vrzea do Lago Grande de Curuai..........................

92

5. CONCLUSES............................................................................. 115

5.1 Classificaes............................................................................... 115

5.1.1 ngulos de Incidncia................................................................... 115

5.1.2 Matriz C x Matriz T........................................................................ 116

5.1.3 Decomposies polarimtricas..................................................... 116

5.1.4 Cenas multitemporais................................................................... 117

5.2 Modelagem................................................................................... 118

6 CONCLUSES GERAIS.............................................................. 120

REFERNCIAS BIBLIOGRFICAS............................................ 122

1

1. INTRODUO

Wetlands ou reas midas1 so ecossistemas na interface entre ambientes

terrestres e aquticos, continentais ou costeiros, naturais ou artificiais,

permanentemente ou periodicamente inundados por guas rasas ou com solos

encharcados, doces, salobras ou salgadas, com comunidades de plantas e

animais adaptadas sua dinmica hdrica (JUNK et al., 2014)As reas midas

so ecossistemas ricos em biodiversidade, e possuem importante papel nos

ciclos biogeoqumicos do planeta atuando como armazenadores,

transformadores e emissores de gases estufa, podendo emitir anualmente de

115 a 227 Tg-CH4 (MITSCH et al., 2012). Elas so importantes para a

manuteno da qualidade da gua (HENDERSON; LEWIS, 2008) e para os

ciclos hidrolgicos, regularizando naturalmente a vazo dos rios com os quais

se conectam (MITSCH; GOSSELINK, 2007; HENDERSON; LEWIS, 2008;

CASTELLO et al., 2012).

Cerca de 5% a 8% da superfcie do planeta coberta por reas midas

(MITSCH; GOSSELINK, 2007), mas estima-se que cerca de 50% dessa

cobertura tenha sido destruda por atividades de agricultura, desmatamento e

colonizao humana (MITSCH; GOSSELINK, 2007; HENDERSON; LEWIS,

2008). Na bacia Amaznica, a plancie de inundao do rio Amazonas, tambm

chamada de vrzea, uma das maiores reas midas do planeta. Dos 12% a

29% da rea da bacia Amaznica que so constitudas por reas midas, cerca

de 300 mil km so estimados como regies de plancies de inundao

(MITSCH; GOSSELINK, 2007; MELACK; HESS, 2010; CASTELLO et al.,

2012).

O rio Amazonas um rio de gua branca, e apresenta grandes concentraes

de sedimento em suspenso, que sustentam grande biodiversidade vegetal,

incluindo muitas espcies endmicas (JUNK, 1997). Essa riqueza torna as

vrzeas atraentes ocupao humana, servindo como fonte de alimento, gua

e meio de transporte, durante a cheia, para a populao ribeirinha, que

1 Tambm conhecidas por reas inundveis ou reas alagveis.

2

sobrevive da pesca, extrao de madeira e fibras, agricultura e pecuria

(JUNK, 1997; WITTMAN et al., 2004). Essas caractersticas explicam a tanto a

histrica ocupao humana ao longo das margens do rio Amazonas e

Solimes, como tambm sua elevada densidade populacional, de cerca de 18

milhes de pessoas ou 75% da populao da Amaznia (JUNK, 1997).

Devido ao aspecto dinmico de seus processos ecolgicos, estudos que

envolvem vrzeas necessitam de observaes espao temporais sistemticas

(ARNESEN, 2013). Trabalhos de campo so onerosos e de logstica complexa,

sendo um mtodo oneroso para o estudo sistemtico da vrzea. Neste

contexto, o uso de dados de sensoriamento remoto permite a observao

sistemtica de grandes extenses e tambm de diferentes pocas do ano

(HESS et al., 1995) aumentando a quantidade de informao sobre a cobertura

de vegetao de sua rea de estudo.

O uso de dados de sensoriamento remoto ptico em regies tropicais midas

pode ser prejudicado pela sua intensa cobertura de nuvens. Alm disso,

dossis de comunidades de plantas suficientemente fechados podem

prejudicar a aquisio de informao sobre a estrutura da vegetao e sobre os

alvos que ocupam seu substrato, seja o sub-bosque ou a extenso da

inundao da vrzea (HENDERSON; LEWIS, 2008).

Os dados de radares de abertura sinttica (Synthetic Aperture Radar SAR)

oferecem uma alternativa aos dados de sensores pticos, pois podem penetrar

a cobertura de nuvens, e so mais sensveis estrutura da vegetao

(HENDERSON; LEWIS, 1998; HENDERSON; LEWIS, 2008, KLEMAS, 2013).

Para manter uma boa relao sinal/rudo e imagear grandes extenses da

superfcie da terra, sensores SAR convencionais possuem, em geral, uma ou

duas polarizaes e um comprimento de onda, possuindo capacidade limitada

para diferenciar tipos de vegetao (HESS et al., 1995; SILVA et al., 2010).

A nova gerao de radares polarimtricos orbitais (PolSAR) permite o registro

da amplitude e a fase da onda retroespalhada, em todas as combinaes de

polarizaes, aumentando a quantidade de informao registrada sobre a

vegetao. (VAN DER SANDEN, 1997; BRISCO et al., 2013). Por conta disso,

3

acredita-se que essas imagens podem gerar maior quantidade de dados sobre

a estrutura dos alvos de vegetao e mape-los com maior preciso utilizando

menor nmero de cenas, quando comparado com as imagens dos SAR

convencionais e com estudos multitemporais.

1.1. Hiptese e objetivos

Assim, a hiptese deste trabalho de que o uso das decomposies

polarimtricas derivadas de dados PolSAR de banda C podem melhorar o

desempenho de algoritmos de classificao para o mapeamento dacobertura

vegetal em ambientes de vrzea amaznicos, assim como na estimativa de

seus atributos estruturais, quando comparados com imagens multipolarizadas

(HH, HV e VV) e com imagens multitemporais.

Para testar tal hiptese, o presente trabalho possuiu os seguintes objetivos

especficos:

Avaliar a influncia de diferentes (a) ngulos de incidncia, (b)

representaes do retroespalhamento dos alvos (matriz C e T), (c)

decomposies polarimtricas e (d) pocas do ano, a partir de uma srie

de imagens polarimtricas Radarsat-2, na acurcia da classificao da

vegetao de vrzea do Lago Grande de Curuai, PA.

Avaliar a correlao entre as respostas das imagens multipolarizadas,

decomposies polarimtricas e atributos estruturais da vegetao

obtidos em campo buscando oestabelecimentode modelos preditivos

empricos para os atributos estruturais da vegetao.

2. FUNDAMENTAO TERICA

2.1. Ecossistemas da vrzea amaznica

O rio Amazonas um rio de guas brancas, caracterizado pela alta

concentrao de sedimentos em suspenso (variando em torno de 31 a 247

mgL-1 em profundidades entre 0 1 metros), mdia riqueza em minerais

dissolvidos na gua (como clcio e outros minerais que so recursos nutritivos

para a vegetao) e pH prximo ao neutro (JUNK, 1997). Estas caractersticas

4

fsico-qumicas afetam de maneira positiva a biodiversidade da vegetao das

plancies de inundao banhadas por guas brancas, conhecidas como

vrzeas.

O ecossistema de vrzea amaznico caracteriza-se principalmente pelo

chamado pulso de inundao (JUNK et al., 1989), onde a precipitao

sazonal nas cabeceiras dos principais rios da bacia amaznica converge para

criar um pulso anual de influxo de gua que percorre toda a extenso do Rio

Amazonas (Figura 2.1). O pulso de inundao modula tambm a zonao e o

ciclo de vida das comunidades vegetais na plancie de inundao.

Figura 2.1 - Variao anual do nvel da gua, em centmetros, para a estao

fluviomtrica de bidos, na regio do baixo Amazonas. A linha azul

indica a mdia diria para o perodo de 1970 a 2011, e a rea

sombreada em azul indica o intervalo de confiana de 95% para a

mdia. Em destaque, os anos de 2007 (hidrologia regular), 2005

(seca extrema) e 2009 (cheia extrema).

Fonte: (ANA, 2012). Figura adaptada de SILVA et al. 2013.

Os processos de sucesso autognica e alognica da vrzea amaznica so

ligados diretamente ao zoneamento dos tipos de vegetao. Quando h

deposio de sedimentos, aumenta-se o nvel de base local, diminuindo a

durao do perodo de inundao, e permitindo assim o estabelecimento de

espcies menos tolerantes inundao e a ocorrncia de sucesso ecolgica

5

secundria ou clmax. Quando h remoo do substrato, h reduo do nvel

de base local e aumento do perodo de inundao, causando estresse e

mortandade na vegetao menos tolerante, forando o retorno aos estgios

sucessionais anteriores (JUNK; PIEDADE, 1997; WORBES, 1997).

Regies com menor elevao possuem cerca de 300 dias de inundao anuais

e so marcadas pela presena de plantas herbceas anuais. Regies com

cerca de 270 dias de alagamento anuais possuem elevaes mdias e so

marcadas por plantas arbustivas tolerantes a inundao. As regies mais altas

possuem menos de 230 dias de inundao anuais e so ocupadas por florestas

inundveis bem desenvolvidas. Este zoneamento diretamente ligado ao grau

de adaptao inundao exibido por diferentes espcies (JUNK; PIEDADE,

1997; WORBES, 1997).

2.2. A vegetao da vrzea amaznica

Em geral, podem-se distinguir cinco principais formaes vegetais nas regies

de vrzea(WITTMANN et al., 2004; WITTMANN et al., 2010): (1) plantas

herbceas flutuantes livres; (2) herbceas enraizadas ou desprendidas do

fundo;(3) ervas sublenhosas tolerantes inundao, em pausa metablica; (4)

plantas lenhosas arbustivas perenes e tolerantes inundao, em fase de

pausa metablica durante a inundao e (5) plantas lenhosas arbreo-

arbustivas perenes adaptadas inundao, em fase produtiva na cheia.

Junk et al (2012) classifica a vegetao da vrzea amaznica em dois grupos

principais: (6) regies dominadas por plantas herbceas e (7) regies

dominadas por florestas e arbustos. Em (6), podem ser discriminados trs

subgrupos de plantas herbceas, subdivididos em funo de sua fenologia,

composio especfica e elevao (a) gramneas anuais em terrenos baixos,

(b) gramneas perenes em terrenos baixos (Paspalum fasciculatum, P. repens,

Echinochloa polystachya) e (c) reas elevadas perturbadas antrpicamente,

com a presena de gramneas anuais. Com relao a (7), existe trs grupos

principais, divididos em funo da durao do perodo de inundao: (a)

florestas de vrzea baixa (> trs meses de inundao anuais); (b) florestas de

vrzea alta (

6

apresenta perodos de inundao anuais maiores que os outros dois grupos.

Cada um desses grupos dividido em alguns outros, com relao a sua

composio especfica e estgios sucessionais.

Em mapeamentos prvios utilizando dados de sensoriamento remoto, (1), (2),

(3), (6a), (6b) e (6c) so comumente agregados sob a classe macrfitas

(macrophytes), (4) e (7c) sob vegetao arbustiva (shrubs), e (5) e (7a) e (7b)

sob vegetao arbustivo-arbrea (woodland) ou arbrea (forest), de acordo

com a composio especfica e densidade/biomassa de indivduos (HESS et

al., 2003, SILVA et al., 2010, ARNESEN et al., 2013;; REN et al., 2011;).

A diversidade das florestas de vrzea da plancie de inundao amaznica

limitada pela adaptao inundao peridica(PAROLIN et al., 2010). As

florestas de vrzea so menos diversas do que as florestas de terra firme

amaznicas, porm estudos indicam que a diversidade de espcies florestais

na vrzea Amaznica est entre as maiores do mundo, considerando-se

somente as florestas de reas midas (MITSCH; GOSSELINK, 2007;

WITTMANN et al., 2010). A fenologia florestal tambm diretamente

controlada pelo pulso de inundao, resultando em elevada caducifolia durante

o incio da inundao (WORBES, 1997; SCHNGART et al., 2002). Muitas

dessas espcies possuem frutos resistentes inundao, boiando sobre a

lmina dgua, sendo dispersados por espcies de peixes ou sobrevivendo por

longos perodos no fundo dos lagos, onde germinam na poca seca. (JUNK;

PIEDADE, 1997; WORBES, 1997).

A vegetao herbcea tambm possui papel importante na vrzea amaznica,

ocupando vastas reas e realizando funes chave em vrios processos

ecolgicos(SILVA et al., 2009; PIEDADE et al., 2010). Alm da sedimentao e

consolidao do substrato, as macrfitas so importantes na manuteno da

diversidade animal, servindo como habitat para uma grande variedade de

invertebrados, peixes e rpteis (JUNK; PIEDADE, 1997). Diversas formas de

vida e modos de crescimento podem ser observados para uma mesma espcie

de macrfita, de acordo com os diferentes perodos do ciclo hidrolgico. Muitas

destas plantas exibem um ciclo de crescimento anual, com mortalidade ao final

do ciclo e rpidas taxas de decomposio, implicando em um pulso de

7

liberao de nutrientes. Este pulso pode ser fator determinante na sucesso de

espcies vegetais durante a fase de seca. Considerando-se que as reas

habitadas por macrfitas podem se estender por vrios quilmetros, torna-se

claro que o efeito destas plantas sobre a disponibilidade de nutrientes minerais

no ambiente aqutico de considervel magnitude(JUNK; PIEDADE, 1997).

2.3. Sensoriamento Remoto por Radar

Radares de abertura sinttica (SAR) so sistemas de SR ativos que operam na

regio espectral das microondas, coerentes e de geometria de imageamento

de visada lateral. Devido ao tamanho e a natureza de suas ondas, sensores

SAR so pouco perturbados por fenmenos atmosfricos como nuvens e

aerossis, e so sensveis constante dieltrica (relacionada principalmente

com a composio qumica e a quantidade de umidade dos materiais),

geometria e estrutura dos alvos. As bandas espectrais mais utilizadas em SAR

so X (~3 cm), C (~5.6 cm), L (~23 cm) e P (~72 cm) (HENDERSON; LEW IS,

1998).

Sistemas radares operam atravs do registro do retroespalhamento da onda

emitida. As ondas de um SAR so sempre emitidas em polarizaes lineares,

horizontal (H) ou vertical (V), e tambm so registradas da mesma maneira.

Assim, radares possuem at quatro combinaes de polarizaes: as paralelas

(H emitido e H recebido - HH; V emitido e V recebido - VV) ou cruzadas (H

emitido e V recebido - HV; V emitido e H recebido - VH). As polarizaes tm

efeito significativo sobre a interao entre a REM e os alvos (HENDERSON;

LEWIS, 1998; LEE; POTTIER, 2009).

Quando a onda do radar atinge a superfcie da Terra, ela interage com

inmeros refletores da superfcie. A soma coerente da intensidade e fase de

cada uma desses retroespalhamentos causa oscilao no sinal de retorno

daquele elemento de resoluo (Figura 2.2), manifestando-se como um efeito

de granulao ou flutuao dos nveis de cinza dos pixels da cena (JENSEN,

2007). A esse efeito d-se o nome de speckle.

8

Figura 2.2 Em (a), soma coerente dos vetores das respostas dos inmeros

espalhadores da superfcie, resultando na flutuao radiomtrica do

sinal de retorno; em (b) exemplo de imagem com rudo speckle.

Fonte: http:/earth.esa.int, acessado em 21/02/2013.

A interpretao visual e o processo de classificao digital de cenas SAR so

prejudicados pelo speckle, e a aplicao de filtros adaptativos para a

atenuao desse efeito comum em metodologias envolvendo este tipo de

dado. Porm, tal filtragem deve ser realizada com parcimnia, uma vez que

este processamento pode causar perda de resoluo espacial e informaes

texturais (SANTANNA; MASCARENHAS, 1996; HENDERSON; LEWIS, 1998).

O SAR disposto em uma plataforma mvel e a direo em que a nave se

desloca chamada de azimute. A direo de range a direo perpendicular

ao azimute. A direo de range dividida em (a) near range e (b) far range,

sendo respectivamente a distncia entre a antena e o primeiro ou ltimo pulso

de REM emitido e registrado pelo sensor. Outro parmetro importante na

geometria de aquisio das imagens SAR o ngulo de incidncia, que afeta o

retroespalhamento dos alvos, o grau de penetrao da onda em seu meio e a

ocorrncia de distores de terreno, como layovers, foreshortenings e sombras.

(OLIVER; QUEGAN; 2004; LEE; POTTIER, 2009).

2.3.1. Tipos de interao com alvos de vrzea

Para alvos presentes na vrzea, a banda C apresenta espalhamento superficial

para solos midos e cobertura de gua. Neste caso, a intensidade do sinal

retroespalhado diretamente proporcional rugosidade da superfcie, sendo

9

em geral mais baixo do que o de alvos como a vegetao (HENDERSON;

LEWIS, 1998).

O espalhamento volumtrico ocorre principalmente nos dossis de alvos de

vegetao no caso da vrzea, arbustos, plantas herbceas, formaes

arbustivas e florestas. O sinal emitido em banda C consegue penetrar mais

profundamente os dossis de alvos com menor biomassa, mas fica restrito s

camadas superiores das florestas mais densas, sendo assim menos sensvel

s suas propriedades estruturais (HENDERSON; LEWIS, 1998).

O espalhamento do tipo double bounce ocorre principalmente em alvos de

vegetao herbcea, arbustiva, ou florestas menos densas, que apresentam

gua ou algumas vezes solo exposto liso em seu substrato (HESS et al., 1990;

HENDERSON; LEWIS, 1998). So caracterizados por um forte sinal de retorno,

sendo registrados nas imagens como pixels bastante claros.

2.4. Radares Polarimtricos

Radares polarimtricos so aqueles que possuem a capacidade de sintetizar a

intensidade da REM retroespalhada e sua fase, para todas as combinaes de

polarizaes lineares (figura 2.3). Dessa maneira, pode-se obter a matriz de

espalhamento S, chamada de matriz de Sinclair, que contm as informaes

completas sobre o retroespalhamento dos alvos imageados (VAN DER

SANDEN, 1997; LEE; POTTIER, 2009; CLOUDE, 2009).

A representao dos dados PolSAR se d na forma de vetor ou de matriz. A

forma vetorial mais utilizada para dados polarimtricos a representao

vetorial de Jones, que tem como objetivo descrever a polarizao de uma onda

eletromagntica utilizando-se do mnimo de parmetros necessrios (LEE;

POTTIER, 2009). possvel utilizar-se de outras representaes vetoriais,

como o vetor de Stokes, mas pelo maior nmero de parmetros associadas a

ele, sua complexidade maior e o vetor de Jones preferido.

10

Figura 2.3 Esquema grfico com as diferenas entre radares convencionais e

polarimtricos.

Fonte: adaptado de van der Sanden (1997).

As matrizes T (coerncia) e C (covarincia) so utilizadas para descrever o

retroespalhamento de alvos aleatrios ou no determinsticos e so obtidas a

partir de mdias espaciais da matriz de espalhamento S (CLOUDE, 2009; LEE;

POTTIER, 2009). A matriz T origina-se pelo produto vetorial da matriz S na

forma de vetor na base de Pauli pelo seu complexo transposto conjugado

(equaes 2.1, 2.2 e 2.3 supondo que SHV = SVH):

(2.1)

(2.2)

(2.3)

Sendo S = Matriz S ou de Sinclair; KP = Matriz S na base vetorial de Pauli; KP*T

= vetor de Pauli conjugado transposto.

11

Da mesma forma, a matriz C obtida pelo produto vetorial da matriz S em

forma de vetor lexicogrfico pelo seu complexo transposto conjugado (equao

2.4, 2.5 e 2.6):

(2.4)

(2.5)

(2.6)

Sendo S = Matriz S ou de Sinclair; KB = Matriz S na base vetorial lexicogrfica;

KB*T = vetor lexicogrfico conjugado transposto. A matriz T ligada s

propriedades fsicas do alvo, enquanto a matriz C est relacionada s

medies do sistema sensor (LEE; POTTIER, 2009).

2.4.1. Decomposio de alvos

Os teoremas de decomposio de alvos baseiam-se na simulao de

mecanismos de espalhamento de diferentes naturezas pela associao destes

com matrizes elementares originadas a partir das matrizes S, T e/ou C

(HENDERSON; LEWIS, 1998; TOUZI et al., 2007). Nesse universo, existem

diferentes paradigmas de decomposio: (a) decomposies coerentes da

matriz de espalhamento S (como Pauli); (b) decomposies baseadas em

modelos de espalhamento (como Freeman Durden e Yamaguchi) e (c)

decomposio dos autovalores e autovetores das matrizes T e C (Cloude

Pottier e van Zyl) e (LEE; POTTIER, 2009).

O primeiro grupo de decomposio de alvos aquele das decomposies

coerentes da matriz de Sinclair (S). Essas decomposies tm como objetivo

decompor tal matriz em outras n matrizes elementares, que correspondem a

um tipo de mecanismo de espalhamento determinstico ou cannico. Apesar de

serem decomposies que simulam alvos determinsticos, so muito utilizadas

em trabalhos envolvendo alvos naturais (CLOUDE, 2009; LEE; POTTIER,

2009).

A decomposio coerente de Pauli, um exemplo desse tipo de decomposio

polarimtrica, expressa a matriz S como uma soma complexa de matrizes,

12

onde cada uma simula um tipo de espalhamento elementar: (a) a primeira

componente, HH+VV simula o espalhamento de superfcies lisas; (b) HH VV

simula o espalhamento de um diedro, ou espalhamento double bounce e (c) HV

simula o espalhamento de um diedro orientado 45 com o eixo horizontal do

vetor da REM, que pode ser associado ao espalhamento volumtrico. A quarta

componente da decomposio de Pauli (que simula todos os mecanismos no

simtricos de espalhamento) s calculada quando o princpio de simetria do

sensor no vlido (ou seja, HV diferente de VH, o que no ocorre no

Radarsat-2). A decomposio de Pauli encontrada na diagonal principal da

matriz T. A base de Pauli consiste em (equao 2.7):

(2.7)

O segundo grupo de decomposies so aquelas baseadas em modelos de

espalhamento, que tm como objetivo simular mecanismos de espalhamento

sem utilizar informaes de campo, descrevendo o comportamento de alvos

naturais tpicos. A decomposio de Freeman Durden (FREEMAN; DURDEN,

1998; LEE; POTTIER, 2009) possui trs componentes que simulam

mecanismos de espalhamento elementares a partir das matrizes C/T: (a)

espalhamento superficial (odd scattering) a partir de uma modelagem do

espalhamento de Bragg, (b) espalhamento volumtrico (volumetric scattering)

atravs de uma nuvem de dipolos aleatoriamente posicionados e (c)

espalhamento de double bounce entre duas superfcies no metlicas,

ortogonais e com propriedades dieltricas diferentes.

Em relao componente superficial, o espalhamento de Bragg de uma matriz

S dado por (equao 2.8):

(2.8)

Quando o produto vetorial de S e S*T realizado, a matriz C resultante

(equao 2.9):

13

(2.9)

Sendo que fscorresponde contribuio da componente de espalhamento

superficial para a componente |SVV| (equao 2.10):

(2.10)

Em relao componente double bounce, a matriz S de um diedro no-

metlico, ortogonal, se d por (equao 2.11):

(2.11)

Os termos RTH e RTV so as duas superfcies ortogonais (horizontal e vertical,

respectivamente). Os termos ejheejv so fatores de propagao e

representam atenuaes e efeitos de mudana de fase causados pela

interao REM superfcies. Os termos RGH e RGV so os coeficientes de

reflexo de Fresnel ou seja, a reflexo da onda no a de um diedro perfeito,

e sim de algo que se aproximaria de um diedro natural.

A matriz C originada pelo o produto vetorial de S e S*T (equao 2.12):

(2.12

)

Sendo fD corresponde contribuio do espalhamento double-bounce na

componente |SVV|, onde (equao 2.13):

(2.13)

14

Em relao componente volumtrica, o modelo pressupe que h um arranjo

de inmeros dipolos horizontais muito finos orientados de maneira aleatria,

com o ngulo variando de a com relao ao eixo horizontal da REM. A

matriz S de um dipolo horizontal muito estreito (equao 2.14):

(2.14)

A matriz C resultante da operao vetorial de S e S*T, aps a distribuio

aleatria ter sido aplicada, (equao 2.15):

(2.15)

Sendo fV a contribuio de espalhamento volumtrico na componente |Svv|.

Finalmente, a proporo de cada tipo de espalhamento, em relao ao total

(Span) simulado como (equao 2.16):

(2.16)

Onde PS, PD e PV so as componentes finais superficial, double-bounce e

volumtrica as imagens de sada.

A decomposio de Yamaguchi (LEE; POTTIER, 2009) diferente da de

Freeman Durden por conta de suas pressuposies. A decomposio de

Freeman Durden supe que h simetria de reflexo (SHHS*HV = SVVS

*VH), o

que nem sempre verdade, e possui trs componentes: volumtrico,

superficial e double-bounce. A decomposio de Yamaguchi, por sua vez, no

supe simetria de reflexo (SHHS*HV SVVS

*VH). Dessa maneira, a modelagem

da componente volumtrica diferente e o espalhamento dos alvos descrito

por quatro componentes: volumtrico, double-bounce, superficial e helicoidal.

Com exceo da componente volumtrica e helicoidal, essa decomposio

similar de Freeman Durden. As matrizes S de um espalhador em forma de

hlice so (equao 2.17):

15

(2.17)

Sendo SLH a hlice girando para a esquerda e SRH para direita. As matrizes C

oriundas das matrizes S acima so (equao 2.18):

(2.18)

Sendo assim fc a contribuio do espalhamento helicoidal na componente

|SVV|. O Span e as imagens finais passam a ser (equao 2.19):

(2.19)

SendoPC a proporo de espalhamento de hlice no retroespalhamento total.

O terceiro e ltimo grupo de decomposies a ser considerado nesse estudo

aquele baseado em decomposio dos autovalores (eigen values) e

autovetores (eigen vectors) das matrizes T e C.Os autovetores possuem

informaes sobre o tipo de espalhamento que os alvos possuem

volumtrico, double bounce, etc; e os autovalores, sobre a contribuio que

cada tipo de espalhamento possui em relao ao espalhamento total a

proporo do espalhamento em relao a todos os outros (CLOUDE, 2009;

LEE; POTTIER, 2009).

De uma maneira geral, pode-se escrever a matriz C ou T da seguinte forma

(equao 2.20):

(2.20)

Onde (equaes 2.21 e 2.22):

(2.21)

16

(2.22)

3 contm os autovalores da matriz T3. Os autovalores so nmeros reais, no

negativos, onde 1 >2 >3 > 0. U3 contm os autovetores da mesma matriz, que

so definidos como (equao 2.23):

(2.23)

Onde o ngulo que define o tipo de espalhamento; o ngulo de

orientao do alvo e , e so ngulos relativos fase da onda. Finalmente,

a matriz T3 pode ser escrita da seguinte maneira (equao 2.24):

(2.24)

Ou seja, a matriz T3 decomposta pelo somatrio do produto de um autovalor

i, seu autovetor i correspondente e o complexo conjugado desse mesmo

autovetor i. Esse somatrio feito para os trs autovalores e trs autovetores.

A decomposio de autovalores e autovetores, por si s, uma decomposio

de alvos; mas a transformao de Cloude Pottier usa trs parmetros

derivados dessa decomposio para melhor explicar os mecanismos de

espalhamento dos alvos: Entropia, Anisotropia e ngulo (CLOUDE, 2009;

LEE; POTTIER, 2009).

A entropia (H) definida como o grau de desordem do espalhamento de um

alvo (equao 2.25 e 2.26), e associada ao tipo de espalhamento principal

que esse alvo possui.

(2.25)

(2.26)

Como visto, a entropia baseia-se na probabilidade de ocorrncia de um

autovalor em relao aos outros trs. Quando as trs probabilidades so

17

iguais, a entropia mxima (H = 1) e no h um tipo de espalhamento

dominante. Ao contrrio, se H = 0, ocorre apenas um tipo de espalhamento.

A Anisotropia (A), por sua vez, relaciona-se com a importncia relativa do

segundo e terceiro tipos de espalhamento que o alvo apresenta. A anisotropia

define-se como (equao 2.27):

(2.27)

Em termos prticos, A s pode ser empregada quando H> 7. Em qualquer

outro caso, ela muito afetada por rudos e no possui informaes relevantes.

(LEE; POTTIER, 2009).

O ngulo alfa () refere-se ao tipo de espalhamento principal do alvo. Quando

0

18

(2.28)

Onde 1,2 e 3 so termos baseados em relaes entre os autovetores u1, u2

e u3 e autovalores 1, 2 e 3 respectivamente. Van Zyl relaciona os dois

primeiros autovetores em termos de espalhamento superficial e volumtrico. O

autovalor 3por sua vez relacionado com a ocorrncia de espalhamentos de

diedro ou double-bounces.

2.5. SAR e reas midas

Para esse trabalho, a anlise de trabalhos da literatura ser dividida em trs

partes: (a) aqueles relacionados com o mapeamento de tipos de vegetao de

reas midas e similares; (b) aqueles sobre estimativa e modelagem de

atributos biofsicos de tipos de vegetao de vrzea e semelhantes e (c)

trabalhos utilizando dados polarimtricos.

Com relao ao item (a), Lucas et al. (2008) utilizaram dados ALOS PALSAR

para,com sucesso, estimar a biomassa de tipos de vegetao mida costeira e

apreender o mapeamento da evoluo multitemporal desse ambiente.

Bwangoyet al. (2010) utilizaram dados multisensor (ptico, SAR banda L e

dados topogrficos) no mapeamento de alvos de reas midas no Congo. De

todos os 28 layers usados na classificao, os dados SAR representaram

sozinhos 9% de toda a informao utilizada na classificao, e a imagem da

poca cheia apresentou sozinha mais de 8% da participao. Silva et al. (2010)

utilizaram dados multisensores (MODIS, SRTM e Radarsat-1 banda C) para o

estudo das dinmicas temporal e espacial de macrfitas e para a estimativa de

sua produtividade, na vrzea do lago de Monte Alegre, no Par. Atravs da

anlise de imagens baseada em objetos (Object-Based Image Analysis

OBIA) foi possvel detectar no s a cobertura e a dinmica das macrfitas,mas

tambm modelar a produtividade dessas comunidades.

Costa; Telmer (2006), Martinez; Le Toan (2006), Li et al. (2007), Lang et al.

(2008) e Marti-Cardona et al. (2010) investigaram os efeitos do uso de

diferentes polarizaes, ngulos de incidncia e uso de cenas multitemporais

19

na classificao dos alvos de vegetao em reas midas, tanto para banda C

como para banda L.Estes autores concluem que (a) cenas de diversas

polarizaes possuem melhor resultado que cenas multitemporais e seriam

capazes de suprimir parte da confuso entre as classes que os mltiplos

ngulos no resolverem; (b) a banda C mais adequada para o uso em

regies de vegetao de reas midas dominadas por gramneas e vegetao

arbrea de menor porte, devido a sua menor capacidade de penetrao que a

banda L (c) o uso cenas multitemporais melhora a anlise das classes at certo

ponto, podendo decrescer, em alguns casos e (d) no necessariamente o

menor ngulo de incidncia o mais adequado para diferenciar os tipos de

vegetao imageados; muitas vezes ngulos mdios e maiores possuem maior

poder de discriminar esses tipos.

Hess et al. (1990), Kasischke et al. (1997) e Henderson and Lewis (2008) so

artigos de reviso que abordam o tema do uso de imagens SAR para a

classificao de alvos de vegetao e mapeamento da dinmica e extenso de

inundao, em reas midas de todo o mundo, para todas as frequncias (X,

C, L e P). Os autores relatam que a (a) banda C pode ser usada com sucesso

para estudar reas midas dominadas por floresta, sendo inapropriada

somente para aquelas com elevadas quantidades de biomassa; (b) do grande

importncia informao polarizada, afirmando que muitas vezes maior

nmero de polarizaes mais adequado do que maior nmero de cenas

multitemporais de uma mesma polarizao; (c) com relao aos ngulos de

incidncia, no h uma ligao direta entre o uso de ngulos menores e

maiores ndices de preciso e acerto da classificao depende diretamente

da rea de estudo e dos alvos imageados; e ainda afirma que a combinao de

mais de um ngulo de incidncia nem sempre aumenta a preciso da

classificao; (d) o uso de imagens multitemporais, em geral, aumenta a

preciso da classificao apenas at certo ponto, e muitas vezes apenas

aumenta o seu erro e (e) a rea de estudo e suas classes so fundamentais

para o mapeamento classes gerais aumentam a preciso de qualquer

mapeamento, ao passo que trabalhar ao nvel de espcie ou de fisionomias de

vegetao pode diminuir o desempenho desse mapeamento.

20

Na determinao de modelos preditivos de atributos biofsicos da vegetao de

reas midas a partir de cenas SAR, Townsend (2002),Costa et al. (2002),

Moreau; Le Toan (2003), Novo et al. (2002) e Sartori et al. (2012) mostraram

que a banda C e a banda L alm de possurem correlao com os parmetros

biofsicos e estruturais de gramneas como biomassa, altura e porcentagem de

cobertura, tambm so complementares. Os autores tambm mostram

que,mesmo com o menor comprimento de onda,pode-se estabelecer

correlaes significativas para plantas herbceas e arbustos de menor

densidade, como r = 0.78, para o log da biomassa seca, em Costa et al.

(2002) e Novo et al., (2002), para macrfitas. Porm, poucos so os trabalhos

que discutem o erro mdio quadrtico (Root Mean Squared Error RMSE) e os

resduos dos modelos; apenas Sartori et al. (2012) e Moreau; Le Toan (2003)

aprofundaram a discusso de suas modelagens a esse ponto.

H poucos trabalhos abordando dados polarimtricos e seu potencial em

mapear a distribuio e a estrutura de alvos de vegetao em reas midas.

Touzi et al. (2009) investigaram a decomposio de alvos de Touzi para

discriminar tipos de vegetao em reas midas no Canad, e concluram que

sua decomposio obteve resultados melhores que outra decomposio similar

Cloude Pottier para a vegetao mida de Mer de Bleue. Brisco et al.

(2013) compararam o desempenho de dados polarimtricos e polarimtricos

compactos (onde o sensor emite em apenas uma polarizao, mas recebe nas

duas, e ainda contm a informao de fase) no mapeamento de alvos comuns

em regies de reas midas e tambm em regies de rizicultura e constataram

que devido maior quantidade de informao por parte dos dados

polarimtricos, esses obtiveram melhor resultado. Koch et al. (2012) utilizaram

dados pticos e polarimtricos de banda C e L para mapeamento das

condies ambientais de reas midas na Espanha. Os autores utilizaram a

decomposio de Cloude Pottier e tambm de Yamaguchi, e relatam o bom

resultado dos dados polarimtricos na classificao de sua rea de estudo. Os

autores concluem que o sensoriamento remoto ptico mais sensvel ao status

de degradao da rea mida, ao passo que dados SAR so mais sensveis a

estrutura e s condies de inundao ou de umidade dos alvos. Sartori et al.,

(2011) utilizaram dados polarimtricos de banda L para classificar espcies de

21

grupos de macrfitas no lago de Monte Alegre, no Par. A informao derivada

de dados polarimtricos (como decomposio de Freeman Durden e Cloude

Pottier) obteve diferentes taxas de sucesso, separando grupos de vegetao

como floresta inundvel, vegetao arbustiva e macrfitas, e a decomposio

de Touzi foi a mais importante na classificao no nvel de espcie.

2.6. Anlise de imagem baseada em objetos

No mapeamento por processamento digital, algoritmos computacionais so

utilizados na identificao automtica dos alvos e so baseados em

classificadores pixel a pixel ou por regies. A diferena entre as duas

metodologias de classificao consiste no tratamento dado ao pixel. Enquanto

na pixel a pixel, estes so avaliados isoladamente, a classificao por regies

avalia os segmentos, ou seja, pixels agrupados em regies contguas durante

segmentao a partir algoritmos que examinam a textura e a resposta espectral

dos pixels adjacentes e, alguns destes, a forma do objeto.

Diferentemente dos classificadores tradicionais, que apenas utilizam a resposta

espectral, a anlise de imagens baseada em objeto (Object-based Image

Analisys OBIA) possibilita utilizar outros descritores. Como as imagens esto

estruturadas em objetos, que possuem identidade prpria, possvel utilizar

descritores como textura, forma, relaes topolgicas com os objetos vizinhos,

relao hierrquica entre os nveis de segmentao, entre outros,

aproximando-se dos processos cognitivos humanos de interpretao de

imagens (BLASCHKE, 2010). Torna-se tambm exeqvel a utilizao de

rvores de deciso, que so estruturas de classes baseadas em decises

binrias, organizadas em nveis. Diversos trabalhos demonstram melhor

desempenho da classificao por OBIA sobre a pixel a pixel no mapeamento

de vegetao, quando as metodologias so comparadas por meio de ndices

de acurcia. (AMARAL et al., 2009; YU et al., 2006; GERGEL et al., 2007;

DORREN et al., 2003, JOHANSEN et al., 2007; SOUSA et al., 2011).

2.7. Minerao de dados e rvores de deciso

A minerao de dados consiste em um conjunto de tcnicas, programas e

algoritmos computacionais que permite a deteco, extrao de padres e

22

construo de conhecimento em grandes volumes de dados (WITTEN; FRANK,

2005).

Os mineradores de dados possuem trs caractersticas principais associados a

ele (WITTEN; FRANK, 2005): (a) o seu conceito, (b) suas instncias e (c) seus

atributos. O conceito a maneira que o computador se utiliza para detectar os

padres dos dados de entrada (ou seja, aprender sobre os dados), e so em

nmero de quatro: classification learning, association learning, clustering e

numeric predition. O algoritmo J4.8, utilizado nesse trabalho, pertence ao

conceito de classification learning, pois aprendem os padres dos dados a

partir de amostras pr-classificadas. A instncia o dado propriamente dito que

fornecido para o algoritmo. Como exemplo, pode-se considerar os atributos

de mdia de uma classe como uma instncia, assim como o nome dessa

classe e os tipos de relao topolgica com as demais classes. Os atributos

so os valores das instncias. Podem ser numricos, categricos ou nominais.

Como, por exemplo, 0.0134 para a mdia de uma banda espectral e Solo

Exposto para uma classe.

A rvore de deciso ser gerada pelo algoritmo J48.Tal algoritmo,

fundamentado no algoritmo C4.5, um algoritmo baseado em ganho de

informao / entropia, usado para gerar uma rvore de deciso. Suas

caractersticas, descritas a seguir, so como em Witten; Frank (2005). O

algoritmo J48 alimentado com os dados de entrada (as instncias e atributos)

que descrevem as classes de cobertura do solo. Uma dessas instncias deve

ser nominal (normalmente o nome das classes de cobertura do solo) e o

restante, numrico. Um n inicial criado contendo todos os objetos de todas

as classes e o seu valor de informao calculado. Em seguida so gerados

ns-filhos, um para cada atributo numrico, e o valor de informao de cada

um desses ns calculado. A diferena entre o valor de informao do n

inicial e do n filho chamada de ganho de informao.

O ganho de informao relacionado pureza do n; quando uma instncia e

um atributo so capazes de separar uma classe inteira em apenas um n, ele

possui o menor valor de informao, consequentemente possuindo maior

ganho de informao. Assim, o atributo com maior valor de ganho de

23

informao aquele mais eficiente em separar ao mximo as classes em

diferentes ns.

A instncia e o atributo que apresentam maior ganho de informao so

selecionados pelo algoritmo.Assim, todo o processo continua at que todas as

classes de entrada estejam completamente separadas (ou seja, que classe

esteja contida totalmente em um n separado dos demais) ou at que no haja

mais ganho de informao.

Ganho de informao, ou entropia, calculado como na equao (2.29):

(2.29)

Os logaritmos da equao (1) so de base 2, portanto a unidade da entropia

bits. Os argumentos p1, p2 pn so fraes, calculadas como na equao

(2.30):

(2.30)

Onde q, r e s o nmero de elementos das classes dentro de um n. Quando

um n possui elementos de apenas uma classe seu valor de informao zero.

Quando um n possui elementos das classes igualmente distribudos ele

possui o mximo de informao ou entropia.

3. MATERIAIS E MTODOS

3.1. rea de estudo

A regio de estudo (Figura 3.1) compreende a vrzea do Lago Grande de

Curuai, localizado entre as latitudes 15112 S e 022106 S e longitudes

0555632 W e 0550314 W , ao sul do municpio de bidos, no Estado do

Par (Brasil). Tal rea de estudo representativa da plancie de inundao do

Baixo Amazonas, caracterizada por vegetao lenhosa e herbcea em

variadas propores (BARBOSA, 2005).A plancie de inundao do Lago

Grande de Curuai possui regime de inundao monomodal e anual, previsvel e

regular, de grande amplitude. A sua principal fonte de inundao de origem

fluvial, onde o Rio Amazonas contribui com aproximadamente 77% de toda a

24

gua do sistema (BONNET et al., 2008). Entre maio e junho ocorre o mximo

de inundao, e entre outubro e dezembro o menor nvel. A diferena na altura

de inundao entre as duas pocas alcana entre5e7 metros, e pode variar

anualmente em at 2 m(BARBOSA, 2005).

Figura 3.1 Em destaque o recorte da rea de estudo, no Lago Grande de

Curuai - PA. Ao fundo, composio TM/Landsat 5 RGB321 do

perodo da seca. Composio colorida SAR multitemporal (R: cena

SQ7 da poca da cheia; G: cena SQ7 da poca da seca; B: razo

entre imagens da seca e cheia), mostrando o swath comum a todas

as cenas utilizadas. MacDonald, Dettwiler e Associados, Ltd.

3.2. Dados de sensoriamento remoto

Foram utilizadas seis cenas polarimtricas adquiridas pelo sensor a bordo do

satlite Radarsat-2, na banda C (5.6 cm), sob trs diferentes ngulos de

incidncia (tabela 3.1). As cenas foram obtidas entre 19 e 22 de junho e 20 de

outubro e 10 de novembro de 2011, coincidindo com as pocas de cheia e

seca da vrzea, respectivamente. As imagens polarimtricas possuem 9 x 7.6

m (range x azimute) de resoluo,com ngulos de incidncia de 25 (SQ7), 33

25

(SQ14) e 45 (SQ27). As cenas Radarsat-2 foram fornecidas atravs do

programa Science and Operational Applications Research (SOAR), coordenado

pela Canadian Space Agency (CSA), projeto nmero 5052. Os dados e

produtos Radarsat-2 so licenciados para uso pela MacDonald, Dettwiler e

Associados, Ltd.

Tabela 3.1. Parmetros das cenas PolSAR Radarsat 2 utilizadas.

Cena Data Modo de

Imageamento

ngulo de Incidncia

(Graus)

Elementos de resoluo

(pixel) (Rng x Az - m)

Resoluo Nominal

(Rng x Az - m)

Largura do campo de visada

(Km)

SQ7 19/jun

Standard Quad-Pol

25 - 27

8 x 5.1 9 x 7.6 25 x 25

SQ14 22/jun 33 - 35

SQ27 29/jun 45 - 47

SQ7 20/out 25 - 27

SQ14 27/out 33 - 35

SQ27 10/nov 45 - 47

Um modelo de elevao digital gerado pela Shuttle Topography Radar Mission

(SRTM) foi usado para a correo de terreno range-doppler. O MDE SRTM

possui 90m de resoluo espacial e aproximadamente 16 metros de preciso

vertical e foi obtido no web site do Consortium for Spatial Information (CGIAR -

CSI), no endereo http://srtm.csi.cgiar.org/, em sua verso 4. Cenas

Landsat5/TM e Landsat7/ETM+do mesmo perodo de aquisio das imagens

Radarsat-2 foram utilizadas para auxiliar na interpretao da cobertura da terra

e na coleta de amostras de treinamento. As cenas Landsat5/TM foram obtidas

no web site do Instituto Nacional de Pesquisas Espaciais, no endereo

http://www.dgi.inpe.br, nas coordenadas WRS-2 rbita228 e pontos061 e 062.

As cenas Landsat7/ETM+ ortorretificadas foram obtidas atravs da Global Lang

Cover Facilita (GLCF), em http://glcf.umd.edu/data/landsat/.

3.3. Metodologia de campo

Foram realizadas amostragens na floresta de vrzea da rea de interesse em

destaque na figura 3.2 que corresponde cena PolSAR. O trabalho de campo

ocorreu entre 18/10 e 29/10 de 2013, no perodo de seca da vrzea.

26

Durante o trabalho de campo foram amostradas 17 parcelas de 25 x 25 m,cuja

localizao geral foi determinada em funo da homogeneidade e tipo de

vegetao,facilidade de acesso e distncia entre as parcela se os barcos

utilizados para locomoo e instalao em campo.

27

Figura 3.2 Composio colorida RGB321 de cena Landsat-5/TM, contemplando o pulso da seca do ano de 2005. Em vermelho, as rotas percorridas

em campo. As estrelas amarelas so os pontos amostrados em campo, e o polgono amarelo indica a cobertura das cenas de radar.

28

Foram amostrados os seguintes atributos da vegetao em campo:

Dimetro altura do peito (DAP) (cm);

Nmero de indivduos;

Altura total (metros);

Altura de fuste (metros);

ndice de rea foliar (IAF);

Altura da marca de mxima inundao nos troncos;

Identificao taxonmica.

O DAP foi medido com o auxlio de fita diamtrica, a uma altura de 1,3 metros

em relao ao nvel do solo. Indivduos com DAP entre 5 e 10 cm foram

contabilizados mas no medidos, e indivduos com DAP < 5cm foram

ignorados.As alturas total e de fuste foram obtidas com um clinmetro.Em cada

canto da parcela foi tambm medida a altura da marca dgua deixada pela

ltima inundao, totalizando 4 medidas tomadas nos quatro cantos de cada

parcela. O IAF foi mensurado com o uso do equipamento LAI-2200 (Li-Cor

Inc.), atravs de oito medidas ao longo da parcela, em duas fileiras de 4

amostras orientadas a favor da direo do sol.

Aps a aquisio dos dados, as seguintes variveis derivadas foram

calculadas:

rea basal (m/ha);

Densidade de indivduos (n indivduos/ha);

Espessura da copa (diferena entre a altura total e a de fuste - metros);

Altura de Lorey.

A altura de Lorey pode ser calculada pela razo entre o produto da altura de

cada indivduo pela sua rea basal, dividido pela altura basal mdia da parcela

(equao 3.1):

29

(3.1)

Para cada parcela, foi calculada a mdia de cada um dos atributos medidos em

campo (com exceo da rea basal e densidade de indivduos) e derivados.

Essa mdia foi utilizada para a quantificao da relao entre as imagens

PolSAR e os atributos de campo.

3.4. Processamento dos dados

Uma srie de etapas de pr-processamento, anlise dos dados e classificao,

validao da classificao, modelagem emprica dos atributos da vegetao e

validao dos modelos foram realizadas para o cumprimento desse trabalho

(figura 3.3).

Figura 3.3 Fluxograma geral do processamento dos dados do trabalho.

30

Nessa etapa foi realizada a preparao dos dados PolSAR: (a) multilooking e

clculo da matriz T e C, (b) filtragem do efeito speckle, (c) clculo das

decomposies polarimtricas e pr-seleo das decomposies com maior

potencial para classificao da vegetao, (d) transformao do nvel digital

para (valores de retroespalhamento) e (e) correo de terreno Rang