Infra-Estruturas de Dados Espaciais: Potencial para Uso Local
TRATAMENTO DE DADOS ESPACIAIS UTILIZANDO TÉCNICAS DE ... · banco de dados, informações...
Transcript of TRATAMENTO DE DADOS ESPACIAIS UTILIZANDO TÉCNICAS DE ... · banco de dados, informações...
1
UNIVERSIDADE FEDERAL DE SANTA MARIA COLÉGIO POLITÉCNICO DA UFSM
CURSO SUPERIOR DE TECNOLOGIA EM GEOPROCESSAMENTO
TRATAMENTO DE DADOS ESPACIAIS UTILIZANDO TÉCNICAS DE GEOPROCESSAMENTO PARA USO
EM SOFTWARE DE MODELAGEM
RELATÓRIO DE ESTÁGIO
Anderson Rossi Abaide
Santa Maria, RS, Brasil
2013
2
TRATAMENTO DE DADOS ESPACIAIS UTILIZANDO
TÉCNICAS DE GEOPROCESSAMENTO PARA USO EM
SOFTWARE DE MODELAGEM
Anderson Rossi Abaide
Relatório de Estágio apresentado ao Curso Superior de Tecnologia em Geoprocessamento, do Colégio Politécnico da Universidade Federal de
Santa Maria (UFSM, RS), como requisito parcial para a obtenção do grau de Tecnólogo em Geoprocessamento
Orientadora: Profª. MSc. Michele Monguilhott Coorientador: Ednardo Correia Lima
Santa Maria, RS, Brasil
2013
3
UNIVERSIDADE FEDERAL DE SANTA MARIA COLÉGIO POLITÉCNICO DA UFSM
CURSO SUPERIOR DE TECNOLOGIA EM GEOPROCESSAMENTO
A Comissão Examinadora, abaixo assinada, aprova o Relatório de Estágio
TRATAMENTO DE DADOS ESPACIAIS UTILIZANDO TÉCNICAS DE GEOPROCESSAMENTO PARA USO EM SOFTWARE DE
MODELAGEM
elaborado por Anderson Rossi Abaide
como requisito parcial para obtenção do grau de Tecnólogo em Geoprocessamento
COMISSÃO EXAMINADORA:
__________________________________________ Profª Michele Monguilhott, MSc.
(Presidente/Orientadora)
____________________________________ Prof. Laurindo Antonio Guasselli, Dr. (UFRGS)
____________________________________ Prof. Guilherme Garcia de Oliveira, MSc. (UFRGS)
Santa Maria, 18 de janeiro de 2013.
4
LISTA DE ILUSTRAÇÕES
Figura 1 - Mapa de localização da área de estudo ................................................... 10
Figura 2 - Método dos Pesos de Evidência .............................................................. 13
Figura 3 - Imagem Landsat 5 TM RGB 457 .............................................................. 17
Figura 4 - Recortes das imagens Landsat 5 TM RGB 457 ....................................... 18
Figura 5: Mascaras da mancha urbana nos recortes Landsat 5 TM ......................... 19
Figura 6 - Classificação Supervisionada pelo método MAXVER .............................. 20
Figura 7 - Classificação Supervisionada pelo método MAXVER .............................. 21
Figura 8 - Classificação Supervisionada pelo método MAXVER .............................. 22
Figura 9 - Área de interesse com rede hidrográfica selecionada .............................. 24
Figura 10 - Criação de Grade Regular através da ferramenta CREATE FEATURE CLASS no ARCGIS 9.3® .......................................................................................... 25
Figura 11 – Near ....................................................................................................... 26
Figura 12 - Extração dos valores de pixel Raster para vetor utilizado o arquivo GRID gerado ...................................................................................................................... 27
Figura 13 - Feature to Raster ................................................................................... 29
Figura 14 - Modelo de Matriz de Transição utilizando as classificações da imagem de 23-04-1995 e 18-04-2005 ......................................................................................... 29
Figura 15 - Matriz de confusão para Único Passo com erro de classes de transição apresentando somente 4 das 6 geradas .................................................................. 31
5
SUMÁRIO
1 DADOS DE IDENTIFICAÇÃO ................................................................................. 6
1.1 Estagiário ............................................................................................................ 6
1.2 Empresa .............................................................................................................. 6
2 APRESENTAÇÃO DA EMPRESA .......................................................................... 7
3 INTRODUÇÃO ........................................................................................................ 8
4 ÁREA DE ESTUDO ................................................................................................ 9
5 CONCEITOS TEÓRICOS ...................................................................................... 11
5.1 Sensoriamento Remoto ................................................................................... 11
5.2 Sistema de Informações Geográficas ............................................................. 11
5.3 Modelagem da Paisagem ................................................................................. 11
5.3.1 Método dos Pesos de Evidência ..................................................................... 12
5.3.2 Método dos Autômatos Celulares .................................................................... 14
6 ATIVIDADES DESENVOLVIDAS ......................................................................... 16
6.1 Padronização de dados espaciais para inserção no DINAMICA EGO® ....... 24
7 CONCLUSÃO ....................................................................................................... 32
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 33
6
1 DADOS DE IDENTIFICAÇÃO
1.1 Estagiário
Nome: Anderson Rossi Abaide
Matrícula: 2921367
E-mail: [email protected]
Curso: Tecnologia em Geoprocessamento
1.2 Empresa
Nome da Empresa: Universidade Federal do Rio Grande do Sul. Centro Estadual
de Pesquisas em Sensoriamento Remoto e Meteorologia – CEPSRM
Setor de Realização do Estágio: Laboratório de Geoprocessamento e Análise
Ambiental (LAGAM)
Endereço da Empresa: Av. Bento Gonçalves, 9500 – Campus do Vale – Porto
Alegre, RS, Brasil
Área onde foi realizado o Estágio: Sensoriamento Remoto (SR) e Sistemas de
Informações Geográficas (SIG)
Data de Início: 13/08/2012
Data de Término: 20/11/2012
Duração em horas: 336 horas
Orientação e Supervisão:
Supervisor: Prof. Dr. Laurindo Antonio Guasselli
Orientador: Profª. MSc. Michele Monguilhott
Coorientador: MSc. Ednardo Correia Lima
7
2 APRESENTAÇÃO DA EMPRESA
O CEPSRM criado em 1988 a partir de Convênio entre a UFRGS, o Governo
do Estado/Secretária de Ciência e Tecnologia e INPE envolve
professores/pesquisadores de diversas áreas do conhecimento e tem como missão
propagar o conhecimento em Sensoriamento Remoto, Geoprocessamento,
Meteorologia entre outras áreas afins. Desenvolve pesquisas em nível de pós-
graduação dando ênfase no atendimento às necessidades regionais nestas áreas,
por meio de atividades de extensão. O CEPSRM possui 5 (cinco) laboratórios dentre
os quais situa-se o LAGAM. No LAGAM realizam-se estudos que empregam
técnicas de Geoprocessamento nas questões ambientais, além de realizar estudos a
nível de graduação e pós-graduação.
O LAGAM é composto por uma equipe de 12 (doze) pesquisadores divididos
em estudantes de graduação e pós-graduação, com atuação em diversos projetos.
O grupo é liderado pelo Professor Dr. Laurindo Antonio Guasselli que atualmente
ocupa o cargo de diretor do CEPSRM.
8
3 INTRODUÇÃO
Este relatório tem como objetivo descrever as atividades exercidas no estágio
curricular realizado no LAGAM, situado no CEPSRM da Universidade Federal do Rio
Grande do Sul (UFRGS), sob a orientação da Profª. Michele Monguilhott,
coorientação de Ednardo Correia Lima e supervisionado pelo Prof. Laurindo Antonio
Guasselli no período 13 de agosto a 20 de novembro de 2012, totalizando 336
horas.
As atividades de estágio proporcionaram a utilização de conhecimentos sobre
SR e SIG, bem como dos demais saberes adquiridos durante o curso. Também
proporcionou a aquisição de novos conceitos teóricos necessários para o
cumprimento das atividades propostas.
O trabalho consistiu em executar rotinas e técnicas de Geoprocessamento,
tais como: georreferenciamento de imagens por meio de Registro de Imagens,
classificação digital de imagens e manipulação e padronização de arquivos vetoriais,
técnicas essas necessárias para as atividades propostas na pesquisa do mestrando
Ednardo Correia Lima, do Programa de Pós Graduação em Geografia. Além do
citado, o estágio oportunizou o contato inicial com a área de modelagem de dados
para dinâmica de paisagem utilizando o software DINAMICA EGO® – Environment of
Geoprocessing Objects – Ambiente para Objetos Geoprocessáveis.
9
4 ÁREA DE ESTUDO
A área de estudo abrange cerca de 15 (quinze) municípios da Região
Metropolitana de Porto Alegre, com exceção do município de São Sebastião do Caí,
conforme a Figura 1. A área é um dos focos de estudos ambientais do grupo, que
possui vários trabalhos reconhecidos pela relevância social. E, sob uma nova ótica,
realiza-se a investigação de como sua paisagem modificou-se ao longo do tempo e
quais os principais conflitos de usos do solo causaram, causam ainda podem causar
a modificação do território, o que influencia drasticamente o desenvolvimento
ecológico e socioeconômico dessa região.
10
Figura 1 - Mapa de localização da área de estudo
11
5 CONCEITOS TEÓRICOS
5.1 Sensoriamento Remoto
Numa definição mais atual, Novo (2010) afirma que SR é a utilização conjunta
de sensores, equipamentos para o processamento de dados e equipamentos de
transmissão de dados colocados a bordo de aeronaves, espaçonaves entre outras
plataformas, com o objetivo de estudar evento, fenômenos e processos que ocorrem
na superfície terrestre a partir do registro e análise das interações entre a radiação
eletromagnética e as substâncias que a compõem em suas diversas manifestações.
5.2 Sistema de Informações Geográficas
De acordo com Moreira (2003), um SIG permite inserir e integrar, num único
banco de dados, informações espaciais (cartográficas, imagens de satélites), dados
de cadastro rural ou urbano (dados censitários), entre outras informações. Além
disso, oferece mecanismos para combinar informações por meio de algoritmos de
manipulação e análise, possibilitando a consulta, recuperação, visualização e
plotagem do conteúdo da base de dados georreferenciados.
5.3 Modelagem da Paisagem
É importante entender que a paisagem está sempre evoluindo e que com
essa evolução os métodos de abstração da mesma também tendem a evoluir.
Entende-se que os modelos tentam abstrair informações sobre o comportamento e
mudança da paisagem. Os modelos podem ser divididos em Modelos Não
Dinâmicos e Modelos Dinâmicos.
O primeiro possui como principal característica a modelagem da paisagem
num breve instante de tempo. Com isso, o que se pode fazer é criar dois modelos
ditos estáticos (pois compreendem um único período de tempo) e compará-los,
12
utilizando um equilíbrio artificial de longo prazo imposto pelo usuário que está
criando o modelo. Esses modelos têm como exemplo de aplicação as mudanças da
paisagem urbana e foram muito utilizados em épocas em que não se tinha outra
forma de modelar (ALMEIDA, 2003 apud BATTY, 1976).
Já o segundo tipo de modelo possui dimensão temporal, ou seja, os dados de
entrada e saída possuem variação no tempo e também dependem de seus estados
anteriores, caracterizando a importância da dimensão temporal. Conforme a
literatura científica, observa-se que o período de simulação deve ser curto o
suficiente para não influenciar o comportamento do modelo (ALMEIDA, 2003 apud.
FORRESTER, 1969).
De acordo com Grigio (2008) a modelagem dinâmica simula mudanças
ambientais relacionando variáveis espaço-temporais do meio ambiente com os
territórios. Com isso é possível avaliar como um sistema evolui juntamente com as
circunstâncias definidas pelo modelador (usuário). Conforme esses apontamentos,
entende-se que é necessário utilizar métodos para realizar a modelagem do
dinamismo da paisagem e dentre esses métodos destacam-se o Método dos Pesos
de Evidência e o Método Autômatos Celulares (CAs), utilizados no DINAMICA
EGO®.
Segundo Benedetti (2010) são métodos oriundos de modelos estocásticos,
em que o processo de modelagem apresenta soluções sempre associadas a uma
probabilidade de ocorrência de um determinado fenômeno, sendo que esses
elementos são incorporados no modelo. Descrições mais detalhadas dos métodos
mencionados podem ser obervadas a seguir.
5.3.1 Método dos Pesos de Evidência
O método baseia-se no teorema de probabilidade baysiana, que determina a
possibilidade de ocorrer um evento dada uma ocorrência prévia de uma evidência.
Esse método serve para calcular as probabilidades de transição entre as classes a
serem analisadas (BENEDETTI, 2010). Novais et al. (2011) aponta que os
resultados da matriz de pesos de evidencias são usados para parametrizar o modelo
de simulação, relativo a dinâmica espacial do fenômeno estudado e destaca que o
13
método implementado por Soares Filho et. al. (2008) calcula as faixas ou intervalos
de acordo com as estruturas dos dados apresentados sob forma de grades
contínuas. Esse método trabalha somente com variáveis categóricas.
A seguir apresenta-se um exemplo do Método de Pesos de Evidências.
Tendo como exemplo a variável “ponte de uma estrada”, ela só ocorrerá se a
variável explicativa (evidência) “interrupção do caminho” tiver ocorrido conforme
Figura 2.
1) Variável Interrupção do Caminho
(Variável Explicativa).
2) Variável Ponte de uma estrada.
3) Transformação da Paisagem
Figura 2 - Método dos Pesos de Evidência
A variável “ponte de uma estrada” ocorre se a variável explicativa “interrupção do caminho” tiver
ocorrido. Fonte: Ilustração adaptada de http://professorgustavoodette.blogspot.com.br
/2011_05_01_archive.html
14
5.3.2 Método dos Autômatos Celulares
Surgido na década de 80 como resultado dos avanços na representação
espacial dos modelos, esse método pode ser definido segundo Almeida (2003) a
partir do conceito de Stephen Wolfram sobre os Autômatos Celulares do inglês
Celulars Automatons (CAs) como:
“... idealizações matemáticas de sistemas físicos, no qual o espaço e o tempo são discretos e os atributos assumem um conjunto de valores também discretos. Um autômato celular consiste de uma grade regular uniforme (ou “campo matricial”), comumente infinito em sua extensão, com variável discreta em cada localidade (“célula”). O estado de um autômato celular é completamente especificado pelos valores das variáveis em cada célula. Um autômato celular evolui em passos de tempo discretos, com o valor de variável em uma célula sendo afetado pelos valores das variáveis nas células vizinhas encontrados no passo de tempo anterior. A vizinhança de uma célula é tipicamente formada pela própria célula em consideração e todas as demais células localizadas nas suas adjacências imediatas. As variáveis em cada célula são atualizadas simultaneamente (“sincronizadamente”), baseando-se nos valores das variáveis da sua vizinhança no passo de tempo precedente, e de acordo com um conjunto pré-definido de “regras locais” (Wolfram, 1983, p. 603)”.
Um exemplo de Autômato Celular é o Jogo da Vida (“Game of Life”) de John
Conway. Esse modelo constitui uma grade quadrada regular bidimensional, em que
a vizinhança das células consiste de seus 8 (oito) vizinhos imediatos, ou seja, 4
(quatro) vizinhos ortogonais e quatro diagonais. Nele uma célula pode estar viva ou
morta respeitando duas regras básicas: 1) Uma célula morta pode-se tornar viva se
três outras células vizinhas adjacentes a ela forem vivas, e 2) Uma célula
permanece viva se duas ou três adjacentes estiverem vivas. Isto permite concluir
que se houver isolamento a célula morre, mas também se houver superpopulação
seu destino é o mesmo.
O uso de modelos de CA se mostram indicados para estudos de mudança da
paisagem porque podem ser manipuláveis, ou seja, permitem tratamento das
informações utilizadas, além de possuírem rapidez no processamento das mesmas
e tendo em vista que funcionam com uma grade regular se mostram adequados
para uso em SIG.
O software DINAMICA EGO® utiliza esses métodos na geração dos modelos
da paisagem. Conforme Soares Filho et al. (2009) o aplicativo suporta diversos tipos
de dados tais como tabelas, matrizes, arquivos de coeficientes de pesos e
15
evidências. Para dados espaciais o software permite a entrada apenas de conjuntos
de dados RASTER, porém para esses dados deve-se realizar uma padronização de
certos parâmetros, tais como tamanho de pixel (número de linhas e colunas) e tipo
de projeções espaciais. Estes podem ser preparados em softwares de SIG tais como
ER Mapper®, Idrisi®, SAGA GIS®, ARCGIS® entre outros, tendo como saída os
formatos Geotiff, ASCII e a extensão do ER MAPPER® (*.er).
O aplicativo é dotado de possibilidades para modelagem espacial de um
modelo simples até um complexo e dinâmico que podem ter retroalimentações
dinâmicas, combinação algébrica de dados em vários formatos entre eles mapas,
tabelas, matrizes, etc. Seu ambiente foi escrito em C++ e Java e sua interface conta
com uma série de algoritmos, denominados functores que ligados podem ser
combinados para executar um tipo de modelo determinado.
O programa executa de forma rápida e simples a construção e execução de
modelos leves a complexos. Com grande maioria de seus algoritmos desenvolvidos
para aproveitar a arquitetura de múltiplos processadores e suportando arquivos
RASTER de 64000x64000 células, o mesmo possibilita carregar todos os mapas de
entrada no início da execução mantendo-os na memória enquanto são usados. Isso
é possível porque o aplicativo usa a memória contida no arquivo de paginação do
disco para armazenar temporariamente esses mapas e, ao final, o software acessa o
disco uma vez para salvar os resultados finais ou conforme o desejo do usuário
salvar determinadas iterações.
16
6 ATIVIDADES DESENVOLVIDAS
As atividades do estágio podem ser divididas em duas fases. Na primeira
realizaram-se pesquisas sobre modelagem dinâmica da paisagem para um melhor
entendimento das atividades propostas no estágio. O processo utilizou a busca de
artigos científicos, dissertações e teses que utilizaram o software DINAMICA EGO®.
Para as atividades práticas inicialmente foram obtidas imagens do satélite
LANDSAT-5 TM no site do Instituto Nacional de Pesquisas Espaciais (INPE). As
cenas correspondem as seguintes datas: 12 de fevereiro de 1993, 18 de abril de
2005 e 4 de maio de 2011. A escolha destas datas se deu pela pouca nebulosidade
presente nas imagens nesse período do ano.
De posse das imagens, aplicaram-se técnicas de geoprocessamento, tais
como georreferenciamento, classificação digital de imagens com uso de máscaras e
ajustes espaciais de arquivos vetoriais. Também foi necessária a padronização de
resolução espacial para inserção no software de modelagem DINAMICA EGO®. As
técnicas trabalhadas nas cenas LANDSAT-5 TM foram realizadas no software ENVI
4.3® e para os ajustes em arquivos vetoriais e padronização espacial de todos os
dados utilizou-se o ARCGIS 9.3®.
O georreferenciamento pode ser realizado nos mais diversos softwares de
Processamento Digital de Imagens (PDI) e SIG existentes atualmente. A técnica
consiste em atribuir uma referência espacial a uma imagem com coordenadas de
pixel ou atribuir uma nova referência a uma imagem que já tenha coordenadas, mas
que necessite de uma melhor precisão. Esse processo exige que se tenham
coordenadas espaciais como referência, que podem ser obtidas de cartas
topográficas como as da DSG, de pontos obtidos a campo por aparelho Global
Navigation Satellite System (GNSS) ou de imagem de satélite já georreferenciada.
Foi utilizada uma cena LANDSAT do ano de 1993, anteriormente
georreferenciada que serviu como base para o trabalho de conclusão de curso (TG)
de autoria de Ednardo Correia Lima. Esta cena serviu como referencial para os
ajustes das novas imagens por meio da técnica de registro de imagens. Ressalta-se
que as imagens adquiridas no site do INPE já são georreferenciadas porém
17
buscando-se uma padronização de sistema de referência, projetou-se as cenas para
um mesmo sistema de referência.
Sabe-se que esse processo de georrefereciamento contém erros, pois uma
imagem anteriormente ajustada irá ter seus erros acumulados no ajuste de outra
imagem. Um processo corretamente realizado é utilizar uma Carta Topográfica do
local ou pontos coletados por aparelho receptor GNSS conforme mencionado
anteriormente, contudo para as atividades propostas utilizou-se o método de
Registro de Imagens por ser uma maneira mais rápida de padronizar os sistemas
espaciais e obteve-se um erro médio quadrático do inglês Root Mean Square (RMS),
abaixo de 1 (um) pixel usando um polinômio de segunda ordem.
O procedimento se deu em obter pontos na imagem espacialmente correta e
os mesmos pontos na imagem a ser corrigida. Essa técnica é conhecida como
Registro de Imagens e pode ser obervada na Figura 3. Para o georreferenciamento
das imagens do trabalho utilizaram-se 30 (trinta) pontos com a melhor distribuição
espacial em cada uma.
Figura 3 - Imagem Landsat 5 TM RGB 457
Referência Espacial na Esquerda, Imagem a ser ajustada na direita. Pontos homólogos em amarelo
18
Após realizar o georreferenciamento das 3 (três) imagens fez-se o recorte das
mesmas, para isso foi utilizada uma área retangular englobando a região de
interesse do trabalho conforme Figura 4.
O passo seguinte foi obter amostras dos objetos visíveis nas imagens para
gerar uma classificação supervisionada destas. Esse procedimento visa identificar
os objetos presentes na imagem de maneira que se possa inseri-los numa legenda.
Para isso existem inúmeras técnicas de classificação dentre elas a de classificação
supervisionada pelo método da MÁXIMA VEROSSIMILHANÇA, utilizada no
trabalho. Nessa técnica o usuário coleta pequenas amostras das feições presentes
em uma imagem, é importante que este usuário tenha um bom conhecimento da
área a ser classificada e também boa análise cognitiva dos elementos presentes na
imagem a ser classificada.
Para a classificação das imagens selecionadas foram coletadas 10 (dez)
amostras representativas para cada uma das 5 (cinco) classes de feições
Figura 4 - Recortes das imagens Landsat 5 TM RGB 457
Imagens de 23-04-1995, 18-04-2005 e 05-05-2011 respectivamente, imagens com composição falsa-
cor 457
19
selecionadas por cenas, posteriormente foi incluída como uma 6ª (sexta) classe a
de mancha urbana. Essa foi vetorizada em cada imagem, pois de 1995 a 2005 e de
2005 a 2011 houve aumento da área urbanizada. O processo foi realizado no
software ARCGIS 9.3®, posteriormente exportado para shape file (*.shp) e após
aberta no ENVI 4.3® sendo convertido para seu formato vetorial padrão (*.evf). Após
construiu-se mascaras dessas manchas conforme a Figura 5.
Com as máscaras aplicadas nas respectivas imagens foram realizadas
classificações apresentadas nas Figuras 6, 7 e 8.
Figura 5: Mascaras da mancha urbana nos recortes Landsat 5 TM
Imagens de 23-04-1995, 18-04-2005 e 05-05-2011 respectivamente, imagens com composição
falsa-cor 574
20
Figura 6 - Classificação Supervisionada pelo método MAXVER
Recorte da imagem de 23-04-1995
21
Destaca-se o conflito das classes de Água e Floresta Nativa e também a
confusão entre sombras e a classe Água presentes nas proximidades de morros ao
longo da classificação de 23-04-1995.
Figura 7 - Classificação Supervisionada pelo método MAXVER
Recorte da imagem de 18-04-2005
22
Para classificação de 18-04-2005 observa-se um melhor discernimento da
classe Água não ocorrendo grande confusão entre a mesma e Floresta Nativa,
porém existe confusão com a classe de Solo Exposto. Destaca-se que um número
pequeno de amostras pode prejudicar a estatística da classificação.
Figura 8 - Classificação Supervisionada pelo método MAXVER
Recorte da imagem de 04-05-2011
23
Na última classificação de 04-05-2011, novamente o conflito sombra e água
está presente. Porém observa-se que as classes Água e Floresta Nativa e Água e
Solo Exposto estão mais distintas.
As imagens classificadas serviram como teste para entrada de dados no
aplicativo de modelagem. Por isso não se teve preocupações na qualidade destas
informações, cita-se como exemplo a confusão de classes de água com a sombra
presente nas cenas. Uma possível solução para esse problema é uma vetorização
dessas áreas e posterior exclusão da “classe sombra”. Ou aplicações de técnicas de
PDI tal como DARK OBJECT, essa técnica elimina as informações “escuras” de
acordo com se Nível Digital (ND), sendo que o usuário deve intervir na escolha deste
intervalo de NDs.
O procedimento seguinte foi o ajuste de dados vetoriais, que num momento
posterior são inseridos no DINAMICA EGO®. O ajuste consistiu em unir informações
que estavam separadas dentro de um shapefile para que este ficasse com uma
classe (uma linha em sua tabela de atributos), pois no processo de modelagem
proposto existem informações que podem ser agrupadas em uma única linha de
atributo. Essa técnica foi realizada no ARCGIS 9.3® utilizando a ferramenta MERGE
encontrada no EDITOR conforme exemplo na Figura 9.
Destaca-se que a área delimitada na Figura 9 é a área de estudo da
dissertação do mestrando Ednardo. Na preparação dos dados utilizou-se a área
retangular visualizada nos recortes (Figura 4). A padronização foi elaborada porque
para analisar a transformação da paisagem foi necessária uma área maior do que a
área de interesse, uma vez que a mesma sofre influência da região do entorno e
também porque o aplicativo de modelagem utiliza mapas de entrada em formato
regular, ou seja, todas as informações devem conter o mesmo número de linhas e
colunas, além de estarem amarradas numa mesma coordenada de origem. Este
conjunto de dados de entrada é chamado de Cubo Raster.
O processo foi realizado também para os shapefiles contendo informações
sobre estradas, afloramentos rochosos, hidrografia, entre outros. Como exemplo foi
usado um arquivo contendo as informações de hidrografia, este tendo origem de um
arquivo vetorial do estado inteiro. O arquivo vetorial foi recortado para que
apresentasse somente as informações abrangidas na área de estudo.
24
A partir do conjunto de imagens georreferenciadas, classificadas juntamente
com os dados vetoriais ajustados, passou-se para próxima fase, onde essas
informações foram padronizadas visando a criação de um cubo raster para posterior
inserção no DINAMICA EGO®.
6.1 Padronização de dados espaciais para inserção no DINAMICA EGO®
Para uniformizar as informações visando inseri-las no DINAMICA EGO®
utilizou-se o software ARCGIS 9.3®, adequando o sistema de coordenadas e
Figura 9 - Área de interesse com rede hidrográfica selecionada
Observa-se a tabela de atributos das feições com várias linhas e a mesma tabela após a aplicação da
ferramenta MERGE
25
projeções para WGS-84 UTM Zona 22S e tamanho de pixel para 30m. Tendo em
vista que o aplicativo de modelagem usado não suporta arquivos vetoriais, os
arquivos shapefile foram transformados em raster, sendo que este processo também
foi realizado no ARCGIS 9.3®.
Ressalta-se que a preparação de arquivos em formato shapefile para raster
se deu somente para aprendizado nas atividades do estágio, tendo em vista que
ainda não foram selecionados quais arquivos vão entrar no processo de modelagem.
Primeiramente criou-se um arquivo de Grade Regular (GRID) no ARCGIS
9.3® (Figura 10), com tamanho de pixel de 30x30, isto foi feito porque ao criar um
arquivo com resolução de 30x30 o número de linhas e colunas se adequará
automaticamente.
Após a criação do arquivo, que é o padrão para se transformar os arquivos
shapefile para raster e os rasters sem padronização de linhas e colunas para a
forma adequada.
Figura 10 - Criação de Grade Regular através da ferramenta CREATE FEATURE
CLASS no ARCGIS 9.3®
26
O passo seguinte divide-se em duas técnicas uma para efetuar a
transformação dos dados vetoriais e outra para dados raster, ambos no ARCGIS
9.3®. Esta transformação faz com que a informação espacial do ponto central de um
pixel do raster passe a ter o valor do ponto central do pixel do arquivo grid gerado,
ou seja, possui número de colunas e linhas regulares.
A transformação também faz com que os arquivos vetoriais que antes tinham
um determinado número de linhas e colunas passem a ter as mesmas
características espaciais do arquivo grid. O processo realizado para transformação
dos arquivos vetoriais (Figura 11) utiliza a ferramenta Near do ARCGIS 9.3®.
Essa ferramenta realiza o cálculo da distância euclidiana bidimensional de
uma determinada feição escolhida em relação à outra relevante (o arquivo grid). Ao
criar o arquivo GRID é gerado um arquivo denominado GRID_LABEL. É esse
arquivo que é usado para a confecção dos vetores de mesma linha e coluna.
Figura 11 – Near
Ferramenta de transformação de tamanho de célula para arquivo vetorial
27
Como mostrado na Figura 11, o dado de entrada deve ser o arquivo de GRID
criado, no caso todos os arquivos grade regular foram renomeados como se observa
no exemplo hidro_grid_label, esse refere-se ao nome do arquivo que será montado
tendo como o arquivo base o shapefile hidro.
Para dados raster utilizou-se a ferramenta Extract Values to Points, que
transforma as informações de pixel da imagem para um dado vetorial. Esse
processo foi realizado para gerar Raster no tamanho desejado (30x30) de acordo
com o arquivo vetor GRID de acordo com a figura 12. Após utilizou-se de conversão
de Features para Raster (Convert Features to Raster) apresentada na Figura 13, no
qual foi realizado tanto para as informações RASTER convertidas para vetor como
as informações vetoriais que para entrar no DINAMICA EGO® necessitam estar em
formato RASTER. Todos os dados convertidos foram salvos em formato Geotiff (um
dos formatos aceitos pelo software de modelagem).
.
Figura 12 - Extração dos valores de pixel Raster para vetor utilizado o arquivo GRID
gerado
28
Após a padronização, iniciaram-se as operações com o DINAMICA EGO®.
Nos testes iniciais se realizaram as tarefas propostas no tutorial disponibilizado
juntamente com o programa tendo como objetivo a familiarização com o mesmo.
Posteriormente foi possível elaborar o primeiro modelo denominado Matriz de
Transição. Esse apresenta a taxa de mudança (taxa de transição) de uma
determinada classe ao longo do tempo. Para executar esse modelo necessita-se ter
dois mapas de entrada um chamado de Paisagem Inicial (Initial Landscape) e outro
Paisagem Final (Final Landscape), o primeiro representando os valores primários de
determinada classe e outro os valores finais da mudança de acordo com um passo
de tempo.
Esse modelo calcula a transição das classes cruzando os mapas de entrada e
gerando duas matrizes uma de passo único (Single Step) e outra de múltiplos
passos (Multiple Step). A matriz de passo único corresponde a um período de tempo
como sendo um único passo de tempo e a matriz de múltiplos passos corresponde a
uma unidade passo de tempo.
A taxa de transição representa a porcentagem de mudanças das classes da
imagem de entrada. Isto é possível por que o software converte os valores de área
em valores de porcentagem de mudança dividindo essa área de extensão de
mudança pela fração de cada classe anterior a mudança.
Um exemplo pode ser observado na figura 14 onde foram utilizadas as
classificações de 23-04-1995 e 18-04-2005, com intervalo de tempo 10 anos.
29
Um exemplo pode ser observado na Figura 14 onde foram utilizadas as
classificações de 23-04-1995 e 18-04-2005, com intervalo de tempo 10 anos.
Figura 13 - Feature to Raster
Ferramenta de conversão de Vetor para Raster
Figura 14 - Modelo de Matriz de Transição utilizando as classificações da imagem de
23-04-1995 e 18-04-2005
30
A Figura 15 apresenta a Matriz de único passo gerada pelo modelo. Observa-
se um erro no número de classes presentes na mesma onde aparece apenas 4
(quatro) das (seis) classes da imagem, uma vez que foram classificadas 5 (cinco)
classes e adicionada mais uma máscara da mancha urbana como sendo a sexta.
Enquanto não é encontrada uma solução para o problema o trabalho não
pode prosseguir. Provavelmente esta solução pode estar na importação do arquivo
de classificação do ENVI 4.3® para o ARCGIS 9.3®, ou ainda em algum ponto das
rotinas aplicadas a esse arquivo RASTER tais como extração de valores para
pontos.
É possível, entretanto, realizar todas as operações utilizando um único
software de SIG, pois o aplicativo de modelagem aceita os arquivos criados e gera
resultados mesmo que errôneos. Observa-se também que a matriz de passos
múltiplos não foi gerada.
31
A próxima etapa após a correção desta anomalia apresentada na matriz de
transição será utilizar o Método de Pesos de Evidências utilizando os arquivos
vetoriais preparados como variáveis de entrada. Após se fará a Calibração dos
modelos e finalmente a Validação destes modelos gerados.
Figura 15 - Matriz de confusão para Único Passo com erro de classes de transição
apresentando somente 4 das 6 geradas
32
7 CONCLUSÃO
Ao término do estágio observou-se que as atividades propostas foram
realizadas com parcial sucesso, pois as aplicações de técnicas de
geoprocessamento realizadas para georreferenciamento, recorte e manipulação de
dados vetoriais cumpriram seu papel nas etapas seguintes sem apresentar erros.
Contudo para a etapa de classificação digital não se pode apontar um êxito
completo, pois o erro gerado no modelo de Matriz de Transição pode ser originário
das rotinas de classificação aplicadas às imagens usando o software ENVI 4.3® ou
também nas técnicas utilizadas no aplicativo ARCGIS 9.3® para confeccionar o
arquivo padrão de entrada do software DINAMICA EGO®.
A utilização de um aplicativo de PDI em conjunto com um aplicativo SIG pode
gerar informações adequadas no padrão exigido para o software de modelagem
utilizado. Constata-se também o aprendizado por parte deste aluno uma nova
aplicação para o geoprocessamento onde a preparação e manipulação de
informações do tipo RASTER e VETOR aprendidas durante o curso e na realização
do estágio, são necessárias para elaborar um modelo que possibilita analisar a
transformação de uma paisagem ao longo do tempo.
O tema do estágio fez surgir a vontade de seguir na linha de pesquisa de
modelagem espacial das feições contidas em uma paisagem, sabendo que as
atividades e estudos realizados sobre o tema até o momento serviram apenas para
auxiliar o mestrando da melhor maneira possível em sua pesquisa.
33
REFERÊNCIAS BIBLIOGRÁFICAS
ALMEIDA, C. M. de. Modelagem da dinâmica espacial como uma ferramenta auxiliar ao planejamento: simulação de mudanças de uso da terra em áreas urbanas para as cidades de Bauru e Piracicaba (SP), Brasil. 2003. 351f. Tese (Doutorado em Sensoriamento Remoto) – Instituto de Pesquisas Espaciais, São José dos Campos, 2003. BENEDETTI, Ana Caroline Paim. Modelagem para simulação de mudanças na cobertura florestal das serras do sudeste e campanha meridional do Rio Grande do Sul. 2010. 166f. Tese (Doutorado) – Universidade Federal de Santa Maria. Santa Maria, 2010. GRIGIO, Alfredo M. Evolução da paisagem do baixo curso do rio Piranhas-Assu (1988-2024): uso de autômatos celulares em modelo dinâmico espacial para simulação de cenários futuros. Tese (UFRN – Centro de Ciências Exatas e da Terra). Natal/RN, 2008. INPE - Instituto Nacional de Pesquisas Espaciais. Disponível em:<http://www.dgi.inpe.br/CDSR/>. Acesso em: 18 de agosto de 2012. MOREIRA, Maurício Alves. Fundamentos do Sensoriamento Remoto e Metodologias de Aplicação. 2ª Ed. Viçosa: UFV, 2003. NOVAIS M. R. de. Uso do método de pesos de evidência na analise do manejo da cana-de-açucar para o estado de São Paulo. Anais XV Simposio Brasileiro de Sensoriamento Remoto – SBSR, Curitiba, Brasil, 30 de abril a 05 de maio de 2011. INPE p. 0415. NOVO, Evlyn M. L. de Morais. Sensoriamento Remoto: Princípios e Aplicações 4ª Ed. São Paulo: Blucher, 2010. PORTO, Maria L.; MENEGAT, Rualdo. Ecologia de Paisagem: Um Novo Enfoque na Gestão dos Sistemas da Terra e do Homem. In: Desenvolvimento Sustentável e Gestão Ambiental nas Cidades: Estratégias a Partir de Porto Alegre. Rualdo Menegat e Gerson Almeida et. al. (organizadores). Porto Alegre: Editora da UFRGS, 2004.
34
SOARES FILHO, B.S.; RODDRIGUES, H. O.; COSTA, W.L. Modelagem de Dinâmica Ambiental com Dinamica EGO. Tradução: Letícia Santos de Lima. Centro de Sensoriamento Remoto/UFMG. Belo Horizonte: MG, 2009. Disponível em: <http://www.csr.ufmg.br/dinamica/>. Acesso em: 8 de outubro de 2012.