ANÁLISE MULTI-TEMPORAL DA
Existem diversos métodos de criação de Modelo Digital de Elevação (MDE) apresentados em várias bibliografias (FERNAN-DES; MENEZES, 2005). Entre esses métodos a Rede Irregular Triangular - TIN (Triangular Irregular Network) é defendido como um método satisfatório (MOORE et al., 1993).
Além dos estudos utilizando técnicas de geoprocessamento é consenso na literatura que o sensoriamento remoto se constitui, também, como uma técnica de grande relevância para monito-ramento da dinâmica da vegetação. Segundo Santana e Olivei-ra (2013) a difusão das imagens de satélite tornou-se um ótimo meio para estudos de quantificação e levantamento da ocupação agrícola, fator este que pode se estender para os demais objetos a serem estudados na superfície terrestre. Os estudos de dados mul-titemporais estendem-se nos mais variados campos da pesquisa (ALENCAR et al., 1996; WATRIN et al., 1998; OLIVEIRA, 2013).
Entre os índices utilizados no monitoramento da vegeta-ção, o Índice de Vegetação da Diferença Normalizada (NDVI) apresenta vantagens principalmente devido a sua facilidade de aquisição. Segundo Silva et al. (2012), o NDVI é o resultado de combinações lineares de dados espectrais que realçam o sinal da vegetação e ao mesmo tempo minimiza as variações de irradiân-cia solar. Costa (2003), defende que analisar os índices de NDVI configura-se como um mecanismo para a compreensão dos pro-cessos hidrológicos, entre outras finalidades.
Ressalta-se que em estudos de monitoramento da vegeta-ção, principalmente agrícola, as precipitações pluviométricas são reconhecidas como uma importante variável climatológica. O seu excesso ou escassez configura-se como um fator limitante a esta-bilização e desenvolvimento da produção agrícola (MORAES et al., 2005). Segundo Baldo et al. (2001), a ação do clima, junta-mente com as condições atmosféricas, influenciam todas as fases
de desenvolvimento agrícola uma vez que exerce forte influências nas fases de florescimento, frutificação e até mesmo na colheita.
Segundo Silva et al. (2007), os regimes pluviométricos pos-suem sua variabilidade natural, porém podem ser afetados por transformações da superfície terrestre. Logo, essas mudanças ge-ram incertezas e comportamentos irregulares. Esses fatores im-plicam em alternâncias entre períodos secos e chuvosos, quente e frio, gerando repercussões de ordem calamitosas sobre os vários espaços geográficos.
Diante do exposto o trabalho objetivou avaliar a correlação entre a dinâmica temporal do índice de vegetação e a variação espacial da topografia com os volumes de precipitações de 1985 a 2006, na Região Centro Sul do Distrito Federal.
Procedimentos metodológicos
A pesquisa foi realizada na região Centro Sul do Distrito Fe-deral, Área de Proteção Ambiental Cabeça de Veado, parte sul do Lago Paranoá, compreendendo a Bacia do Rio São Bartolomeu, fi-gura 1. Conforme apresentado por Nimer (1989), o Centro Oeste Brasileiro apresenta clima com duas caraterísticas marcantes. Um marcado pelo inverno seco com origem na estabilidade ocasiona-da devido a influência de anticiclone subtropical do Atlântico Sul e outro marcado por verão chuvoso devido o deslocamento para o sul da Zona de Convergência Intertropical. As imagens utiliza-das foram adquiriutiliza-das no Instituto Nacional de Pesquisas Espaciais (INPE), processadas com o software ArcGis 10.1. As imagens uti-lizadas foram do satélite Landsat-5, sensor TM+ na órbita/pon-to 221/71. A aquisição teve como critério o intervalo de tempo aproximado, respeitando-se o mês de aquisição das imagens pelo sensor, bem como a ausência de nuvens sobre a área de estudo.
Figura 1 - Área de estudo e localização das estações
Para a obtenção do NDVI utilizou-se as bandas 4 e 3 do Landsat – 5 TM+. Sua geração se deu pela diferença entre a reflec-tância do infravermelho próximo (IVP) e a reflecreflec-tância do verme-lho (V), dividida, respectivamente, pela soma das duas refletân-cias (LIU, 2006), equação abaixo.
Os valores encontrados de NDVI por meio da equação são utilizados para identificação da condição e da quantidade de vegetação verde na superfície e seus valores variam de -1 a 1, onde quanto mais próximo de 1 maior a presença de áreas vegetadas ou com algum tipo de vegetação e quanto mais pró-ximo de -1 aplica-se o entendimento reverso, menor presença
de vegetação. Após o processo de obtenção do NDVI de cada uma das imagens foi realizado o fatiamento, etapa para o agru-pamento dos valores de NDVI por tipos de cobertura, separan-do o resultaseparan-do - assim - em 4 classes, são elas: vegetação rala (VR), vegetação ausente (VA) e vegetação densa (VD) e massa d’água (MA).
Após o processo de fatiamento foi aplicado o Filtro Majori-tário (Majority Filter) para a “limpeza” de pixels que possam ter sido classificados erroneamente gerando com isso pontos peque-nos dentro de classes maiores (OLIVEIRA, 2013).
Os dados pluviométricos utilizados durante as análises são provenientes do sistema HIDROWEB-ANA (Agência Nacional das Águas). Após seleção das estações foram realizados os proce-dimentos de organização e posterior análise dos dados. As esta-ções selecionadas não possuíam falhas.
Os dados obtidos das estações foram relativos a valores diá-rios de chuva. Para fins de comparação com os índices de NDVI os dados foram tabulados. A partir da tabulação foram calculados os valores de médias mensais e do acumulado anual de chuvas em cada uma das seis estações, para fins de comparação os dados foram levados ao ambiente ArcGis 10.1 para realização de inter-polação dos mesmos.
Afim de padronizar os produtos gerados foram defi-nidos valores para os volumes pluviométricos, esses valores encontram-se nas seguintes classes: Baixo (0 a 1231 mm), Médio (1231 a 1489 mm), Alto (1489 a 1717 mm) e Muito Alto (acima de 1717 mm). Após o processo de interpolação foi calculado os valores de Mínimo, Média e Máximo dos da-dos de chuva. Os padrões foram definida-dos com base nos va-lores acumulados anuais da série histórica referente aos anos analisados.
Os dados interpolados seguiram o método Top to Raster e em seguida os produtos matriciais deram origem aos subpro-dutos de valores médios da área de estudo. A espacialização seguiu as definições clássicas de interpolação que a caracteri-za como a arte de ler entre valores de uma tabela (SADOSKY, 1980). Já Stark (1979) refere-se ao processo de interpolação como um procedimento matemático de se obter, ou achar, va-lores intermediários entre os vava-lores reais ou discretos de uma função.
Para a geração do modelo digital de elevação foram utili-zadas informações referentes a drenagem, massas d’água, pontos cotados, curvas de nível e limite da área de estudo. A metodologia para geração do MDE foi a TIN (Triangular Irregular Network), a utilização do TIN demonstra-se satisfatório, segundo Fernandes e Menezes (2005), visto que esse procedimento preserva caracte-rísticas topográficas do terreno além de possibilitar melhorias no modelo por meio da utilização de linhas de máximo e de mínimo, dados de divisores e hidrografia. Para a comparação dos dados de relevo e chuva foi utilizado um transecto ao longo da área de estu-do. O organograma apresentado pela Figura 2 sintetiza as etapas da pesquisa.
Figura 2 - Estrutura da análise dos dados.
Resultados e discussão
O processo de interpolação dos valores de chuva acumu-lada anual resultou na distribuição dos valores ao longo da área de estudo. Por meio dos mapas (Figuras 3 e 4) pode-se observar a distribuição dos volumes de chuva no ano inicial e final da área de estudo.
Figura 3 - Chuvas (mm) em 1985, ano início.
Figura 4 - Chuvas (mm) em 2006, ano fim.
É possível observar que no ano de 2006 houve áreas dentro da poligonal de estudo onde houve chuvas caracterizadas como Muito Alto. O evento ocorreu em áreas com nível altimétrico predomi-nantemente acima de 1163 m de altitude, indicando uma possível correlação com o relevo. Para prosseguimento das análises foram extraídos os valores médios de cada um dos anos a fim de compa-rá-los com os índices de NDVI obtidos (Figuras 5 e 6) e que foram reclassificados para classes de cobertura vegetal (Tabela 2).
Figura 5 - Classes – NDVI de 1985, ano início
Figura 6 - Classes – NDVI de 2006, ano fim.
Tabela 2 - Classes de cobertura, em Km², com base no NDVI.
CLASSES – NDVI (Km²) ANO Massa d’água
(MA) Vegetação
Ausente (VA) Vegetação
Rala (VR) Vegetação Densa (VD)
1985 5 116 245 155
1989 5 121 252 143
1995 5 101 323 93
2000 5 137 250 130
2006 5 122 289 106
Além dos valores de classes de NDVI os valores de acu-mulado de chuva anual, também, foram tabulados após o processo de interpolação e podem ser observados abaixo jun-tamente com os valores de mínimo, máximo e desvio padrão (Tabela 3).
Tabela 3 - Valores pluviométricos após interpolação VOLUME DE CHUVA ESPACIALIZADOS (mm) ANO MÍNIMO
(MIN) MÉDIA
(MAA) MÁXIMO
(MAX) DESVIO
PADRÃO
1985 1025 1442 1698 141
1989 1258 1470 1596 83
1995 1235 1524 1726 117
2000 1277 1404 1726 73
2006 1362 1605 1840 90
Buscando-se compreender a inter-relação das classes de NDVI e os volumes de chuva foi calculado o coeficiente de cor-relação de Pearson (R) Média Acumulada Anual (MAA) e as classes de NDVI. Segundo Filho e Júnior (2009) são várias as interpretações do que seriam valores ideais dentro dessa análi-se. Porém, no presente estudo optou-se pelos seguintes padrões
(válidos tanto para valores positivo quanto negativo): 0,00 a 0,19 – correlação bem fraca; 0,20 a 0,39 – correlação fraca; 0,40 a 0,69 – correlação moderada; 0,70 a 0,89 – correlação forte e 0,90 a 1,00 – correlação muito forte.
Os resultados alcançados na correlação dos índices fo-ram -0,42 para correlação MAA x VA, 0,69 para correlação MAA x VR e -0,69 para correlação MAA x VD. Não foram calculados os índices em relação a MA, pois, a presente classe não apresentou variação na escala do mapeamento. Além dos índices apresentados pode-se observar a evolução das chuvas bem como a evolução das classes de cobertura, no gráfico abai-xo (Gráfico 1).
Gráfi co 1 - Evolução dos índices de chuva e NDVI
Por meio dos índices de correlação foi possível verifi-car que se tratando de valores de chuvas acumuladas anual a cobertura vegetal não foi um fator com potencial prepon-derante, na presente área de estudo, para determinação dos índices pluviométricos uma vez que apresentou nas diver-sas classes de cobertura uma correlação classificada como moderada. Apesar de Costa et al., (2003) demonstrarem por meio de seus estudos que existe uma correlação direta do NDVI com eventos de precipitações em anos de
chu-vas extremas, quando um cresce o outro acompanha, tal característica não pode ser observada na presente área de estudo.
Observa-se que sempre que houve uma redução das áreas de VD, 1989 a 1995 e 2000 a 2006, houve em contrapartida um acréscimo nos valores MAA. O mesmo aplica-se para as áreas de VA explicando-se com isso os valores de “R” negativos. Pode-se inferir que na presente área a cobertura que melhor se correlacio-nou com os índices de MAA foi a VR.
Em meio aos possíveis agentes controladores das chuvas na área de estudo o relevo encontra-se entre os analisados. Após o processo de geração do MDE observou-se a existência de uma variação significativa do relevo dentro do presente poligonal de estudo por meio do traçado de dois transecto, de A a B e de C a D (Figura 7).
Figura 7 - Transecto com perfil topográfico.
Os resultados comparando os valores de MAA de chu-vas com os valores de elevação do relevo, extraídos por meio dos transectos, demonstram que existe um controle exercido por parte do mesmo. Fator esse que se pode observar devido a maior concentração de chuvas nas áreas de chapada. Eviden-cia-se ainda uma diferença nos volumes anuais de precipitação pluviométricos existentes na porção leste (Bacia do São Bar-tolomeu) e na porção oeste (Bacia do Paranoá). As relações existentes podem ser observadas por meio dos transecto A-B e C-D comparando as MAA com os valores de relevo, em metros (Figuras 8 e 9).
Figura 8 - Chuvas sobre o relevo em 1985, ano início.
Figura 9 - Chuvas sobre o relevo em 2006, ano fim.
As variações das MAA podem ser observadas ao longo de cada um dos transectos traçados sobre a área de estudo.
No transecto A-B (Gráfico 2) observou-se que houve correla-ção forte, 0,77 e -0,71, para os anos de 1985 e 2000; correlacorrela-ção moderada, 0,56 e 0,58, para o ano de 1995 e média geral dos 21 anos e correlação bem fraca, 0,14 e 0,03, para os anos de 1989 e 2006.
Apesar das correlações apresentadas ressalta-se que os índices sofrem interferências de outros fatores externos, como uso e ocupação do solo e eventos globais de mudanças de massas de ar, que não fizeram parte do presente objeto de estudo.
Gráfico 2 - Distribuição das chuvas: transecto A-B.
Ao longo do transecto C-D (Gráfico 3) observa-se uma me-nor interferência do relevo sobre os índices de MAA de chuvas.
O fator explica-se devido o transecto cortar uma maior parte da área de estudo com relevo menos acidentado, diminuindo com isso as correlações. Houve correlação bem fraca, -0,04 e 0,06, para os anos de 1989 e 1995; correlação fraca, 0,21, para a média geral dos 21 anos; correlação moderada, -0,45, 0,65 e 0,69, para os anos de 1985, 2000 e 2006.
Gráfico 3 - Distribuição das chuvas: transecto C-D.
Um dos fatores que possivelmente interferiram nos índices de correlações, além dos já citados anteriormente, é a heteroge-neidade da área uma vez que a poligonal de estudo compreende uma grande mancha urbana na porção oeste e áreas agrícolas e fragmentos de vegetação natural na porção leste.
Conclusão
Por meio das análises apresentadas foi possível constatar a interferência do relevo como um dos agentes controladores das chuvas na presente área de estudo. Os estudos ainda apontaram que os índices de NDVI, na classificação apresentada, não obtive-ram correlação forte o suficiente para serem considerados como agente controlador das chuvas ao longo do período de 1985 a 2006.
Ressalta-se, porém, que as análises serviram para enten-dimento da distribuição espacial da precipitação na área de estudo uma vez que o procedimento de análise permitiu o ma-peamento e espacialização das MAA. Além das informações já apresentadas, ressalta-se a complexidade do entendimento da distribuição das chuvas na presente área. Sendo assim, carece de uma maior quantidade de dados e análises uma vez que a poligonal de estudo abrange duas bacias distintas com caracte-rísticas próprias.
No que se refere aos procedimentos de coleta, elaboração e análise de dados a metodologia adotada demostrou-se satisfa-tória, uma vez que foi capaz de identificar os procedimentos ne-cessários para análise da espacialização das chuvas e indicação de possíveis correlações com demais características e limitantes da pesquisa ao longo das análises.
Referências
ALENCAR, A.C.; VIEIRA, I.C.G.; NEPSTAD, D.C.; LEFEBVRE, P. Análise multitemporal do uso do solo e mudança da cobertura vegetal em antiga área agrícola da Amazônia Oriental. In: VIII SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO.
Anais..., São José dos Campos: Instituto Nacional de Pesquisas Es-paciais. 1996. p.475-478.
BALDO, M.C.; MARTINS, M.L.O.F.; NERY, J.T. Análise da estru-tura da precipitação pluviométrica na região sul do Brasil. Boletim de Geografia, v.19, n.1, p.71-98. 2001.
COSTA, I.C.; BRAGA, C.C.; MELO, M.L.D.; VENTURA, E.D. In-terligação entre o Índice de Vegetação derivado do satélite NOAA e precipitações no Estado da Paraíba. In: XI Simpósio Brasileiro de Sensoriamento Remoto. Anais..., São José dos Campos: Institu-to Nacional de Pesquisas Espaciais. 2003. p.1289-1295.
FERNANDES, M.C.; MENEZES, P.M.L. Comparação entre mé-todos para geração de MDE para a obtenção de observações em superfície real no maciço da Tijuca-RJ. Revista Brasileira de Car-tografia, v. 57, n.2, p.154-161. 2005.
FILHO, D.B.F.; JÚNIOR, J.A.S. Desvendando os mistérios do coe-ficiente de correlação de Pearson (r). Revista Política Hoje, v.18, n.1, p.115-146. 2009.
LIU, W.T.H. Aplicações de sensoriamento remoto. Editora UNI-DERP, Campo Grande: UNIUNI-DERP, 2006.
MORAES, B.C.; COSTA, J.M.N.; COSTA, A.C.L.; COSTA, M.H.
Variação especial e temporal da precipitação no estado do Pará.
Acta Amazonica, v.35, n.2, p.207-214. 2005.
MOORE, I.D.; NORTON, T.W. WILLIAMS, J.E. Modelling envi-ronmental heterogeneity in forested landscapes. Journal of Hydro-logy, v.150, p.717-747. 1993.
NIMER, E. Climatologia do Brasil. Rio de Janeiro: IBGE, 1989.
422p. 2ed.
NOGUEIRA, J.D. de L.; AMARAL, R.F. do A. Comparação entre os métodos de interpolação (Krigagem e Topo to Raster) na ela-boração da batimetria na área da folha Touros – RN. In: XIV Sim-pósio Brasileiro de Sensoriamento Remoto. Anais..., Natal: INPE.
2009. p. 4117-4123.
OLIVEIRA, E.S. Estudo preliminar sobre a evolução do uso e ocu-pação do solo no município de Planaltina de Goiás. Geotemas, v.3, n.1, p.111-123. 2013.
SANTANA, N.C. e OLIVEIRA, E.S. Evolução do uso e ocupação, sobre áreas de cerrado no município de Água Fria de Goiás, por meio de técnicas de geoprocessamento. Geotemas, v.3, n.1, p.189-209. 2013.
SADOSKY, M. Cálculo numérico e gráfico. Tradução de João Luís Escosteguy Merino. Interciência, Rio de Janeiro, 1980. 360p.
SILVA, F. B. DA; OLIVEIRA, C. W.; NESS, R. L. L.; ARAÚJO, R.
S.; ARAUJO, G. P. DE. Índice de vegetação da diferença normali-zada (NDVI) na chapada do Araripe através de imagens de satélite (landsat5tm), em diferentes anos, na estação seca. In: VI Encontro Nacional da Anppas, Belém – PA. Anais... Belém – PA. 2012.
SILVA, C.B.; SANT’ANNA NETO, J.L.; TOMMASELLI, J.T.G. Va-riabilidade pluviométrica no curso médio do Rio Paraná: área de integração paisagística da “Raia divisória”. Anais... XII Simpósio Brasileiro de Geografia Física Aplicada. 2007.
STARK, P. Introdução aos métodos numéricos. Tradução de João Bosco Pitombeira de Carvalho. Interciência, Rio de Janeiro, 1979.
426p.
WATRIN, O. S. dos; VENTURIERI, A.; SAMPAIO, S. M. N. Aná-lise multitemporal do uso da terra e suas interrelações com a co-bertura vegetal em comunidades rurais do nordeste paraense. In:
IX Simpósio Brasileiro de Sensoriamento Remoto. Anais... São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 1998, p. 1573-1583.