O processamento de imagens Landsat, assim como as demais operações que serão posteriormente mencionadas, foram realizadas através do programa SPRING (Sistema de Processamento de Informações Georeferenciadas; CÂMARA et al., 1996), na versão 5.2.7, disponibilizado gratuitamente pelo INPE no site
www.dpi.inpe.br/spring/. O SPRING possui ferramentas para o Processamento
Digital de Imagens (PDI) além de ser um SIG. Isto permite a utilização de apenas um programa para a execução de várias tarefas. Outro beneficio é a presença de uma linguagem própria (Linguagem Espacial para Geoprocessamento Algébrico -
LEGAL), que possibilita operações algébricas e em lotes entre os mapas, sendo essa uma ferramenta muito importante ao cruzamento de informações.
Com o objetivo de identificar talhões cultivados com soja e diferencia-los dos demais alvos da superfície terrestre, optou-se por uma análise multiespectral, em que as bandas do espectro eletromagnético utilizadas na interpretação de imagens pertencem às faixas espectrais do vermelho (do inglês, Red- R), NIR e SWIR, sendo que no sensor ETM+ essas faixas espectrais pertencem respectivamente às bandas 3, 4 e 5, ao passo que para o sensor OLI elas são respectivas às bandas 4, 5 e 6 (ROY et al., 2014).
Uma análise multiespectral é importante, pois os diferentes alvos da superfície terrestre (solo exposto, vegetação verde ou seca, áreas urbanas e corpos d’água) comportam-se de forma diferenciada nas diferentes faixas do espectro eletromagnético. Por exemplo, a vegetação verde tem resposta espectral característica nos comprimentos de onda do infravermelho refletido, sendo assim, são utilizadas duas bandas centradas nesta faixa do espectro eletromagnético, uma no NIR e outra no SWIR, para facilitar a diferenciação entre os diversos tipos de cobertura vegetal. Outra característica importante e que auxilia na diferenciação dos alvos é que a água pura absorve a REM em todos os comprimentos de onda (com uma pequena reflectância na porção do visível), havendo pouca resposta ao sensor, permitindo a identificação de áreas inundadas, típicas do arroz irrigado. Essa característica apresenta grande utilidade na diferenciação de talhões quando a soja e o arroz irrigado apresentam semelhança espectral, como mencionado no trabalho de D’Arco et al., (2006). Tais autores mapearam áreas de arroz na metade sul do RS utilizando datas precoces com o objetivo de identificar talhões inundados. Os autores comentam que em datas posteriores os talhões de arroz apresentavam confusão espectral com outros alvos.
Para gerar uma composição colorida falsa cor, as bandas espectrais centradas no R, NIR e SWIR foram associadas respectivamente as cores azul, vermelho e verde ou do inglês Red, Green e Blue (RGB) e que no sensor ETM+ corresponde a uma composição RGB453 e no OLI a RGB564. Essa mesma composição é utilizada por diversos autores (RIZZI e RUDORFF, 2005; BERNARDES et al., 2007; LAMPARELLI et al., 2008), pois proporciona uma boa diferenciação entre os alvos da cena e principalmente destaca os talhões de soja. Outro procedimento importante é o realce por contraste aplicado sobre cada banda,
em que o objetivo é concentrar a distribuição das cores nos números digitais dos pixels de maior frequência na imagem, dando assim, maior destaque aos alvos de interesse.
Em ambos os municípios estudados, as imagens adquiridas em 08 de março de 2014 apresentaram uma boa visibilidade decorrente da ausência de nuvens além da grande quantidade de talhões de soja em estádio vegetativo e/ou reprodutivo típico para uma boa identificação. Nestas condições a soja é bem caracterizada nas imagens e também se destaca dos demais alvos da cena, em função da sua típica resposta espectral, desde que as plantas estejam em pleno desenvolvimento (RIZZI; RUDORFF, 2005). Isto determinou que essa data fosse escolhida como principal para a produção de um mapa temático. Tal imagem foi então submetida a um processo de classificação digital não supervisionada, quando primeiramente realizou-se um procedimento de segmentação por crescimento de regiões, com parâmetros de 15 números digitais de similaridade e área de 30 pixels, ou seja, o programa analisa a imagem e procura pixels que se diferenciem no máximo em 15 números digitais, agrupando regiões de no mínimo 30 pixels, que corresponde a 2,7 ha nestas imagens. Segundo Berka e Rudorff (2003), limiares próximos a 10 ha acabam não englobando regiões menores aumentando a quantidade de pós- classificação. Posteriormente, utilizou-se o algoritmo classificador ISOSEG para agrupar as regiões criadas em classes temáticas aleatórias. Bernardes et al. (2007) citam que o ISOSEG é considerado como classificador por região, pois utiliza, além de informação espectral de cada pixel, a informação espacial que envolve a relação entre os pixels e seus vizinhos. Porém, relatam ter encontrado um coeficiente de exatidão Tau de 0,47, ou seja, um baixo índice de acerto entre a classificação automática e seu mapa de referência, tendo sido causado por uma similaridade entre os valores dos pixels dos diferentes alvos. Os resultados demonstram a necessidade de uma pós-classificação por interpretação visual.
O classificador automático geralmente cria mais classes temáticas do que as desejáveis, dessa forma, mesmo que se possa generalizar os alvos em Soja, Arroz, Campo nativo, floresta plantada, Mata nativa, Água e solo exposto, o classificador automático gerou aproximadamente 30 classes diferentes para cada município. Em decorrência disso, iniciou-se uma análise visual, com a finalidade de identificar quais das classes criadas realmente são representativas da soja, sendo essas
reclassificadas para a classe “Soja” e as demais classes para a “Não-Soja”, resultando em um mapa temático com apenas essas duas classes.
Em função de algumas similaridades espectrais, este procedimento é propenso a dois tipos de erros, sendo eles: o erro de inclusão, em que os alvos de
Não-Soja são incluídos na classe Soja e o erro de omissão, que exclui as áreas de
soja da classe Soja. Dessa forma, torna-se necessário um processo de correção a partir da interpretação visual das imagens, em que é fundamental o conhecimento do fotointérprete para alterar manualmente os alvos erroneamente corrigidos para a classe temática correta.
No entanto, um mapa temático que leva em consideração apenas uma imagem adquirida em uma data do mês de março não representa a totalidade das áreas cultivadas com soja nos municípios em estudo. Isso se deve à dinâmica temporal dos cultivos agrícolas, que depende das diferentes épocas de semeadura e dos diferentes ciclos das cultivares. Nesse caso, tornou-se necessário uma análise conjunta de imagens adquiridas em várias datas ao longo do ciclo de cultivo, podendo-se, dessa forma, realizarem-se inferências sobre o ciclo de crescimento e desenvolvimento da soja ao longo da safra. Esse tipo de análise é chamado de multitemporal, em que o objetivo é classificar corretamente tanto os talhões cultivados precocemente quanto os tardios, os quais podem não estar “visíveis” espectralmente por ocasião da aquisição da imagem principal.
Para uma análise multitemporal as imagens adquiridas ao longo da safra foram visualmente analisadas em conjunto com o mapa temático citado anteriormente. Dessa forma, acrescentou-se áreas da classe Soja pelo processo de interpretação visual, tanto aquelas mais precoces quanto as mais tardias e que não estavam visíveis na imagem adquirida em 08/03/14. Além disso, tal análise foi utilizada para identificar áreas de soja com resposta espectral que se assemelha a de outros alvos em determinada data, o que para muitos talhões não é possível com a interpretação visual de apenas uma data. Outro fator importante comentado por D’Arco et al. (2006) é que a experiência do intérprete e o seu conhecimento sobre a região de estudo são fundamentais para a correta identificação das áreas de interesse nas imagens.
Após a obtenção de um mapa temático com as classes Soja e Não-Soja para cada um dos dois municípios em estudo, estes foram tratados como referência, ou seja, considerou-se que estes representassem 100% das áreas de soja cultivadas
na safra 2013/14, posteriormente sendo utilizado como referência para todo o estudo subsequente. A Figura 3 apresenta um fluxograma que demonstra de forma resumida o processamento das imagens e produção do mapa temático de referência.
Figura 3: Fluxograma do processamento das imagens até a obtenção do mapa temático de
referência.