Técnicas

Foram utilizadas as imagens de sensoriamento remoto e análise de dados cartográficos através de sistemas de informações georreferenciadas. Inicialmente,

os dados levantados foram integrados, onde foi possível criar um banco de dados georreferenciado. As cenas RapidEye empregadas passaram por um processamento digital de imagens. Em seguida, foram analisadas através de interpretação visual e utilizando a classificação supervisionada. Para elaboração da cartografia, trabalhou-se com a noção de homogeneidade e de heterogeneidade das unidades mapeadas, considerando as identificações nas imagens, os dados estatísticos e a realidade encontrada em campo. Permitindo, assim, um mapeamento fidedigno com a realidade encontrada.

Criação do banco de dados e integração da base cartográfica

Os dados cartográficos levantados foram organizados e gerenciado em um Geodatabase, baseado em arquivos do ArcGIS 10.2, onde foi feita a integração, o armazenamento, e as operações de processamento digital de imagens. O banco de dados criado permitiu integrar todas as cenas e os outros insumos cartográficos levantados, ficando disponível para análise e interpretação em formato digital.

Foi necessário fazer a conversão da base cartográfica e imagens de sensoriamento remoto para um sistema de projeção cartográfica que atendesse os objetivos da pesquisa. Notou-se que a área da bacia estava situada no limite de duas zonas 24 e 25, sendo necessário, assim, adotar-se um sistema de projeção cartográfica do tipo geográfica. Desta forma foi adotado o sistema de coordenadas geográfico, datum SIRGAS 2000.

Processamento Digital de Imagens

Para a adequação dos documentos cartográficos adquiridos no levantamento da pesquisa, o efeito limitante da escala foi levado em consideração, observando-se diversas escalas distintas em todas as classes temáticas da cartografia.

Objetivando a adequação e a padronização da base cartográfica, foi determinada para a pesquisa a escala de 1:25.000, ressaltando que os dados que não se adequaram à escala determinada tiveram que ser reinterpretados e ajustados à mesma.

As técnicas de PDI foram aplicadas para facilitar a extração de informações contidas nas imagens em estudo, podendo dividi-las em pré-processamento, realce e análise dos dados. O pré-processamento foi empregado em cada uma das imagens para correção do sistema de projeção cartográfica e correção radiométrica.

A etapa de calibração radiométrica foi muito importante para validação da veracidade e acurácia dos dados, uma vez que, para cobrir toda a área da bacia foram necessárias 18 cenas da constelação de satélites RapidEye, onde cada cena foi registrada em data, hora ou mesmo instrumentos diferentes. Desta forma essa calibração permitiu reduzir as distorções acarretadas por possíveis problemas no sensor no momento do registro da energia eletromagnética ou pela interferência da atmosfera na quantificação da energia, possibilitando assim, obter valores físicos de refletância dos objetos nas imagens de forma mais próxima da realidade, dando maior precisão e veracidade aos dados interpretados.

A correção radiométrica foi realizada no programa ENVI 5.0, utilizando-se da ferramenta Quick Atmospheric Correction e como resultado foi gerada uma imagem de saída corrigida radiometricamente, ou seja, onde os valores dos pixels indicam o resultado da reflectância.

Técnicas de realce empregadas

As imagens corrigidas radiometricamente, foram processadas no software ENVI 5.0, onde foram submetidas às operações de análise dos componentes principais, melhoria de contraste, filtragem, operação entre bandas, segmentação, classificação supervisionada e reclassificação.

A análise dos componentes principais é uma técnica de transformação linear relacionada com análise fatorial. Todas as cenas foram analisadas, sendo gerados os componentes principais de cada banda espectral, esse novo conjunto de bandas são descorrelacionadas, onde a PC1 possui grande parte das informações contidas nas cenas e essas informações vão se decompondo até chegar à última PC. Neste caso a PC5, que possui todos os ruídos presentes em todas as bandas. Essa análise nos permite eliminar os ruídos e melhorar a qualidade visual das cenas.

Depois de aplicada a análise dos componentes principais, elimina-se a banda PC5, que contém a informação de ruído, e se faz o processo inverso dos componentes, resultando em uma cena limpa de ruído e com os valores numéricos da refletância melhor distribuídos pelo histograma.

Com o objetivo de melhorar a qualidade visual das imagens e facilitar as interpretações, as imagens empregadas foram submetidas ao realce de contraste.

Através da manipulação dos histogramas, possibilitou a discriminação visual das classes de uso e cobertura.

A aplicação das técnicas de filtragem passa-alta serviu para realçar os valores de alta frequência das imagens, onde as feições identificadas com esses filtros resultam da modificação dos níveis de cinza, valorizando os detalhes da hidrografia. As cenas também foram submetidas a cálculos dos índices de vegetação, pelo método da diferença normalizada, usando a ferramenta “Vegetation Analysis

(Vegetation Index Calculator)” do software ENVI 5.0.

A utilização dos índices de vegetação é uma importante ferramenta para o sensoriamento remoto, sendo empregada na busca da relação entre as informações dos sensores e da vegetação presente na área imageada. Através destes índices são obtidas informações sobre quantidade de biomassa verde e dos parâmetros de crescimento e desenvolvimento da vegetação (Firmino, 2009).

O Índice de Vegetação por Diferença Normalizada (NDVI) é sensível em captar resposta espectral da vegetação, que possui alta reflectância na banda do infravermelho próximo. Este índice foi gerado para cada uma das imagens RapidEye individualmente, utiliza-se a Equação 5.

NDVI = [(B4 - B3) / (B4 + B3)] (5) Onde:

B4 é a reflectância no infravermelho próximo; B3 é a reflectância no vermelho.

Técnicas de análise dos dados

Efetuou-se uma classificação supervisionada por região, baseada na definição de áreas de treinamento para as classes temáticas, definidas no modelo de dados. Para realizar a classificação, usou-se o algoritmo classificador Maximum likelihood, implementado no software ENVI 5.0, que adquire amostras do treinamento para estimar os agrupamentos (clustering) de probabilidade para as 11 classes determinadas pelo analista, da cobertura e uso da terra e onde, ao final, todas as regiões ficaram associadas a uma classe definida pelo classificador.

As cenas geradas pelo processo do Índice de Vegetação por Diferença Normalizada (NDVI) também foram submetidas a uma classificação supervisionada, sendo determinadas 11 classes para unidades fitogeográficas.