Extração vetorial automática de corpos hídricos a partir de imagens orbitais, utilizando a linguagem python sobre o rio paranapanema / Automatic vector extraction of water bodies from orbital images, using a language python on the paranapanema river

(1)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761

Extração vetorial automática de corpos hídricos a partir de imagens

orbitais, utilizando a linguagem python sobre o rio paranapanema

Automatic vector extraction of water bodies from orbital images, using a

language python on the paranapanema river

DOI:10.34117/bjdv6n5-045

Recebimento dos originais: 05/05/2020 Aceitação para publicação: 05/05/2020

Wellington Wagner Nunes de Abreu

Engenheiro Cartógrafo e Agrimensor pela Universidade Federal Rural da Amazônia Instituição: Secretaria de Estado de Meio Ambiente e Sustentabilidade (SEMAS)

Endereço: Tv. Lomas Valentinas, 2717 – Marco, Belém – PA, Brasil E-mail: well.abreu98@gmail.com

Carlos Rodrigo Tanajura Caldeira

Mestre em Ciências Cartográficas pelo Programa da Pós-Graduação em Ciências Cartográficas pela Universidade Estadual Paulista (PPGCC- UNESP)

Instituição: Universidade Federal Rural da Amazônia (UFRA), Instituto Ciberespacial (ICIBE)

Endereço: Avenida Presidente Tancredo Neves, 2501 – Terra Firme, Belém – PA, Brasil E-mail: carlos.caldeira@ufra.edu.br

Mayara Cobacho Ortega Caldeira

Instituição: Universidade Federal Rural da Amazônia (UFRA), Instituto Ciberespacial (ICIBE)

Endereço: Avenida Presidente Tancredo Neves, 2501 – Terra Firme, Belém – PA, Brasil E-mail: mayara.caldeira@ufra.edu.br

Alan José Salomão Graça

Mestre em Geografia pelo Programa de Pós-Graduação em Geografia da Universidade Federal do Rio de Janeiro (PPGG-UFRJ)

Instituição: Universidade do Estado do Rio de Janeiro (UERJ), CARTO Endereço: Rua São Francisco Xavier, 524 - Maracanã, Rio de Janeiro - RJ, Brasil

E-mail: lecar.carto@gmail.com / alan.graca@uerj.br

Heloísa da Silva Victorino

Mestre em Sensoriamento Remoto no Instituto Nacional de Pesquisas Espaciais (INPE) Instituição: Universidade Tecnológica Federal do Paraná (UTFPR)

Endereço: Via do Conhecimento, Km 1 - Pato Branco - PR E-mail: hvictorino@utfpr.edu.br

(2)

Priscila da Silva Victorino Pontes

Instituição: Universidade Tecnológica Federal do Paraná (UTFPR) Endereço: Via do Conhecimento, Km 1 - Pato Branco - PR

E-mail: pvictorino@utfpr.edu.br

Samara Sunny dos Anjos Cereja

Graduanda em Engenharia Cartográfica e de Agrimensura Instituição: Universidade Federal Rural da Amazônia (UFRA)

Endereço: Avenida Presidente Tancredo Neves, 2501 – Terra Firme, Belém – PA, Brasil E-mail: samarasunny98@gmail.com

Julio Anderson Araujo Pereira

Graduando em Engenharia Cartográfica e de Agrimensura Instituição: Universidade Federal Rural da Amazônia (UFRA)

Endereço: Avenida Presidente Tancredo Neves, 2501 – Terra Firme, Belém – PA, Brasil E-mail: julio_njaap@hotmail.com

Ingridis Carolina de Araujo Correa

Engenheira Cartógrafa e Agrimensora pela Universidade Federal Rural da Amazônia Instituição: Secretaria de Estado de Meio Ambiente e Sustentabilidade (SEMAS)

Endereço: Tv. Lomas Valentinas, 2717 – Marco, Belém – PA, Brasil E-mail: ingridiscorrea@gmail.com

Marcus Vinicius Silva Da Silva

Mestrando em Ciências Ambientais pelo Programa de Pós Graduação em Ciências Ambientais pela Universidade Federal do Pará (UFPA)

Instituição: Universidade Federal do Pará (UFPA) Endereço: Augusto Corrêa, 01 – Guamá, Belém – PA, Brasil

E-mail: marcussilva_16@hotmail.com

RESUMO

Considerando a vasta quantidade de recursos hídricos presentes no nosso país, existem diferentes formas de interesse para estudá-lo ou para utilizá-lo. Objetiva-se com este trabalho analisar a expansão da área de um trecho do Rio Paranapanema, compreendido desde a barragem de Taquaruçu até a barragem de Rosana, através da extração vetorial automática a partir de imagens orbitais, de modo em que esta técnica, possa ser comprovada como um novo método de análises temporais. Para tanto procede-se à elaboração de um código em linguagem

Python, e a utilização de imagens do sensor TM do satélite Landsat 5 pertencentes a região de

interesse nos anos de 1986 e 2011. A aplicação começa por inserir os parâmetros básicos de preparação da imagem, como a realização do índice NDWI, normalização de bits, aplicação de filtro, e terminando com a extração automática do vetor a partir de uma segmentação na imagem.

Palavras-chave - Sensoriamento Remoto, SIG, Algoritmos em Python, Automação, Análise

(3)

ABSTRACT

Considering the vast amount of water resources present in our country, there are different forms of interest to study it or to use it. The objective of this work is to analyze the expansion of the area of a stretch of the Paranapanema River, understood from the Taquaruçu dam to the Rosana dam, through automatic vector extraction from orbital images, so that this technique can be used. proven as a new method of temporal analysis. For this purpose, a code in Python language is elaborated, and the use of images from the Thematic Mapper Sensor of the Landsat 5 satellite belonging to the region of interest in the years 1986 and 2011. The application begins by inserting the basic parameters of image preparation, such as realization of the NDWI index, normalization of bits, application of filter, and ending with the automatic extraction of the vector from a segmentation in the image.

Key words - Remote Sensing, GIS, Python Algorithms, Automation, Vector Data Analysis.

1 INTRODUÇÃO

Para a realização de um estudo acerca de um corpo d’água, pode-se imaginar diversos problemas e situações, entre estas está a análise da expansão ou redução da área recoberta pelo rio. Para tal problema existem fatores como: a erosão, intensidade das chuvas, o próprio regime de cheias sazonais, e fatores que necessitam da interferência humana para ocorrer, que é o caso da transposição de rios, retificação e canalização de calhas fluviais, do despejo de resíduos sólidos que assoreiam o canal e a construção de grandes obras de engenharia que impliquem direta ou indiretamente no seu curso e também em sua área recoberta.

Acerca das construções que interferem no curso e em sua variação de área tem-se, como exemplo, a implementação de barragens de usinas hidrelétricas, que por muitos é considerada uma forma limpa para a produção de energia. O fato da matriz energética brasileira não ser dispersora de poluentes, como ocorre com a energia proveniente de combustíveis fósseis, não significa que a mesma não é potencialmente danosa ao meio ambiente (CUNHA & COELHO, 2003).

Qualquer interferência efetuada em sistemas hidrológicos fluviais, seja para aumentar ou diminuir a vazão, formar reservatórios, modificar, modificar canais, ou para construir pontes altera o equilíbrio dinâmico natural dos rios (BASTOS & FREITAS, 2005). Batista et al. (2012) e Fogliatti et al. (2004) diz que o impacto ambiental e social com a construção das barragens é muito grande, não abrangendo apenas a área do reservatório, mas também a área que se encontra no entorno, sendo assim o aproveitamento deste rio gera problemas, muitas vezes ao próprio rio, no sentido físico, químico e biológico, podendo afetar a saúde, a segurança e/ou a qualidade dos recursos naturais. A erosão e a deposição têm seu

(4)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 balanço alterado (BASTOS & FREITAS, 2005). Diante dessas circunstâncias, um problema decorrente da construção de barragens, é a expansão lateral das margens do canal em determinado trecho anterior ao barramento, que é elevado a um nível considerável.

As pesquisas acerca de corpos hídricos podem ser idealizadas e executadas por diversas áreas distintas das geociências e ciências exatas, uma dessas ciências é a Cartografia que utiliza das geotecnologias para análises em corpos d’agua, visando a disponibilização de dados para embasar futuros estudos. A utilização de geotecnologias tem avançado consideravelmente desde a década de 70, não somente pela modernização dos equipamentos com que se trabalha, mas principalmente pelo fato que se faz necessário o uso de técnicas mais avançadas, tais como: Sensoriamento Remoto, Processamento Digital de Imagens, SIG (Sistema de Informação Geográficas), entre outros.

No estudo da variação de área de corpos hídricos, o Sensoriamento Remoto é considerado uma técnica bem aplicável e plausível, vide trabalhos como Lougeay et al. (1994), McFeeters (1996), Brivio et al. (2002), Xu (2006), Hui et al. (2008), Jiang et al. (2012), Brubacher e Guasselli (2013), Feng et al. (2016), Pereira et al. (2017). O Sensoriamento Remoto fornece um meio simples de mapear a extensão dos corpos d'água, fazer o inventário da área ocupada pelas águas e monitorar as mudanças nos recursos hídricos ao longo do tempo (CAMPBELL & WYNNE, 2011). Devido a suas grandes dimensões e suas dinâmicas sazonais, além de em determinadas áreas se ter uma dificuldade no acesso, principalmente no que se diz respeito a análises feitas em estados pertencentes a Amazônia Legal, visto que por sua localização, a sua vasta vegetação muitas vezes são um empecilho para a análise de determinada área em campo (NOVO, 2010). Embora essas tarefas possam parecer muito básicas, há inúmeras situações nas quais a simples determinação do limite da água na terra pode ser muito importante. A determinação da borda do contato terra/água, geralmente é mais fácil de ser obtida na faixa do infravermelho próximo, onde a terra, especialmente se for vegetada, apresenta maior brilho, e a água pura é escura, devido a sua baixa reflectância (NOVO, 2010; CAMPBELL & WYNNE, 2011).

Dentre as várias ferramentas desenvolvidas a partir de estudos realizados utilizando Sensoriamento Remoto, e considerando sua aplicação ao estudo de corpos hídricos, é válido destacar a técnica proposta por McFeeters (1996) do Índice de Diferença Normalizada da Água (Normalized Difference Water Index - NDWI). De acordo com a revisão teórico-metodológica desenvolvida por Xu (2006) essa técnica consiste em uma operação de bandas assim como os outros índices de diferença normalizada, utilizando - se das bandas do infravermelho próximo

(5)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 e da banda da região visível na cor verde, que faz com que os valores de reflectância da água sejam sempre positivos, e os valores de reflectância das vegetações seja 0 (zero) ou negativo. O NDWI é um método desenvolvido principalmente para delinear recursos de hídricos em superfície através de imagens multiespectrais de sensores remotos, destacando esses corpos d’água em relação aos alvos de solo e vegetação terrestre (McFEETERS, 1996).

Em vista disso, este artigo visa automatizar o processo de identificação, quanto a variação de área de um trecho do Rio Paranapanema, que se encontra incluso na barragem da Usina Hidrelétrica de Rosana localizada entre Rosana – SP e Diamante do Norte – PR e na barragem da Usina Hidrelétrica de Taquaruçu localizada entre Sandovalina – SP e Itaguajé – PR, através da extração automática de dados vetoriais, buscando comprovar que esta pode ser uma técnica utilizada por pesquisadores, alunos e profissionais de áreas afins que possuam interesse em analisar dimensões geométricas de corpos d’água.

2 METODOLOGIA

Dentro dessa seção será descrita toda a metodologia preliminar visando atingir o objetivo do trabalho que é a extração automática de vetores em imagens orbitais e posterior análise temporal de variação da área de um trecho do Rio Paranapanema.

2.1 ÁREA DE ESTUDO

O corpo hídrico escolhido para a aplicação da técnica, foi o Rio Paranapanema (Figura 1). O mesmo possui aproximadamente 929 km de extensão, com nascente localizada na serra dos Agudos Grandes em São Paulo e sua foz no Rio Paraná, o Rio Paranapanema é característico por ser a fronteira entre o estado de São Paulo e o estado do Paraná.

(6)

Figura 1 - Mapa de Localização das Barragens de Rosana e Taquaruçu.

Fonte: Autor (2020).

O grande destaque do Rio Paranapanema é ser visto como um corpo d’água com grande capacidade de produção de energia, tanto que ao longo de seu percurso estão situadas 8 barragens de Usinas Hidrelétricas, estas são: Usina Hidrelétrica de Jurumim, Usina Hidrelétrica de Chavantes, Usina Hidrelétrica de Salto Grande, Usina Hidrelétrica de Canoas I, Usina Hidrelétrica de Canoas II, Usina Hidrelétrica de Capivara, Usina Hidrelétrica de Taquaruçu e Usina Hidrelétrica de Rosana.

Para a realização deste estudo, analisou-se o trecho do rio que passa pelas barragens de Taquaruçu e Rosana respectivamente, região que está compreendida entre as coordenadas 22° 34' 01" S e 52° 56' 39" O e 22° 37' 04" S e 51° 47' 31" O.

2.2 MATERIAIS E MÉTODOS

A metodologia proposta consiste em analisar a variação de área de corpos hídricos. Para este caso será analisado um trecho do Rio Paranapanema, a partir da vetorização do corpo hídrico produzida de forma automatizada tendo como base imagens orbitais, buscando com este estudo, principalmente, analisar a efetividade da técnica em relação ao estudo da hidrografia, e posteriormente executar este processo para outros tipos de análises

(7)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 bidimensionais. Almeja-se obter através disso uma metodologia eficaz para análises temporais de corpos d’água. A metodologia seguiu os passos do fluxograma exibido na Figura 2.

Figura 2 - Fluxograma de etapas da metodologia.

As imagens foram adquiridas através do catálogo de imagens da DGI (Divisão de Geração de Imagens) do INPE, que é o responsável por disponibilizar todo o acervo de imagens do Landsat no Brasil, cujo o mesmo possui a disponibilidade de imagens tanto dos satélites Landsat, desde os primeiros da série, até a versão mais atual que é o Landsat-8, quanto de outras plataformas de satélites, de maneira gratuita. Entre as diversas opções fornecidas pela plataforma foi escolhida para o presente trabalho imagens do sensor TM do Satélite Landsat 5 (média resolução espacial TM com 30m e MSS com 80m), pois, seu acervo contém imagens das épocas escolhidas.

A cena escolhida para área de estudo, possui uma variação temporal de 25 anos (06/1986 e 05/2011). Tais datas foram escolhidas devido ao fato de a barragem ter iniciado seu projeto em 1980, e as mudanças serem mais perceptíveis analisando uma imagem dessa década, comparada a uma mais atual capturada pelo mesmo sensor. As bandas adquiridas foram apenas as que seriam utilizadas para a operação e posterior aplicação do NDWI (Normalized

Difference Vegetation Index), tais bandas foram: 2 e 4 que correspondem a região do visível

na cor verde e a região do infravermelho próximo, respectivamente. Para a execução dessa proposta com a série temporal do TM 5 foram explorados elementos contidos em trabalhos de referência na temática como os de Lougeay et al. (1994), McFeeters (1996), Xu (2006); Rover

(8)

et al., (2012); Bias et al. (2013), Brubacher e Guasselli (2013), As imagens estão devidamente

registradas ao datum de referência global WGS 84, com a projeção UTM, zona 22 S.

Com posse das imagens, foi possível analisar, que a cena, obtida pelo sensor TM do Landsat 5, é muito maior que a área de estudo, notando-se que a imagem possuía um tamanho de 8005 x 6725 pixels (vide Figura 3Figura .a e Figura 3Figura .b), tornando o processo lento e demorado. Visando a agilidade do processo, devido ao fato do algoritmo realizar a operação pixel a pixel na matriz de ND (Número Digital) da imagem, fez-se necessário a realização de um recorte na imagem a partir da determinação de pontos com coordenadas conhecidas. As coordenadas destes pontos limítrofes podem ser vistas na Tabela 1.

Figura 3 - Imagens Originais referentes a data de 06/1986 onde (a) representa a banda do verde e (b) representa a banda do infravermelho próximo.

(a) (b) Fonte: Autor (2020).

Tabela 1 - Coordenadas em UTM, zona 22 S dos pontos de recorte

PONTO X Y P1 227637,00 7541315,00 P2 432290,00 7541315,00 P3 227637,00 7481545,00 P4 432290,00 7481545,00 Fonte: Autor (2020).

Para a operação do recorte, foi utilizado o software QGIS, através da função cortador de imagens, e com a opção de recortar a imagem a partir de uma camada vetorial. Para tal etapa utilizou-se o polígono formado com os pontos definidos no Google Earth Pro, e as imagens correspondentes as bandas adquiridas, tanto para o ano de 1986, quanto para o ano de 2011.

(9)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 Previamente, além da conversão do formato de arquivo vetorial (de .kml para shapefile) essa operação também implicou na mudança de sistema de projeção, transformando o polígono gerado em Web Mercator, para UTM, fuso 22S adotado para o porojeto. Após o recorte a imagem destacou a área de interesse, e com o tamanho reduzido para 6822 x 1992 pixels.

Dando sequência a preparação da imagem, iniciou-se a implementação do algoritmo em linguagem Phyton, com a cena de 1986, realizando a leitura pixel a pixel, e identificando cada elemento da matriz. Importou-se as duas bandas, correspondente a do Verde e do Infravermelho Próximo, do sensor TM, para aplicação do método de extração dos corpos d’água, através do método NDWI.

Para a aplicação do NDWI foi utilizada a Equação 1:

𝑁𝐷𝑊𝐼 = (𝐺𝑟𝑒𝑒𝑛−𝑁𝐼𝑅)

(𝐺𝑟𝑒𝑒𝑛+𝑁𝐼𝑅) (1)

Onde:

Green – Banda que abrange luz Verde refletida;

NIR – Banda representa radiação refletida no Infravermelho Próximo (IVP).

Nota-se que para esta operação é realizada pixel a pixel, ressaltando-se que as imagens presentes possuem 8 bits, ou seja, possuem até 256 níveis de cinza. Com a aplicação do NDWI foi gerado uma matriz, em que seus elementos são considerados do tipo double (decimais ou dito não inteiros), ou seja, nenhum pixel estará com seu valor de ND que deveria estar assumindo para uma imagem de 8 bits, sendo necessária a aplicação da normalização de imagens, para a compatibilização dos bits para a visualização da imagem.

Para Marques Filho e Vieira Neto (1999) quando são realizadas operações aritméticas nas imagens de satélite, deve-se atentar para os valores em que serão assumidos pelos pixels componentes da imagem, pois muitas das vezes estes valores podem estar acima do valor máximo (de acordo com a resolução radiométrica da imagem), ou podem assumir um valor negativo. Para tal deve-se seccionar o maior valor acima do valor máximo e o menor valor da imagem resultante da operação e igualá-los a 255 para o caso de uma imagem de 8 bits, ou 65.535 para o caso de uma imagem de 16 bits e 0 respectivamente. Este processo recebe o nome de normalização.

A Figura 4 representa as bandas utilizadas para a técnica do NDWI referentes ao ano de 2011, assim como também demonstra como ficaram as imagens após o recorte, para tal se faz

(10)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 uso da banda que representa a região visível Verde (Figura 4.a) e a banda da região do Infravermelho Próximo (Figura 4.b).

Figura 4 - Bandas Verde (a) e Infravermelho Próximo (b) respectivamente no ano de 2011.

(a)

(b) Fonte: Autor (2020).

Para a etapa da normalização de imagens, foram realizadas primeiramente a identificação do menor e do maior valor presente na matriz, de valores decimais, obtidos pela equação do NDWI. De posse dessa informação realizou-se uma operação, onde os valores de máximo e de mínimo, encontrados na matriz, que forma a imagem do NDWI, assumam seus respectivos valores de ND em uma nova imagem, representando o valor mínimo como 0 e o máximo como 255, interpolando o restante dos valores dentro desta escala. A Equação 2 demonstra como foi realizada esta operação para que a matriz fosse normalizada.

𝑁𝐷𝑊𝐼_{𝑛𝑜𝑟𝑚} = (255 −(255∗(max − 𝑃𝑖𝑥𝑒𝑙))

(max − min ) ) (2)

Onde:

𝑁𝐷𝑊𝐼𝑛𝑜𝑟𝑚 = Matriz de saída do NDWI após a aplicação da equação; max = valor máximo identificado na matriz de valores decimais do NDWI; min = valor mínimo identificado na matriz de valores decimais do NDWI;

(11)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 Obtendo o produto do NDWI normalizado e assumindo assim a imagem seu respectivo valor para uma imagem de 8 bits, a próxima etapa consistiu em encontrar um limiar para que seja realizada a escolha de similaridade dos pixels, de modo em que se possa destacar o Rio do restante da imagem. Este limiar irá representar todos os ND’s que pertencem aos corpos d’água, destacados pelo método NDWI. Para encontrar este limiar foi utilizado o próprio

QGIS, onde foram analisados todos os pixels que se encontravam presentes no percurso do

Rio e principalmente os de suas margens.

Para a realização desta análise foram coletados 5 valores de ND, de forma em que fosse possível a comprovação de qual o melhor valor a ser utilizado, bem como validar a comprovação a partir do controle de qualidade. Estes valores de ND, foram obtidos a partir das bordas do Rio Paranapanema, onde há uma brusca variação entre os valores, representando assim os corpos d’água e seu leito. Os limiares definidos para a realização do controle de qualidade ficaram no intervalo entre os valores de ND, 165 e 185, para as duas imagens, pois, para comprovar a qualidade do produto gerado, foi utilizado o mesmo intervalo de limiares para os dois anos investigados. O limiar foi utilizado para a binarização da imagem, destacando assim, o rio de outros objetos presentes na imagem.

Posteriormente a etapa de binarização, e de posse da imagem binarizada, iniciou-se a etapa de vetorização automática, que consistiu em inserir no código uma nova condição, identificar os pixels que estavam com a cor branca delimitando o corpo d’água, e os transformar para um arquivo de formato vetorial. A vetorização se deu pela segmentação por similaridade dos pixels, onde a partir da identificação de um pixel na tonalidade branca, ocorreria a geração do contorno ao agrupamento encontrado, salvando o vetor em formato

shapefile, juntamente com seus arquivos de metadados e seus atributos geoespaciais, fazendo

isso para as duas imagens.

Concluída a etapa da vetorização automática, para ambas imagens, visando concretizar e comprovar a qualidade do produto, realizou-se a aplicação da Completeza. A completeza (derivado do termo inglês Completeness), pode ser definida, como sendo o índice que mede a porcentagem entre a quantidade de pixels coincidentes ao polígono de referência detectado pelo método avaliado, com a quantidade de pixels totais dos polígonos de referência. Este parâmetro varia no intervalo [0;1]. Caso o valor seja 0, nada do que foi extraído concorda com o conjunto de referência. Do contrário, se a completeza assumir valor igual a 1, indica que tudo que foi extraído pelo método concorda com a referência. Aplicando-se a Completeza, chegou-se a um resultado, de modo em que se comprovou que o produto gerado pode ser

(12)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 utilizado para fins de estudos e análises. Para o início deste controle realizou-se uma vetorização manual através do software QGIS, tanto para ambas imagens resultante do método NDWI.

Sendo assim o controle de qualidade foi aplicado utilizando os vetores gerados a partir dos 5 limiares, pré-definidos anteriormente, onde os produtos gerados automaticamente foram comparados com o produto obtido manualmente.

Após avaliar a qualidade dos produtos obtidos realizou-se a última etapa desta pesquisa, que consiste na análise da variação de área de um trecho do Rio Paranapanema com a construção das barragens das Usinas Hidrelétricas de Rosana e Taquaruçu, para tal análise foram utilizados os vetores gerados automaticamente nos anos de 1986 e 2011, e comparadas as áreas que estes vetores compreendem, obtendo como resultado final a diferença entre as áreas.

3 RESULTADOS E DISCUSSÕES

Dentro deste tópico são apresentados todos os resultados obtidos em cada etapa com o processamento digital das imagens usando os recursos de programação em Python, bem como os resultados do controle de qualidade e o resultado da variação de área de um trecho do Rio Paranapanema, advindo da comparação entre os vetores extraídos de forma automática.

3.1 NDWI

Como primeiro resultado é apresentado o produto obtido após a aplicação do NDWI, vale levar em consideração a função principal desta técnica que é justamente realçar os corpos hídricos presentes na imagem, para uma melhor visualização. As Figuras 5 e 6 representam os resultados do NDWI para os anos de 1986 e 2011, respectivamente. Além das limitações apresentadas anteriormente para o uso do NDWI, cabe ressaltar que o modelo adotado aqui segue as formulações de McFeeters (1996) e, para tanto, a aplicação do modelo proposto por Gao (1996), que trabalha com as bandas do Infravermelho Próximo e Infravermelho Médio, produziria resultados diferentes.

(13)

Figura 5 - NDWI aplicado a imagem de 1986.

Figura 6 - NDWI aplicado a imagem de 2011.

Analisando as Figuras (5 e 6) é possível perceber que o NDWI é uma técnica que já consegue realçar o Rio de uma forma considerável, visto que nas duas bandas originais o rio aparece com tons de cinza mais escuros. A Banda 04, que corresponde ao Infravermelho Próximo, possui uma visualização do corpo d’água melhor que na Banda 02, corresponde a banda do Verde, onde nesta, a visualização dos corpos d’águas presentes na imagem, torna-se mais dificultosa, devido ao menor comprimento de onda da banda, fazendo com que a radiação eletromagnética se interaja mais com os corpos d’água, comparado aos comprimentos de onda da Banda do Infravermelho Próximo. Portanto a aplicação do NDWI é de suma importância para este trabalho, visto que este realce do rio facilita na implementação do código, bem como agiliza o trabalho no todo.

3.2 IMAGEM BINARIZADA

A etapa de binarização da imagem, após a geração do NDWI e da normalização da imagem, iniciou-se após a determinação dos limiares. As Figuras 7 e 8 representam a binarização aplicada, a partir de um limiar, destacando os corpos d’água do restante da imagem.

(14)

Figura 7 - Binarização aplicada a imagem de 1986.

Figura 8 - Binarização aplicada a Imagem de 2011.

Com a implementação da binarização através dos limiares, é nítido o destaque do corpo d’água, tornando satisfatório para a continuidade do trabalho, tão satisfatório que na imagem de 2011 é possível até mesmo a visualização da presença das barragens e das estradas que cortam o trecho do rio (Figura 9).

Figura 9 – Destaque das barragens na imagem binarizada onde em (a) está exibida a barragem de Rosana e em (b) está a barragem de Taquaruçu.

(a) (b) Fonte: Autor (2020).

(15)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 3.3 GERAÇÃO DO VETOR

Após aplicar a binarização da imagem, e gerado seu produto, foi possível realizar a etapa da extração do vetor. Os contornos em vermelho demonstrados nas Figuras 10 e 11 foram gerados a partir da segmentação automática, delimitando apenas os pixels com a tonalidade branca.

Figura 10 - Segmentação da imagem de 1986.

Figura 11 - Segmentação da imagem de 2011.

A partir das Figuras 10 e 11 torna-se possível analisar que com a segmentação, o contorno foi realizado em torno do Rio Paranapanema, inclusive delimitando onde haviam as barragens como demonstrado. Também é possível notar que é realizado o contorno de todos os pixels que se encontravam na tonalidade branca na imagem filtrada, o que é considerado de grande eficiência do programa. É válido ressaltar que o produto de interesse do trabalho corresponde apenas ao vetor do Rio Paranapanema, dessa forma a análise foi feita somente em relação aos contornos gerados sobre esse produto. Para utilizar de forma automática apenas o Rio, basta realizar uma filtragem dos segmentos, selecionando os de maiores áreas.

(16)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 3.4 CONTROLE DE QUALIDADE

Com a aplicação do controle de qualidade, pelo método de Completeza, foi possível verificar a acurácia do produto gerado, sendo esta etapa de suma importância para a comprovação e validação do produto. As Figuras 12 e 13, retratam a Completeza de cada vetor extraído de forma automática, a partir dos 5 limiares pré-definidos somando as duas barragens juntas.

Figura 12 – Nível de Completeza, para cada limiar da extração dos corpos d’água, na Imagem de 1986.

Figura 13 – Nível de Completeza, para cada limiar da extração dos corpos d’água, na Imagem de 2011.

É possível observar, a partir dos gráficos, que o comportamento das duas imagens é muito semelhante, vide o decrescimento do número de acerto de acordo com o aumento do limiar. Pode-se constatar que o limiar 165 teve uma Completeza muito próximo de 1, assim como o limiar 170 atingido valores acima dos 0, 95.

De posse das informações, para a escolha do limiar, foram utilizados dois critérios, o primeiro levando em consideração a Completeza, e o segundo consistiu em visualizar na

0,8000 0,8500 0,9000 0,9500 1,0000 165 170 175 180 185 Com p let eza Limiar 0,8400 0,8600 0,8800 0,9000 0,9200 0,9400 0,9600 165 170 175 180 185 C o m plet e za Limiar

(17)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 imagem, se a partir da binarização dos pixels, não englobariam um pixel indesejado, como o de uma ponte ou o da própria barragem. O valor que atendeu as duas condições para as duas imagens foi o do limiar 170, pois por mais que o limiar 165 apresentou uma Completeza maior, o mesmo omitiu construções importantes, como as barragens, algumas estradas e pontes.

3.5 ANÁLISE DA VARIAÇÃO DE ÁREA

Chegando ao resultado final obtém-se como produto gerado uma tabela contendo os valores das áreas ocupadas pelo rio em 1986 e em 2011, e o resultado da diferença entre as mesmas decorrente da variação do rio. A Figura 14 demonstra como ficaram dispostos os vetores referentes as duas épocas, bem como a Tabela 2 demonstra a área em km² para os dois anos, e sua respectiva variação.

Figura 14 - Comparação entre os dois vetores.

Tabela 2 - Variação de Área.

Análises Área (km²)

Rio Paranapanema 1986 73,6321

Rio Paranapanema 2011 263,0354

Variação 189,4033

A partir da Figura 14, que mostra apenas um trecho do rio, por questão de uma melhor visualização, já é perceptível a expansão causada ao rio devida a construção das barragens, mas só a partir da Tabela 2 é possível obter os dados quantitativos da área abrangida pelo rio, que sofreu um aumento. Analisando os dados, percebe-se que os números representam um valor expressivo de área e vegetação perdida por conta destas construções. A Figura 15

(18)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 demonstra um mapa de Kernel elaborado a fim de exibir as áreas que mais sofreram com a expansão da área ocupada pelo rio.

A partir da visualização do Mapa de Kernel, para a região, foi constatado o que já era esperado, a região mais afetada pela expansão de área é justamente onde se encontram as barragens, tais resultados já eram de se esperar, pois são onde se encontram os seus respectivos reservatórios. Com destaque maior para a expansão da área na região onde se encontra a barragem de Rosana. A aplicação da técnica de mapa de Kernel foi de suma importância, visto que foi possível a identificação das áreas que mais se prejudicaram com a instalação das barragens.

Figura 15: Mapa de Densidade de Kernel.

4 CONSIDERAÇÕES FINAIS

Em vista dos argumentos apresentados, é possível analisar que as ciências cartográficas englobam um vasto campo de áreas de atuação, onde cada qual pode trabalhar com a mesma área de diversas maneiras. À medida que a demanda por informações espaciais cresce, há uma sinergia cada vez maior entre o sensoriamento remoto e os sistemas de informações geográficas. As técnicas de programação estão sendo cada vez mais utilizadas para aplicações nestas ciências, porém poucos trabalhos e pesquisas são desenvolvidos neste ramo. Sendo

(19)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 assim, deve-se atentar mais para a programação como sendo uma ferramenta muito útil, não apenas para aplicações em SIG ou Sensoriamento Remoto, mas também para Geodésia, Fotogrametria, Topografia, entre outras inúmeras áreas.

As análises em corpos d’água se mostraram de grande eficiência, vide o controle de qualidade realizado se comparado a uma vetorização manual. Mesmo com um intervalo de 5 limiares a porcentagem de erros não superou os 10%, considerando o resultado extremamente satisfatório. A aplicação no estudo da expansão de um trecho do Rio Paranapanema também foi de suma importância para visualizar a aplicação da técnica em um estudo de caso, onde foram obtidos resultados muito bons e próximos dos reais. Comprovando que é possível utilizar a vetorização automatizada para a realização de determinadas análises, dependendo da necessidade de precisão do trabalho.

A partir dos resultados obtidos, pode-se considerar que os objetivos, tanto gerais quanto específicos, desta pesquisa foram atingidos com êxito, pois foi possível analisar a expansão da área recoberta de um trecho do Rio Paranapanema de maneira eficiente, além do que se torna aberto um leque de opções para a utilização de técnicas de programação na aplicação em imagens digitais. E o processo automatizado quando comparado ao manual se mostrou mais ágil, tendo em vista o tempo de 2 horas levado para a produção da vetorização manual para a confirmação do controle de qualidade, sendo o processo automático realizado em questão de minutos.

Com o resultado da aplicação foi possível observar a grande mudança no entorno de uma região causado pela construção de barragens no percurso do rio, com a perda de uma área de 189,4033 km², o que acarreta uma série de fatores e perdas, que muitas vezes não justificam a instalação de tal. Sendo assim a aplicação da extração automática de corpos d’água, pode futuramente ser também utilizada na identificação de outros tipos de área, como: solo, vegetação, núcleos urbanos, etc, dependendo da necessidade e de revisões bibliográficas para a aplicação. Em estudos futuros, pretende-se comparar os resultados obtidos com novos resultados obtidos com uso do MNDWI (Modified Normalized Difference Water Index) que segundo Xu (2006) pode aprimorar os recursos de extração de águas, suprimindo com eficiência e até removendo o ruído acumulado da terra, bem como o ruído da vegetação e do solo. As informações aprimoradas sobre a água usando esses dois índices poderá indicar se os resultados com o NDWI foram superestimados por ruídos de outros alvos próximos.

Outro ponto que se destaca na pesquisa é que a técnica aplicada a imagens de melhor resolução espacial, pode reagir de maneira ainda mais satisfatória, visto que as imagens do

(20)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 sensor TM do Landsat 5 possuem média resolução espacial. Com a melhora na resolução, melhor seria definido o limiar para aplicação da binarização e posterior segmentação, o que poderia definir um resultado ainda mais preciso.

Desta forma pode-se considerar que a ferramenta é uma boa aplicação para fins acadêmicos, profissionais, de gestão e até mesmo de planejamento, podendo esta informação ser repassada para os órgãos públicos que necessitem de informações semelhantes, para prefeituras visto o grande caso de alagamentos por conta de chuvas e outros fatores, bem como serviria para alunos tanto de áreas afins como de áreas distintas para servir de base ou mesmo de fonte de informação para outros estudos. Cidades em áreas costeiras, podem comparar uma extração dos seus corpos d’águas em épocas de grandes chuvas com épocas de estiagem, e verificar o volume alagado.

REFERÊNCIAS

AMBINAKUDIGE, S.; CHOI, J.; KHANAL, S. A comparative analysis of CBERS-2 CCD and Landsat-TM satellite images in vegetation mapping. Revista Brasileira de Cartografia, Vol. 63, N. 1, 2010. 115-122pp.

BASTOS A. C. S.; FREITAS, A. C. Agentes e processos de interferência, degradação e dano ambiental. In: CUNHA, S. B.; GUERRA, A. J. T. Avaliação e Perícia Ambiental. Rio de Janeiro: Bertrand Brasil, 2005. 17-75pp.

BATISTA, B. M. F.; SÁNCHEZ, D. C. M.; SILVA, J. V.; MARTINEZ, D. T.; PASA, M. C. Revisão dos Impactos Ambientais gerados na ase de instalação das Hidrelétricas: uma análise da sub-bacia do Alto Juruena - MT. Biodversidade, Cuiabá - MT, v. 11, n. 1, p.69-85, 2012.

BIAS, E. S.; BARBOSA, F. L. R.; BRITES, R. S. Emprego de imageamento passivo na análise da variabilidade espacial da turbidez no espelho d'água do Lago Paranoá, Distrito Federal.

Engenharia Sanitária e Ambiental. Vol.18, N.1, 2013. 55-64pp.

BRIVIO, P. A.; COLOMBO, R.; MAGGI, M.; TOMASONI, R. Integration of remote sensing data and GIS for accurate mapping of flooded areas. International Journal of Remote

Sensing. Vol. 23, Issue 3, 2002. 429-441pp. DOI: 10.1080/01431160010014729

BRUBACHER, J. P.; GUASSELLI, L. A. Mapeamento da área inundável da planície do rio dos Sinos a partir do índice NDWI, São Leopoldo – RS. In: Anais XVI Simpósio Brasileiro

de Sensoriamento Remoto, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, 4540-4547pp.

CAMPBELL, J. B. & WYNNE, R. H. Introduction to Remote Sensing. New York: The Guilford Press, 2011. 667p.

(21)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 CHAGAS, E. M. P. F.; RODRIGUES, D. L.; TAVARES, J. M. R. S. Método de

Segmentação de Objetos em Imagens Baseado em Contornos Activos e Algoritimo Genético. In: Congreso de Métodos Numéricos en Ingeniería, 1., 2009, Barcelona. Anais...

Barcelona: Semni, 2009. p. 491 - 507.

COLITO, M. C. E. A construção de Usinas Hidrelétricas e os impactos sobre a população

e o espaço: Comunidades Rurais Ameaçadas Pela U.H. De Jataizinho - Rio Tibagi. In: VI

Congresso de Ciências Humanas Letras E Artes, 1999, Viçosa - Mg. Anais... Viçosa: UFMG, 1999.

CUNHA, L. H.; COELHO, M. C. N. Política e Gestão Ambiental. In: CUNHA, S. B.;

GUERRA, A. J. T. A Questão Ambiental: Diferentes Abordagens. Rio de Janeiro: Bertrand Brasil, 2003. 43-79pp.

FENG, M.; SEXTON, J. O.; CHANNAN, S.; TOWNSHEND, J. R. A global, high-resolution (30-m) inland water body dataset for 2000: first results of a topographic–spectral classification algorithm. International Journal of Digital Earth. Vol. 9, Issue 2, 2016. 113-133pp. DOI: 10.1080/17538947.2015.1026420

FIGUEIREDO, D. Conceitos básicos de Sensoriamento Remoto, Companhia Nacional de Abastecimento – CONAB. Brasília, DF. 2005.

FOGLIATTI, M. C.; FILIPPO, S.; GOUDARD, B. Avaliação de Impactos Ambientais. Rio de Janeiro: Editora Interciência, 2004. 247p.

GAO, B. C. NDWI A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water from Space. Remote Sensing of Environment, Vol. 58, Issue 3, 1996. 257-266pp.

HUI, F.; XU, B.; HUANG, H.; YU, Q.; GONG, P. Modelling spatial‐temporal change of Poyang Lake using multitemporal Landsat imagery, International Journal of Remote

Sensing, Vol. 29, Issue 20, 2008. 5767-5784pp. DOI: 10.1080/01431160802060912

JIANG, Z.; QI, J.; SU, S.; ZHANG, Z.; WU, J. Water body delineation using index composition and HIS transformation. International Journal of Remote Sensing, Vol. 33, Issue 11, 2012. 3402-3421pp. DOI: 10.1080/01431161.2011.614967

LLOYD, C. D. Spatial Data Analysis : an Introduction for DGIS Users. New York, Oxford, 2010.

LOUGEAY, R.; BAUMANN, P.; NELLIS, M. D. Two digital approaches for calculating the area of regions affected by the great American flood of 1993, Geocarto International, Vol. 9: Issue 4, 1994. 53-59pp. DOI: 10.1080/10106049409354472

MARQUES FILHO, O.; VIEIRA NETO, H. Processamento Digital de Imagens. Rio de Janeiro: Brasport, 1999. 331 p.

(22)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.24418-24439 may. 2020. ISSN 2525-8761 McFEETERS, S. K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing. Vol. 17, Issue 7, 1996. 1425-1432pp. DOI: 10.1080/01431169608948714

MOREIRA, M.A. Fundamentos de Sensoriamento Remoto e Metodologias de Aplicação. 3. ed. Viçosa: UFV, 2007, 320p.

NOVO, E. M. L. M. Comportamento Espectral da Água. In: MENESES, P. R. MADEIRA NETTO, J. S. Sensoriamento Remoto: Reflectância de Alvos Naturais. Brasília: Editora da UnB, 2001. 203-222pp.

NOVO, E. M. L. M. Sensoriamento Remoto: Princípios e Aplicações. 4. ed. São Paulo: Blucher, 2010. 388p.

PEREIRA, L; LASTORIA, G.; ALMEIDA, B.; HAUPENTHAL, M.; MARCATO JR, J.; LO, E.; PARANHOS FILHO, A. Application of aerial photographs and orbital sensor to identify and delineate water bodies. Bulletin of Geodetic Sciences, Vol. 23, N. 4, 2017. 591-605pp. DOI: 10.1590/s198221702017000400039.

ROSS, J. L. S. Geomorfologia aplicada aos EIAs-RIMAs. GUERRA, A. J. T. & CUNHA, S. B. (Orgs.). Geomorfologia e Meio Ambiente. Rio de Janeiro: Bertrand Brasil, 2004. 291-336pp.

ROVER, J.; JI, L.; WYLIE, B. K.; TIESZEN, L. L. Establishing water body areal extent trends in interior Alaska from multi-temporal Landsat data, Remote Sensing Letters, Vol. 3, Issue 7, 2012. 595-604pp. DOI: 10.1080/01431161.2011.643507

XU, H. Modification of Normalized Difference Water Index (NDWI) to enhance open water features in remotely sensed imagery. International Journal Of Remote Sensing. Vol. 27, Issue 14, 2006. 3025-3033pp. DOI: 10.1080/01431160600589179