Universidade Federal de Santa Catarina Curso de Engenharia Sanitária e Ambiental
Análise da concentração de clorofila-a na
Lagoa da Conceição através de imagens
dos satélites Sentinel 2
Bruna Piaseski
DEPARTAMENTO DE ENGENHARIA SANITÁRIA E AMBIENTAL CURSO DE ENGENHARIA SANITÁRIA E AMBIENTAL
Bruna Piaseski
Análise da concentração de clorofila-a na Lagoa da Conceição através de imagens dos satélites Sentinel 2
Florianópolis 2019
Bruna Piaseski
Análise da concentração de clorofila-a na Lagoa da Conceição através de imagens dos satélites Sentinel 2
Trabalho Conclusão do Curso de Graduação em Engenharia Sanitária e Ambiental do Centro de Tecnologia da Universidade Federal de Santa Catarina como requisito para a obtenção do título de Bacharel em Engenharia Sanitária e Ambiental.
Orientador: Prof. Patrícia Kazue Uda, Dra.
Florianópolis 2019
AGRADECIMENTOS
O caminho trilhado ao longo da graduação foi preenchido por pessoas incríveis que me auxiliaram, me deram forças, me acompanharam e acreditaram no meu potencial. Essas pessoas doaram seu tempo para me passar um pouco de seu conhecimento, contribuindo para que eu me tornasse uma pessoa e profissional mais preparadas para aquilo que ainda está por vir.
Agradeço do fundo do meu coração por todo o crescimento proporcionado pela Universidade Federal de Santa Catarina, tanto no âmbito pessoal, quanto profissional. Agradeço aos professores por todo o conhecimento repassado e aos servidores, por auxiliarem no processo. Agradeço aos meus colegas de classe por terem estendido suas mãos a mim tantas vezes e por terem tornado esses anos mais leves e felizes.
Agradeço à minha família por me dar suporte, por me proporcionar essa experiência e por permanecer ao meu lado sempre que precisei. Agradeço ao meu namorado, por me dar apoio nessa época tão estressante e por ser tão generoso, me emprestando alguns equipamentos que tornaram a escrita de meu TCC muito mais fácil.
Agradeço à minha orientadora, por me introduzir em um assunto tão incrível quanto o sensoriamento remoto e ao LaHiMar, por ter me recebido de braços abertos. Por fim, agradeço à minha banca, pela disponibilidade, interesse e dedicação em tornar meu trabalho ainda melhor.
RESUMO
A crescente pressão sobre os corpos hídricos, em relação ao uso cada vez maior de água, e ao despejo progressivo de efluentes domésticos e industriais, tem causado desequilíbrios em diversos ecossistemas aquáticos ao redor do mundo. Na Lagoa da Conceição, localizada na ilha de Florianópolis, no estado de Santa Catarina, não é diferente. Nos últimos anos, a laguna costeira sofreu alguns episódios de floração de algas, além de receber diagnósticos frequentes de não balneabilidade. A falta de saneamento básico na região, somado ao aumento expressivo da população durante o verão, tem causado diversos problemas econômicos, ambientais e de saúde pública nesta localidade. Atualmente, o monitoramento da qualidade da água na mesma se dá através de análises pontuais, coletadas in situ nas regiões mais frequentadas pelos turistas e pela população residente. Por se tratar de um corpo hídrico extenso, com área de 20 km2, é
impossível diagnosticar os impactos da urbanização em toda a sua extensão somente através de coletas de campo. Com o objetivo de avaliar as potencialidades do diagnóstico ambiental da Lagoa da Conceição através do sensoriamento remoto, o presente trabalho utilizou imagens dos satélites Sentinel 2 para avaliar a concentração do parâmetro clorofila-a na laguna. O pigmento clorofila-a está diretamente relacionado à população fitoplânctonica presente no ecossistema aquático e o desenvolvimento desta comunidade, ao aumento da concentração de nutrientes na água. Um algoritmo de bandas semi-empírico, gerado para a Lagoa da Conceição em estudos anteriores, foi aplicado para as imagens dos satélites Sentinel 2, resultando em concentrações de clorofila-a condizentes com valores já encontrados em análises anteriores. A avaliação dos valores de concentração de clorofila-a por faixa de profundidade indicou influência do fundo da laguna na resposta espectral das porções mais rasas, o que aumenta as incertezas dos resultados obtidos para estas regiões. A análise de agrupamento aplicada confirma a existência de padrões espaciais, indicando maior concentração de clorofila-a nas regiões mais profundas da porção sul, central e norte da Lagoa da Conceição. As imagens do período analisado não indicaram maior concentração de clorofila-a durante o verão, não mostrando relação entre o aumento da população flutuante e o desenvolvimento fitoplanctônico.
ABSTRACT
The growing pressure over the water bodies, in relation to the increase of water use, and to the progressive dump of domestic and industrial wastewater, has caused unbalance in several aquatic ecosystems all over the world. At Lagoa da Conceição, located in the island of Florianópolis, state of Santa Catarina, it is not different. In the past years, the coastal lagoon has suffered some episodes of algal blooms, beyond receiving frequent diagnosis of non-balneability. The lack of sanitation in the region, summed up to the expressive increase of the population during summer, has caused several problems to the economy, environment and the public health of this locality. Nowadays, the water quality monitoring in the lagoon is based on punctual analysis, collected in situ in the regions most attended by tourists and by the resident population. Because the lagoon is an extensive water body, with an area of 20 km2, it is
impossible to diagnose the impacts of urbanization all over its extension only by field collections. With the aim of evaluating the potentialities of the environment diagnosis of Lagoa da Conceição through remote sensing, the present work has utilized images from the Sentinel 2 satellites to evaluate the concentration of chlorophyll-a in the lagoon. The pigment chlorophyll-a is directly related to the phytoplanktonic community existing in the aquatic ecosystem and the development of this community, to the rise of the nutrients concentration in the water. A semi-empirical band algorithm, generated to Lagoa da Conceição in previous studies, was applied to the images of the Sentinel 2 satellites, resulting in chlorophyll-a concentrations matching to values found in previous analysis. The evaluation of the chlorophyll-a concentrations by depth range indicated that the bottom of the lagoon influences the spectral response of the most shallow portions, what increases the uncertainties about the results obtained to these regions. The Cluster Analysis applied confirms the existence of spatial patterns, indicating higher concentration of chlorophyll-a in the most deep regions of the south, central and north portions of Lagoa da Conceição. The images of the analyzed period has not indicated higher concentration of chlorophyll-a during summer, not showing relationship between the increase of the fluctuant population and the phytoplanktonic development. Keywords: Remote sensing. Chlorophyll-a. Lagoa da Conceição. Sentinel 2.
LISTA DE FIGURAS
Figura 1 – Principais regiões do espectro eletromagnético ... 23
Figura 2 – Ilustração dos conceitos de FOV e IFOV ... 25
Figura 3 – Diferença entre a porcentagem de reflectância de água clara e de água com algas 31 Figura 4 – Mapa de localização da área de estudo ... 35
Figura 5 – Precipitação média mensal no município de Florianópolis... 36
Figura 6 – Padrões hidrodinâmicos da Lagoa da Conceição ... 38
Figura 7 – Batimetria da Lagoa da Conceição ... 39
Figura 8 – Fluxograma de atividades ... 40
Figura 9 – Bandas espectrais e respectivas resoluções espaciais - Sentinel 2 ... 42
Figura 10 – Polígonos representativos dos alvos selecionados ... 45
Figura 11 – Curva média da vegetação fotossinteticamente ativa... 46
Figura 12 – Comportamento espectral de massas de água com alta (gráfico superior) e baixa (gráfico inferior) biomassa fitoplanctônica ... 47
Figura 13 – Comportamento espectral de alvos urbanos ... 47
Figura 14 – Comportamento espectral de alvos nas bandas B2, B3, B4 e B8 - Vegetação ... 52
Figura 15 – Comportamento espectral de alvos nas bandas B2, B3, B4 e B8 – Lagoa da Conceição ... 53
Figura 16 – Comportamento espectral de alvos nas bandas B2, B3, B4 e B8 - Oceano ... 54
Figura 17 – Comportamento espectral de alvos nas bandas B2, B3, B4 e B8 – Área urbana .. 55
Figura 18 – Mapas resultantes da aplicação do modelo de Vargas (2019) indicando concentração de clorofila-a na Lagoa da Conceição ... 56
Figura 19 – Concentração média de clorofila-a por faixa de profundidade ... 59
Figura 20 – Mapas resultantes da Análise de Agrupamento realizada para a distribuição de concentração de clorofila-a na Lagoa da Conceição ... 61
LISTA DE QUADROS
Quadro 1 - Bandas espectrais e comprimento de onda – Sentinel 2... 41 Quadro 2 – Data das imagens nível 2A sem cobertura de nuvens e respectivo satélite de origem para o período analisado ... 43
LISTA DE TABELAS
Tabela 1 – Classificação de níveis tróficos pelo método IET de Toledo (1990)... 20 Tabela 2 – Percentual das classes de uso e ocupação do solo da bacia hidrográfica da Lagoa da Conceição nos anos de 2001 e 2010 ... 37 Tabela 3 – Diferenças entre os sensores OLI e MSI ... 48 Tabela 4 – Faixas de profundidade utilizadas ... 49
LISTA DE ABREVIATURAS E SIGLAS ASPRS American Society for Photogrammetry and Remote Sensing BOA Bottom-Of-Atmosphere
COA Componente opticamente ativo DBO Demanda Bioquímica de Oxigênio ESA European Spatial Agency
OLI Operational Land Imager
NDCI Normalized Difference Chlorophyll Index MSI MultiSpectral Instrument
MERIS Medium Resolution Imaging Spectrometer REM Radiação Eletromagnética
TOA Top-Of-Atmosphere TM Thematic Mapper
SUMÁRIO 1 INTRODUÇÃO ... 15 1.1 OBJETIVOS ... 16 1.1.1 Objetivo Geral ... 16 1.1.2 Objetivos Específicos ... 16 2 REVISÃO BIBLIOGRAFICA ... 17
2.1 INFLUÊNCIA DA URBANIZAÇÃO NA QUALIDADE DA ÁGUA ... 17
2.2 PRINCIPIOS DO SENSORIAMENTO REMOTO ... 21
2.3 SENSORIAMENTO REMOTO DA ÁGUA ... 27
2.4 ESTIMATIVA DE CONCENTRAÇÃO CLOROFILA-A ATRAVÉS DE SENSORIAMENTO REMOTO... 30
3 METODOLOGIA ... 35
3.1 ÁREA DE ESTUDO ... 35
3.2 FLUXOGRAMA DE ATIVIDADES ... 39
3.3 OBTENÇÃO DAS IMAGENS DE SATÉLITE ... 41
3.4 PRÉ-PROCESSAMENTO DE IMAGENS ... 44
3.5 VERIFICAÇÃO DOS VALORES DE REFLECTÂNCIA OBTIDOS ... 44
3.6 ALGORITMO DE BANDAS ... 48
3.7 ANÁLISE BATIMÉTRICA... 48
3.8 ANÁLISE ESTATÍSTICA... 49
4 RESULTADOS E DISCUSSÕES ... 52
4.1 COMPORTAMENTO ESPECTRAL DE ALVOS ... 52
4.2 APLICAÇÃO DO MODELO ... 55
4.3 ANÁLISE ESTATÍSTICA... 60
5 CONCLUSÃO ... 64
REFERÊNCIAS ... 66
APÊNDICE A – Valores de reflectância (%) dos alvos vegetação, lagoa, oceano e área urbana ... 70
APÊNDICE B – Valores médios e desvio padrão da concentração de clorofila-a, em μg/L, por faixa de profundidade ... 71
1 INTRODUÇÃO
A poluição dos corpos hídricos ao redor do mundo, nos últimos anos, tem ganhado destaque na problemática ambiental. A Lagoa da Conceição, por exemplo, maior massa d’água do município de Florianópolis, em Santa Catarina, sofreu um período de ocupação desordenada, o que acarretou na falta de infraestrutura básica para a população, como o saneamento. Por essa razão, a Lagoa da Conceição recebe, diariamente, grande quantidade de carga orgânica provinda do despejo irregular de esgoto doméstico.
Atualmente, há duas maneiras de se monitorar dados de qualidade da água em determinado corpo hídrico. A primeira, ocorre através da coleta de amostra in situ e posterior análise em equipamentos laboratoriais. A segunda, ocorre através do sensoriamento remoto, definido por Colwell (1983), como a medição ou obtenção de informação de alguma propriedade de um objeto ou evento, por um dispositivo de registro que não possui contato físico ou íntimo com o objeto ou evento em estudo.
O sensoriamento remoto é utilizado para diversas aplicações, sendo uma delas a análise de recursos da Terra (JENSEN, 2009), dentre os quais destaca-se a água, foco de interesse do presente trabalho. O monitoramento da qualidade da água para diversos parâmetros através do sensoriamento remoto tem se mostrado promissor em muitas pesquisas ao redor do mundo. A clorofila-a é um dos parâmetros mais estudados, pois sua presença na água afeta significativamente o comportamento espectral da mesma, facilitando sua identificação através do satélite.
O pigmento clorofila-a é considerado uma variável que reflete a resposta do fitoplâncton às condições da água e, especialmente ao processo de eutrofização (BASTOS, 2002). Quanto maior a disponibilidade de nutrientes e matéria orgânica no meio, maior é a reprodução desses organismos, portanto, medir sua concentração é avaliar a qualidade da água de um corpo hídrico.
Apesar disso, o monitoramento remoto ainda apresenta diversas limitações, pois as nuvens impedem a visualização da superfície terrestre e as condições atmosféricas influenciam no espectro registrado pelos sensores, necessitando de procedimentos para correção das imagens, o que aumenta as incertezas de seus resultados.
Os satélites Sentinel 2 foram lançados com o objetivo de reduzir as limitações do sensoriamento remoto, apresentando diversas inovações em relação aos seus precursores. Ele
apresenta melhor resolução espacial e espectral e menor tempo de revisita, permitindo a realização de um monitoramento sistemático e consistente dos ambientes aquáticos e terrestres.
O presente trabalho será o primeiro a testar a utilização das imagens do satélite Sentinel 2 na Lagoa da Conceição para o monitoramento de parâmetros de qualidade da água. O parâmetro selecionado para a presente análise foi a clorofila-a, em virtude de seu papel como indicador de qualidade da água e composto opticamente ativo, fato que permite sua detecção via sensoriamento remoto.
1.1 OBJETIVOS 1.1.1 Objetivo Geral
O objetivo geral do presente trabalho consiste em avaliar o potencial de aplicação de imagens dos satélites Sentinel 2 para o monitoramento sistemático da qualidade da água na Lagoa da Conceição, através do parâmetro clorofila-a.
1.1.2 Objetivos Específicos
Os objetivos específicos são:
Analisar a reflectância da superfície para diferentes coberturas do solo na bacia hidrográfica da Lagoa da Conceição;
Gerar imagens de concentração de clorofila-a na Lagoa da Conceição utilizando os satélites Sentinel-2;
Verificar a mudança na concentração de clorofila-a durante as estações de inverno e verão;
Verificar a relação entre a concentração de clorofila-a com a profundidade da Lagoa da Conceição.
Verificar a existência e localização de agrupamentos significativos de valores altos e baixos de concentração de clorofila-a.
2 REVISÃO BIBLIOGRAFICA
2.1 INFLUÊNCIA DA URBANIZAÇÃO NA QUALIDADE DA ÁGUA
A história das civilizações mostra que a relação entre a localização dos centros urbanos e dos cursos d’água sempre foi estreita, tendo estes permitido a sedentarização das populações. A proximidade dos corpos hídricos facilitava o acesso à água para consumo humano, higiene, atividades agrícolas e artesanais, além de favorecer a evacuação de dejetos (BAPTISTA; NASCIMENTO; BARRAUD, 2011).
Ao longo dos anos, os cursos d’água foram perdendo seu papel no quadro urbanístico como elementos da paisagem e fator de embelezamento das cidades, se tornando, principalmente, locais utilizados para o despejo de esgoto doméstico e de resíduos sólidos. A crescente urbanização, ocorrida em todo o mundo, inclusive no Brasil, fez com que a população residente em áreas urbanas aumentasse de forma significativa a partir do século XIX, se tornando cerca de 81% da população total brasileira, em 2010 (BAPTISTA; NASCIMENTO; BARRAUD, 2011).
Além disso, mais de 40% da população mundial vive em regiões costeiras ou próximas às margens de lagos e rios, proporção que continua aumentando. Entretanto, essa tendência traz grandes consequências a esses locais, visto que áreas costeiras de rios e de outros corpos d’água estão elencados como alguns dos ecossistemas mais sensíveis do planeta (GHOLIZADEH; MELESSE; REDDI, 2016).
A urbanização implica, forçosamente, em alterações significativas no meio ambiente, de forma geral, e nos processos hidrológicos, em particular (BAPTISTA; NASCIMENTO; BARRAUD, 2011). Essas alterações podem ser quantitativas, quando, devido ao aumento da impermeabilização do solo e consequente redução das áreas infiltráveis, somados à concepção clássica dos sistemas de drenagem urbana, resultam em picos de cheias cada vez maiores e mais frequentes após episódios de precipitação (CASTRO, 2007) e podem ser qualitativas, quando o despejo de efluentes líquidos e sólidos relacionados às atividades cotidianas e econômicas das cidades ocorre nos corpos hídricos.
Além disso, House et. al. (1993) afirmam que a carga de poluentes presente nas águas pluviais também mostra-se bastante expressiva, sendo muitas vezes equivalente, ou mesmo superior, à carga referente aos esgotos sanitários, em função do tipo de ocupação da área urbanizada.
Os efluentes que chegam aos corpos hídricos são compostos, em sua grande maioria, por matéria orgânica e nutrientes, como fósforo, nitrogênio e potássio. O aumento dos mesmos na água altera parâmetros como a DBO (Demanda Bioquímica de Oxigênio), turbidez, sólidos totais e pH, que por sua vez, acarretam em outras modificações no ambiente aquático.
Os impactos disso em um corpo hídrico são diversos, destacando-se, entre eles, alterações estéticas, depósitos de sedimentos, redução da concentração de oxigênio dissolvido, contaminação por organismos patogênicos e substâncias tóxicas, alteração na flora e fauna aquática e eutrofização (CASTRO, 2007).
A eutrofização é o processo de envelhecimento natural dos ecossistemas aquáticos. Recentemente, o termo tem sido utilizado para representar a eutrofização cultural, ou acelerada, de lagos, rios, estuários e águas marinhas, onde o processo natural é adiantado em milhares de anos pela adição de nutrientes em razão das atividades humanas (BURKHOLDER, apud ANDERSON; GLIBERT; BURKHOLDER, 2002).
Nixon (1995, apud, ANDERSON; GLIBERT; BURKHOLDER, 2002) define a eutrofização como o crescente processo de enriquecimento orgânico de um ecossistema, geralmente através do aumento da entrada de nutrientes. Essa evolução na disponibilidade de nutrientes permite o desenvolvimento exacerbado de alguns organismos fotossintéticos, causando desequilíbrios na vida aquática.
Uma das principais comunidades de organismos fotossintéticos presentes na água é a comunidade dos fitoplânctons. Composta por algas e cianobactérias, os microorganismos fitoplanctônicos são adaptados a permanecer toda a vida, ou parte dela, em aparente suspensão (REYNOLDS, 2006, apud ANDRADE, 2009), por não possuírem movimentos próprios, não se opondo aos movimentos da água (ESTEVES, 1998).
O fitoplâncton é representado por organismos de diferentes formas e tamanhos, agrupados em diferentes divisões e classes taxonômicas, as quais apresentam particularidades em suas estratégias de suspensão, obtenção e competição por luz e nutrientes. Além disso, variam nas estratégias contra a perda por herbivoria, as quais podem ser: tempo rápido de geração, sucesso reprodutivo, encistamento e toxicidade (ANDRADE, 2009).
Os principais grupos de fitoplâncton presentes em água doce são: Cyanophyta, Chlorophyta, Euglenophyta, Chrysophyta e Pyrrophyta. Todos esses grupos são plantas unicelulares, menores que o tamanho de uma cabeça de agulha (JENSEN, 2011, p. 420). Eles
formam a base da cadeia alimentar de ecossistemas aquáticos e são responsáveis por cerca de 40 a 50% da fixação de carbono e produção de oxigênio do planeta, devido à sua eficiência fotossintética (OLIVEIRA, 2003, apud LONDE, 2005). A fotossíntese ocorre em razão da presença de agentes fotossintéticos nos fitoplânctons, sendo eles agrupados em três grupos: clorofilas, carotenódes e ficobilinas (JENSEN, 2011, p. 421). Todos os grupos de fitoplânctons possuem o pigmento clorofila-a, sendo que alguns grupos variam entre a presença de clorofila b e c (ESTEVES, 2009).
A produtividade primária fitoplanctônica é um processo complexo, que envolve diversos elementos bióticos e abióticos. Dentre os bióticos, os mais importantes podem ser considerados: a taxa de reprodução dos organismos fitoplanctônicos e a herbivonia. Dentre os inúmeros fatores abióticos, pode-se considerar como grandes influenciadores a radiação solar, a temperatura e os nutrientes, os quais influenciam de forma direta o processo fotossintético (ESTEVES, 2009).
Dois nutrientes, que podem ser introduzidos nos corpos hídricos através das atividades antrópicas, são de maior relevância para o crescimento dos fitoplânctons. Em águas doces, o fósforo (P) é o menos abundante dentre os macro nutrientes necessários, em grande escala, para o funcionamento dos organismos fotossintéticos. Dessa forma, ele é considerado como um dos principais fatores limitantes de seu crescimento. Por sua vez, o nitrogênio (N) é o nutriente que limita por primeiro a produção primária na interface estuarina entre habitats de água doce e salgada (BURKHOLDER, apud ANDERSON; GLIBERT; BURKHOLDER, 2002), ou seja, se não há nitrogênio, não há crescimento fitoplanctônico.
Dessa forma, ambos os nutrientes nitrogênio e fósforo devem ser considerados no processo de planejamento e desenvolvimento de estratégias que busquem minimizar o crescimento exacerbado de comunidades fitoplanctônicas. Outros nutrientes, como silício (Si) e ferro (Fe) podem influenciar de forma significativa o desenvolvimento de espécies dominantes, além de provocar alterações na estrutura e na abundância das comunidades fitoplanctônicas presentes em ambientes que sofrem a eutrofização cultural (BURKHOLDER, apud ANDERSON; GLIBERT; BURKHOLDER, 2002).
Algas e cianobactérias, representantes da comunidade fitoplanctônica, se tornaram, nos últimos anos, um indicador eficiente de alterações ambientais, visto a sua sensibilidade em relação ao estado trófico do corpo hídrico. Nesse sentido, o Índice de Estado Trófico (IET),
criado por Carlson (1977) e posteriormente adaptado por Toledo et. al (1983), busca classificar o nível de trofia de rios e reservatórios a partir de análises de fósforo total, clorofila-a e transparência da água. As análises de fósforo são entendidas como uma medida do potencial de eutrofização, já que este nutriente atua como um dos agentes causadores do processo. A análise de clorofila-a atua como uma mensuração da resposta do corpo hídrico ao agente causador, estando diretamente ligada ao nível de desenvolvimento de algas e cianobactérias presentes na água. Dessa forma, o IET engloba a causa e o efeito do processo de eutrofização de forma satisfatória (CETESB, 2017).
O nível de estado trófico é então definido através da inserção da concentração dos parâmetros em equações definidas, as quais resultam em um número de IET. Dessa forma, classifica-se o corpo hídrico desde ultraoligotrófico (baixíssima produção primária) até hipereutrófico (produção primária exacerbada). A Tabela 1 apresenta os limites para os diferentes níveis de estado trófico, segundo o sistema de classificação proposto por Toledo (1990).
Tabela 1 – Classificação de níveis tróficos pelo método IET de Toledo (1990)
Critério Estado Trófico Transparência (m) Fósforo Total (μg/L) Clorofila-a (μg/L) IET ≤ 24 Ultraoligotrófico ≥ 7,8 ≤ 0,006 ≤ 0,51 24 < IET ≤ 44 Oligotrófico 7,7 – 2,0 0,007 – 0,026 0,52 – 3,81 44 < IET ≤ 54 Mesotrófico 1,9 – 1,0 0,027 – 0,052 3,82 – 10,34 54 < IET ≤ 74 Eutrófico 0,9 – 0,3 0,053 – 0,211 10,35 – 76,06 IET > 74 Hipereutrófico < 0,3 > 0,211 > 76,06 Fonte: LAMPARELLI, 2004
Contudo, o IET não é o único índice criado para monitorar corpos hídricos com base na avaliação da comunidade fitoplanctônica. Segundo Andrade (2009), os modelos que relacionam variações quali-quantitativas do fitoplâncton à concentração de nutrientes tem sido melhor aplicados às zonas temperadas, visto que a temperatura é considerada um fator limitante e a biomassa é principalmente controlada pela disponibilidade de nutrientes. Em zonas tropicais, o estudo em águas interiores tem sido bastante desenvolvido, contudo se torna mais complexo devido à multiplicidade de fatores envolvidos, como a morfometria, hidrologia, intensidade e periodicidade de chuvas e ventos.
Um exemplo de estudo que tem sido realizado com o objetivo de identificar a poluição de corpos hídricos através da concentração de fitoplânctons utiliza técnicas de sensoriamento remoto, com base na avaliação da resposta espectral da água. Esse tipo de técnica tem sido
utilizada em diferentes corpos hídricos ao redor do planeta e vem apresentando resultados bastante satisfatórios.
2.2 PRINCIPIOS DO SENSORIAMENTO REMOTO
Atualmente, o monitoramento de parâmetros ambientais se dá, em sua grande maioria através da coletas de dados diretamente no campo, o que é chamado de coleta de dados in situ ou in loco. Essa coleta fornece muitas informações importantes para a pesquisa cientifica, como também para a sociedade em geral. Coletas de dados in situ estão sujeitas à diversos erros, como a alteração do meio de coleta através da interferência da pessoa que a realiza, uso impróprio e má calibração de equipamentos ou utilização de método de coleta errôneo. Por essa razão, dados coletados in situ não devem ser considerados como verdades absolutas. Ao invés disso, seria mais correto entendê-los como dados de referência terrestre in situ, reconhecendo possíveis erros associados aos mesmos (JENSEN, 2011, p. 2).
O sensoriamento remoto oferece diversas vantagens em relação à medição in situ. A primeira delas é a não-intrusão no meio que se quer medir, pois o sensor registra passivamente a energia eletromagnética refletida ou emitida pelo objeto de interesse, sem o perturbar. Além disso, os equipamentos registram dados sistematicamente, de áreas geográficas grandes e não apenas pontuais, trazendo mais representatividade às informações (JENSEN, 2011, p.8).
O sensoriamento remoto se tornou, nas últimas décadas, extremamente relevante para a modelagem de inúmeros processos naturais e culturais. Como exemplos, podem-se citar estudos relacionados a estimativas populacionais, estimativa do suprimento de água, eutrofização de corpos hídricos, poluição por fontes não-pontuais, alteração do uso da terra nas áreas urbanas, entre diversos outros (JENSEN, 2011, p.8).
Entretanto, da mesma forma que as medições in situ, os sistemas de sensoriamento remoto também podem apresentar falhas. Uma delas, é serem erroneamente constituídos em seu processo de idealização, planejamento e montagem. Outra falha provém da possibilidade de seus equipamentos descalibrarem ao longo do tempo.
Além disso, apesar de sua crescente utilização, a construção de um sistema de sensoriamento remoto ainda é extremamente cara e exige diversos estudos prévios para que a informação extraída do mesmo ofereça retorno financeiro suficiente de modo a justificar os gastos realizados (JENSEN, 2011, p. 9).
Desde o surgimento do sensoriamento remoto através da utilização de fotografias aéreas, em meados de 1860, até a utilização de uma multiplicidade de sistemas sensores a partir de 1960, buscou-se encontrar uma definição condizente ao termo Sensoriamento Remoto e à totalidade dos elementos que o mesmo engloba (NOVO, 2010, p.28). Em 1988, a American Society for Photogrammetry and Remote Sensing (ASPRS), adotou uma definição combinada de fotogrametria e sensoriamento remoto:
Fotogrametria e sensoriamento remoto são a arte, ciência e tecnologia de obter informação confiável sobre objetos físicos e o ambiente por meio do processo de registro, medição, e interpretação de imagens e representações digitais dos padrões de energia derivados de sistemas sensores sem contato físico (COLWELL apud JENSEN, 2011, p.3).
Evlyn de Moraes Novo traz uma definição similar, porém mais atual e especifica para o Sensoriamento Remoto, citando plataformas de obtenção de dados e também o processamento dos mesmos. Novo (2010) define Sensoriamento Remoto como:
A utilização conjunta de sensores, equipamentos para processamento de dados, equipamentos de transmissão de dados colocados a bordo de aeronaves, espaçonaves ou outras plataformas, com o objetivo de estudar eventos, fenômenos e processos que ocorrem na superfície do planeta Terra, a partir do registro e da análise das interações entre a radiação eletromagnética e as substâncias que o compõem em suas mais diversas manifestações (NOVO, 2010, p. 28).
A história do sensoriamento remoto esteve intimamente ligada às guerras mundiais, tendo se desenvolvido de forma mais efetiva em meados da década de 50, com o lançamento dos dois primeiros satélites, em 1957 e 1958, pela União Soviética e Estados Unidos, respectivamente (JENSEN, 2011, p. 6). Desde então, inúmeros satélites foram enviados ao espaço com o objetivo de monitorar o planeta Terra como um todo.
Atualmente, o sensoriamento remoto é utilizado em diversas áreas da ciência, como levantamentos topográficos e batimétricos, classificação do uso e ocupação do solo, monitoramento da extensão do gelo marinho, de efeitos vulcânicos, da temperatura superficial, da qualidade da água, dos padrões de umidade, precipitação e evapotranspiração da Terra, dentre muitos outros. Além disso, pelo fato de os sensores terem uma frequência de monitoramento estabelecida e coletarem dados de grande parte do planeta, o sensoriamento
remoto tem sido utilizado como forma de identificar alterações nos processos e fenômenos terrestres, ocorridas em consequência das atividades humanas, o que, a partir da identificação de problemas, pode auxiliar na gestão e na manutenção do equilíbrio dos ecossistemas.
De acordo com Novo (2010, p.35), “a radiação eletromagnética (REM) é o meio pelo qual a informação é transferida do objeto ao sensor. A REM pode ser definida como uma forma dinâmica de energia que se manifesta a partir de sua interação com a matéria”.
O conjunto de ondas eletromagnéticas que compõe o campo de radiação de um determinado objeto possui o nome de espectro. O espectro eletromagnético engloba todo o conjunto de comprimentos de onda conhecidos, que vão desde raios gama até ondas de rádio (NOVO, 2010, p.40). A Figura 1 apresenta as principais regiões do espectro eletromagnético.
Figura 1 – Principais regiões do espectro eletromagnético
Fonte: Novo, 2010, p. 41
A origem da radiação eletromagnética provém da transformação de outras formas de energia, como a energia nuclear, térmica, química ou cinética. A emissão de REM existe em todo corpo com temperatura superior a 0 K (NOVO, 2010, p.44).
Segundo Novo, (2014, p. 50) “a energia radiante (Q), transportada pela REM, é uma medida da capacidade que a radiação tem de executar trabalho, ou seja, de alterar o estado da matéria com a qual interage.” A unidade da energia radiante é o Joule (J). A quantidade de energia que atravessa certo ponto, durante certo intervalo de tempo, é definida como fluxo radiante (ф) e possui como unidade o Joules por segundo (J-s), ou o Watt (W).
O fluxo radiante que é interceptado em certa área de uma superfície é definido como Irradiância (E) e possui como unidade o Watt por metro quadrado (W.m-2). Um conceito
em uma porção de uma esfera, como se fosse um cone inserido na mesma. A unidade de medida do ângulo sólido é o esferorradiano (sr).
A partir dessas definições, determinam-se as principais grandezas radiométricas angulares básicas em sensoriamento remoto. A absortância (α) é a razão entre o fluxo absorvido (фa) e fluxo incidente (фi) sobre certa superfície. A reflectância (ρ) é a razão entre o fluxo refletido (фr) e o fluxo incidente (фi) sobre a superfície. E por fim, a transmitância (τ) é a razão entre o fluxo transmitido (фt) e o fluxo incidente (фi) sobre tal superfície. Todas essas 3 grandezas são adimensionais (NOVO, 2010, p.54).
O sensoriamento remoto como sistema de coleta de dados pode ser dividido em dois grandes subsistemas, sendo eles o Subsistema de Aquisição de Dados de Sensoriamento Remoto e o Subsistema de Produção de Informações. O primeiro é composto pelos seguintes componentes: fonte de radiação (sol ou próprio sensor), plataforma (Satélite ou aeronave), sensor e centro de dados (Estação de recepção e processamento de dados do satélite ou aeronave). O segundo é composto pelo sistema de aquisição de informações de solo para calibragem dos dados, sistema de processamento de imagens e sistema de geoprocessamento (NOVO, 2010, p.33).
Os sistemas de sensoriamento remoto podem coletar informações de forma passiva ou ativa. Os sensores passivos registram a radiação eletromagnética que é refletida ou emitida pelo terreno, enquanto que sensores ativos geram energia eletromagnética, registrando a quantidade de fluxo radiante espalhado de volta em direção ao sistema sensor (SHIPPERT, apud JENSEN, 2011, p. 13).
A Figura 2 apresenta uma ilustração que auxilia o entendimento de conceitos básicos sobre o funcionamento dos sensores, como o campo de visada (FOV) e o campo de visada instantâneo (IFOV). De acordo com Novo (2010), o FOV define a largura (L) da faixa imageada pelo sensor que se desloca na direção V e o IFOV define o campo de visada que projeta sobre a superfície a dimensão mínima detectada em cada posição de faixa imageada.
Figura 2 – Ilustração dos conceitos de FOV e IFOV
Fonte: Novo, 2010, p. 80
O IFOV está relacionado às minúcias que podem ser distinguidas em uma imagem, ou seja, à resolução espacial do sensor. Essa resolução, em um sistema de sensoriamento remoto, influencia de forma significativa o processo de extração de informações. Segundo Novo (2010, p. 79), a resolução espacial representa a menor feição passível de ser identificada pelo instrumento em questão. Nos sensores ópticos, essa resolução depende do campo de visada instantâneo (IFOV), o qual determina a área que é “vista” pelo sensor, juntamente com a altitude do sensor sobre o nível do terreno.
Segundo Jensen (2011, p. 16), “resolução espectral é o número e a dimensão (tamanho) de intervalos de comprimentos de onda específicos (chamados de bandas ou canais) no espectro eletromagnético aos quais um instrumento de sensoriamento remoto é sensível.” Sistemas de sensoriamento multiespectrais registram a energia em múltiplas bandas do espectro eletromagnético, sendo o Multispectral Scanner do satélite Landsat (MSS) um exemplo desse tipo de sensor. Certas bandas do espectro eletromagnético são bastante eficientes na obtenção de informações sobre parâmetros biofísicos, por isso é importante conhecê-las e entender sua função.
Nesse sentido, é importante a seleção de bandas que maximizem o contraste entre o objeto de interesse e o seu substrato. Uma seleção cuidadosa das bandas espectrais pode aumentar a probabilidade de se extrair a informação desejada do sensor remoto (JENSEN, 2011, p. 16).
Já a resolução temporal de um sistema se refere à frequência que tal sensor registra imagens de uma área particular. Geralmente, quanto maior a necessidade de resolução temporal
de um sensor, menor o requisito de resolução especial, permitindo relações de custo/benefício maiores (JENSEN, 2011, p. 20).
Por fim, a resolução radiométrica de um sensor define a “sua habilidade de distinguir variações no nível da energia refletida, emitida ou retroespalhada que deixa a superfície do alvo” (NOVO, 2010, p.85). Ela é medida através de bits, portanto, quanto mais bits de resolução o sensor possuir, mais precisa será a avaliação dos fenômenos estudados.
Os dados de um sensor remoto podem ser analisados usando uma variedade de técnicas de processamento de imagens, incluindo o processamento analógico (visual) e o processamento digital. Ambos possuem um objetivo em comum de detectar, identificar e medir fenômenos com a intenção de resolver problemas. Entretanto, a extração de informações através de inspeção visual não é uma atividade simples, pois a quantidade de informação a ser processada é muito grande. Nesse sentido, o processamento digital surgiu como forma de auxiliar e melhorar as análises visuais, permitindo a aquisição de uma maior quantidade de informações (JENSEN, 2011, p.27).
Os principais tipos de processamento digital de imagens incluem o pré processamento (correções radiométricas e geométricas), o realce das imagens, o reconhecimento de padrões utilizando estatísticas inferenciais, o processamento fotogramétrico usando imagens estereoscópicas, sistemas especialistas (árvores de decisão) e análises de imagens utilizando redes neurais, análises de dados hiperespectrais, e detecção de mudanças (JENSEN, 2011, p.27).
Dessa forma, o processamento digital de imagens cumpre alguns propósitos diferentes, porém complementares, como: melhorar a qualidade geométrica e radiométrica dos dados brutos; melhorar a aparência visual das imagens para facilitar a interpretação visual, realçando feições de interesse; automatizar alguns procedimentos de extração de informações para permitir maior rapidez no tratamento de grandes volumes de dados; integrar dados de fontes diversas; e facilitar o desenvolvimento de modelos e a criação de produtos que representem aspectos geofísicos ou biofísicos para usuários cujo interesse seja apenas aplicar a informação final (NOVO, 2010, p. 279).
2.3 SENSORIAMENTO REMOTO DA ÁGUA
A utilização do sensoriamento remoto como forma de realizar medições à distância possui diversas especificidades, que dependem do objeto da análise. Existem técnicas de avaliação e padrões de comportamento espectral diferentes para componentes da vegetação, do solo, da paisagem urbana, da água, das rochas minerais, entre outros. O foco desse estudo se dará no monitoramento de corpos hídricos costeiros e em suas especificidades.
A necessidade de água urbana de qualidade demanda um monitoramento frequente dos corpos d’água existentes, bem como de suas bacias. Além disso, o nível de tratamento requerido para consumo humano, agricultura, indústria e dessedentação animal exige o conhecimento da qualidade da água dos mananciais utilizados. Nesse sentido, a partir do início do século XX, tornou-se extremamente importante controlar de forma precisa as concentrações de substâncias químicas e biológicas nas águas, provenientes de despejos de esgoto doméstico e industrial (GHOLIZADEH; MELESSE; REDDI, 2016).
Atualmente, são comuns as análises de parâmetros hidrológicos realizadas in situ, tais como precipitação, temperatura, qualidade da água, salinidade, etc, as quais apresentam resultados pontuais, em relação ao meio estudado (JENSEN, 2011, p.412). Apesar desse método de análise ser bastante preciso, ele exige grande esforço laboratorial, além de ser incapaz de fornecer uma base de dados sobre a qualidade da água em escala regional (GHOLIZADEH; MELESSE; REDDI, 2016). Isso pois, dificilmente será possível fazer medições em quantidades suficientes para viabilizar a criação de mapas de distribuição estaticamente significativos para a região inteira que se quer analisar (JENSEN, 2011, p.412). Além disso, métodos convencionais de amostragem pontual não são capazes de identificar facilmente as variações espaciais e temporais na qualidade da água, fator que é vital para a correta avaliação e gestão dos corpos d’água. As técnicas de sensoriamento remoto tem possibilitado o monitoramento e identificação da qualidade da água de corpos hídricos de larga escala, de uma maneira mais eficiente e efetiva (GHOLIZADEH; MELESSE; REDDI, 2016).
Diferentes sensores montados em satélites medem a quantidade de radiação eletromagnética nos mais variados comprimentos de onda refletidos pela superfície da água. Essas reflexões podem ser utilizadas direta ou indiretamente para detectar diferentes parâmetros de qualidade.
Os constituintes que afetam o comportamento espectral da água são chamados de componentes opticamente ativos e podem ser formados por três principais grupos, sendo eles: organismos vivos (fitoplâncton, zooplâncton e bacterioplâncton); partículas em suspensão (orgânicas e inorgânicas); e substâncias orgânicas dissolvidas (NOVO, 2010, p. 262).
Pesquisas recentes tem focado principalmente na estimativa de 11 parâmetros de qualidade da água, sendo eles sólidos suspensos totais (SST), concentração de clorofila-a, turbidez, salinidade, fósforo total, profundidade do disco de Sechi, temperatura, oxigênio dissolvido, matéria orgânica dissolvida, demanda bioquímica de oxigênio (DBO) e demanda química de oxigênio (DQO). As respostas espectrais da água e de seus poluentes dependem das características hidrológicas, biológicas e químicas da água e são elas que permitem o monitoramento remoto dos parâmetros mencionados (GHOLIZADEH; MELESSE; REDDI, 2016).
Chang et.al (2013) estimou as variações espaciais e temporais da concentração de carbono orgânico total (COT) de forma precisa em um pequeno lago em Ohio, nos Estados Unidos, utilizando técnicas de processamento para sensores distintos, como a fusão e mineração de imagens. O carbono orgânico total (COT) em águas superficiais é conhecido como o precursor da criação de subprodutos durante a etapa de desinfecção, no tratamento de água, como os trialometanos totais, os quais tem tendências cancerígenas e estão relacionados a casos de malformações congênitas (CHANG et al. 2013).
O objetivo do estudo de Chang et. al (2013) era de utilizar um sistema integrado de técnicas de fusão e mineração de dados para estimar diariamente as distribuições espaço-temporais de COT, como forma de monitorar a qualidade da água de um lago utilizado como manancial de abastecimento público. Chang et. al (2013) utilizou imagens do satélite Landsat 5, que possuem alta resolução espacial, porém baixa resolução temporal (16 dias) e do sensor MODIS, o qual possui alta resolução temporal, contudo é incapaz de prover informações detalhadas de qualidade da água, devido à sua baixa resolução espacial.
A questão pôde ser resolvida através de técnicas de fusão de dados, as quais permitem a fusão e análise das imagens de Landsat, de alta resolução espacial, com as imagens do MODIS, de alta resolução temporal. Essa técnica envolve o uso de uma série de modelos de regressão que, de forma otimizada, produzem imagens sintéticas com altas resoluções espaciais e temporais. A análise dos resultados envolveu a utilização de quatro índices estatísticos que
confirmaram que o modelo programado podia estimar a variação espaço-temporal de COT no lago de forma precisa, contudo tendendo levemente a superestimar a concentração do mesmo e exigindo imagens de entrada sem nuvens para obter bons resultados (CHANG et al. 2013).
Pahlevan et. al (2019) analisou a consistência dos produtos dos satélites Sentinel-2 e Landsat-8 no monitoramento de sistemas aquáticos. Ao juntar os produtos dos dois satélites, é possível obter imagens a cada 3 dias, em média, em qualquer parte do mundo, o que permite às partes interessadas maior controle no monitoramento de corpos hídricos. Com quatro bandas na faixa do visível, sendo duas na região espectral do azul, uma na região do verde e uma na região do vermelho, e com adequadas performances radiométricas, os sensores OLI (Landsat-8) e MSI-A e MSI-B (Sentinel-2) são capazes de monitorar diversos parâmetros de qualidade da água.
O estudo de Pahlevan et. al (2019) primeiramente aplicou a devida correção atmosférica nas imagens utilizadas, através do software SeaWIFS Data Analysis System (SEADAS), transformando os produtos de nível 1, calibrados na reflectância de topo de atmosfera, para os produtos de nível 2, que apresentam os valores de reflectância reais do corpo hídrico. Posteriormente, de forma a reduzir incertezas na comparação entre as imagens dos satélites, foram selecionadas imagens de locais onde ambos os satélites passaram quase que simultaneamente, com menos de 30 minutos de diferença. Além disso, optou-se por buscar imagens com pouca cobertura de nuvens, dessa forma, divergências entre os dois sensores seriam ocasionadas, principalmente, em razão de diferenças na resposta radiométrica absoluta dos sensores. Ademais, para reduzir incertezas nos ajustes das bandas espectrais, inerentes à comparação entre sensores, as análises foram limitadas a corpos hídricos costeiros moderadamente eutróficos/turvos.
O estudo também realizou uma análise de séries temporais em seis corpos d’água localizados em diferentes países, onde comparou os dados de reflectância e de sólidos suspensos totais entre os sensores avaliados. Os locais selecionados apresentam variabilidade sazonal em ambos os parâmetros avaliados e grandes intervalos nos valores de reflectância. Como conclusão, Pahlevan et. al. (2019), apontou que as concentrações de sólidos suspensos totais providas pelos sensores OLI e MSI foram, em média, bastante próximas, apresentando diferenças de até 0,27g/m3 nos resultados, sendo que o MSI apresentou em geral, menores
quando devidamente calibrados, concordaram em ± 7% nos valores de reflectância, o que é vital para a geração de dados de concentração de diversos parâmetros de qualidade da água.
2.4 ESTIMATIVA DE CONCENTRAÇÃO CLOROFILA-A ATRAVÉS DE SENSORIAMENTO REMOTO
Um dos parâmetros da água mais estudado recentemente através de técnicas de sensoriamento remoto tem sido a clorofila-a. Conforme mencionado de forma breve anteriormente, a clorofila-a é a substância mais indicativa sobre o estado trófico de um corpo hídrico, pois ela funciona como uma conexão entre a concentração de nutrientes, particularmente fósforo e nitrogênio, e a produção algal. Dessa forma, seu monitoramento pode ser utilizado com o objetivo de identificar desequilíbrios nos ecossistemas aquáticos, antecipando ações que impeçam o atingimento de estados tróficos mais avançados.
A clorofila-a, enquanto reflete principalmente energia eletromagnética nos comprimentos de onda correspondentes à cor verde, absorve a maior parte da energia correspondente às cores azuis-violetas e laranja-vermelha, fato que faz que com este pigmento seja visto como verde (GHOLIZADEH; MELESSE; REDDI, 2016).
Todo fitoplâncton em corpos d’água contém certa concentração de clorofila-a, sendo que essa concentração varia e é intercalada com outros pigmentos, como os carotenóides e as ficobilinas. Dessa forma, cada grupo de fitoplâncton possui concentrações e tipos diferentes de agentes fotossintéticos, sendo percebidos de forma diferente pelos sensores remotos. Portanto, o registro da cor de um corpo hídrico possibilita a estimativa da quantidade e do tipo geral de fitoplâncton na área. Além disso, a comparação entre imagens obtidas em dias distintos permite identificar mudanças ocorridas no ecossistema aquático ao longo do tempo (JENSEN, 2011, p. 421).
A clorofila-a, quando presente na água pura, provoca mudanças nas propriedades de sua reflectância espectral, ou seja, provoca mudanças em sua cor. A Figura 3 apresenta as características espectrais da reflectância da água clara em comparação com a reflectância da mesma água contendo algas compostas primariamente por clorofila-a. As curvas de reflectância espectrais foram obtidas através de medidas in situ realizadas por meio de um espectrorradiômetro (HAN, 1997, apud JENSEN, 2011, p.421).
Figura 3 – Diferença entre a porcentagem de reflectância de água clara e de água com algas
Fonte: Jensen, 2011, p. 421
A partir da Figura 3 é possível observar quatro aspectos evidentes no espalhamento/absorção das ondas causados pela clorofila presente na água com algas, sendo eles, segundo Gitelson (1992) e Jensen (2011):
Forte absorção da luz azul pela clorofila-a entre 400 e 500 nm;
Máximo de reflectância em torno de 550 nm, causado pela absorção relativamente menor da luz verde pela alga (pico verde);
Forte absorção da luz vermelha pela clorofila-a em aproximadamente 675 nm; Um pico de reflectância significativo em torno de 690 – 700 nm, causado por uma interação de espalhamento celular de algas e de um efeito combinado mínimo de absorção por pigmento e água.
Cicerelli e Galo (2015) utilizaram o sensoriamento remoto multifonte na detecção de fitoplâncton no reservatório de Nova Avanhadava, no estado de São Paulo. Foram realizadas 30 medidas fluriométricas georreferenciadas das variáveis limnológicas biológicas clorofila-a e ficocianina, além da obtenção das curvas de reflectância espectrais respectivas com a utilização de espectrorradiômetro de campo.
As imagens de satélite utilizadas para comparação com as amostras realizadas in situ foram dos sensores Modis e RapidEye. Foram utilizadas 3 bandas do sensor Modis, sendo elas a 3 (459 – 479 nm), a 4 (545 – 565nm) e a 1 (620 – 670 nm), pois, de acordo com Kirk (1994) e Gitelson (1992), essas são as regiões espectrais mais propícias para a detecção do fitoplâncton.
Em relação ao sensor RapidEye, foram utilizadas as bandas da região do azul (440 – 510 nm), verde (520 – 590 nm), vermelho (630 – 685 nm), vermelho limítrofe (690 – 730 nm) e infravermelho próximo (760 – 850 nm).
A partir da obtenção das curvas de reflectância espectral das 30 amostras realizadas in situ, foi observado uma região de reflectância máxima no verde entre 550 a 570 nm, uma absorção no vermelho em 675 nm e um pico de reflectância no infravermelho próximo em 700 nm, estando de acordo com os itens apresentados por Gitelson e Jensen.
Posteriormente, Cicerelli e Galo (2015), extraíram os valores de reflectância das bandas dos sensores e fizeram análises de correlação entre esses valores e as concentrações de clorofila-a e ficocianina. Como resultados, obtiveram que a banda 4 do vermelho limítrofe (690 – 730 nm) da imagem RapidEye foi a mais apropriada para detectar clorofila-a (correlação de Pearson próximo a 0,8), sendo então testados modelos de regressão com o objetivo de explicitar a relação entre a concentração de clorofila-a e a banda 4. O modelo mais apropriado encontrado foi o exponencial, com R2 igual a 0,745.
Para o sensor Modis, foram encontradas correlações entre os valores de reflectância e os valores de concentração de clorofila-a próximas a 0,68. Contudo, visto que resolução espacial da imagem é de 500 m, o valor de reflectância extraído corresponde à resposta espectral média registrada para o pixel inteiro, o que acaba tornando os resultados mais genéricos.
Com o objetivo de descobrir a concentração de componentes opticamente ativos (COAs) na água através do sensoriamento remoto, diversas equações, algoritmos e fórmulas tem sido criadas por vários autores. Dentre eles, encontram-se os algoritmos de bandas, os quais tem sido largamente utilizados devido à sua simples implementação e calibração, baseados na regressão estatística entre os dados de reflectância e os parâmetros de qualidade de interesse. Diversas combinações de banda foram criadas utilizando diferentes tipos, estruturas e quantidades de bandas (WATANABE, 2017).
Watanabe et. al. (2017) testaram a performance de algoritmos de bandas na estimativa de clorofila-a a partir das imagens dos sensores OLI (Landsat 8) e MSI (Sentinel 2A). As combinações de banda criadas para os sensores TM (Landsat 5) e MERIS (Envisat) foram adaptadas para as bandas do OLI e do MSI e os algoritmos foram calibrados utilizando medidas obtidas in situ. As amostras foram coletadas em 3 dias diferentes, sendo duas utilizadas para calibração do algoritmo, obtidas durante o outono e a primavera de 2014, e uma utilizada para
a validação do mesmo, obtida durante o inverno de 2015. A área de estudo utilizada foi o reservatório da hidrelétrica Barra Bonita, no estado de São Paulo, o qual apresenta histórico de formação de algas.
Para a calibração dos modelos empíricos, foram utilizadas duas combinações de bandas diferentes (modelo de duas e de três bandas, desenvolvidos por Gitelson et al. em 2008). Em ambos os modelos, a primeira banda utilizada deveria ser aquela com máxima sensibilidade para absorção da clorofila-a. A segunda banda deveria ser aquela com mínima sensibilidade à absorção do pigmento, mas que apresentasse absorção por parte de partículas não algais e de matérias orgânicas dissolvidas. Como o modelo de duas bandas podia ser afetado por retroespalhamento, Watanabe et. al (2017) testaram também o modelo de 3 bandas, o qual considera, por fim, uma banda onde a absorção está associada somente à água pura. Outros modelos como o Slope (SLO) e o NDCI (Normalized Difference Chlorophyll Index) desenvolvidos por Mishra e Mishra, em 2010 e 2012, respectivamente, também foram testados.
Watanabe et. al. (2017) constataram que os modelos de duas bandas apresentaram correlação satisfatória com a clorofila-a para imagens do sensor MSI (R=0.902 para o modelo Slope), mostrando que a substituição do comprimento de onda em 560 nm por 709 nm melhorou a estimativa de clorofila-a no reservatório estudado. Entre os ajustes analisados, a calibração no modelo Slope apresentou a melhor performance para ambos os sensores, com R2 = 60,3% para
o ajuste quadrático no OLI, e R2 = 81,9% para o ajuste de segundo grau no MSI.
Watanabe et. al. (2017) observaram que os algoritmos em geral sub estimaram a concentração de clorofila-a para ambos os sensores, indicando que modelos empíricos são limitados para aplicações em determinadas épocas do ano. Além disso, os algoritmos apresentaram piores performances na detecção de concentrações altas de clorofila-a, indicando que o agrupamento do pigmento afeta de maneira considerável a eficácia do modelo, visto que a resposta radiométrica não cresce proporcionalmente à elevação da concentração do pigmento.
Entre os dois sensores, Watanabe et. al. (2017) encontraram melhores resultados para o MSI do satélite Sentinel 2, provavelmente pela inserção do pico de reflectância em 705 nm, o que cria um contraste com a máxima absorção na região do vermelho (665 nm). Por fim, os autores concluíram que um único modelo não consegue determinar de forma satisfatória a clorofila-a em toda a extensão do reservatório, visto que certas localidades apresentam
diferenças em suas respostas bio-ópticas, em razão de divergências nas características físicas e químicas de algumas partes do corpo hídrico.
3METODOLOGIA 3.1 ÁREA DE ESTUDO
A Lagoa da Conceição está localizada na região centro-leste da Ilha de Santa Catarina, no município de Florianópolis. Sua bacia hidrográfica encontra-se entre os paralelos 27º17’17’’ e 27º38’36’’ de latitude sul e entre os meridianos 48º22’30’’ e 48º29’54’’ de longitude oeste (BIER, 2013). Seu corpo d’água possui área de 20,7 km2 e formato alongado no sentido
norte-sul, medindo 13,4 km de comprimento e largura variando entre 0,15 e 2,5 km (SILVA, 2013). Segundo Porto Filho (1993), cerca de 50% da área e 53,5% do volume da Lagoa encontram-se em profundidades menores que 2 metros. A Figura 4 apresenta a localização da área de estudo.
Figura 4 – Mapa de localização da área de estudo
Fonte: O autor.
A Lagoa da Conceição é definida como uma laguna costeira, ligada ao Oceano Atlântico por um canal estreito de 2,8 km de comprimento, denominado Canal da Barra da Lagoa. Após sua retificação, em 1982, o canal tem funcionado como um filtro natural da maré, regulando a troca de substâncias e de água entre a laguna e o oceano (SILVA, 2013).
Tabela 2 – Percentual das classes de uso e ocupação do solo da bacia hidrográfica da Lagoa da Conceição nos anos de 2001 e 2010
Classes 2001 2010 % da bacia % da bacia Vegetação arbórea 40,5 42,8 Vegetação rasteira 21,2 17,4 Corpos d’água 26,8 26,8 Dunas cobertas 4,5 4,5 Dunas descobertas 1,3 1,2 Vias 1,0 1,0 Urbano 4,7 6,2
Fonte: Adaptado de Silva (2013).
A Lagoa da Conceição é um dos maiores atrativos turísticos da cidade de Florianópolis. Campanário (2007) apresentou estimativas e projeções da população residente e flutuante nos distritos pertencentes à bacia hidrográfica da Lagoa, mostrando que, em 2010, a população local totalizava 42.953 habitantes durante a baixa temporada e 76.848 habitantes, durante a alta temporada.
Como forma de mitigar os impactos dos efluentes domésticos gerados por essa população, a bacia hidrográfica da laguna possui duas estações de tratamento de esgoto, sendo uma localizada no distrito Lagoa da Conceição, na região centro-sul da laguna e a outra no distrito Barra da Lagoa, próxima ao Canal da Barra. O efluente tratado de ambas possui como destinação final lagoas de infiltração situadas em áreas próximas à Lagoa da Conceição. Além disso, de acordo com estimativas de Silva (2016), em 2015, o atendimento da rede coletora de esgoto abrangia menos de 15% da população total da bacia.
A hidrodinâmica da Lagoa da Conceição também possui influências sobre a qualidade da água no corpo hídrico, podendo agir na concentração ou na diluição de poluentes em determinados locais da laguna. De acordo com Silva (2013), a hidrodinâmica da laguna é governada pelas entradas de água doce distribuídas predominantemente ao longo das margens norte, oeste e sul do corpo hídrico, assim como pelas variações do nível do mar em escala meteorológica. O transporte de massa se dá no sentido norte-centro e sul-centro, o que permite o escoamento da água para o oceano e evidencia o aporte de água doce na laguna.
A Figura 6 apresenta os padrões de circulação hidrodinâmica da Lagoa da Conceição. De acordo com Silva et.al. (2017), as setas pretas representam fluxos residuais onde predominam o transporte e advecção de matéria. As setas verdes indicam vórtices ciclônicos e
as vermelhas, anticiclônicos. No hemisfério sul, o giro ciclônico causa ressuspensão de material particulado e dissolvido, no sentido do fundo para a superfície, enquanto que os anticiclônicos agem verticalmente para baixo, levando o material da superfície para o fundo (Silva et.al., 2017, apud Gomez, 2008).
Figura 6 – Padrões hidrodinâmicos da Lagoa da Conceição
Fonte: Silva et. al. (2017).
Outra característica importante da Lagoa da Conceição e que exerce influência nos aspectos físico-químicos da água e em seu comportamento hidrodinâmico é a batimetria. O levantamento batimétrico da Lagoa foi realizado em 2001 pela empresa Aerolevantamentos e Consultoria S/A, o qual foi posteriormente aprimorado pela equipe do LaHiMar (Laboratório de Hidráulica Marítima) da UFSC, em 2009.
A Figura 7 apresenta a Lagoa da Conceição dividida em 17 faixas de profundidade e em 03 compartimentos, segundo Sierra de Ledo et. al. (1999), sendo eles a Lagoa de Baixo, do Meio e de Cima. A profundidade máxima ocorre no noroeste da Lagoa de Cima, onde chega a
8,67 m. É possível observar 03 regiões mais profundas na laguna, sendo uma localizada na região oeste da Lagoa de Cima, uma na região central da Lagoa do Meio e uma também na região central da Lagoa de Baixo.
Em grande parte da Lagoa da Conceição, as regiões mais rasas localizam-se à leste, estando presentes também nas bordas da Lagoa do Meio e da Lagoa de Baixo. De acordo com Odreski (2012), a profundidade média da laguna é de 1,7m, sendo que 44% do fundo possui profundidade superior a 4,0 m e 29% apresenta valores menores que 1,0m.
Figura 7 – Batimetria da Lagoa da Conceição
Fonte: O autor. 3.2 FLUXOGRAMA DE ATIVIDADES
Como forma de representar visualmente as etapas metodológicas aplicadas neste estudo, o fluxograma contido na Figura 8 foi elaborado.
Figura 8 – Fluxograma de atividades
Primeiramente, selecionou-se a área de estudo e buscou-se informações sobre a mesma, confirmando sua importância econômica e ecossistêmica para o município de Florianópolis. Então, buscou-se imagens dos satélites Sentinel 2 com correção atmosférica já aplicada e verificou-se o comportamento espectral de alvos como vegetação, área urbana, oceano e laguna. Comparou-se os dados obtidos com literatura consagrada, objetivando-se a validação da correção atmosférica aplicada pela Agência Espacial Europeia.
Posteriormente, excluiu-se as imagens que apresentavam respostas espectrais distintas da maioria. Então, aplicou-se o modelo empírico para cálculo da concentração de clorofila-a
em toda a extensão da Lagoa da Conceição, com base nos dados de reflectância de cada uma das imagens.
Por fim, realizou-se uma análise da concentração de clorofila-a por faixa de profundidade, uma análise de agrupamento e uma de sazonalidade sobre os mapas de concentração de clorofila-a obtidos, com o objetivo de identificar padrões, semelhanças e diferenças na extensão da laguna e no decorrer do tempo.
A partir dessas análises, observou-se a potencialidade das imagens fornecidas pelos satélites Sentinel 2 em fornecer informações relevantes e confiáveis sobre a clorofila-a de forma a permitir um monitoramento contínuo da qualidade da água da Lagoa da Conceição.
3.3 OBTENÇÃO DAS IMAGENS DE SATÉLITE
Os satélites escolhidos para a obtenção de imagens foram os da missão espacial Sentinel 2, administrados pela Agência Espacial Europeia e pela Comissão Europeia. Essa missão é composta por dois satélites, denominados 2A e 2B, que ocupam a mesma órbita síncrona ao sol, faseados em 180° entre si. Órbitas síncronas ao sol são utilizadas para garantir que o ângulo de luz solar sobre a superfície da Terra seja consistentemente mantido, minimizando potenciais impactos de sombras e de níveis de iluminação na superfície. A altitude média da órbita dos satélites é de 786 km e o tempo de revisita em latitudes médias é de 2 a 3 dias. O satélite Sentinel 2A foi lançado em junho de 2015 e o Sentinel 2B em março de 2017, sendo que, atualmente, ambos encontram-se em operação.
Os satélites dispõem do sensor MSI (MultiSpectral Instrument) o qual apresenta 13 bandas espectrais com 03 resoluções espaciais diferentes (10m, 20m e 60m), conforme mostrado no Quadro 1 e, de forma mais visual, na Figura 9.
Quadro 1 - Bandas espectrais e comprimento de onda – Sentinel 2 Resolução Nº da
banda Nome da banda
Comprimento de Onda
Central (nm) Combinações de Bandas
10 m B2 Blue - Azul 490 Cor Verdadeira RGB 04/03/02 Falsa Cor 1 e 2 RGB 08/04/03 e 04/08/03 B3 Green - Verde 560 B4 Red - Vermelho 665 B8 NIR – Infravermelho próximo 842
20 m B5 Red Edge 1 705 SWIR (Short-Wave
Infrared) 1
Resolução Nº da
banda Nome da banda
Comprimento de Onda
Central (nm) Combinações de Bandas
B7 Red Edge 3 783 RGB 12/11/8A
B8A Red Edge 4 865
B11 SWIR (Short-Wave Infrared) 1 1610 B12 SWIR 2 2190 60 m B1 Aerossol 443 - B9 Vapor d’água 940 B10 Cirrus 1375
Fonte: Site Engesat <http://www.engesat.com.br/sentinel-2/>. Acesso em 09 de novembro de 2019. Figura 9 – Bandas espectrais e respectivas resoluções espaciais - Sentinel 2
Fonte: Boletim da ESA (< http://esamultimedia.esa.int/docs/EarthObservation/Sentinel-2_ESA_Bulletin161.pdf >). Acesso em 02 de novembro de 2019.
O satélite disponibiliza atualmente dois produtos da missão Sentinel 2 de forma gratuita em seu site (https://scihub.copernicus.eu/dhus/#/home): o de nível 1C e o de nível 2A de processamento. O nível 1C contém valores de reflectância de topo de atmosfera (TOA – Top-Of-Atmosphere) e serve como dado de entrada para a realização do pré processamento da imagem (correção atmosférica), que resulta no nível 2A, com valores de reflectância da superfície (BOA – Bottom-Of-Atmosphere). Cada produto abrange 10.000 km2 (100 km x 100
km) da superfície terrestre e consiste em 13 imagens JPEG-2000 comprimidas, cada uma representando uma banda diferente. As imagens são fornecidas em coordenadas UTM/WGS84 (Universal Transversa de Mercator/World Geodetic System 1984).
Os produtos de nível 2A, para a região de estudo, começaram a ser disponibilizados apenas a partir de dezembro de 2018. Dessa forma, escolheu-se para análise somente as imagens com nível 2A, ou seja, com correção atmosférica já aplicada pela Agência Espacial Europeia. Com o objetivo de comparar a resposta espectral em diferentes épocas do ano, selecionou-se as imagens sem cobertura de nuvem nos períodos de dezembro/2018 à março/2019 e de junho à agosto/2019, representando as estações de verão e inverno, respectivamente. Não foram consideradas as datas oficiais de início e término das estações com o objetivo de encontrar um maior número de imagens válidas, incluindo-se desta forma, algumas imagens de datas próximas ao período oficial das estações. O Quadro 2 apresenta as imagens encontradas para a Lagoa da Conceição com pouca ou nenhuma cobertura de nuvens, no período mencionado, além de apresentar o satélite de origem de cada uma.
Quadro 2 – Data das imagens nível 2A sem cobertura de nuvens e respectivo satélite de origem para o período analisado
Data Satélite Estação 13/12/2018 2A Verão 16/12/2018 2A 17/01/2019 2B 30/01/2019 2B 01/02/2019 2A 24/02/2019 2A 03/03/2019 2A 23/03/2019 2A 19/06/2019 2B Inverno 21/06/2019 2A 06/07/2019 2B 09/07/2019 2B 11/07/2019 2A 16/07/2019 2B 03/08/2019 2A 05/08/2019 2B 08/08/2019 2B 10/08/2019 2A 13/08/2019 2A 23/08/2019 2A 30/08/2019 2A Fonte: O autor
Conforme apresentado no Quadro 2, foram encontradas nesse período, 08 imagens sem cobertura de nuvens no verão e 13 imagens no período de inverno, sendo 08 delas provenientes do satélite Sentinel 2B e 13 provenientes do Sentinel 2A.
3.4 PRÉ-PROCESSAMENTO DE IMAGENS
Visto que as imagens utilizadas como base neste trabalho já possuem correção atmosférica, não foi necessário aplicar nenhum outro tipo de pré-processamento nas mesmas. Entretanto, vale atentar-se aos valores fornecidos em cada pixel da imagem. Este valor, também conhecido como número digital, ou digital number (DN), para fornecer os valores de reflectância, precisa ser dividido pelo valor de quantificação, que para o satélite Sentinel 2, corresponde a 10.000.
Como as imagens de reflectância da superfície, fornecidas pelo Sentinel 2, vêm em números inteiros e correspondem à reflectância x 10.000, necessita-se dividir cada imagem obtida pelo fator 10.000, obtendo-se, assim, imagens com valores representativos de reflectância da superfície, variando de 0 a 1.
3.5 ANÁLISE DO COMPORTAMENTO ESPECTRAL DE ALVOS
Com o objetivo de validar os valores de reflectância das imagens utilizadas no trabalho, foram escolhidos 04 alvos distintos na superfície, sendo eles vegetação, área urbana, oceano e lagoa.
Com o auxílio do software ArcGIS 10.3, desenhou-se polígonos sobre cada alvo analisado. A escolha dos mesmos levou em consideração alguns critérios como a homogeneidade da região selecionada, a ausência de sombras de nuvens e o distanciamento do limite entre dois alvos distintos. A Figura 10 apresenta o mapa com a localização dos polígonos utilizados em todas as imagens analisadas, com exceção das imagens do dia 03/03/2019 e do dia 21/06/2019, nas quais o polígono de vegetação central teve que ser levemente modificado, em razão da presença de pequenas nuvens e do limite de uma das imagens.
