Aplicação do índice de vegetação por diferença normatizada (NDVI) para avaliação das secas no oeste da região sul do Brasil em 2005 e 2009

MORGANA SGROTT SERPA

APLICAÇÃO DO ÍNDICE DE VEGETAÇÃO POR DIFERENÇA NORMATIZADA (NDVI) PARA AVALIAÇÃO DAS SECAS NO OESTE DA REGIÃO SUL DO

BRASIL EM 2005 E 2009

Palhoça 2018

MORGANA SGROTT SERPA

APLICAÇÃO DO ÍNDICE DE VEGETAÇÃO POR DIFERENÇA NORMATIZADA (NDVI) PARA AVALIAÇÃO DAS SECAS NO OESTE DA REGIÃO SUL DO

BRASIL EM 2005 E 2009

Trabalho de Conclusão de Curso apresentado ao Curso de Engenharia Ambiental e Sanitária da Universidade do Sul de Santa Catarina como requisito parcial à obtenção do título de Bacharel.

Orientador: Prof. Gabriel Cremona Parma, Dr.

Palhoça 2018

Dedico esta, bem como todas as minhas demais conquistas, aos meus amados pais Januário R. Serpa Filho e Marissol R. Sgrott Serpa.

AGRADECIMENTOS

Aos meus pais, que sempre batalharam para me oferecer uma educação de qualidade e proporcionar as melhores condições de estudos. Sou e serei eternamente grata por tudo que eles dedicaram a mim, por toda motivação, incentivo, carinho e amor.

À minha querida irmã Izabela Serpa, por estar sempre presente em minha vida deixando ela mais alegre.

Ao meu namorado Gabriel De Cesaro, que sempre me transmitiu paz e tranquilidade quando eu mais precisava, por toda sua dedicação, carinho, incentivo e parceria.

Ao meu orientador e professor Gabriel Cremona Parma, pela orientação, apoio, incentivo е confiança.

Aos meus professores, que acompanharam a minha jornada acadêmica e deram todo apoio em sala de aula.

Aos meus colegas de curso, que proporcionaram momentos alegres e divertidos que jamais serão esquecidos.

À todos qυе, direta оυ indiretamente, fizeram parte da minha formação, о mеυ muito obrigada.

RESUMO

A seca é o desastre natural que mais afeta os brasileiros, considerada um fenômeno difícil de ser analisado espacialmente com sistemas convencionais em medições de campo. Por outro lado, o sensoriamento remoto permite a coleta de dados de forma sistemática e objetiva, sendo considerada uma ferramenta vantajosa pois apresenta baixo custo e traz resultados satisfatórios. Existem diversos índices de vegetação desenvolvidos para facilitar as análises, entre eles, o Índice de Vegetação por Diferença Normatizada – NDVI. O objetivo desta pesquisa é avaliar a severidade das secas dos anos de 2005 e 2009 no oeste da região sul do Brasil, utilizando como recurso o NDVI, extraído das imagens LANDSAT 5. Os resultados indicaram que o Rio Grande do Sul foi o estado mais afetado pelas duas secas, enquanto que o Paraná teve como seca mais severa a ocorrida no ano de 2009, e Santa Catarina apresentou intensidades similares nos dois períodos analisados.

LISTA DE ILUSTRAÇÕES

Figura 1 - Registros totais dos desastres naturais recorrentes no Brasil entre 1991 a

2012. ... 13

Figura 2 - Percentual de pessoas afetadas por tipo de desastre no Brasil entre 1991 a 2012. ... 13

Figura 3 - Percentual de desastres naturais mais decorrentes em Santa Catarina entre 1991 a 2012. ... 14

Figura 4 - Evolução das secas em função do tempo. ... 18

Figura 5 - Interação entre a energia do Sol, a Terra e o satélite. ... 20

Figura 6 - Área de localização do estudo. ... 28

Figura 7 - Detalhes da Banda Infravermelho a esquerda, e NDVI a direita. ... 33

Figura 8 - Área determinada para estudo. ... 34

Figura 9 - NDVI reclassificado referente ao ano de 2005. ... 35

Figura 10 - NDVI reclassificado referente ao ano de 2009. ... 35

Figura 11 - NDVI reclassificado referente ao ano de 2005 – Paraná. ... 36

Figura 12 - NDVI reclassificado referente ao ano de 2009 – Paraná. ... 37

Figura 13 - NDVI reclassificado referente ao ano de 2005 – Santa Catarina. ... 38

Figura 14 - NDVI reclassificado referente ao ano de 2009 – Santa Catarina. ... 38

Figura 15 - NDVI reclassificado referente ao ano de 2005 – Rio Grande do Sul. ... 39

LISTA DE GRÁFICOS

Gráfico 1 - Variação de classes – Santa Catarina. ... 42

Gráfico 2 - Variação de classes – Paraná. ... 42

Gráfico 3 - Variação de classes – Rio Grande do Sul. ... 43

Gráfico 4 - Comparação da classe 2. ... 44

Gráfico 5 - Comparação da classe 3. ... 44

Gráfico 6 - Comparação da classe 4. ... 45

Gráfico 7 - Comparação da classe 5. ... 46

Gráfico 8 - Variação das classes por estados no ano de 2005. ... 47

LISTA DE TABELAS

Tabela 1 - Modelo vetorial x Modelo matricial...22

Tabela 2 - Bandas espectrais e sistemas de satélite/sensores mais adequados para aplicações em desastres naturais...24

Tabela 3 - Número de pixel – NDVI 2005...40

Tabela 4 - Número de pixel – NDVI 2009...40

Tabela 5 - Áreas por classes – NDVI 2005...41

SUMÁRIO 1 INTRODUÇÃO ... 12 1.1 OBJETIVOS ... 15 1.1.1 Objetivo Geral ... 15 1.1.2 Objetivos Específicos ... 15 2 REFERENCIAL TEÓRICO ... 16 2.1 SECA E ESTIAGEM ... 16 2.2 SENSORIAMENTO REMOTO ... 18

2.3 SISTEMA DE INFORMAÇÃO GEOGRÁFICA (SIG) ... 20

2.4 SATÉLITES ... 22

2.4.1 LANDSAT 5 ... 24

2.5 ÍNDICE DE VEGETAÇÃO DA DIFERENÇA NORMALIZADA (NDVI) ... 25

3 MATERIAIS E MÉTODOS ... 27

3.1 LIMITANTES DA PESQUISA ... 27

3.2 ÁREA DE ESTUDO ... 28

3.2.1 Paraná ... 28

3.2.2 Santa Catarina ... 29

3.2.3 Rio Grande do Sul ... 30

3.3 MATERIAIS ... 30

3.4 PROCEDIMENTOS METODOLÓGICOS ... 31

4 RESULTADOS E DISCUSSÕES ... 33

5 CONCLUSÃO ... 48

1 INTRODUÇÃO

A ocorrência dos desastres naturais tem se intensificado nas últimas décadas, e quando estes ocorrem, podem trazer consequências catastróficas para o homem. Além disso, apesar do constante avanço tecnológico, muitos desastres naturais são imprevisíveis.

Segundo relatório divulgado em novembro de 2015 pelo Escritório das Nações Unidas para a Redução de Desastres (UNISDR) e o Centro de Pesquisas de Epidemiologia em Desastres (CRED), o Brasil é o único país das Américas que se encontra na lista dos dez países com maior número de pessoas afetadas por desastres entre os anos de 1995 a 2015, tendo como causas as condições climáticas.

Conforme Oliveira (2012) destaca, antigamente as catástrofes ambientais eram consideradas inevitáveis, pois eram vistas como consequências diretas da natureza. No entanto, a maneira como a sociedade se desenvolve influencia de forma determinante no aumento dos desastres naturais, gerando problemas sociais, econômicos, ambientais e políticos.

Segundo GRIM (2009), não são apenas as instabilidades climáticas que causam desastres no País. Condições de estabilidade, frequentemente associadas aos bloqueios atmosféricos, resultam em estiagens prolongadas e prejuízos consideráveis.

A Figura 1 ilustra os percentuais dos desastres naturais recorrentes no Brasil no período entre 1991 a 2012. Pode-se observar que a estiagem e seca relacionadas diretamente com a redução das precipitações pluviométricas e, assim, ao déficit hídrico, estão entre os desastres naturais mais frequentes e tidos como os maiores problemas nacionais (BRASIL, 2012).

Figura 1 - Registros totais dos desastres naturais recorrentes no Brasil entre 1991 a 2012.

Fonte: Atlas Nacional de Desastres Naturais – Volume Brasil (2012)

No Brasil, cada região possui percentuais diferentes para as tipologias de desastres mais recorrentes. A Figura 2 mostra o percentual de afetados de acordo com o tipo do desastre. A estiagem e seca são os desastres que mais afetam os brasileiros, com total de 51,31%, seguido de enxurrada, com 20,66% e inundação com 12,04%, valores obtidos a partir de um total aproximado de 127 milhões afetados.

Figura 2 - Percentual de pessoas afetadas por tipo de desastre no Brasil entre 1991 a 2012.

No período entre 1991 a 2012, foram registrados 4.999 registros oficiais relacionados a desastres naturais que afetaram o estado de Santa Catarina, estes ligados a eventos naturais como secas e estiagens, geadas, granizos, inundações, enxurradas, alagamentos, erosões, incêndios, tornados e vendavais (BRASIL, 2012).

Figura 3 - Percentual de desastres naturais mais decorrentes em Santa Catarina entre 1991 a 2012.

Fonte: Atlas Nacional de Desastres Naturais – Volume Brasil (2012)

De acordo com Atlas Brasileiro de Desastres Naturais, o estado sofre anualmente com o excesso de chuvas, mas também com a sua escassez. Em Santa Catarina, as estiagens e secas apresentam-se como o segundo desastre natural de maior ocorrência, com 11.518 registros, equivalentes a 30,4% dos desastres ocorridos, desastres estes que refletem nas reservas hidrológicas locais e causam prejuízos à agricultura, a pecuária e a amplamente na sociedade.

Por ser um evento que afeta áreas extensas, a seca é difícil de ser analisada espacialmente, com a utilização de sistemas convencionais baseados em medições de campo. Desta forma, é muito importante o uso de uma ferramenta como o sensoriamento remoto, que oferece uma visão simplificada e repetitiva da superfície terrestre e permite a coleta de dados de forma consistente, sistemática e objetiva. Ainda vale destacar que o sensoriamento remoto apresenta baixo custo quando comparado com medições em campo (LACRUZ; SAUZEN, 2015).

As geotecnologias, que nada mais são que o sensoriamento remoto e o Sistemas de Informações Geográficas (SIG), fornecem informações em larga escala

e permitem uma visão conjunta sobre a estrutura espacial da paisagem. Conforme Linheira (2016), com as geotecnologias, as secas puderam ser caracterizadas e avaliadas através de análises de dados captados por sensores a bordo de satélites. Existem muitos índices de vegetação os quais foram desenvolvidos para facilitar a comparação de realidades diferentes, são exemplos de índices de vegetação o Soil

Adjusted Vegetation Index – SAVI, o Difference Vegetation Index – DVI, e o Normalizad Difference Vegetation Index – NDVI, também conhecido como Índice de

Vegetação por Diferença Normalizada, desenvolvido por Rouse et. al (1973), índice este o qual será utilizado neste trabalho.

De acordo com Anyamba et al. (2005), para estudos de seca, o uso do NDVI tem como vantagem a disponibilidade de dados necessários para cálculo desse indicador, os quais estão presentes na maioria dos satélites de observação da Terra.

1.1 OBJETIVOS

1.1.1 Objetivo Geral

Avaliar os efeitos das secas dos anos de 2005 e 2009 no oeste da região sul brasileira pela aplicação do NDVI.

1.1.2 Objetivos Específicos

1. Obter e processar as imagens LANDSAT da área de estudo para os anos de 2005 e 2009;

2. Calcular, a partir das bandas espectrais, os NDVI para os dois anos analisados;

3. Classificar e quantificar os diferentes tipos de cobertura vegetal da região a partir dos NDVI obtidos.

2 REFERENCIAL TEÓRICO

2.1 SECA E ESTIAGEM

O Brasil é um país com grande dimensão continental e com climas bem diversificados. Ao mesmo tempo em que pode acontecer uma geada no Sul do país, as temperaturas podem ultrapassar os trinta graus centígrados nas regiões do Norte e Nordeste. As secas estão presentes em todas as regiões, afetando a produção agrícola e o abastecimento de água.

Conforme Hagman (1984), a seca é o fenômeno mais complexo e também o menos entendido entre todos os desastres naturais, além de afetar o maior número de pessoas.

No Brasil são utilizados conceitos diferentes para secas e estiagens. De acordo com a Classificação e Codificação Brasileira de Desastres (COBRADE), são tipos de desastres naturais diferentes, mas que pertencem ao grupo de desastres climatológicos de subgrupo seca, porém com código e simbologia diferentes (BRASIL, 2012). Ainda, de acordo com o Atlas Nacional de Desastres Naturais (2012), a estiagem é definida como um período prolongado de baixa ou nenhuma pluviosidade, onde a perda de umidade do solo é superior a sua reposição. Já a seca pode ser considerada como uma estiagem que se prolonga durante um período de tempo suficiente para que a falta da precipitação provoque grave desequilíbrio ecológico.

Castro (2003) define a estiagem como um fenômeno existente quando ocorre um atraso superior a quinze dias do início da temporada de chuvas e quando as médias de precipitação pluviométrica mensais dos meses chuvosos permanecem inferiores a 60% das médias mensais de longo período para uma dada região.

A estiagem impacta as reservas hidrológicas locais, ocasionando prejuízos à agricultura e à pecuária. Na sociedade, seus impactos resultam da relação entre eventos naturais e as atividades socioeconômicas desenvolvidas na região, dependendo do tamanho da cultura realizada, da necessidade de irrigação e da importância desta na economia do município, desta forma, a intensidade dos danos gerados é proporcional à grandeza do evento e ao grau de vulnerabilidade da economia da região (CASTRO, 2003).

A seca, segundo este autor, é uma estiagem prolongada caracterizada por provocar uma redução intensa e contínua das reservas hídricas existentes. Para ser

considerada como desastre, é necessário que o fenômeno atue sobre um sistema ecológico, econômico, social e cultural vulnerável à redução das precipitações pluviométricas (CASTRO, 2003).

As secas também diferem em suas características espaciais, de modo que as áreas afetadas por eventos intensos evolucionam de forma gradual e as regiões de máximas intensidades mudam de uma estação do ano para outra e de ano em ano quando o fenômeno persiste (LACRUZ; SAUZEN, 2015)

Wilhite e Glantz (1985) apud Valiente (2001) detectaram mais de 150 definições conceituais para o termo seca, classificando-as em quatro grupos: meteorológicas, agrícolas, hídricas e socioeconômicas.

Conforme Lacruz e Sauzen (2015), a seca meteorológica é definida em função de um limite de déficit de precipitação durante um determinado período de tempo, que pode variar de acordo com localidade região. A seca agrícola, por outro lado, é caracterizada quando o solo não possui água suficiente para suprir as necessidades das culturas em qualquer uma de suas fases de crescimento (LACRUZ; SAUZEN, 2015). Por outro lado, a seca hidrológica ocorre quando há diminuição no volume caudal de águas superficiais. Este tipo de seca acontece em decorrência da diminuição das chuvas, o que compromete o sistema de realimentação dos diversos corpos hídricos superficiais (LINHEIRA 2016). Porém, somente quando a diminuição dos volumes afeta algum tipo de produção econômica que possua como componente a captação de água, como por exemplo a geração de energia hidrelétrica, é que a seca pode ser caracterizada como hidrológica (VALIENTE, 2001). Por fim, a seca socioeconômica acontece quando a falta de água afeta a população e está associada à oferta e demanda de bens e serviços (LACRUZ; SAUZEN, 2015). Resumidamente, pode-se afirmar que a seca meteorológica difere-se principalmente por suas características naturais, decorrentes de fenômenos físicos, e a agrícola, hidrológica e socioeconômica, pelas demandas da sociedade e do meio ambiente.

A Figura 4 esboça a evolução do fenômeno das secas e a interface de suas tipologias.

Figura 4 - Evolução das secas em função do tempo.

Fonte: Sousa Junior e Pardi Lacruz (2014) adaptado de NDMC (2006).

As secas agrícolas, hidrológicas e socioeconômicas são caracterizadas em função dos danos ocasionados, e quando estes danos atingem proporção suficiente para afetar o funcionamento normal da sociedade em uma dimensão maior do que ela pode suportar, configura-se o quadro de desastre natural (LINHEIRA, 2016).

2.2 SENSORIAMENTO REMOTO

O sensoriamento remoto pode ser compreendido como a forma de obter informações e coletar dados da superfície terrestre sem a necessidade de um contato direto.

De acordo com Novo (1998), o sensoriamento remoto é a utilização conjunta de sensores modernos, equipamentos de transmissão de dados, espaçonaves e aeronaves, com objetivo de estudar o ambiente terrestre por meio do registro e análise de interações entre a radiação eletromagnética e as substâncias componentes do planeta em suas diversas manifestações. Curran (1985) afirma ainda que o sensoriamento remoto consiste no uso de sensores de radiação

eletromagnética (REM) para registrar imagens que podem ser interpretadas fornecendo informações úteis sobre o ambiente.

Os resultados do sensoriamento remoto provêm de câmaras ou sensores instalados a bordo de aeronaves ou satélites de observação da Terra em conjunto com equipamentos de transição, recepção, armazenamento e processamento de dados (DIAS, 2008).

Segundo Accioly et al. (2002), esta ciência auxilia no monitoramento do uso da terra em diferentes escalas e para diferentes ambientes, o que mostra a relevância da sua aplicação.

Rosa (2007) define a radiação eletromagnética como sendo a forma de energia que se move à velocidade da luz, a partir de ondas ou de partículas eletromagnéticas, sem necessidade de um meio material para se propagar. O princípio do sensoriamento remoto está associado a esta energia, a qual possui capacidade de interação com as mais diversas superfícies e objetos quando propagada no espaço, podendo ser refletida, absorvida e/ou reemitida. Vale destacar ainda que é o tipo de energia emitida pelo sol e também pela Terra (ROSA, 2007).

Os sensores de radiação eletromagnética podem ser classificados de acordo com a natureza da energia captada em ativos/ópticos ou passivos. Os sensores ativos ou ópticos captam informações a partir da resposta da superfície terreste para um pulso eletromagnético emitido pelo próprio sensor. Já os sensores passivos são aqueles que captam informações da superfície terrestre a partir de sua reposta à radiação eletromagnética emitida pelo sol (LINHEIRA, 2016).

A Figura 5 mostra a interação que há entre a energia do sol, a superfície terrestre e o sensor do satélite. A fonte de energia é o Sol, já a superfície da Terra funciona como um meio por onde esta energia é refletida ou reemitida até o satélite.

Fonte: Florenzano (2002).

A escolha do sistema sensor está diretamente relacionada com suas características intrínsecas, tais como resolução espacial, espectral, radiométrica e temporal, que melhor se adequam às características do fenômeno a ser estudado.

Segundo Gibson e Power (2000), já foi comprovada a contribuição para os avanços significativos, através da interpretação, análise e aplicação das informações provenientes do sensoriamento remoto, em diversas áreas da ciência, como a geologia, monitoramento ambiental, climatologia, agricultura, entre outras.

2.3 SISTEMA DE INFORMAÇÃO GEOGRÁFICA (SIG)

Segundo Moreira (2012), as atividades que envolvem o geoprocessamento são executadas por sistemas específicos para cada aplicação, conhecidos como sistemas de informação geográfica. Ainda, conforme este mesmo autor, estes sistemas são técnicas matemáticas e computacionais para tratar dados obtidos de objetos ou fenômenos geograficamente identificados, quando são observados por um sistema sensor.

O nome “sistema de informação geográfica” é muito confundido com geoprocessamento. O geoprocessamento é o conceito mais abrangente e representa qualquer tipo de processamento de dados georreferenciados, enquanto um SIG processa dados gráficos e não gráficos (alfanuméricos), com ênfase em análises espaciais e modelagens de superfícies (MOREIRA, 2012).

Figura 5 - Interação entre a energia do Sol, a Terra e o satélite.

O SIG é um sistema computacional que permite armazenar e integrar informações geográficas de diferentes fontes e escalas (FLORENZANO, 2002). Ainda, segundo Almeida (2000), um SIG pode ser definido como um conjunto de ferramentas que permite análise envolvendo dados espaciais e não espaciais sobre o espaço terrestre.

O Inpe (2010) cita três grandes maneiras de utilizar um SIG, devido a sua grande variedade de aplicações, que inclui temas que englobam desde a agricultura, florestas, cadastro urbanos às redes de concessionárias de água, energia e telefonia:

 Como ferramenta para produção de mapas;

 Como suporte para análise espacial de fenômenos;

 Como um bando de dados geográficos, com funções de armazenamento e recuperação de informação espacial.

Os modelos geométricos em SIG mais comuns para representação da componente gráfica são o raster ou matricial e o vetorial (MOREIRA, 2012).

Segundo Francisco (2018), na estrutura matricial, também conhecida como raster, o terreno é representado por uma matriz P(m,n), composta de m colunas e n linhas, que definem células, denominadas como pixels, ao se cruzarem. A superfície é arquitetada como contínua neste tipo de representação, onde cada pixel representa uma área no terreno, definindo a resolução espacial.

Ainda, em dois documentos visualizados na mesma escala, o que possui maior resolução espacial apresentará pixels de menor tamanho, visto que discrimina objetos de tamanho reduzido (FRANCISCO, 2018).

O modelo raster é adequado para armazenar e manipular imagens de sensoriamento remoto. As informações de cada pixel representam um valor proporcional à energia eletromagnética refletida ou emitida pela superfície terrestre, sendo necessárias técnicas de processamento digital de imagem para identificar e classificar os elementos geográficos (FRANCISCO, 2018).

Neste tipo de representação têm-se as imagens de satélites e os mapas temáticos matriciais. (MOREIRA, 2012).

Já no modelo vetorial, a locação e a aparência gráfica de cada objeto são representadas por vértices definidos por um ou mais pares de coordenadas. Na estrutura vetorial, um elemento ou objeto é representado por pontos, linhas áreas ou polígonos (MOREIRA, 2012).

Tabela 1 - Modelo vetorial x Modelo matricial.

Fonte: Francisco (2018).

A realização de atividades utilizando o SIG depende de elementos básicos como hardwares (máquinas, computadores), softwares (programas), dados ou informações.

Os softwares apresentam sistemas de aquisição e conversão de dados, banco de informações espaciais, modelos de banco de dados e sistema gestor de base de dados (SGBD), sistema de análise geográfica, sistema de processamento de imagens, sistema de modelagem digital do terreno, sistema de análises estatísticas e sistema de apresentação cartográfica (Rocha, 2002). O QGIS, ArcGis, MapInfo, Grass, QGIS e Kosmo são exemplos de softwares utilizados para SIG.

2.4 SATÉLITES

No quesito sensoriamento remoto, os satélites são definidos como engenhos desenvolvidos pelo homem, que giram em torno de planetas, com o propósito de coletar e transmitir informações (MOREIRA, 2012). Ainda, segundo este mesmo autor, um satélite é uma plataforma cuja função é manter sistemas sensores em órbita dos planetas.

Existem os satélites naturais, como por exemplo a lua, que gira em torno da terra e, também, os artificiais construídos pelo homem, como os satélites de sensoriamento de recursos terrestres, os quais foram construídos com objetivo de

Função Representação Vetorial Representação Matricial

Relações espaciais entre objetos

Relacionamentos topológicos entre objetos disponíveis

Relacionamentos espaciais devem ser inferidos

Representação indireta de fenômenos contínuos

Representa melhor fenômenos com variação contínua no espaço Álgebra de mapas é limitada Simulação e modelagem mais

fáceis

Algoritmos Problemas com erros geométricos Processamento mais rápido e eficiente.

Ligação com banco de dados

Facilita associar atributos a elementos gráficos

Associa atributos apenas a classes do mapa

Análise, Simulação e Modelagem

servir de plataforma para coleta de dados dos recursos da terra (FLORENZANO, 2002).

Os satélites de recursos terrestres deslocam-se em torno da terra com a mesma velocidade de deslocamento da terra em relação ao sol, fator este que garante as mesmas condições de iluminação para a superfície terrestre e a passagem aproximada no mesmo horário local sobre diferentes pontos da terra. Entre os diversos satélites de sensoriamento remoto dos recursos terrestres destacam-se o LANDSAT e o SPOT (FLORENZANO, 2002).

Existem tipos diferentes de sensores remotos e de satélites utilizados para a observação da terra, mas a área que cada um deles observa e a frequência com que os dados são coletados variam de um para o outro (SAUSEN; LACRUZ, 2015).

O que vai determinar o tipo de satélite a ser utilizado, são as resoluções espaciais e temporais mais adequadas no evento de análise. Um mesmo satélite aparece em mais de um tipo de resolução devido ao fato da maioria deles carregar a bordo mais de um sensor (SAUSEN; LACRUZ, 2015).

A Tabela 2 representa diferentes bandas espectrais e exemplos dos satélites e seus sensores mais adequados para diversas aplicações em desastres naturais.

Tabela 2 - Bandas espectrais e sistemas de satélite/sensores mais adequados para aplicações em desastres naturais.

Fonte: Sausen e Lacruz (2015).

2.4.1 LANDSAT 5

O sensor Thematic Mapper – TM foi lançado a bordo dos satélites LANDSAT 4 e LANDSAT 5 e possui separação espectral adequada para oferecer subsídios aos mapeamentos temáticos na área de recursos naturais (EMPRABA, 2013).

O LANDSAT 5 possuía também como sensor o sistema de escâner multiespectral (MSS), porém, em 1987, um dos seus sensores falhou, e em agosto de 1995 foi desligado (SILVA, 2012).

Conforme Silva (2012), as informações coletadas pelos sistemas de sensores permitem a geração de uma imagem.

Banda Comprimento de

onda Útil para Satélites/Sensores

Mapeamento da vegetação e uso do solo,

áreas urbanas, rede de drenagem Aqua/Modis Elaboração de mapas urbanos NOAA/AVHRR Cartografia de precisão Terra/Modis e Aster

Preparação e resposta a desastres Landsat/MSS, TM, ETM+ e OLI Mapeamento para apoiar a gestão de

desastres Ikonos/ MS e PAN

Mapeamento da vegetação, geologia,

geomorfologia, rede de drenagem Aqua/Modis Mapeamento de inundação NOAA/AVHRR Preparação e resposta a desastres Terra/Modis e Aster Estudos de topografia e gradiente de bacias e

drenagem Landsat/MSS, TM, ETM+ e OLI Ikonos/ MS e PAN

Detecção de fogo ativo Aqua/Modis Identificação de focos de incêndio NOAA/AVHRR Mapeamento de cicatrizes de áreas queimadas Terra/Modis e Aster Detecção de erupção vulcânica Cosmo-Skymed Preparação e resposta a desastres SRTM

Estudos de topografia e gradiente de bacias e

drenagem Sentinel-1

Identificação do terreno e deformação da

Terra TerraSAR-X/SAR

Modelo digital de elevação

Caracterização de volume e descarga de rios Previsão e mapeamento de inundações Infravermelho Termal 3,0 mm-14 mm Micro-ondas (radar) 0,1 cm-100 cm Visível 0,4 mm-0,7 mm Infravermelho Próximo 0,7 mm-1,0 mm

Sabendo que os tipos de vegetação apresentam alvos semelhantes, com diferenças no comportamento espectral de dois ou mais tipos de vegetação que podem não ser tão marcantes a ponto de ser percebida em imagens de satélites (MOREIRA, 2012), Silva (2012) afirma, que o LANDSAT 5 possui uma resolução espectral que oferece subsídios para mapeamentos temáticos na área de recursos naturais e opera com 7 bandas nas regiões do visível, infravermelho próximo, médio e termal.

2.5 ÍNDICE DE VEGETAÇÃO DA DIFERENÇA NORMALIZADA (NDVI)

De acordo com Linheira (2016), foram desenvolvidos índices para realçar as características observadas, a fim de estudar melhor a vegetação a partir de dados obtidos remotamente. Através do desenvolvimento de sensores orbitais de observação da Terra, principalmente no domínio óptico e do infravermelho, surgiram os índices de seca, considerados uma nova maneira de detecção e monitoramento. Desta forma, é possível adaptar e desenvolver técnicas para identificar, quantificar e monitorar a seca, buscando entender com mais precisão suas características como severidade e extensão espacial (SAUSEN; LACRUZ, 2015).

Dentre os diversos índices, destaca-se o Índice de Vegetação da Diferença Normalizada (Normalized Difference Vegetation Index – NDVI), o qual permite identificar a presença de vegetação e caracterizar sua distribuição espacial e sua evolução no decorrer do tempo. (ROSEMBACK; FRANÇA; FLORENZANO, 2005; LOBATO et al., 2010).

Conforme Rosa (2007), o índice é calculado por meio das medições nas bandas do vermelho (R) e do infravermelho próximo (NIR), que são as faixas onde a reflectância da vegetação é mais acentuada. Em termos matemáticos, o NDVI é calculado conforme a equação 2.1 (Rosa, 2007):

𝑁𝐷𝑉𝐼 =𝑁𝐼𝑅−𝑅_{𝑁𝐼𝑅+𝑅} (2.1)

Os valores do NDVI podem variar na escala entre -1 a 1, onde os valores negativos indicam presença de nuvens e corpos d’água, os valores positivos próximos de zero correspondem a áreas de solo exposto, os valores entre 0,1 e 0,5 indicam

principalmente vegetação de arbustos e os valores superiores a 0,6 indicam presença de vegetação verde e densa (SAUSEN; LACRUZ, 2015).

3 MATERIAIS E MÉTODOS

O presente trabalho foi elaborado através da abordagem quantitativa, com pesquisa de caráter descritivo e ex-post-facto, com sustentação em base de dados bibliográficos, técnicas de geoprocessamento e dados do Instituto Nacional de Pesquisas Espaciais (INPE).

A pesquisa quantitativa tem como finalidade medir relações entre as variáveis (ZANELLA, 2009).

A pesquisa descritiva observa, registra, analisa e correlaciona fatos ou fenômenos variáveis, sem manipulá-los. Procura descobrir, com a maior precisão possível, a frequência com que um fenômeno ocorre, sua relação e conexão com outros, sua natureza e características. Busca conhecer as diversas situações e relações que ocorrem na vida social, política, econômica e demais aspectos, do comportamento humano, tanto do indivíduo tomado isoladamente como de grupos e comunidades mais complexas (CERVO et al., 2007).

Já a pesquisa ex-post-facto é o estudo realizado referente a ocorrência de variações na variável dependente no curso natural dos acontecimentos. Neste tipo de pesquisa, não há como manipular as variáveis, visto que elas já ocorreram (ZANELLA, 2009).

3.1 LIMITANTES DA PESQUISA

 Não foram realizadas as padronizações radiométricas entre as imagens;  Não foram realizadas análises das condições atmosféricas prévias e durante o

processo de obtenção das imagens pelo satélite devido à falta de dados;  As datas das imagens LANDSAT 5 obtidas foram semelhantes nos dois anos

do estudo, referentes ao mesmo mês e a mesma semana, no entanto, não obteve-se acesso a informações climáticas das mesmas.

 Para conseguir processar o trabalho com o equipamento computacional disponível, foi feita uma redução da área de estudo para poder analisar o método de trabalho. Desta forma, a área de estudo não coincide com uma região específica dos estados. Sendo assim, a área foi delimitada devido a problemas de custo computacional.

3.2 ÁREA DE ESTUDO

O estudo foi realizado em regiões do oeste dos estados do Paraná, Santa Catarina e Rio Grande do Sul, estados estes localizados no sul do Brasil (Figura 6).

Fonte: Autor (2018).

3.2.1 Paraná

O Paraná é um estado localizado no sul do Brasil, que possui como área territorial aproximadamente 199.308 km², dividida em 399 municípios. Seu relevo é caracterizado por planaltos que suavemente inclinam nas direções noroeste, oeste e sudoeste, e depressão no centro do território (WONS, 1994). O estado possui vegetação bem diversificada, apresentando manguezais na região litorânea, Mata Atlântica e Floresta Tropical a região oeste e Mata de Araucária na região central. Figura 6 - Área de localização do estudo.

Quanto ao clima, conforme Wons (1994), a maior parte da área territorial do estado do Paraná está localizada na região de clima subtropical, onde predominam temperaturas amenas, e uma pequena parte na região de clima tropical. De acordo com a classificação climática de Wladimir Koppen, o estado pode ser subdividido em três tipos: Cfa – Clima Subtropical Úmido (Mesotérmico) com temperatura média do mês mais quente superior a 22°C e no mês mais frio inferior a 18°C, sem estação de seca definida, distribuído pelo norte, centro, oeste e sudoeste do estado; Cfb – Clima Temperado Úmido (Mesotérmico) também com temperatura média do mês mais quente inferior a 22°C e no mês mais frio inferior a 18°C, não apresenta estação seca, verão brando e geada mais severas e frequentes, distribuído pelas terras mais altas dos planaltos e das áreas serranas; Aft – Clima Tropical Superúmido (Tropical Chuvoso) com a média de temperatura do mês mais quente acima de 22ºC e do mês mais frio superior a 18°C, sem estação seca e sem geadas, distribuído por todo o litoral e na região oriental da Serra do Mar (JÚNIOR et al., 2018).

O estado do Paraná possui uma rede de drenagem bem desenvolvida, porém apresenta uma distribuição desproporcional devido ao seu relevo. A declividade do relevo na direção oeste e norte-ocidental fazem com que 92% das águas internas dirijam-se à Bacia do Rio Paraná, 8% a leste no sentido da Bacia Atlântica, cursos d’água menores pois nascem à pequena distância da costa (JÚNIOR et al., 2018).

3.2.2 Santa Catarina

Santa Catarina é o menor estado da região sul do Brasil, com aproximadamente 95.360 km², dividido em 295 municípios. O clima predominante no estado é o Subtropical Úmido, o qual proporciona temperaturas agradáveis, com variação entre 13°C e 25°C, com chuvas bem distribuídas ao longo do ano. Vale destacar que Santa Catarina possui as quatro estações bem definidas quando comparada aos demais estados brasileiros, com verões quentes e ensolarados e, inverno, principalmente na região do Planalto Serrano, com temperaturas mais amenas.

Dois sistemas de drenagem representam o estado de Santa Catarina, o sistema integrado do interior (Bacia do Prata), comandado pelas bacias dos rios Paraná e Uruguai, e o sistema de vertente do Atlântico (litoral de Santa Catarina),

formado por um conjunto isolado de bacias. Vale destacar que a Serra Geral é o grande divisor das águas que drenam os rios Uruguai e Iguaçu, e também das águas que se dirigem para o litoral no oceano Atlântico (CONCEIÇÃO, 2012).

O estado catarinense possui uma ampla variedade ambiental, com diversas paisagens e formações vegetais, que variam de acordo com a região, relevo, clima e o tipo de solo existente.

3.2.3 Rio Grande do Sul

O Rio Grande do Sul é o maior e mais populoso estado da região sul do Brasil, com área total aproximada em 282.062 km² dividida em 496 municípios. Conforme o Atlas Econômico do Rio Grande do Sul, as temperaturas apresentam grande variação sazonal, apresentando verões quentes e invernos rigorosos. As médias de temperaturas variam entre 15°C e 18°C, com mínimas que podem chegar até -10°C e máximas a 40°C em algumas regiões.Pode-se afirmar então que o clima predominante no estado do Rio Grande do Sul é do tipo Subtropical Úmido. Quanto à hidrografia, o estado possui uma vasta malha hidrográfica, formada por três grandes bacias: a bacia do Rio Uruguai, a bacia do Guaíba, e a bacia Atlântica.

Seu relevo pode ser dividido em três principais tipos: Planaltos, Depressões e Planícies. Desta forma, a vegetação é constituída basicamente por Mata de Araucárias, Pampas, Vegetação Litorânea e Mata Atlântica.

3.3 MATERIAIS

Para a realização deste trabalho foram utilizados os seguintes materiais e equipamentos:

 Software QGIS versão 2.18;

 Imagens do satélite Landsat-5, sensor Thematic Mapper (TM), obtidas no banco de imagens do INPE;

 Microcomputador, processador Intel core i5 e com 6 gigabytes de memória RAM.

3.4 PROCEDIMENTOS METODOLÓGICOS

As imagens trabalhadas foram obtidas gratuitamente pelo site do INPE – Instituto Nacional de Pesquisas Espaciais, no catálogo de imagens.

A análise a qual este estudo pretende desenvolver se delimita nos anos de 2005 e 2009. Sendo assim, foram selecionadas quatro imagens: duas do ano de 2005 e outras duas do ano de 2009.

Para a seleção das imagens foram definidos parâmetros básicos de busca, como o tipo de satélite, que neste estudo optou-se por utilizar o LANDSAT 5, instrumento Thematic Mapper (TM), que corresponde ao sensor utilizado; cobertura máxima de nuvem 0% para os quatro quadrantes; e intervalos de tempo janeiro/2005 a dezembro/2005 (imagens de 2005) e janeiro/2009 a dezembro/2009 (imagens de 2009).

Após a obtenção das imagens de satélite, foram realizados mosaicos das bandas vermelho e infravermelho para a união das imagens de seus respectivos anos. Assim, foi feita a geração do “stack”, também conhecido como o empilhamento das imagens, gerando apenas um arquivo de mosaico para o ano de 2005 e um para o ano de 2009. Ambos mosaicos foram georreferenciados segundo o Instituto Brasileiro de Geografia e Estatística – IBGE.

Utilizando a banda vermelho e infravermelho de cada mosaico, foi construído o NDVI para cada ano. Com as imagens NDVI, foi determinada a região de interesse e o recorte da mesma com o intuito de focalizar o estudo em municípios localizados nas regiões do sudoeste do Paraná, extremo oeste de Santa Catarina e noroeste do Rio Grande do Sul.

Em cada imagem processada, foram definidos os valores dos limites do NDVI. Através de imagens de satélite do ano de 2005 e 2009 em falsa cor pura, foi observado que o local onde estava indicado como água, na verdade era solo nu, sendo assim, foram testados valores de -0,8 até -0,2, valor este que correspondia de fato o limite da água. Desta forma, verificou-se que os limites com valores negativos correspondem à água através de comparação visual.

Já a classificação para solo exposto, vegetação rala, vegetação arbustiva e vegetação densa, foram definidos utilizando os limites clássicos da literatura.

Em seguida, foram reclassificados 5 valores discretos para cada classe do item anterior. Essa reclassificação é necessária para realizar o cálculo da área. A

reclassificação cria a chamada “Tabela de Atributos”, que traz a quantidade de pixels classificados para cada uma das classes determinadas. A quantidade de pixels indica a área que cada classe ocupa na imagem, uma vez que cada pixel representa uma área de 30m x 30m.

Após a obtenção das imagens reclassificadas, foram extraídos os dados da Tabela de Atributos, no software QGIS 2.18. Os dados extraídos equivaliam a quantidade de pixels para cada uma das classes já estabelecidas. Utilizando o software Microsoft Excel, obteve-se a área de cada classe, por ano e região, a partir do produto do número de pixels de cada classe pela área do pixel de 30m x 30m. Além disso, foi realizada a construção de gráficos para análise da seca entre os anos de 2005 e 2009 de acordo com cada classe e região.

Figura 7 - Detalhes da Banda Infravermelho a esquerda, e NDVI a direita.

4 RESULTADOS E DISCUSSÕES

A partir dos mosaicos gerados, foram realizados os NDVI conforme as Figuras 10 e 11 abaixo. A classe 1, água, teve seu limite de -0,2 definido com auxílio da realidade em infravermelho (Figura 7). Podemos visualizar a relação entre as classes do NDVI com a realidade em infravermelho a seguir.

Fonte: Autor (2018).

As áreas determinadas apresentam aproximadamente 8566 km² para o estado do Paraná, 8971 km² para Santa Catarina e, 7561 km² para o Rio Grande do Sul (Figura 8).

Figura 8 - Área determinada para estudo.

Os cálculos dos índices de vegetação NDVI dos anos de 2005 e 2009 apresentaram resultados significativos. Foram determinados cinco valores discretos através da reclassificação das classes geradas pelos NDVI. Desta forma, foram determinadas 5 classes a saber: Classe 1, equivalente a água, com intervalos de -1,0 a -0,2; Classe 2, solo exposto, com intervalos de -0,2 a 0,2; Classe 3, vegetação rala, com intervalos de 0,2 a 0,4; Classe 4, vegetação arbustiva, com intervalos de 0,4 a 0,6 e; Classe 5, vegetação densa, com intervalos de 0,6 a 1,0. Com esta reclassificação, foram gerados os NDVI para a obtenção do número de pixels por classe e para cada ano. As figuras geradas dos NDVI podem ser observadas logo abaixo (Figura 9 e 10).

Figura 9 - NDVI reclassificado referente ao ano de 2005.

Figura 10 - NDVI reclassificado referente ao ano de 2009.

Fonte: Autor (2018). Fonte: Autor (2018).

Figura 11 - NDVI reclassificado referente ao ano de 2005 – Paraná.

Com estas figuras, podem-se observar as diferenças das coberturas vegetais de cada estado entre os dois anos, 2005 e 2009, onde as regiões em vermelho indicam áreas de vegetação densa, em laranja áreas de vegetação arbustiva, em amarelo áreas de vegetação rala, em verde áreas de solo exposto e, em azul a água.

Ainda, para melhor visualização, as Figuras 11, 12, 13, 14, 15 e 16 ilustram a variação para cada estado e de acordo com cada ano.

Visualmente, o estado do Paraná apresentava mais vegetação densa no ano de 2005 que em 2009 (Figuras 11 e 12).

Figura 12 - NDVI reclassificado referente ao ano de 2009 – Paraná.

Por outro lado, Santa Catarina apresenta visualmente maior área de vegetação densa no ano de 2009 quando comparado a 2005. Porém, percebe-se também um leve aumento da classe 2, indicando assim que a área de solo exposto também aumentou (Figura 13 e 14).

Figura 13 - NDVI reclassificado referente ao ano de 2005 – Santa Catarina.

Figura 14 - NDVI reclassificado referente ao ano de 2009 – Santa Catarina.

Fonte: Autor (2018). Fonte: Autor (2018).

Figura 15 - NDVI reclassificado referente ao ano de 2005 – Rio Grande do Sul.

O Rio Grande do Sul, de acordo com as figuras, apresentou uma diferença bem visível entre os dois anos. Nota-se que a área vermelha, equivalente à vegetação densa, reduziu significativamente, aumentando as proporções de solo exposto e vegetação rala (Figura 15 e 16). Na mancha vermelha em destaque, localizada a esquerda das figuras, situa-se o Parque Estadual do Turvo, uma unidade de conservação brasileira de proteção integral da natureza. Deste modo, é facilmente perceptível como a vegetação em seu estágio natural suportou muito melhor as secas que os demais campos antropizados.

Figura 16 - NDVI reclassificado referente ao ano de 2009 – Rio Grande do Sul.

As Tabelas 3 e 4 apresentam o número de pixels por tipos de classes gerados para cada estado a partir do NDVI.

Tabela 3 - Número de pixel – NDVI 2005.

Fonte: Autor (2018).

Tabela 4 - Número de pixel – NDVI 2009.

Fonte: Autor (2018).

Número de pixel por classe - NDVI 2005

Estado Área Total (km²) Água Solo Exposto V. Rala V. Arbustiva V. Densa

RS 7561,91 77113 1147386 2014143 3703940 1401588 PR 8566,05 90908 838061 1695137 4806401 2015286 SC 8971,85 50421 399459 1466340 5536734 2441160

Número de pixel por classe - NDVI 2009

Estado Área Total (km²) Água Solo Exposto V. Rala V. Arbustiva V. Densa

RS 7561,91 60248 1780047 2393801 3096523 1015497 PR 8566,05 57832 1498948 1568866 4177013 2145377 SC 8971,85 57434 492938 1458040 5162893 2728027 Fonte: Autor (2018).

Com a obtenção do número de pixels foi possível definir a área de abrangência de cada cobertura vegetal de seus respectivos estados. Os resultados podem ser observados nas tabelas 5 e 6 a seguir.

Tabela 5 - Áreas por classes – NDVI 2005

Área por classe (km²) - NDVI 2005

Estado Área Total (km²) Água Solo Exposto V. Rala V. Arbustiva V. Densa

RS 7561,91 69 1033 1813 3334 1261

PR 8566,05 82 754 1526 4326 1814

SC 8971,85 45 360 1320 4983 2197

Fonte: Autor (2018).

Tabela 6 - Áreas por classes – NDVI 2009

Fonte: Autor

Os resultados alcançados com o processamento das imagens NDVI possibilitaram, ainda, a construção de gráficos com dados em termos percentuais que facilitam a interpretação das informações de interesse. A Classe 1, correspondente a água, foi desconsiderada nesta análise.

Conforme o gráfico 1, foi observado que no estado de Santa Catarina, entre os anos de 2005 e 2009, não houveram grandes mudanças em nenhuma das quantidades de tipos de cobertura, tanto para solo exposto, quanto para as vegetações rala, arbustiva e densa. Pode-se observar apenas um pequeno aumento no ano de 2009, tanto na classe 2 e classe 3, uma diminuição da classe 4 e um aumento da classe 5. Deste modo, a cobertura da vegetação de Santa Catarina permaneceu bastante equilibrada entre 2005 e 2009.

Área por classe (km²) - NDVI 2009

Estado Área Total (km²) Água Solo Exposto V. Rala V. Arbustiva V. Densa

RS 7561,91 54 1602 2154 2787 914

PR 8566,05 52 1349 1412 3759 1931

9% 18% 51% 22% 16% 17% 44% 23% 0% 10% 20% 30% 40% 50% 60%

Solo Exposto Vegetação Rala Vegetação

Arbustiva Vegetação Densa Áre a (K m ²)

Variação de classes - Paraná

2005 2009 4% 15% 56% 25% 5% 15% 52% 28% 0% 10% 20% 30% 40% 50% 60%

Solo Exposto Vegetação Rala Vegetação

Arbustiva Vegetação Densa Áre a (K m ²)

Variação de classes - Santa Catarina

2005 2009

Gráfico 1 - Variação de classes – Santa Catarina.

Gráfico 2 - Variação de classes – Paraná.

Fonte: Autor (2018).

Já o estado do Paraná, conforme o gráfico 2, apresentou mudanças um pouco maiores entre os anos de 2005 e 2009 nas coberturas vegetais classificadas como solo exposto e vegetação arbustiva. A fração da área correspondente à solo exposto aumentou de 9% para 16%, enquanto a vegetação arbustiva sofreu um decréscimo de 51% para 44%. As outras duas classes, vegetação rala e vegetação densa, tiveram uma variação de apenas 1%.

14% 24% 45% 17% 21% 29% 37% 12% 0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50%

Solo Exposto Vegetação Rala Vegetação

Arbustiva Vegetação Densa Áre a (K m ²)

Variação de classes - Rio Grande do Sul

2005 2009

Gráfico 3 - Variação de classes – Rio Grande do Sul.

A região do estado do Rio Grande do Sul, analisada conforme o gráfico 3, teve grande área afetada pela seca no ano de 2009 em relação a 2005. Começando a análise pela classe 5, houve uma redução de 5% de área com cobertura de vegetação densa no ano de 2009. A vegetação arbustiva também teve sua área reduzida de 45% para 37%, uma redução equivalente a 547 km². Do mesmo modo que as vegetações densa e arbustiva reduziram, as coberturas vegetais de vegetação rala e solo exposto aumentaram, aumento este equivalente a 5% e 7%, respectivamente, quando comparados ao ano de 2005.

Fonte: Autor (2018).

Realizando uma análise comparativa entre os estados para a classe 2, solo exposto, pode-se observar que os três estados apresentaram aumento entre o ano de 2005 e 2009, com pouca variação em Santa Catarina e aumento de 7% para os outros dois estados (Gráfico 4).

A classe 3, vegetação rala, apresentou pouca mudança quando analisados os três estados. Santa Catarina permaneceu praticamente com a mesma área de um ano ao outro, enquanto o Paraná teve redução apenas de 1% e o Rio Grande do Sul aumentou 5%. Além disso, o Rio Grande do Sul foi o estado que apresentou maior quantidade deste tipo de solo (Gráfico 5).

Fonte: Autor (2018). 14% _9% 4% 21% _16% 5% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% RS PR SC

Solo Exposto

Vegetação Rala

Gráfico 4 - Comparação da classe 2.

Gráfico 5 - Comparação da classe 3.

Já a vegetação arbustiva apresentou redução nos três estados entre os anos analisados. O estado do Rio Grande do Sul teve redução de 8%, Paraná, 7% e Santa Catarina, 2%. Dentre estes estados, Santa Catarina foi o que apresentou maior quantidade de vegetação arbustiva no ano de 2009, com 52% de área, seguida pelo Paraná, com 44% e pelo Rio Grande do Sul com 37% (Gráfico 6).

Fonte: Autor (2018).

Por fim, a classe 5, vegetação densa, teve como estado com maior redução de área o Rio Grande do Sul. O estado reduziu 5% de sua área equivalente à vegetação densa no ano de 2009 quando comparado ao ano de 2005. Paraná e Santa Catarina apresentaram um aumento de 1% e 3%, respectivamente (Gráfico 7).

45% 51% 56% 37% 44% 52% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% RS PR SC

Vegetação Arbustiva

Fonte: Autor (2018).

No gráfico 8, é possível observar como as classes estavam dispostas para cada estado no ano de 2005. Os três estados, Rio Grande do Sul, Paraná e Santa Catarina, eram predominantemente constituídos por vegetação arbustiva, com esta classe constituindo 45%, 51% e 56% da área total de cada estado, respectivamente. A vegetação densa é a segunda classe mais dominante para Santa Catarina e Paraná, com 25% e 22%, enquanto é a terceira para o Rio Grande do Sul, com 17%. O Rio Grande do Sul lidera entre os estados nas classes de vegetação rala (24%, em comparação com os 18% do Paraná e 15% de Santa Catarina) e solo exposto (14%, com o Paraná em seguida, com 9%, e Santa Catarina com 4%), implicando que a seca ali fora mais severa.

17% 22% 25% 12% 23% 28% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% RS PR SC

Vegetação Densa

14% 24% 45% 17% 9% 18% 51% 22% 4% 15% 56% 25% 0% 10% 20% 30% 40% 50% 60%

Solo Exposto Vegetação Rala Vegetação Arbustiva Vegetação Densa

2005

RS PR SC

Gráfico 8 - Variação das classes por estados no ano de 2005.

Em 2009 (Gráfico 9), a ordem das classes constituintes de cada estado permaneceu a mesma, apenas o valor se alterou, com os três estados ainda predominantemente constituídos por vegetação arbustiva (52% para Santa Catarina, 44% para Paraná e 37% no Rio Grande do Sul). Rio Grande do Sul novamente ficou à frente nas classes de solo exposto e vegetação rala, com 21% e 29%, enquanto Paraná possui 16% e 29%, e Santa Catarina, 5% e 15%. Na classe de vegetação densa, Rio Grande do Sul teve a menor porcentagem, de 12%, atrás do Paraná e Santa Catarina, com 23% e 28%.

21% 29% 37% 12% 16% 17% 44% 23% 5% 15% 52% 28% 0% 10% 20% 30% 40% 50% 60%

Solo Exposto Vegetação Rala Vegetação Arbustiva Vegetação Densa

2009

RS PR SC

Gráfico 9 - Variação das classes por estados no ano de 2009.

Fonte: Autor (2018). Fonte: Autor (2018).

5 CONCLUSÃO

A utilização do sensoriamento remoto em análises ambientais é uma importante ferramenta, que oferece resultados satisfatórios. A obtenção e processamento das imagens LANDSAT da área de estudo foi o marco inicial para toda a análise feita no presente trabalho.

Os NDVI calculados a partir da obtenção das bandas espectrais das imagens LANDSAT com o Software QGIS 2.18 possibilitaram conhecer e delimitar as possíveis áreas atingidas pela seca nos anos de 2005 e 2009, para os estados do Rio Grande do Sul, Santa Catarina e Paraná.

A partir da geração dos NDVI, por estado e por ano, pode ser feita a classificação e reclassificação dos tipos de cobertura vegetal das regiões, sendo elas água (-1,0; -0,2), solo exposto (-0,2; 0,2), vegetação rala (0,2; 0,4), vegetação arbustiva (0,4; 0,6) e vegetação densa (0,6; 1,0). A quantificação fez-se através da quantidade de pixels que cara área possuía. Sabendo que a área de cada pixel equivale a 900 m², obteve-se a área para cada tipo de classe.

Sendo assim, conforme a análise feita, foi observado que a área de estudo do Rio Grande do Sul foi a mais atingida pela seca nos dois anos, pois as classes de solo exposto e vegetação rala apresentaram valores maiores que nos estados de Santa Catarina e Paraná, e consequentemente os valores das vegetações arbustiva e densa permaneceram abaixo destes outros estados. Percebeu-se que a área de estudo do estado do Paraná foi mais intensa no ano de 2009 quando comparada a 2005, já que apesar da sua vegetação densa ter um leve aumento, o solo exposto aumentou consideravelmente, visto que sua vegetação arbustiva reduziu. Por fim, foi observado que a área de estudo do estado de Santa Catarina apresentou resultados semelhantes nos dois períodos de seca analisados, o que significa que secas possuíram uma intensidade similar.

6 REFERÊNCIAS BILIOGRÁFICAS

ACCIOLY, L. J. O.; COSTA, T. C. C.; OLIVEIRA, M. A. J.; SILVA, F. H. B. B.; BURGOS, N. O papel do sensoriamento remoto na avaliação e no monitoramento

dos processos de desertificação do semi-árido brasileiro. In: SIMPÓSIO

REGIONAL DE GEOPROCESSAMENTO E SENSORIAMENTO REMOTO, 1., 2002, Aracaju. Anais... Campinas: Embrapa, 2002. Disponível na biblioteca digital URLib: < http://www.cpatc.embrapa.br/labgeo/srgsr1/pdfs/pa_ma_01.PDF>.

ANYAMBA, A.; TUCKER, C.J; HUETE, A.R; BOKEN, V.K. Monitoring drought using coarse-resolution polar-orbiting satellite data. In: BOKEN, V.K.; CRACKNELL, A.P.; HEATHCOTE, R.L. (Ed.). Monitoring and predicting agricultural drought: a global study. New York: Oxford University Press, 2005.

BRASIL. Centro Universitário de Estudos e Pesquisa Sobre Desastres. Universidade Federal de Santa Catarina. Atlas Brasileiro de Desastres Naturais 1991 - 2012:

Volume Santa Catarina. Florianópolis: Ceped, 2012. 94 p. Acessos em: 17 ago. 2018

BRASIL. Centro Universitário de Estudos e Pesquisa Sobre Desastres. Universidade Federal de Santa Catarina. Atlas Brasileiro de Desastres Naturais 1991 - 2012:

Volume: Brasil. Florianópolis: Ceped, 2012. 94 p. Acessos em: 17 ago. 2018

CASTRO, A. L. C.; CALHEIROS, L. B.; CUNHA, M. I. R.; BRINGEL, M. L. N. C. Manual de desastres: desastres naturais. Brasília: Ministério da Integração Nacional, 2003. 174 p.

CERVO, Amado Luiz et al. Metodologia Científica. 6. ed. Pearson, 2007.

CONCEIÇÃO. SANTA CATARINA/ HIDROGRAFIA. 2012. Disponível em: <http://geoconceicao.blogspot.com/2012/05/santa-catarina-hidrografia.html>. Acesso em: 12 out. 2018.

CURRAN PJ. 1985. Principles of remote sensing. London: Logman Scientific and Technical, 282 p.

EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária. LANDSAT - Land

Remote Sensing Satellite. 2013. Disponível em:

<https://www.cnpm.embrapa.br/projetos/sat/conteudo/missao_landsat.html>. Acesso em: 15 ago. 2018.

FRANCISCO, Cristiane Nunes. SISTEMAS DE INFORMAÇÃO GEOGRÁFICA E

GEOPROCESSAMENTO. Disponível em:

<http://www.professores.uff.br/cristiane/sistemas-de-informacao-geografica-e-geoprocessamento/>. Acesso em: 20 set. 2018.

FLORENZANO, Teresa Gallotti. Imagens de satélite para estudos ambientais. São Paulo: Oficina de Textos, 2002.

GRIM, A. M. Clima da Região Sul do Brasil. In: CAVALCANTI, N. J. et al. (Org.). Tempo e clima no Brasil. 1. ed. São Paulo: Oficina de Textos, 2009.

GIBSON, P. J.; POWER, C. H. Introductory remote sensing: digital image

processing and applications. London and New York: Routledge, 2000. 261p.

HAGMAN, G. Prevention better than cure: report on human and environmental disasters in Third World. Stockholm: Swedish Red Cross, 1984

LINHEIRA, Guilherme. Avaliação da ocorrência de seca na bacia hidrográfica do

rio do peixe entre 2001 e 2010 utilizando o índice de vegetação por diferença normalizada (NDVI). 2016. 96 f. Dissertação (Mestrado) - Curso de Planejamento

Territorial e Desenvolvimento Socioambiental, UDESC, Florianópolis, 2016.

MOREIRA, Mauricio Alves. Fundamentos do sensoriamento remoto e

metodologias de aplicação - 4 ed. Viçosa, Minas Gerais: Ed. UFV

NOVO, E. M. L. de Moraes. Sensoriamento remoto: princípios e aplicações. Ed. 2°. São Paulo, Edgard Blucher, 1998.

OLIVEIRA, Maria J Galleno de S. POLÍTICAS PÚBLICAS E O MEIO AMBIENTE: A

QUESTÃO DOS DESASTRES AMBIENTAIS E SEUS EFEITOS NA SOCIEDADE DE RISCO DO BRASIL. 2012. 22 f. Tese (Doutorado) - Curso de Sociologia, Unesp,

Araraquara, 2012. Disponível em:

<http://sedici.unlp.edu.ar/bitstream/handle/10915/26887/Documento_completo.pdf?s equence=1&isAllowed=y>. Acesso em: 26 ago. 2018.

PARDI LACRUZ, M. S.; SOUZA JÚNIOR, M. A.. Sensoriamento Remoto para Seca/Estiagem. In: LACRUZ, M. S. Pardi; SAUSEN, T. M. (Org.). Sensoriamento Remoto para desastres. Santa Maria: Oficina de Textos, 2015. p. 149-163.

ROSA, Roberto. Introdução ao Sensoriamento Remoto. 6. ed. Uberlândia: Edufu, 2007. 248 p.

ROUSE, J. W., R. H. Haas, J. A. Schell, and D. W. Deering (1973). Monitoring vegetation systems in the Great Plains with ERTS, Third ERTS Symposium, NASA SP-351 I, 309- 317.

ROSEMBACK, R; FRANÇA, A. A. S; FLORENZANO, T. G. Análise Comparativa dos dados NDVI obtidos de imagens CCD/CBERS e TM/ Landsat5 em uma área urbana. In: XII SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 2005, Goiânia. Anais... São José dos Campos: INPE, 2005. p.1075-1082. Disponível em: <http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2004/11.16.17.49/doc/1075.pdf>. Acesso 20 de set. 2018.

SANTO JÚNIOR, Clóvis do Espírito et al. ATLAS DO PARANÁ: O Uso de Novas

Tecnologias. Disponível em:

<http://www.educadores.diaadia.pr.gov.br/arquivos/File/2010/mapas/atlas_comentad os/parana.pdf>. Acesso em: 10 out. 2018.

SAUSEN, Tania Maria; LACRUZ, María Silvia Pardi (Org.). Sensoriamento Remoto para Desastres. São Paulo: Oficina de Textos, 2015

SILVA, Charles Evaristo da. Geoprocesssamento com utilização do satélite landsat 5 TM para estudo de caso do município de Betim. Disponível em: <https://mundogeo.com/blog/2012/02/14/geoprocesssamento-com-utilizacao-do-satelite-landsat-5-tm-para-estudo-de-caso-do-municipio-de-betim/>. Acesso em: 12 set. 2018.

UNISDR (Org.). THE HUMAN COST OF WEATHER RELATED DISASTRES

1995-2015.Disponível em:

<https://reliefweb.int/sites/reliefweb.int/files/resources/COP21_WeatherDisastersRep ort_2015_FINAL.pdf>. Acesso em: 18 ago. 2018.

VALIENTE, Óscar Marcos. Sequía: Definiciones, tipologías y métodos de cuantificación. Investigaciones Geográficas, Barcelona, v. 2001, n. 26, p.59-80, mar. 2001

WILHITE, D. A; GLANTZ, M.H. Understanding drought phenomenon: the role of definitions. Water Internacional. Vol. 10. 111-120

WONS, Iaroslaw. Geografia do Paraná: com fundamentos de geografia geral. 6. ed. Curitiba: Ensino Renovado, 1994.

ZANELLA, Liane Carly Hermes. Técnicas de pesquisa adaptação: Eleonora Milano Falcão Vieira, Marialice de Moraes. Florianópolis: Departamento de Ciências Contábeis. UFSC, 2009