Deteção remota na avaliação das alterações da cobertura do solo no Parque Nacional da Peneda-Gerês

João Paulo Correia Martins

Deteção Remota na Avaliação das

Alterações da Cobertura do Solo no

Parque Nacional da Peneda-Gerês

João Paulo Correia Martins

dezembro de 2015 UMinho | 2015 De teção R emo ta na A

valiação das Alter

ações da Cober tur a do Solo no P ar q ue N acional da P eneda-Ger ês

Universidade do Minho

Escola de Engenharia

dezembro de 2015

Dissertação de Mestrado

Ciclo de Estudos Integrados Conducentes ao

Grau de Mestre em Engenharia Civil

Trabalho efectuado sob a orientação do

Professor Doutor Daniel Souto Rodrigues

João Paulo Correia Martins

Deteção Remota na Avaliação das

Alterações da Cobertura do Solo no

Parque Nacional da Peneda-Gerês

Universidade do Minho

iii

AGRADECIMENTOS

Quero aqui deixar o meu agradecimento ao Professor Doutor Daniel Souto Rodrigues pelas orientações e conselhos úteis transmitidos, para que fosse possível concluir esta dissertação. Agradeço também aos meus pais pela educação que me deram e pelo apoio demonstrado ao longo da vida.

Deixo ainda um muito obrigado à minha filha Ana João, pelas horas que estive ausente, que espero poder recuperar.

Por fim, um agradecimento muito especial à minha esposa Teresa, que sempre me apoiou e encorajou, sobretudo pela sua presença, pela sua motivação e pelo ânimo que me transmitiu, fazendo com que esta prova nunca fosse uma caminhada solitária.

v

RESUMO

A aplicação de imagens de satélite em Deteção Remota, integrada com tecnologia de Sistemas de Informação Geográfica (SIG), tem-se mostrado fundamental na análise e caracterização da cobertura do solo e das suas alterações. O estudo de caso aqui apresentado, deteção remota na avaliação das alterações da cobertura do solo no Parque Nacional da Peneda-Gerês (PNPG), utiliza um conjunto multitemporal de imagens do satélite Landsat 8, com o objetivo de caracterizar a dinâmica das mudanças no solo, no período de 2013 a 2015.

Os algoritmos de deteção de mudanças adotados neste estudo incluem a Análise de Componentes Principais (PCA), a Diferenciação do Índice de Vegetação por Diferença Normalizada (NDVI) e a Classificação de Imagens.

A PCA é um método estatístico que permite compactar dados de uma série temporal, reduzindo o número de bandas de entrada. As novas bandas são chamadas de componentes principais, pertencendo ao primeiro componente a maior percentagem de variância. Os restantes componentes apresentam percentagens decrescentes da variância.

O NDVI é usado para determinar a densidade da vegetação a partir da refletância diferencial das bandas do vermelho (V) e do infravermelho próximo (IV). A Diferenciação de imagens NDVI permite obter trajetórias das alterações da cobertura vegetal do solo.

Classificação de Imagens é um processo de atribuição a cada píxel de uma imagem, uma determinada classe ou tema, com base no reconhecimento de padrões espetrais. O resultado desta classificação permite obter mapas temáticos com as diferentes classes da cobertura do solo.

Os resultados mostraram que estes algoritmos podem ser usados com sucesso na deteção de alterações da cobertura do solo. As imagens Landsat de 30 metros de resolução espacial revelaram-se adequadas para estudos em áreas naturais onde ocorram alterações da cobertura do solo. Os mapas obtidos permitem uma avaliação das alterações registadas, podendo fazer parte de uma base de dados de análise e apoio à gestão de uma área natural.

vii

ABSTRACT

The application of satellite imagery in remote sensing, integrated with GIS technology (GIS), has proved fundamental in the analysis and characterization of land cover and its changes. The case study presented here, remote sensing in the assessment of land cover changes in the Peneda-Gerês National Park (PNPG), uses a multi-temporal set of satellite images Landsat 8, in order to characterize the dynamics of changes in the soil, from 2013 to 2015.

The change detection algorithms used in this study include the Principal Component Analysis (PCA), the Normalized Difference Vegetation Index (NDVI) and its Differencing Images and also the Image Classification.

PCA is a statistical method which allows to compress data in a time series, reducing the number of input bands. The new bands are called principal components, belonging to the first component the highest percentage of variance. The remaining components have decreasing percentages of variance.

The NDVI is used to determine the density of vegetation from the differential reflectance bands of red (R) and near infrared (NIR). The NDVI Differencing Images, allows for trajectories of changes in ground cover.

Image Classification is an allocation process each pixel of an image, a particular class or theme, based on the recognition of spectral patterns. The result of this classification, allows for thematic maps of the different classes of land cover.

The results showed that the algorithms could be used successfully in the detection of soil coverage changes. Landsat images of 30 meters spatial resolution proved to be suitable for studies in natural areas where there are changes in land cover. The maps obtained allow an assessment of the tracked changes, which may be part of a database analysis and management support of a natural area.

1

Índice

Agradecimentos ... iii

Resumo ... v

Abstract ... vii

Índice ... 1

Índice de figuras ... 3

Índice de quadros ... 4

Abreviaturas e siglas ... 5

Capítulo 1. Introdução ... 7

Capítulo 2. Deteção Remota ... 9

2.1 Dados de satélite ... 11

2.1.1 Características dos dados Landsat 8 ... 11

2.2 Pré-processamento de imagens ... 14

2.2.1 O Striping e Banding ... 14

2.2.2 Refletância e Radiância ... 15

2.3 Processamento de Imagens ... 15

2.3.1 Imagens de Satélite na Deteção de Alterações da Cobertura do Solo ... 15

2.3.2 A Análise de Componentes Principais ... 16

2.3.3 Índice de Vegetação por Diferença Normalizada ... 19

2.4 Classificação de Imagens ... 21

2.4.1 Classificação Não Supervisionada ... 22

2.4.2 Classificação Supervisionada ... 23

Capítulo 3. Metodologia ... 25

3.1 Imagens de Satélite ... 25

3.2 Pré-processamento de imagens ... 26

3.2.1 Conversão para Radiância no topo da atmosfera ... 26

3.2.2 Conversão para Refletância no topo da atmosfera ... 27

3.2.3 Conversão da Temperatura de Brilho do Satélite. ... 27

2

3.3.1 Análise de Componentes Principais (PCA) ... 28

3.3.2 Índice de Vegetação por Diferença Normalizada (NDVI) ... 29

3.4 Classificação de Imagens ... 32

3.4.1 Classificação Não Supervisionada ... 32

3.4.2 Classificação Supervisionada ... 33

3.5 Fluxograma da metodologia ... 34

Capítulo 4. Deteção Remota: Aplicação ao PNPG e Resultados... 35

4.1 Área de estudo ... 35

4.2 Dados de satélite ... 36

4.2.1 Seleção e pré-processamento de imagens... 36

4.3 A PCA na deteção de alterações da cobertura do solo do PNPG ... 37

4.3.1 Análise de alterações 2013 - 2014 ... 38

4.3.2 Análise de alterações 2014 - 2015 ... 43

4.4 Índice de Vegetação por Diferença Normalizada (NDVI) ... 46

4.4.1 Transformação de imagens NVDI ... 47

4.4.2 Diferenciação NDVI ... 49

4.5 Classificação da cobertura do solo ... 53

4.5.1 Classificação Não Supervisionada da cobertura do solo ... 53

4.5.2 Classificação Supervisionada da Cobertura do Solo ... 60

Capítulo 5. Conclusões e Desenvolvimentos Futuros ... 61

5.1 Conclusões ... 61

5.2 Desenvolvimentos futuros ... 63

3

ÍNDICE DE FIGURAS

Fig. 2.1 – A radiação solar em deteção remota (GEOL3105) ... 9

Fig.2.2 – Espetro eletromagnético (GEOL3105)... 10

Fig. 2.3 - Exemplo de Striping numa composição de bandas RGB de 2008... 15

Fig. 2.4 - Elipse dos pontos no gráfico de dispersão (ESRI, 2014) ... 17

Fig. 2.5 - Primeiro Componente principal, PC1 (ESRI, 2014) ... 18

Fig. 2.6 - Segundo Componente principal, PC2 (ESRI, 2014). ... 18

Fig. 2.7 – NDVI (Weir e Herring, 2000) ... 20

Fig. 3.1 – Fluxograma do NDVI Diferenciação ... 31

Fig. 3.2 – Fluxograma da metodologia ... 34

Fig. 4.1 – Análise de Componentes Principais 2013-2014... 39

Fig. 4.2- Contraste dos componentes principais: (a) PC1, (b) PC2 e (c) PC3 ... 41

Fig. 4.3 – Análise de Componentes Principais 2014-2015... 43

Fig. 4.4- Contraste dos componentes principais: (a) PC1, (b) PC2 e (c) PC3 ... 45

Fig. 4.5 – NDVI julho de 2013 ... 48

Fig. 4.6 – NDVI julho de 2014 ... 48

Fig. 4.7 – NDVI julho de 2015 ... 49

Fig. 4.8 – Diferenciação NDVI 2014 ... 51

Fig. 4.9 – Diferenciação NDVI 2015 ... 52

Fig. 4.10 – Composição de bandas RGB: (a) 2013; (b) 2014; (c) 2015 ... 55

Fig. 4.11 – Mapa da cobertura do solo em julho de 2013 ... 57

Fig. 4.12 – Mapa da cobertura do solo em julho de 2014 ... 58

4

ÍNDICE DE QUADROS

Tabela 2.1 – Comprimentos de onda e resolução das bandas espetrais (USGS, 2015)... 13

Tabela 3.1 – Cores das classes de informação... 33

Tabela 4.1 – Data de captação dos dados de satélite ... 36

Tabela 4.2- PCA 2013 - 2014 ... 42

Tabela 4.3 - PCA 2014 - 2015 ... 45

Tabela 4.4 – Classificação por cor... 54

5

ABREVIATURAS E SIGLAS

EROS - Earth Resources Observation and Science LDCM – Landsat Data Continuity Mission

NASA - National Aeronautics and Space Administration NDVI - Normalized Difference Vegetation Índex

OLI – Operational Land Imager PCA – Principal Components Analisys PNPG – Parque Nacional da Peneda Gerês RGB – Red, Green and Blue

SIG – Sistema de Informação Geográfica SWIR - Short Wave Infrared

TIRS – Thermal Infrared Sensor

USGS – United States Geological Survey

7

Capítulo 1

INTRODUÇÃO

A deteção remota a partir de imagens de satélite mostra-se especialmente adequada para avaliar alterações da cobertura do solo. A disponibilidade operacional de imagens de satélite de alta resolução, como é o caso do Landsat, abre novas possibilidades para a análise e monitorização dos recursos florestais. Além disso, apresentam inúmeras vantagens, comparativamente com os dados adquiridos através de métodos tradicionais, como é o caso dos dados obtidos por fotogrametria ou através de levantamentos topográficos. Entre as principais vantagens destacam-se a capacidade de poder cobrir, numa só imagem, vastas extensões da superfície terrestre, na ordem de milhares de quilómetros quadrados, a possibilidade de se obterem imagens da mesma área em diferentes períodos de tempo, permitindo seguir as alterações ocorridas na cobertura do solo e o facto das imagens de satélite serem obtidas sem qualquer restrição administrativa.

Nas últimas duas décadas, têm-se verificado grandes avanços em tecnologia de deteção remota e em Sistemas de Informação Geográfica (SIG), que têm sido utilizados para caracterizar e mapear mudanças na cobertura do solo. O mapeamento pode ser combinado com dados geoespaciais, infraestruturas e aglomerados populacionais, para caracterizar áreas de importância estratégica (Carroll et al, 2013).

Recorrendo a uma série temporal de imagens de satélite e a tecnologia SIG, é possível avaliar a dinâmica das alterações da cobertura do solo e por conseguinte, contribuir com ferramentas de suporte à gestão e ao planeamento de uma Área Natural.

O propósito geral desta dissertação é desenvolver e implementar metodologias de deteção remota capazes de avaliar as alterações da cobertura do solo ao longo do tempo. A prossecução deste desígnio compreende a implementação de métodos para detetar e mapear as mudanças, assim como a adoção de um sistema de classificação adequado para representar a cobertura do solo da área em estudo.

É ainda objetivo desta dissertação, desenvolver um estudo de caso que incide sobre o Parque Nacional da Peneda Gerês, tendente a avaliar, com recurso a imagens de satélite e tecnologia SIG, as alterações da cobertura do solo, ocorridas no período de 2013 a 2015, em consequência das vulnerabilidades e pressões exercidas sobre esta área natural.

8

No tocante às vulnerabilidades, destaca-se, entre outras, o risco de incêndio, o risco de erosão do solo e a proliferação de espécies invasoras. Os incêndios florestais são a principal ameaça à floresta do PNPG, tendo ocorrido inúmeros incêndios nos últimos anos, com vários hectares de área queimada. Os seus efeitos, para além de trazer graves consequências para a biodiversidade, provocam também, perdas de solo, alterações na paisagem e perda de rendimento económico. Ao nível das pressões, a pressão urbanística associada à procura de segunda habitação e a um aumento da pressão turística constituem problemas que urge solucionar.

Esta dissertação desenvolve-se ao longo de 5 capítulos, constituindo o presente o primeiro capítulo, dedicado à introdução que abre o tema sobre deteção remota na avaliação das alterações da cobertura do solo no PNPG.

O segundo capítulo resume na sua essência o Estado de Arte, onde se apresenta a pesquisa bibliográfica sobre a temática da deteção remota. É feito uma síntese sobre dados de satélite e em particular imagens de satélite. São revistas algumas técnicas de deteção de alterações mais comumente aplicadas em estudos das alterações da cobertura do solo, que utilizam imagens de satélite e sistemas de informação geográfica.

O terceiro capítulo aborda a metodologia aplicada ao estudo de caso, descrevendo em detalhe os métodos usados para atingir os objetivos propostos.

O quarto capítulo incide no desenvolvimento de um estudo de caso, sobre o Parque Nacional da Peneda-Gerês, traçando as técnicas utilizadas para mapear as mudanças da cobertura do solo ao longo do período em estudo. Neste capítulo são também apresentados os resultados, gráficos e numéricos, obtidos na avaliação das alterações do PNPG e que certamente contribuirão para uma eficaz gestão da área protegida.

O quinto e último capítulo descreve as conclusões gerais que foram tiradas deste estudo e apresenta algumas recomendações para desenvolvimentos futuros.

Com este trabalho é possível obter uma metodologia para a identificação e a avaliação das alterações da cobertura do solo, bem como o seu mapeamento, com a identificação qualitativa e quantitativa das alterações ocorridas de forma a permitir aos decisores, implementar medidas com vista à minimização das alterações da cobertura do solo do PNPG.

9

Capítulo 2

DETEÇÃO REMOTA

A Deteção Remota pode ser entendida como o conjunto de técnicas que se utilizam para se obter informação sobre um objeto, área ou fenómeno usando um sensor que não está em contacto direto com esse objeto, área ou fenómeno (Singh, 1989).

Para Campbell (2007), deteção remota "É a ciência de derivar informações sobre um objeto sem realmente entrar em contacto com ele".

É a ciência e em certa medida, a arte, de adquirir informações sobre a superfície da Terra sem realmente estar em contacto com ela. A ciência disponibiliza os instrumentos e a teoria, para compreender a forma como os objetos e os fenómenos podem ser detetados e a arte consiste no desenvolvimento e utilização de técnicas de análise para gerar informação útil (Aronoff, 1991). Em deteção remota a energia emanada pela superfície da Terra, como se exemplifica na figura 2.1, é medida usando um sensor instalado numa aeronave ou num veículo espacial, de forma a obter imagens da superfície terrestre.

Fig. 2.1 – A radiação solar em deteção remota (GEOL3105)

Satélite Radiação Solar Refletida Atmosfera Sol Floresta Água Radiação Solar Incidente Solo nu Vegetação Pavimento Rodoviário Edificado

10

A energia refletida pela luz solar permite que a imagem captada, seja em muitos aspetos, semelhante à observação da superfície da terra a partir de um avião, embora os comprimentos de onda usados em deteção remota estejam muitas vezes fora do alcance da visão humana (Richards e Jia, 2006), como ilustra a figura 2.2. Importa salientar que o sistema é complexo, uma vez que envolve o espalhamento e emissão de energia a partir da superfície da terra, seguido da transmissão através da atmosfera até ao sensor de captação e de transmissão ou transporte de dados de volta à terra onde são transformados em produtos de imagem prontos a serem utilizados. Estes dados em formato de imagem, podem ser usados para construir mapas de características da superfície da terrestre (Richards e Jia, 2006).

11

2.1 Dados de satélite

Dados de satélite desempenham um papel fundamental em deteção remota, sobretudo quando se trata de estudar grandes áreas. Em muitos casos, os dados de satélite são restritos ou cobrados, todavia uma nova era de dados de satélites de acesso aberto começou em 2008, quando o United

States Geological Survey (USGS) disponibilizou ao público gratuitamente o seu arquivo Landsat, a maior coleção do mundo de imagens da Terra. A disponibilização de imagens de satélite gratuitamente irá melhorar a ciência e a monitorização de estudos ambientais (Wulder e Coops, 2014).

O Programa Landsat integra o Programa de Pesquisa de Mudanças Globais dos EUA e será usado para resolver uma série de prioridades da ciência, como a dinâmica das mudanças da cobertura e do uso do solo. Com o lançamento, em 1972, do ERTS-1, Earth Resources Satellite Technology, mais tarde renomeado Landsat1, deu-se início a uma era de novos satélites que, continuamente, têm fornecido dados espaciais sobre a cobertura da Terra.

As imagens de satélite são a melhor fonte de dados, em estudos do uso e da cobertura do solo, na monitorização da perda de biodiversidade ou no controlo da desmatação e na degradação da floresta (Wulder e Coops, 2014).

Num estudo sobre a Mata Nacional do Gerês, Viana et al. (2008) efetuaram uma classificação da cobertura do solo, para os anos de 1995 e 2007, utilizando para o efeito imagens de satélite. A imagem Landsat-5 TM de 5 de Julho de 1995, a imagem Landsat-5 ETM de 1 de Abril de 2001 e a Landsat-5 TM, de 4 de Agosto de 2006.

Recentemente, foi lançado em fevereiro de 2013 um satélite da série “Missão de Continuidade de Dados Landsat” (LDCM), renomeado posteriormente de Landsat 8. Este satélite integra o programa mundial de pesquisa conhecido como Diretório de Missões Científicas da NASA, um programa de longo prazo que estuda mudanças globais do ambiente.

2.1.1 Características dos dados Landsat 8

Dados do satélite Landsat 8, comparativamente com a dos seus antecessores, proporcionam aos utilizadores uma qualidade superior, contribuindo assim, para uma melhoria na capacidade de deteção de mudanças na superfície da Terra (USGS, 2015)

O satélite Landsat 8 mede a superfície da Terra entre o espetro visível e o infravermelho, com uma resolução entre 15 e 100 metros, encontrando-se equipado com dois instrumentos de varrimento: o

12

sensor Operational Land Imager (OLI) e o Thermal Infrared Sensor (TIRS), que proporcionam um desempenho melhor que os instrumentos Landsat anteriores.

O sensor OLI com duas novas bandas: a banda de azul profundo para estudos costeiros e aerossóis, e a banda do infravermelho de ondas curtas para a deteção de nuvens cirrus, acrescentam, ambas, garantia de qualidade à produção de dados. Por seu turno, o sensor térmico infravermelho (TIRS) fornece duas bandas térmicas.

Estes sensores possibilitam um melhor desempenho na relação sinal-ruído e na qualidade radiométrica através de uma gama dinâmica de 12 bits. Imagens de 12 bits possuem 4096 níveis de cinza, muito superior aos 256 níveis de cinza em instrumentos de 8 bits anteriores. A melhoria da relação do sinal em função do ruído permite uma melhor caracterização do estado da cobertura do solo.

As imagens obtidas a partir do Landsat 8 são constituídos por nove bandas espetrais com uma resolução espacial de 30 metros para as bandas de 1 a 7 e banda 9. A resolução da banda 8, pancromática, é de 15 metros. As bandas térmicas 10 e 11, muito úteis no fornecimento da temperatura da superfície do solo, possuem uma resolução de 100 metros. As imagens são fornecidas com um tamanho de aproximadamente 170 km, na dimensão norte-sul, e de 183 km na dimensão este-oeste. As características das bandas espetrais, nomeadamente o seu comprimento de onda e a sua resolução, são apresentadas na tabela 2.1.

13

Tabela 2.1 – Comprimentos de onda e resolução das bandas espetrais (USGS, 2015).

Bandas Comprimento _{de onda}

[µm]

Resolução [m]

Banda 1 - Aerossóis, estudos costeiros 0,43 - 0,45 30

Banda 2 - Azul 0,45 - 0,51 30

Banda 3 - Verde 0,53 - 0,59 30

Banda 4 - Vermelho 0,64 - 0,67 30

Banda 5 - Infravermelho Próximo 0,85 - 0,88 30

Banda 6 - Onda curta infravermelho 1 1,57 - 1,65 30

Banda 7 - Onda curta infravermelho 2 2,11 - 2,29 30

Banda 8 - Pancromática 0,50 - 0,68 15

Banda 9 - Cirrus 1,36 - 1,38 30

Banda 10 - Infravermelho Térmico 1 10,60 - 11,19 100*(30)

Banda 11 - Infravermelho Térmica 2 11,50 - 12,51 100*(30)

* As bandas 10 e 11 são adquiridas com uma resolução de 100 metros, sendo convertidas para 30 metros de resolução no produto final fornecido.

Os dados disponibilizados contêm ainda um ficheiro de metadados, que compreende parâmetros específicos dos números digitais registados no momento da sua geração. Em geral, este ficheiro inclui os seguintes parâmetros (USGS, 2015):

- identificação única da imagem Landsat, hora e data da captação da imagem; - caminho e linha da trajetória, longitude e latitude dos cantos da imagem; - linhas e amostras das bandas reflexivas, pancromática e termal;

- nomes dos ficheiros;

- atributos de imagem, incluindo a cobertura de nuvens, elevação e azimute do sol e número de pontos de controle usados;

14

2.2 Pré-processamento de imagens

As imagens de satélite são afetadas principalmente pela presença da atmosfera entre o sensor e a superfície terrestre. Os efeitos mais frequentes traduzem-se na diminuição da faixa de valores digitais registados pelo sensor, na diminuição do contraste entre superfícies adjacentes e pela alteração do brilho de cada ponto da imagem. Os gases como o vapor de água, o oxigénio, o ozono e o dióxido de carbono e, os aerossóis, refletem, refratam, absorvem e espalham a radiação desde que atinge a atmosfera até a deixar, depois de refletida, pelo solo (Zullo Jr., 1994).

No entanto, as Imagens Landsat de Nível 1T são submetidas a uma correção de terreno padrão, ou seja, uma correção geométrica através da incorporação de pontos de controlo no terreno e com recurso ao Modelo Digital de Elevação (DEM) para precisão topográfica. Os produtos Landsat 8 padronizados fornecidos pelo USGS têm por base números digitais (DN) quantificados e calibrados, que representam os dados de imagens multiespetrais adquiridas pelos sensores do satélite. As imagens são processadas em unidades de brilho absoluto no formato de 32 bits. Ainda assim, estas bandas são fornecidas em formato 16 bits não encriptado e podem ser convertidas aos valores de refletância e de radiância no Topo da Atmosfera (TOA), utilizando coeficientes de redimensionamento radiométricos fornecidos no arquivo de metadados do produto (MTL). Este arquivo MTL também contém as constantes térmicas necessárias para converter os dados TIRS para a temperatura de brilho do satélite.

2.2.1 O Striping e Banding

Por vezes as imagens apresentam erros de Striping e Banding, como se ilustra na figura 2.3 e que podem afetar os resultados do processamento de imagens, pelo que imagens com estas anomalias, serão de evitar. O “Striping” é um fenómeno que aparece de forma consistente como colunas de píxeis clara ou mais escura, numa única banda de dados radiometricamente corrigidos. “Banding“ é muito similar, ocorrendo em várias colunas contíguas. Ambos são causados frequentemente por incorreta calibração dos sensores, um relativamente ao outro.

15

Fig. 2.3 - Exemplo de Striping numa composição de bandas RGB de 2008.

2.2.2 Refletância e Radiância

A refletância é definida como a razão entre a energia incidente sobre um corpo e a energia refletida. Trata-se da interação que ocorre entre a energia solar quando atinge um objeto e a energia que é retornada, inalterada e com o ângulo de incidência coincidente com o ângulo de reflexão. O comprimento de onda refletido, não absorvido, determina a cor do objeto. A refletância é uma função do ângulo de incidência da energia, do ângulo de visão do sensor, do comprimento de onda espetral e da largura de banda, bem como da natureza do objeto.

Por seu lado, a radiância pode ser entendida como a medida da energia irradiada por um objeto.

2.3 Processamento de Imagens

O processamento de imagens submete as imagens multiespetrais a um conjunto de procedimentos e técnicas de forma a extrair a informação pretendida. Todavia, os sistemas SIG atuais, dispõem de algoritmos avançados capazes de efetuar esse mesmo processamento de imagens.

2.3.1 Imagens de Satélite na Deteção de Alterações da Cobertura do Solo

16

informação de campo necessária, sem que se traduza numa perda de qualidade de informação (Kleinn, 2002).

Para Prentzel (2004), imagens de satélite integradas em Sistemas de Informação Geográfica (SIG), constituem uma ferramenta de análise da cobertura do solo de elevada utilidade, ao mesmo tempo que possibilitam a criação de novos dados espaciais, sobre os quais se podem tomar melhores decisões ao nível do planeamento e ordenamento do território.

Um estudo desenvolvido por Viana et al. (2008) avaliou a evolução da cobertura e ocupação do solo da Mata Nacional do Gerês, fazendo uso das tecnologias de Deteção Remota e Sistemas de Informação Geográfica. O estudo tinha por objetivo a avaliação da paisagem global, a sua composição e estrutura para o período entre 1995 e 2007 e também, elaborar uma projeção para 2015 com base nos potenciais de transição apresentados. Nesse estudo, a deteção de alterações na cobertura do solo baseou-se na comparação píxel a píxel das imagens classificadas, por se tratar de um método largamente utilizado e de fácil compreensão. O objetivo desta etapa era comparar as imagens geradas para os diferentes anos em análise. Para o efeito, foi utilizado o módulo Land

Change Modeler do software IDRISI Andes para fazer a análise integrada da cobertura do solo e a sua projeção para o futuro. Foi ainda efetuada uma análise sobre os padrões espaciais das duas imagens, para quantificar a estrutura da paisagem (Viana et al., 2008).

Mancino et al. (2014), num estudo sobre a floresta nativa na região da Basilicata, Itália, demonstraram que a deteção de mudanças da vegetação a partir de imagens de satélite, pode fornecer resultados confiáveis na avaliação da expansão natural das florestas e na dinâmica da cobertura florestal. A validação do método implementado, utilizando a análise visual de ortofotos aéreas e comparação com pontos de controlo de amostragem ao nível do solo, permitiram a identificação correta das alterações da vegetação devido à expansão natural da floresta (Mancino et

al., 2014).

2.3.2 A Análise de Componentes Principais

A PCA (Principal Components Analysis) é um método de análise estatística capaz de melhorar a interpretação de dados multiespetrais usados em deteção remota. É uma técnica de ordenação multivariada, que possibilita detetar mudanças no solo a partir de uma série de imagens multitemporais. Permite ainda a padronização de séries de imagens distintas, um passo necessário em qualquer procedimento de deteção digital de alterações da cobertura do solo (Millward et al, 2002).

17

O objetivo desta transformação é reduzir o número de bandas nos dados de entrada e compactar o máximo de informação das faixas originais. As "novas" bandas, resultantes deste procedimento estatístico são chamadas de componentes principais. Este processo tenta, a partir dos dados originais, maximizar estatisticamente a quantidade de informação ou variância, no menor número de novos componentes (Lillesand e Kiefer, 1994).

A PCA baseia-se no princípio de que a maioria das imagens de deteção remota apresentam elevadas correlações inter banda. Isto permite, transformar dados das faixas de entrada, de atributos multivariados correlacionados, num novo espaço de atributos multivariados, não correlacionados, cujos eixos são rodados em relação ao espaço original. A principal razão para a transformação destes dados, numa análise de componentes principais, é compactá-los, eliminando a redundância (Jensen, 1986).

Em teoria, o método PCA adota o princípio, que duas bandas de dados de imagem normalmente distribuídas, assumem, num gráfico de dispersão, uma forma elíptica (fig. 2.4), se existir correlação entre as bandas ou um círculo caso não exista correlação.

Fig. 2.4 - Elipse dos pontos no gráfico de dispersão (ESRI, 2014)

Conceptualmente, utiliza-se uma imagem raster de duas bandas, efetuando-se uma translação e uma rotação dos eixos de modo a que a transformação dos dados se efetue da seguinte forma: o eixo maior da elipse torna-se o novo eixo do “x”, ou seja, o primeiro componente principal (PC1). O PC1 descreve a maior variância, porque é o maior corte transversal que pode ser obtido a partir da elipse. A direção do PC1 indica o vetor próprio e a sua magnitude mostra o valor próprio. O ângulo formado entre o eixo do “x” e o PC1 representa o ângulo de rotação que é usado na transformação, como mostra a figura 2.5.

18

Fig. 2.5 - Primeiro Componente principal, PC1 (ESRI, 2014)

O segundo componente principal (PC2) é calculado através de uma linha ortogonal perpendicular ao PC1. Esta linha constitui o novo eixo y e descreve a maior variância nos dados, não descritos por PC1 (fig.2.6).

Fig. 2.6 - Segundo Componente principal, PC2 (ESRI, 2014).

O resultado do PCA produz uma quadrícula de bandas múltiplas com o mesmo número de bandas que o número especificado de componentes, uma banda por eixo ou componente no novo espaço multivariado. Frequentemente as três ou quatro primeiras Componentes Principais contêm 95% da variância, pelo que as restantes bandas raster individuais podem ser ignoradas (ESRI, 2014). Lasaponara (2005) aplicou a análise de componentes principais (PCA) para avaliar as anomalias inter anuais da vegetação na ilha da Sicília. A análise foi executada numa série temporal 1999-2002 para o valor anual máximo composto de imagens SPOT/NDVI Vegetação, adquiridos para ilha. O

Novo eixo “x”, no maior eixo da elipse – PC1

Angulo de rotação

Novo eixo “y”, no menor eixo da elipse – PC2

19

PCA foi usado como base de dados para melhor transformar regiões de mudanças localizadas em conjuntos de dados multitemporais. É o resultado direto da alta correlação que existe entre imagens para as regiões que não mudam significativamente e a correlação relativamente baixa associada a regiões que mudam substancialmente. Todas as áreas vegetadas, floresta natural, arbustos, cobertura herbácea e terras agrícolas foram analisadas, a fim de extrair as mais proeminentes alterações naturais e/ou induzidas pelo homem e que possam afetar o comportamento da vegetação. Os resultados obtidos sugerem que o PCA pode fornecer informações valiosas para as políticas de gestão ambiental que envolvem a preservação da biodiversidade e a exploração racional dos recursos naturais e agrícolas.

Uma abordagem PCA foi usada por Deng et al. (2008), na qual imagens com n bandas obtidas em datas temporais distintas foram combinadas e transformadas, tendo verificado que existe uma elevada correlação entre imagens para as áreas inalteradas e uma correlação relativamente baixa entre zonas alteradas significativamente.

2.3.3 Índice de Vegetação por Diferença Normalizada

O Índice de Vegetação por Diferença Normalizada (NDVI) é usado em todo o mundo para fins como a avaliação de zonas de risco de incêndio florestal, a monitorização da seca, a produção agrícola ou o mapeamento do avanço da desertificação. O NDVI é o índice preferido para monitorizar a vegetação global, uma vez que permite compensar as condições de iluminação, a inclinação do terreno ou outros fatores externos (Lillesand, 2004).

Todavia, o NVDI é sobretudo usado para determinar a densidade da vegetação verde da cobertura do solo, através da análise dos comprimentos de onda da luz solar visível e do infravermelho próximo, refletidas pelas plantas. Quando a luz solar atinge os objetos, determinados comprimentos de onda são absorvidos e outros são refletidos. Nas plantas, o pigmento de clorofila das folhas absorve fortemente a luz visível (0,4 – 0,7 µm) para uso na fotossíntese. Por seu lado, a estrutura celular das folhas, reflete fortemente a luz de infravermelho próximo (0,7 – 1,1 µm). Quanto maior o número de folhas de uma planta, mais os comprimentos de onda da luz são afetados. Este índice é por isso calculado a partir da luz do vermelho visível e do infravermelho próximo refletida pela vegetação, como se ilustra esquematicamente na figura 2.7.

20

Fig. 2.7 – NDVI (Weir e Herring, 2000)

A vegetação saudável, árvore da esquerda, absorve a maior parte da luz do vermelho visível incidente e reflete uma grande parte da luz de infravermelho próximo. Por seu turno, a vegetação pouco saudável ou esparsa, árvore da direita, reflete mais a luz do vermelho visível e menor luz no infravermelho próximo (Nasa, 2015).

Por isso, em estudos de vegetação, as relações ou diferenças entre bandas do vermelho e do infravermelho próximo são comumente utilizados para observação das áreas vegetadas, através das diferentes características de absorção e reflectância da vegetação nessas bandas (Jensen, 1996). Quase todos os índices de vegetação obtidos por imagens de satélite utilizam a fórmula 2.1 para quantificar a diferença da densidade de crescimento de plantas sobre a Terra - a radiação infravermelha próxima (IV) menos a radiação do vermelho visível (V) dividido pela radiação do infravermelho próximo, mais a radiação vermelho visível.

=( − ) ( + ) (2.1) Vermelho Infravermelho próximo Vermelho Infravermelho próximo

21

Os cálculos do NDVI para um dado píxel resultam num número que varia entre -1 e 1. No entanto, a ausência de folhas verdes produz um valor próximo de zero. O valor zero significa que não há vegetação e um valor entre 0,8 e 0,9 indica uma elevada densidade de folhas verdes (NASA, 2015). Estes valores de píxel podem ser convertidos em mapas de cores representando os valores da vegetação. Mapas obtidos a partir deste índice são, por isso, extremamente úteis para monitorizar as alterações ambientais e climáticas, nomeadamente na monotorização do desmatamento, da desertificação ou da seca. Para além disso, permitem ainda classificar os diferentes tipos de vegetação, bem como detetar mudanças na cobertura do solo ao longo do tempo.

Todavia, além do processamento descrito, é ainda possível executar o processamento diferencial de imagens NDVI, considerado o algoritmo de deteção de mudanças mais amplamente aplicado. Trata-se da subtração de imagens originais ou transformadas de uma data (e.g. índices de vegetação), a imagens de uma segunda. Com dados “perfeitos”, resultaria num conjunto de resultados em que os valores positivos e negativos representariam áreas de mudança e valores zero nenhuma mudança (Coppin et al, 2004).

Lyon et al., em 1998 implementaram o método diferenciado de imagens NDVI tendo considerado a melhor técnica de deteção de alterações da vegetação para monitorizar a desmatação e a perda de vegetação.

Na avaliação da expansão natural da floresta na região de Basilicata no sul da Itália, no período de 1984 a 2010, Mancino et al. (2014) implementaram o método da Diferenciação do Índice de Vegetação por Diferença Normalizada (NDVI), utilizando imagens de satélite Landsat Thematic Mapping (TM). Após um pré-processamento, as imagens foram utilizadas para calcular NDVI e posteriormente o NDVI Diferenciação. Os limites para a deteção de alterações da vegetação foram obtidos, i) pela análise visual da imagem resultante da composição das bandas RGB e ii) por comparação visual de ortofotos aéreas digitais. Por conseguinte, o autor validou esta metodologia a partir de observações do terreno da área em estudo, tendo a sua aplicação registado uma precisão de 91,8% na deteção da expansão florestal natural.

2.4 Classificação de Imagens

Classificação de Imagens é um processo de atribuição a cada píxel de uma imagem, uma determinada classe ou tema, com base nas características estatísticas dos valores de brilho do píxel. Porém, importa distinguir entre classes de informação e classes espetrais. Classes de informação são categorias de interesse que o utilizador tenta identificar nas imagens, como é o caso dos

22

diferentes tipos de culturas, diferentes tipos de floresta ou espécies de árvores, diferentes unidades geológicas ou tipos de rocha.

Classes espetrais são grupos de pixéis uniformes ou muito semelhantes, caracterizados pelos seus valores de brilho nos diferentes canais espetrais de dados. O objetivo é combinar classes espetrais de dados com classes de informação de interesse. É ao analisador que cabe decidir sobre a utilidade das diferentes classes espetrais e efetuar a correspondência com as classes de informação úteis (CCRS, 2015).

Viana et al. (2008) caracterizaram e identificaram as diferentes classes de cobertura do solo, tendo por base o conhecimento do terreno, a interpretação dos ortofotomapas em formato digital de 1995 e de 2006 e ainda os levantamentos de campo feitos por GPS (sistema de posicionamento global) entre 1995 e 2007. Numa primeira fase, a seleção do número de classes para a classificação da ocupação do solo, teve por base a legenda do programa “Corine”. Posteriormente, após estratificação dos ortofotomapas e processamento dos dados recolhidos por GPS, adotou-se um conjunto alargado de classes, considerando as espécies de vegetação.

Genericamente, existem duas abordagens que são utilizadas na maioria das vezes, nomeadamente, a classificação Não Supervisionada e classificação Supervisionada.

2.4.1 Classificação Não Supervisionada

Neste procedimento classificativo, as classes espetrais, são em primeiro lugar agrupadas com base na informação numérica dos dados do sistema, sendo em seguida geradas classes de informação. Normalmente o operador só especifica em quantas classes devem ser agrupadas os dados espetrais. Para Parece et al. (2010) é um método de identificação, agrupamento e rotulagem de recursos numa imagem de acordo com seus valores espetrais. Numa classificação não supervisionada, pixéis são agrupados com base na distância e na homogeneidade espetral.

Saliente-se que a classificação não supervisionada produz classes de identidades espetrais homogéneas que podem nem sempre corresponder a classes informativas. Enquanto classes espetrais produzem pixéis agrupados a partir valores de brilho uniformes, classes informativas referem-se a grupos que transmitem informações úteis ao utilizador como são exemplo, o uso do solo, classes de solo ou a produtividade agrícola. Quando se utiliza classificação não supervisionada, as classes de informação podem conter uma variedade de identidades espetrais. Por

23

isso, uma classe espetral conforme identificado pela classificação não supervisionada pode não corresponder efetivamente a uma classe informativa diferente (Parece et al., 2010).

Esta classificação, para além de muitas vezes ser usada quando os dados da classificação supervisionada são de difícil obtenção ou aquisição, também é usada para determinar as classes espetrais a considerar, numa abordagem supervisionada subsequente (Richards et al., 2000). Contudo, a classificação não supervisionada, permite a partir do agrupamento de píxeis com o mesmo valor espetral, obter mapas de classificação, em função dos grupos de classes espetrais estabelecidos.

Mas F. (1999) aplicou a abordagem de Classificação Não Supervisionada, a uma imagem obtida a partir de oito bandas multidata para a classificar em 35 grupos e identificar potenciais classes de mudança. Na imagem de classificação obtida foi efetuada a correspondência entre o tipo de cobertura do solo e o agrupamento de píxeis, para ambas as datas. As classes da cobertura do solo consideradas foram cobertura florestal, vegetação natural não florestal, pastagens/ agricultura, água e área urbana.

2.4.2 Classificação Supervisionada

A Classificação Supervisionada envolve uma quantidade considerável de entradas por parte do analisador de imagem, assim como, o conhecimento dos diferentes tipos de cobertura do solo da área em estudo, que pode ser obtido a partir de mapas ou de levantamentos de campo, onde as diferentes classes da superfície são identificadas e as suas posições geográficas registadas. É contudo, um processo de classificação que envolve um maior número de passos (Gibson e Power, 2000).

Viana et al., (2008) obtiveram mapas da cobertura do solo a partir da classificação digital de imagens de satélite Landsat TM, com o apoio de ortofotomapas de fotointerpretação e levantamentos de campo efetuados por GPS.

Por conseguinte, nesta classificação, o utilizador tem o controlo do processo, cabendo-lhe definir as classes de informação desejada ao selecionar pixéis que representam padrões conhecidos ou identificados através de outras fontes. A seleção de padrões na imagem, por parte do analisador permite que o sistema identifique padrões espetrais com caraterísticas semelhantes. De notar que, numa classificação rigorosa, cada classe resultante corresponde a um padrão inicialmente selecionado (Parece et al., 2010).

24

Saliente-se que para uma seleção de amostras confiáveis, o utilizador deve aplicar a informação, seja espacial ou espetral, sobre os pixéis que quer classificar. No fundo, o resultado depende do conhecimento que o utilizador possui sobre os padrões da cobertura do solo e sobre os dados que permitem ao sistema determinar os critérios estatísticos de classificação.

Ao selecionar amostras, o utilizador está a definir um conjunto de pixéis que representam o que é reconhecido como um padrão discernível ou uma classe potencial. O sistema calculará estatisticamente a partir dos pixéis do exemplo uma assinatura paramétrica para a classe. (Parece et

al, 2010).

Um procedimento de classificação supervisionada realizado por Mas F. (1999) classificou duas imagens em 10 categorias temáticas (floresta primária, floresta secundária, mangais, zonas húmidas, terras de pastagem, agricultura, água, área urbana e nuvens). Seguidamente, para conseguir o mesmo número de classes temáticas consideradas anteriormente na classificação não supervisionada, agrupou mangais, floresta primária e secundária numa única classe floresta e terras de pastagem e agricultura, também numa só classe.

25

Capítulo 3

METODOLOGIA

A metodologia aqui estabelecida tem por base a aplicação de tecnologia SIG, disponibilizada pelo

software Arcmap, a uma série temporal de imagens de satélite, com o objetivo de avaliar a dinâmica das alterações da cobertura do solo e contribuir com ferramentas de suporte à gestão e à tomada de decisões no planeamento de Áreas Naturais.

Perseguindo este propósito, o processamento de imagens de satélite desempenha um papel primordial e envolve a manipulação de dados de múltiplas bandas espetrais, permitindo uma análise multitemporal a partir de imagens adquiridas em tempos diferentes. É um processo que permite combinar e transformar bandas originais em “novas” imagens, com dados mais consistentes da informação que se pretende relevar.

É de sublinhar que, em deteção digital de alterações da cobertura do solo, tudo é afetado por algum constrangimento espacial, espetral, temporal ou temático. O tipo de método implementado pode afetar profundamente a estimativa qualitativa e quantitativa da perturbação (Colwell e Weber,1981). Para o mesmo ambiente, diferentes abordagens podem produzir diferentes mapas de alterações da cobertura do solo (Coppin et al, 2004).

3.1 Imagens de Satélite

As imagens de satélite podem ser obtidas através do Serviço Geológico dos Estados Unidos (USGS), que disponibiliza gratuitamente as imagens do seu arquivo Landsat, a maior coleção do mundo de imagens da Terra. É possível descarregar arquivos de várias datas contendo, para além, das imagens das diferentes bandas, um ficheiro de metadados que fornece informações e parâmetros específicos dos números digitais registados no momento da sua geração.

As imagens encontram-se classificadas por trajetória e fila, de acordo com a notação global usada na catalogação de dados Landsat, o Sistema de Referência Global (WRS).

26

3.2 Pré-processamento de imagens

O pré-processamento de imagens tem por objetivo minimizar os efeitos provocados pela presença da atmosfera, de forma a estabelecer uma ligação mais direta entre os dados do espetro radiométrico e as propriedades biofísicas do solo, através da remoção de erros de aquisição de dados, ruído de imagem e ainda do mascaramento contaminado, como ocorre frequentemente com a presença de nuvens. O pré-processamento de imagem consiste numa série de operações sequenciais, que incluem a calibração da radiância e da refletância, bem como a correção do brilho do satélite.

3.2.1 Conversão para Radiância no topo da atmosfera

A conversão dos valores de radiância é um passo fundamental para colocar os dados de imagem de vários sensores e plataformas numa escala radiométrica comum. Este é um passo essencial em estudos de deteção de mudanças de cobertura do solo com base em imagens multitemporais. Dados das bandas espetrais podem ser convertidos em valores de Radiância no topo da atmosfera, utilizando coeficientes radiométricos fornecidas nos metadados do arquivo MTL, através da expressão:

= + (3.1)

onde:

= radiância espetral, no topo da atmosfera (watts / m2 * srad * µm)

= fator de escala multiplicativo específico obtido nos metadados

(RADIANCE_MULT_BAND_x, em que x é o número da banda)

= fator de escala aditivo específico obtido nos metadados (RADIANCE_ADD_BAND_x, em que x é o número da banda)

27

3.2.2 Conversão para Refletância no topo da atmosfera

Os dados do sensor podem ser convertidos em valores de Refletância no topo da atmosfera, usando coeficientes de redimensionamento de refletância fornecidas nos metadados do arquivo MTL, através da seguinte expressão:

′ = +

(3.2) onde:

′ = valor de refletância planetária, sem correção do ângulo solar.

= fator de escala multiplicativo específico obtido nos metadados

(REFLECTANCE_MULT_BAND_x, em que x é o número da banda)

= fator de escala aditivo específico obtido nos metadados (REFLECTANCE_ADD_BAND_x, em que x é o número da banda)

= produto padrão calibrado e quantificado em valores de pixel (DN).

A refletância no topo da atmosfera corregida do ângulo solar é dada por:

= ′

cos( )=

′

sin( ) _(3.3)

onde:

ρλ = refletância planetária no topo da atmosfera

θSE = ângulo de elevação do sol no centro da imagem em graus, fornecido nos metadados (SUN_ELEVATION).

θSZ = ângulo zenital solar; θSZ = 90 ° - θSE

3.2.3 Conversão da Temperatura de Brilho do Satélite.

Dados da banda infravermelho térmico, podem ser convertidos de radiância espetral a temperatura de brilho utilizando as constantes térmicas fornecidas no arquivo de metadados:

28 = !2 ln (!1+ 1) (3.4) onde:

T = Temperatura de brilho no satélite (K)

Lλ = TOA radiância espetral (Watts / (m2 * SRAD mm))

K1 = conversão térmica da faixa específica constante a partir dos metadados (K1_CONSTANT_BAND_x, em que x é o número de banda, 10 ou 11) K2 = conversão térmica da faixa específica constante a partir dos metadados (K2_CONSTANT_BAND_x, em que x é o número de banda, 10 ou 11).

3.3 Processamento de imagens

Técnicas de deteção remota tem apresentado várias metodologias de processamento de imagens para deteção de alterações. Desde simples algoritmos de diferenciação de imagem a algoritmos de regressão mais avançados têm sido implementados para mapear e detetar as mudanças na cobertura do solo.

3.3.1 Análise de Componentes Principais (PCA)

A análise de componentes principais tem sido utilizada de forma eficaz em muitos estudos, como método de redução de dados, que preserva a variância total, enquanto minimiza o erro médio quadrático, sendo também utilizado para identificar conjuntos de dados dominantes (Fung e LeDrew, 1987). Esta técnica transforma o conjunto de dados originais num conjunto substancialmente menor, mais fácil de interpretar e de variáveis não correlacionadas que representam a maioria das informações na base de dados original (Dunteerties, 1989). Os componentes principais são derivados dos dados originais tais que o primeiro componente principal é responsável pela maior percentagem de variância. Os componentes ortogonais subsequentes representam a percentagem decrescente da variância restante (Fung e LeDrew, 1987).

A Análise de Componentes Principais é processada através do algoritmo disponível no software

29

saída. O valor especificado pelo utilizador para o número de componentes principais, determina o número de bandas de componentes principais na raster multibanda de saída, não devendo este número ser superior ao número total de bandas de entrada. De notar que as bandas raster devem ter uma interseção comum, caso contrário ocorrerá um erro e não será criado nenhum resultado (Esri, 2014).

As bandas de entrada para este processamento podem ser selecionadas uma a uma, ou então, encontrarem-se previamente fundidas, dado que, o próprio sistema assume o número de bandas integradas na fusão. O resultado numérico deste algoritmo, ou seja, as matrizes de covariância e de correlação, os valores e vetores próprios, bem como a percentagem de variância de cada captação de valores próprios e a variância cumulativa descrita, serão armazenados num arquivo ASCII (Esri, 2014).

Os valores próprios são proporcionais à variância dos dados originais, refletindo a percentagem de variância, a quantidade de informação extraída a partir dos dados originais em cada componente principal. Os vetores próprios atuam como coeficientes de ponderação e refletem a distribuição de cada banda original nas imagens transformadas (Lindsay, 2002).

Por conseguinte, a leitura das imagens das componentes, mostra o resultado gráfico das associações espaciais identificadas por cada componente. As áreas de forte associação com cargas altamente positivas são mostradas a branco, ao passo que as áreas com forte associação mas com cargas negativas são mostradas a preto. Áreas em tons de cinza indicam associações mais fracas. Os carregamentos, normalmente, têm uma gama de valores entre -1 e +1. Cargas positivas elevadas significam uma similaridade para com o componente e as cargas negativas indicam uma inversão no padrão espacial entre dados originais e os do componente. Uma carga próxima de zero tem pouca semelhança (Piwowar et al., 2001).

3.3.2 Índice de Vegetação por Diferença Normalizada (NDVI)

O NDVI (Normalized Difference Vegetation Index) é um índice padronizado que permite gerar um mapa em função da verdura existente, ou seja, da biomassa relativa. Este índice, também é usado para monitorizar zonas de seca, monitorizar e prever a produção agrícola, auxiliar na prevenção de fogos florestais ou mapear o avanço da desertificação. Deste modo, utiliza-se para determinar a densidade da vegetação verde, a partir da observação das diferentes cores, dos diferentes comprimentos de onda, da luz solar visível e do infravermelho próximo refletidos pelas plantas. A vegetação verde contém grandes quantidades de clorofila que origina uma elevada reflectância nas

30

regiões espetrais do infravermelho próximo, enquanto a vegetação danificada apresenta um decrescimento no teor de clorofila resultando na diminuição da reflectância na banda do infravermelho próximo. A fenologia e o vigor vegetativo são os principais fatores que determinam o NDVI (CCRS, 2015).

A aplicação do NDVI sucede através do algoritmo da plataforma SIG, para cada um dos anos em observação. Neste processo, utilizam-se imagens de satélite das faixas vermelho (V) e infravermelho próximo (IV), tal como sugere a expressão matemática (3.5) do NDVI:

=( − )

( + ) (3.5)

Depois de obtidos os mapas do Índice de Vegetação, é aplicado um procedimento de diferenciação aos pares temporais em análise. Este procedimento resulta da aplicação Diferenciação NDVI do

software Arcmap, que efetua uma comparação píxel por píxel entre duas camadas, resultando numa imagem de valores entre -1 e 1, sendo que o zero significa ausência de folhas verdes e valores próximos de 1 representam uma forte vegetação.

É possível, a partir daqui, mapear a diferença de vegetação em 3 intervalos, distribuídos por zonas de não mudança, zonas incremento e zonas de decremento da vegetação. Contudo, este procedimento envolve definir limites, à esquerda e à direita do valor médio do intervalo da zona de não mudança. De acordo com a literatura de referência existem vários métodos para obter esses limites, se bem que, um dos mais disseminados é método do desvio padrão. Em particular apresenta-se um método aplicado por Mancino et al., (2014).

A imagem obtida pela diferenciação NDVI (ΔNDVI) é reclassificada utilizando um valor limite calculado como μ ± n × σ, onde “μ” representa a média dos pixéis ΔNDVI dos números digitais e “σ” o desvio padrão. O fator “n” define o intervalo de dispersão em torno da média. O limite identifica três gamas na distribuição normal:

a) a cauda esquerda (ΔNDVI <μ – n × σ); b) a cauda direita (ΔNDVI> μ + n × σ);

c) a região central da distribuição normal (μ - n × σ <ΔNDVI <μ + n × σ).

O valor limite, é assim identificado por “n × σ” da média da imagem NDVI, onde o valor “n” é identificado pelo método de tentativa e de teste, e “σ” é o desvio padrão da função de densidade de valores de pixéis na imagem mudança. Esta abordagem apresentou resultados fiáveis em diferentes

31

ecossistemas florestais, no que diz respeito a mudanças do uso do solo quer induzidas pelo homem quer de origem natural. Para o autor, a obtenção do melhor valor para “n × σ” final, baseou-se na análise visual da composição e relações de banda Landsat TM RGB, e na comparação visual de ortofotos aéreas digitais Volo Itália 1994, e conjuntos de dados Terra Itália 2008. Esta análise visual com base em três diferentes valores, 1 × σ, 1,5 × σ e 2 × σ, incidiu em 200 pontos aleatoriamente escolhidos dentro da área de mudança de vegetação, concluindo que o limite “1 × σ” representava melhor as áreas mais prováveis de mudança na vegetação.

De forma resumida é possível apresentar o processamento NDVI Diferenciação no fluxograma da figura 3.1.

Fig. 3.1 – Fluxograma do NDVI Diferenciação

Seleção de Imagens

NDVI

NDVI

NDVI

32

3.4 Classificação de Imagens

A Classificação de imagens digitais usa a informação espetral, contida nos números digitais, para classificar individualmente cada píxel, através do reconhecimento de padrões espetrais. O processo de classificar padrões espetrais numa imagem é feito por interpretação visual, identificando grupos homogéneos de pixéis que representam classes ou categorias de elementos da cobertura terrestre. O objetivo é atribuir aos píxeis da imagem, classes ou categorias, por exemplo, água, floresta, matos e pastagens, solos improdutivos, rochas, etc.. A imagem resultante da classificação é composta por um mosaico de píxeis, pertencendo cada um a um determinado tema e formando assim um mapa temático da imagem original.

Apesar de existirem várias abordagens para efetuar classificação digital, apenas dois métodos de classificação, os mais comuns, irão ser abordados: a classificação não supervisionada e a classificação supervisionada.

3.4.1 Classificação Não Supervisionada

A Classificação Não Supervisionada é um método em que pixéis de uma imagem são agrupados em diferentes classes espetrais, sem que o utilizador conheça previamente a existência ou nomes dessas classes (Richards J. A., 1984). Esta classificação é extremamente útil para determinar a composição de classes espetrais dos dados antes da análise detalhada do método de classificação supervisionada (Richards J. A., 1984).

A Classificação Não Supervisionada torna-se importante para determinar os diferentes tipos de uso do solo a partir das classes espetrais e criar um código de cores para mapear as classes de informação.

A prossecução desta classificação envolve numa primeira fase a transformação das bandas raster, procedendo-se à composição das bandas para cada uma das datas que se pretende analisar. Esta composição de bandas, para além de poder ser usada no processo classificativo, permite a obtenção de imagens RGB que podem ser usadas na análise visual para correspondência entre as classes de informação pretendidas e a atribuição de cores da classificação temática.

O procedimento de Classificação Não Supervisionada produz grupos de identidades espetrais homogéneos, sendo que, o número de classes a definir será dependente do número de classes de informação, ou seja, dos diferentes tipos de cobertura do solo. No entanto, cada uma das classes de informação pode conter uma variedade de identidades espetrais. Assim, o número de classes a

33

adotar está relacionada com o tipo de cobertura do solo que visualmente se identificam nas imagens de satélite previamente processadas. Este processamento classificativo é efetuado pelo software

Arcmap, que agrupa os pixéis de acordo com a sua informação espetral, sendo necessário ao utilizador introduzir o número de classes informação pretendido. Deste modo, as classes de informação pretendidas e a sua correspondente cor encontram-se representadas na tabela 3.1.

Tabela 3.1 – Cores das classes de informação

Classe Cor

corpos de água azul

floresta verde escuro

matos e pastagens verde claro

solo nu castanho claro

rochas castanho escuro

3.4.2 Classificação Supervisionada

A Classificação Supervisionada implica que o analisador tome uma quantidade considerável de decisões e que tenha um elevado conhecimento dos diferentes tipos de cobertura da área em estudo. Esta informação pode ser obtida a partir de ortofotomapas ou através de levantamentos de campo, com a identificação das diferentes classes e a sua posição geográfica.

É portanto um procedimento onde o utilizador assinala na imagem os diferentes tipos de cobertura da superfície do solo, atribuindo-lhe diferentes classes ou categorias. O sotfware gera parâmetros estatísticos das áreas selecionadas que são comparados com os números digitais de cada píxel da restante imagem (Gibson e Power, 2000)

Desta forma, o utilizador supervisiona a categorização das classes específicas, deixando que o sistema informático reconheça espetralmente as áreas afins, classificando-as em toda a superfície em análise. Assim, numa classificação supervisionada são primeiramente identificadas as classes de informação, sendo posteriormente usadas para determinar as classes espetrais que representam. Este processamento fica concluído com a atribuição de cores às diferentes classes de cobertura do solo.

Para garantir um bom resultado nesta classificação, é necessário selecionar um número representativo de píxeis por classe e assegurar que as áreas de seleção, para qualquer classe, não se

34

concentrem apenas numa parte da imagem, mas antes, garantam a abrangência de toda a superfície em análise (Gibson e Power, 2000).

3.5 Fluxograma da metodologia

De uma forma esquemática, o processo metodológico encontra-se ilustrado no fluxograma da figura 3.2.

Fig. 3.2 – Fluxograma da metodologia

Deteção Remota

SIG

Pré-processamento

de imagens

PCA

Deteção de

Alterações

NDVI

∆NDVI

Mapas

Incremento

Vegetação

CLASSIFICAÇÃO

Mapas

Classificação do

Solo

35

Capítulo 4

DETEÇÃO REMOTA: APLICAÇÃO AO PNPG E RESULTADOS

O Parque Nacional da Peneda-Gerês (PNPG) foi a primeira área protegida criada no nosso país e é a única que possui o estatuto de Parque Nacional, reconhecendo o seu valor ecológico, educacional e científico, devido à riqueza do seu património natural e cultural, sendo um dos últimos redutos do país onde se encontram ecossistemas no seu estado natural, com reduzida ou nula influência humana (Resolução do Conselho de Ministros n.º 11-A/2011).

Todavia, o PNPG encontra-se exposto a diversas vulnerabilidades e pressões, de origem natural ou resultantes de ações antropogénicas, com incidência nas componentes de conservação da natureza e dos sistemas biofísicos fundamentais.

Como vulnerabilidades, podemos destacar o risco de incêndio, o risco de erosão do solo e a proliferação de espécies invasoras. Os incêndios florestais constituem a principal ameaça à floresta, o que representa graves consequências para a biodiversidade, bem como, perdas de solo, alteração da paisagem e perda de rendimento económico. A erosão do solo deve-se sobretudo, à escassez de vegetação originada pelo pastoreio intensivo e pelo efeito dos fogos florestais, o que em zonas de elevada declividade causa grande instabilidade nos solos.

Ao nível das pressões, a principal é a pressão urbanística, originada sobretudo pela procura de segunda habitação e pela atividade turística, sendo um dos problemas que urge solucionar (ICNF, 2013).

É pois por isso, de primordial importância, desenvolver sistemas baseados em deteção remota para monitorizar continuamente esta área protegida. A deteção remota, com recurso a imagens de satélite e a tecnologia SIG, pode desempenhar um papel essencial na análise e avaliação das alterações da cobertura do solo provocadas em toda a extensão do Parque.

4.1 Área de estudo

O Parque Nacional da Peneda-Gerês (PNPG) localiza-se a norte de Portugal, na zona de transição entre o Minho e Trás-os-Montes, confinado pelos meridianos 8º 25’ e 7º 53’ W e pelos paralelos 41º 41’ e 42º05’ N. Ocupa uma área de 69 596 ha, distribuídos por 5 concelhos: Melgaço, Arcos de

36

Valdevez e Ponte da Barca do distrito de Viana do Castelo, Terras de Bouro, do distrito de Braga e Montalegre, do distrito de Vila Real (ICNF, 2013).

4.2 Dados de satélite

Os dados de satélite usados neste estudo foram descarregados, de forma livre, a partir do sítio do Serviço Geológico dos Estados Unidos (USGS), nomeadamente do centro Earth Resources

Observation and Science (EROS). Cada um dos arquivos de dados das diferentes datas, recolhidos pelo satélite Landsat 8, é composto por 11 ficheiros das bandas espetrais, pela banda de qualidade e pelo ficheiro de metadados. Uma única imagem de satélite é suficiente para cobrir totalmente a área do PNPG, que corresponde à trajetória 204 e fila 31. Os dados empregues neste estudo, foram captados nas datas indicadas na tabela 4.1.

Tabela 4.1 – Data de captação dos dados de satélite

Ano Mês Dia

2013 julho 6

2014 julho 7

2015 julho 12

4.2.1 Seleção e pré-processamento de imagens

A adequada seleção das datas de aquisição de imagens reveste-se de importância crucial, na deteção das alterações bitemporais das áreas em estudo. Imagens de datas anuais próximas, isto é, imagens de ciclos anuais ou seus múltiplos, são muitas vezes utilizadas, uma vez que atenuam as discrepâncias na refletância causada pelo fluxo sazonal de vegetação e minimizam as diferenças do ângulo de incidência do sol. (Coppin et al, 2004).

Apesar da enorme dificuldade na obtenção de dados da mesma época do ano, particularmente, onde a cobertura de nuvens é comum, o impacto das diferenças do ângulo solar e as diferenças fenológicas da vegetação podem ser parcialmente reduzidos pela seleção de dados pertencentes à mesma fase do ano (Singh, 1989).