Dissertação de Mestrado em Sensoriamento Remoto, orientada pelos Drs. Nelson Jesus Ferreira e Yosio Edemir Shimabukuro

ANÁLISE DA DINÂMICA DA COBERTURA VEGETAL NA REGIÃO SUL DO BRASIL A PARTIR DE DADOS MODIS-TERRA

Roberta Rosemback

Dissertação de Mestrado em Sensoriamento Remoto, orientada pelos Drs.

Nelson Jesus Ferreira e Yosio Edemir Shimabukuro

INPE

São José dos Campos 2007

RESUMO

Dentre as pesquisas relacionadas ao uso e cobertura da terra, a dinâmica da vegetação e a conexão desta com a variabilidade climática vem sendo um tema muito explorado, especialmente com informações obtidas por sensoriamento remoto. Este trabalho analisa a dinâmica da cobertura vegetal na Região Sul do Brasil a partir do Índice de Vegetação por Diferença Normalizada (NDVI) gerado pelo sistema MODIS-Terra e dados meteorológicos durante o período de Fevereiro de 2000 a Fevereiro de 2006. Foram aplicados métodos estatísticos tradicionais para a observação da variabilidade espaço- temporal e do comportamento médio da vegetação e da precipitação. Os resultados indicam que apesar do regime de chuvas ter sido quase homogêneo durante o período, a primavera mostrou-se a mais chuvosa das estações, seguida do verão, outono e inverno.

Em geral na região Sul períodos secos acarretam anomalias negativas de NDVI e períodos chuvosos geram anomalias positivas. A análise das correlações entre NDVI e o transporte horizontal de vapor de água mostram o papel da Amazônia e do Oceano Atlântico Sudoeste. Destacam-se as seguintes grandes manchas de cobertura vegetal:

áreas de atividade agrícola, Floresta Ombrófila Mista, Floresta Estacional Decidual, e a Floresta Estacional Semidecidual. Foi possível observar comportamentos semelhantes em tipos vegetais diferentes, como é o caso da Savana, Floresta Ombrófila Densa e Áreas de Tensão Ecológica; e Floresta Estacional Semidecidual e Decidual. A Floresta Ombrófila Mista, Estepe, e a Savana Estépica apresentam comportamento característico.

Também foi aplicada a técnica de Transformada de Ondaleta para a detecção do comportamento da vegetação em termos de escalas temporais (freqüências), ou seja, ciclos periódicos e aperiódicos. Foram identificados: um ciclo anual (entre 10 e 15 meses na escala de periodicidade) bem definido; um ciclo semi-anual (entre 5 e 7 meses) não tão marcante; e ciclos de menor escala com baixa magnitude. Destaca-se que em alguns casos ocorreram nítidas interações de escalas, situações desse tipo indicam um impacto maior do clima sobre a cobertura vegetal. A exploração desses dados e técnicas se mostrou válida ao cumprir os objetivos propostos e fomentar novas discussões a cerca da otimização dos recursos atualmente disponíveis para este tipo de análise.

DYNAMIC ANALYSIS OF VEGETATION COVER IN SOUTHERN BRAZIL USING MODIS/TERRA DATA

ABSTRACT

Amongst the research on land use and land cover, vegetation dynamic and its connection with climate variability is an important issue, especially when the use of remote sensing is considered. This study analyses the vegetation cover dynamic in Southern Brazil using the Normalized Difference Vegetation Index generated by the MODIS/Terra system and observed precipitation datasets from February 2000 to February 2006 period. Traditional statistical methods were used to observe the vegetation and precipitation space-timing variability and average behavior. Despite the even distribution of rainfall during this period, the austral spring was the rainiest season, followed by summer, autumn and winter. The results show that in general dry periods were correlated to NDVI’s negative anomalies, while wet periods led to NDVI’s positive anomalies. The cross correlation analysis of NDVI and the horizontal water vapor transport show the role of Amazon Basin and the SW Atlantic Ocean. The main observed vegetation coverage types were: agriculture areas, Tropical Mixed Ombrophilous Forest, Deciduous Seasonal Forest, and Semideciduous Seasonal Forest.

Similar behaviors occurred in different vegetation types such as Savanna, Tropical Close Ombrophilous Forest and Ecotones areas, as well as Semideciduous Seasonal Forest and Deciduous Seasonal Forest. Tropical Mixed Ombrophilous Forest, Steppe Savanna, and Arboreous Savanna presented a particularly unique behavior. The Wavelet Transform was applied to the NDVI dataset samples in order to detect the variability of vegetation in different time scales (frequencies). This procedure allowed the depiction of several periodical and non-periodical vegetation cycles. The annual cycle was clearly demarked (between 10 and 15 months on the periodicity scale). The semi-annual cycle was also present (between 5 and 7 months), but was less clearly defined. Fluctuations in shorter scale cycles were also distinct. In some cases there was a clear interaction or superposition of scales suggesting a stronger impact on the local vegetation cover. The use of NDVI MODIS data and proposed methodology was appropriate to accomplish the study objectives and provided insight into optimization of the available resources.

SUMÁRIO

Pág.

LISTA DE FIGURAS... i

LISTA DE TABELAS ... iv

LISTA DE SIGLAS E ABREVIATURAS ... v

CAPÍTULO 1 ... 1

INTRODUÇÃO ... 1

1.1 Justificativa... 2

1.2 Objetivo geral ... 3

1.3 Objetivos Específicos ... 3

CAPÍTULO 2 ... 5

FUNDAMENTAÇÃO TEÓRICA... 5

2.1 Índice de Vegetação ... 5

2.2 Satélite Terra / Sensor MODIS... 7

2.2.1 Produtos MODIS ... 8

2.3 Variabilidades climáticas globais e regionais... 8

2.3.1 El Niño e La Niña... 8

2.3.2 Variações climáticas regionais ... 10

2.4 Ferramentas Estatísticas ... 10

2.4.1 Média sazonal e anomalia normalizada... 10

2.4.2 Correlações cruzadas com defasagem de tempo (lag) e teste t-Student ... 11

2.4.3 Análise por Ondaletas (Wavelet Transform)... 12

2.5 Dinâmica da cobertura vegetal e do clima... 13

CAPÍTULO 3 ... 16

ÁREA DE ESTUDO... 16

3.1 Região Sul do Brasil... 16

3.1.1 Caracterização climática da Região Sul ... 16

3.1.2 Cobertura vegetal da Região Sul ... 17

CAPÍTULO 4 ... 22

DADOS E METODOLOGIA ... 22

4.1 Dados... 22

4.1.1 NDVI MODIS ... 22

4.1.2 Dados meteorológicos ... 23

4.2 Metodologia... 24

4.2.1 Cálculo da média sazonal e anomalia normalizada ... 24

4.2.2 Histogramas temporais ... 25

4.2.3 Seleção de áreas-teste ... 25

4.2.4 Banco de dados... 26

4.2.5 Transporte horizontal de vapor de água ... 26

4.2.6 Correlações cruzadas com defasagem de tempo (lag) e teste t-Student... 27

4.2.7 Aplicação da Análise de Ondaletas ... 27

CAPÍTULO 5 ... 28

RESULTADOS E DISCUSSÕES ... 28

5.1 Sazonalidade da precipitação e da vegetação na Região Sul do Brasil:... 28

5.1.1 Precipitação ... 28

5.1.2 Vegetação ... 30

5.1.3 Precipitação X Vegetação... 33

5.1.4 Transporte horizontal de umidade X vegetação ... 34

5.2 Variabilidade anual de NDVI e precipitação em relação ao comportamento médio 36 5.3 Histogramas temporais de NDVI para classes do IBGE (2005) e amostras (Fev/00- Fev/06) 47 5.3.1 Parque Nacional do Iguaçu: Floresta Estacional Semidecidual ... 51

5.3.2 Área de Proteção Ambiental Guaraqueçaba: Floresta Ombrófila Densa (Atlântica) e Floresta de Transição... 52

5.3.3 Área de Proteção Ambiental Anhatomirim: Floresta Ombrófila Densa... 54

5.3.4 Parque Nacional de São Joaquim: Campos Úmidos, Campos secos e Floresta Ombrófila Mista ... 54

5.3.5 Área de Proteção Ambiental do Ibirapuitã: Mata Ciliar e Estepe ... 57

5.3.6 Estação Ecológica de Aracuri-esmeralda: Floresta Ombrófila Mista ... 59

5.4 Análise de Ondaletas ... 59

5.4.1 Séries temporais... 59

5.4.2 Análise de Resolução Múltipla (ARM)... 61

5.4.3 Espectro de Magnitude da Ondaleta (Escalograma): ... 64

CAPÍTULO 6 ... 69

CONSIDERAÇÕES FINAIS E CONCLUSÕES ... 69

REFERÊNCIAS BIBLIOGRÁFICAS ... 71

LISTA DE FIGURAS

Figura 2.1 – Curva espectral típica da vegetação ... 6

Figura 2.2- Quadro de características do sensor MODIS... 7

Figura 3.1 – Área de estudo: Região Sul do Brasil. ... 16

Figura 3.2 – Classificação da Vegetação... 18

Figura 3.3 - Quadro de classes, área e localização da Estepe... 19

Figura 3.4 - Quadro de classes, área e localização da Floresta Ombrófila Mista... 19

Figura 3.5 - Quadro de classes, área e localização da Floresta Estacional Semidecidual ... 20

Figura 3.6 - Quadro de classes, área e localização da Floresta Estacional Decidual. .... 20

Figura 3.7 - Quadro de classes, área e localização da Floresta Ombrófila Densa... 20

Figura 3.8 - Quadro de classes, área e localização da Floresta Ombrófila Aberta... 20

Figura 3.9 - Quadro de classes, área e localização da Savana (Cerrado). ... 21

Figura 3.10 - Quadro de classes, área e localização da Savana Estépica. ... 21

Figura 4.1 – Relação de imagens Landsat/TM (data de aquisição e órbita/ponto) utilizadas para a localização das áreas-teste nos respectivos parques, áreas de proteção e estação ecológica selecionados... 23

Figura 4.2 – Fluxograma da metodologia... 24

Figura 4.3 - Localização das áreas-teste... 25

Figura 5.1. – Variabilidade Sazonal da precipitação na Região Sul do Brasil durante o período de fevereiro de 2000 a fevereiro de 2006. ... 29

Figura 5.2 - Variabilidade Sazonal do NDVI na Região Sul do Brasil durante o período de fevereiro de 2000 a fevereiro de 2006, derivada do MOD-13, resolução 250m: a) Primavera, b) Verão, c) Outono, d) Inverno... 30

Figura 5.3 – Representação gráfica da quantificação de área por intervalo de valores de NDVI em cada estação do ano. ... 33

Figura 5.4 - Gráfico de NDVI e Precipitação de fev-00 a fev-06 da amostra “Estepe”. 34 Figura 5.5 - Quadro de correlações entre precipitação e NDVI, com diferentes defasagens temporais... 34

Figura 5.6 - Quadro de correlação simultânea e com defasagens de 1 e 2 meses entre a série temporal de transporte horizontal de umidade e a série temporal de NDVI da amostra “Estepe” no período de fev-00 a fev-06... 35

Figura 5.7 - Quadro de anomalias de NDVI-MODIS e de precipitação de cada estação do ano na Região Sul do Brasil, em 2000. ... 41

Figura 5.8 - Quadro de anomalias de NDVI-MODIS e de precipitação de cada estação do ano na Região Sul do Brasil, em 2001. ... 42 Figura 5.9 - Quadro de anomalias de NDVI-MODIS e de precipitação de cada estação do ano na Região Sul do Brasil, em 2002. ... 43 Figura 5.10 - Quadro de anomalias de NDVI-MODIS e de precipitação de cada estação do ano na Região Sul do Brasil, em 2003. ... 44 Figura 5.11 - Quadro de anomalias de NDVI-MODIS e de precipitação de cada estação do ano na Região Sul do Brasil, em 2004. ... 45 Figura 5.12 - Quadro de anomalias de NDVI-MODIS e de precipitação de cada estação do ano na Região Sul do Brasil, em 2005. ... 46 Figura 5.13 – Variabilidade de NDVI durante o ano de 2005 das classes de vegetação estabelecidas pelo IBGE... 49 Figura 5.14 – Variação de NDVI em área de Floresta Estacional Semidecidual, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 51 Figura 5.15 – Variação de NDVI em área de Floresta Ombrófila Densa, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 52 Figura 5.16 – Variação de NDVI em área de Floresta de Transição, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels)... 53 Figura 5.17 – Variação de NDVI em área de Floresta Ombrófila Densa, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 54 Figura 5.18 – Variação de NDVI em área de Campos Úmidos, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 55 Figura 5.19 – Variação de NDVI em área de Campos Secos, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 55 Figura 5.20 – Variação de NDVI em área de Mata de Araucária, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 56 Figura 5.21 – Variação de NDVI em área de Mata Ciliar, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 57 Figura 5.22 – Variação de NDVI em área de Estepe, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 58

Figura 5.23 – Variação de NDVI em área de Floresta Ombrófila Mista, ao longo dos meses nos anos de 2000 a 2006. Gráfico gerado a partir de imagens NDVI/MODIS (amostras de 3 X 3 pixels). ... 59 Figura 5.24 - Séries temporais (tempo X magnitude do NDVI durante o período de fev- 00 a fev-06): a) Campos Úmidos; b) Floresta Atlântica; c) Floresta Estacional

Semidecidual. ... 60 Figura 5.25 - Amplitude dos harmônicos de NDVI obtidos via ARM: “Campos

Úmidos”, período de fevereiro-2000 a fevereiro-2006. ... 62 Figura 5.26 - Amplitude dos harmônicos de NDVI obtidos via ARM: “Floresta

Atlântica”, período de fevereiro-2000 a fevereiro-2006. ... 63 Figura 5.27 - Amplitude dos harmônicos de NDVI obtidos via ARM: “Floresta

Estacional Semidecidual”, período de fevereiro-2000 a fevereiro-2006... 64 Figura 5.28 - Escalograma de Freqüência de Ondaleta aplicada à amostra “Campos Úmidos”... 66 Figura 5.29 - Escalograma de Freqüência de Ondaleta aplicada à amostra “Floresta Atlântica”. Evento não-cíclico: imagem do dia com nuvens, uma data anterior e uma posterior... 67 Figura 5.30 - Escalograma de Freqüência de Ondaleta aplicada à amostra “Floresta Estacional Semidecidual”... 68

LISTA DE TABELAS

Tabela 2.1 – Anomalia de temperatura da superfície do mar na região Niño 3.4 ... 9 Tabela 5.1 – Quantificação de área por intervalo de valores de NDVI em cada estação.

... 32

LISTA DE SIGLAS E ABREVIATURAS ARM - Análise de Resolução Múltipla

ASTER - Advanced Spaceborne Thermal Emission and Reflection Radiometer AVHRR - Advanced Very High Resolution Radiometer

BRDF - Função de Reflectância Bidirecional

CERES - Clouds and the Earth s Radiant Energy System CPTEC - Centro de Previsão de Tempo e Estudos Climáticos CV-MVC - Constraint View angle Maximum Value Composite ENOS - El Niño-Oscilação Sul

EOS - Earth Observing System ESE - Earth Science Enterprises EVI - Enhanced Vegetation Index

GEMI - Global Environment Monitoring Index GVImss - Green Vegetation Index

IDL - Interactive Data Language IOS - Índice de Oscilação Sul

INMET - Instituto Nacional de Meteorologia MISR - Multiangle Imaging SpectroRadiometer

MODIS - Moderate Resolution Imaging Spectroradiometer MOPITT - Measurements Of Pollution In The Troposphere MRT - MODIS Reprojection Tool

NASA - National Aeronautics and Space Administration NCAR - National Center for Atmospheric Research NCEP - National Centers for Environmental Prediction

NDVI - Normalized Difference Vegetation Index

NOAA - National Oceanic and Atmospheric Administration OSAVI - Optimized Soil-Adjusted Vegetation Index PCD - Plataforma de Coleta de Dados

PVI - Perpendicular Vegetation Index ROL - Radiação de ondas longas RVI - Ratio Vegetation Index

SAVI - Soil-Adjusted Vegetation Index

SPRING - Sistema de Processamento de Informações Georreferenciadas TSAVI - Transformed Soil-Adjusted Vegetation Index

TSM - Temperatura da Superfície do Mar WDVI - Weighted Difference Vegetation Index

CAPÍTULO 1

INTRODUÇÃO

No bojo das pesquisas relacionadas ao uso e cobertura da terra, a dinâmica das comunidades vegetais vem sendo um tema muito explorado. Isso se deve ao fato de que através da observação do comportamento de cada ecossistema é possível inferir seus atributos funcionais¹ e biofísicos², produção primária bruta³ e biomassa⁴ (Yang et al., 1998). Também importante na observação dos ciclos vegetais é a determinação do começo da estação de crescimento, o pico de desenvolvimento das plantas e suas características sazonais.

Nimer (1979) coloca que nenhum fenômeno da natureza pode ser analisado isoladamente, e que a vegetação, por exemplo, não pode ser compreendida nem justificada se não for considerado o meio atmosférico no qual se insere, ou seja, o clima dominante. Esta premissa vem sendo confirmada e hoje é amplamente aceito que a resposta de diferentes tipos de vegetação é modulada pela variação climática (Liu et al., 1991; Batista et al., 1997; Barbosa, 1998; Dessay et al., 2001; Wang et al., 2003).

A visão sinótica proporcionada pelas imagens de satélite, aliada às diversas resoluções espaciais, temporais, espectrais e radiométricas dos sensores disponíveis, têm permitido a compreensão de processos climáticos dinâmicos (Carvalho et al., 2004; Cintra et al., 2005), a classificação de diferentes coberturas vegetais, bem como seu monitoramento (inclusive em tempo real) (Ornelas de Anda et al., 1992; Stone et al., 1994; Anderson et al., 2005; Frohn e Hao, 2006).

No que se refere à classificação e monitoramento da cobertura vegetal, índices de vegetação aplicados a dados de sensoriamento remoto têm sido utilizados há quase duas décadas (Almeida, 1997; Jin e Sader, 2005; Sedano et al., 2005). Desde o primeiro índice desenvolvido com o intuito de melhorar a caracterização das diferentes comunidades vegetais (Jordan, 1969), outros têm sido adaptados a fim de minimizar as diferenças sazonais do ângulo solar e os efeitos atmosféricos (Rouse et al., 1973; Kauth e Thomas, 1976; Richardson e Wiegand, 1977; Clevers, 1988; Pinty e Verstraete, 1992), e diminuir a interferência dos demais alvos que compõem um pixel (Huete, 1988; Baret et al., 1989; Rondeaux et al., 1996). Embora tais índices ainda apresentem limitações, como instabilidades e saturação, muitos trabalhos demonstram resultados positivos quanto a sua aplicabilidade.

1 Atributos funcionais dizem respeito à função da vegetação no ecossistema, como a de controlar a erosão, interceptar gotas de chuva, servir de habitat para espécies animais, de nutrir o solo etc.

2 Atributos biofísicos são os relacionados à evapotranspiração, ao controle microclimático, à absorção da água presente no solo etc.

3 Produção primária bruta é a quantidade de carbono da atmosfera absorvido pelas plantas por unidade de tempo (atividade fotossintética).

4 Biomassa é a densidade de um dossel. Troncos, folhas e frutos em termos quantitativos.

O NOAA (National Oceanic and Atmospheric Administration)/AVHRR (Advanced Very High Resolution Radiometer) foi o primeiro programa a fornecer dados de NDVI (Normalized Difference Vegetation Index) de forma sistemática. Hoje constitui uma série longa, que engloba mais de 20 anos. Contudo, desde 2000 o NDVI gerado pelo MODIS (Moderate Resolution Imaging Spectroradiometer) tem sido mais utilizado por apresentar melhor resolução espacial, correção atmosférica aprimorada e georreferenciamento mais preciso. Além disso, o MODIS oferece um contraste melhor e sofre menos influência atmosférica por possuir a banda do infravermelho próximo mais estreita e melhor posicionada que outros sensores (Moreira, 2000).

Para a observação de processos climáticos, cuja principal característica é a rápida dinâmica, estes sensores- MODIS e AVHRR- também são eficientes, e provêem uma série de dados que permitem determinações como: as temperaturas de superfície do mar, os níveis de água precipitável, a cobertura e altura das nuvens etc., em resoluções temporal e espacial satisfatórias às análises neste campo (Kampel, 2004).

Especificamente em análises da conexão entre a cobertura de vegetação e a variabilidade climática, ao relacionar NDVI a dados meteorológicos, a correlação é confirmada em diversas regiões do planeta, o que demonstra a eficiência destes para tais observações (Kawabata et al., 2001; Ichii et al., 2002). A resolução espacial também se mostra compatível à magnitude dos processos analisados, e a resolução temporal das séries disponíveis, suficientes para a dada aplicação.

1.1 Justificativa

Apesar do crescente interesse na relação entre a resposta da vegetação e diferentes variáveis climáticas como temperatura, pressão e precipitação (Potter e Brooks, 1998;

Ichii et al., 2002; Gurgel e Ferreira, 2003) e de como a variabilidade do clima (sazonal, anual e interanual) influi nas diversas comunidades vegetais, existe ainda uma carência de estudos nesta área. Tais análises se justificam por terem aplicações na modelagem climática, previsão de tempo e na estimativa da produção agrícola (Gurgel, 2000). Além disso, têm aplicações nas análises dos impactos causados por diferentes mudanças no uso e cobertura da terra, como o desmatamento, queimadas e expansão do tecido urbano e da atividade agropecuária.

Quanto às formações florestais, a participação no equilíbrio dos processos atmosféricos e na manutenção da temperatura é expressiva, devido a evapotranspiração que estas promovem. Conti e Furlan (2003) colocam que a substituição de florestas úmidas por áreas cultivadas pode causar alterações no clima em escala regional pois a mudança nos processos de absorção e reflexão dos raios solares desequilibra o balanço de radiação nas baixas camadas.

Por outro lado, ainda em Conti e Furlan (2003) é colocado que a agricultura, atividade econômica mais importante do país, é também a mais subordinada às oscilações do tempo e do clima. O êxito ou insucesso de uma colheita depende da evolução do tempo.

Ao considerar o território brasileiro em toda sua extensão, depara-se com uma cobertura vegetal muito diversificada e diferenças importantes referentes ao clima de cada região.

Os eventos de influências globais, como El Niño e La Niña, por exemplo, atuam de forma inversa no regime de chuvas no norte e no sul do país. Biomas como a Amazônia e a Mata Atlântica têm sido exaustivamente investigados, porém os estudos realizados sobre a influência do clima na vegetação da Região Sul são ainda muito pontuais ou voltados para a agricultura.

Embora a grande maioria dos trabalhos nesta área tenha utilizado dados NOAA e obtido bons resultados, a resolução espacial do sensor AVHRR (~1 km) apresenta limitações no que se refere à caracterização da variabilidade temporal e espacial da vegetação. A utilização dos dados MODIS, de resolução moderada (250 m), vem aprimorar o que tem sido feito. A série de dados que disponibiliza é de apenas 6 anos, mas já permite inferir características associadas à variabilidade temporal.

A Região Sul, formada pelos estados do Paraná, Santa Catarina e Rio Grande do Sul, ocupa apenas 6,75% (577.214 km²) do território brasileiro. Entretanto, tem um papel importante na economia do Brasil em função de sua produção agrícola baseada principalmente no trigo, soja, arroz, milho, feijão e café. Além disso, possui um moderno parque industrial e um grande potencial hidrelétrico, como é o caso da usina de Itaipu, localizada no rio Paraná, na fronteira com o Paraguai.

Nesse contexto, é de interesse científico aprimorar o conhecimento das conexões entre clima e cobertura vegetal nesta região, uma vez que estas estão intrinsecamente ligadas à produtividade agrícola e dão suporte à modelagem do sistema biosfera-atmosfera.

1.2 Objetivo geral

Este trabalho parte da premissa de que cada comunidade vegetal tem uma dinâmica temporal característica, e portanto responde de forma distinta a mudanças no padrão climático. Objetiva-se avaliar a possibilidade de descrever a dinâmica dos diferentes tipos de vegetação presentes na região Sul do Brasil e investigar as influências de eventos climáticos regionais e globais a partir de dados de sensoriamento remoto.

1.3 Objetivos Específicos

• Avaliar o potencial do produto MOD-13 (que contém os índices de vegetação providos pelo sistema MODIS-Terra) na observação da variação sazonal das diferentes coberturas vegetais presentes na Região Sul e na identificação de anomalias na resposta da vegetação.

• Identificar anomalias em séries temporais de variáveis climáticas obtidas de estações meteorológicas e por sensores remotos;

• Investigar a correlação entre o comportamento anômalo do NDVI (variável representante do comportamento da vegetação) e do clima em escala regional.

CAPÍTULO 2

FUNDAMENTAÇÃO TEÓRICA

Este estudo foi motivado pelo avanço promovido pelo sistema MODIS em relação ao AVHRR no que se refere às resoluções espacial e espectral e à sistematização do produto NDVI. Ao manipular estes dados com diferentes técnicas, configura-se uma nova perspectiva para descrever a dinâmica de diferentes tipos de vegetação, detectar mudanças abruptas de comportamento e investigar relações com episódios climáticos locais e globais. Portanto, neste capítulo serão apresentados: a teoria que baliza o índice de vegetação (2.1), as características do sistema MODIS (2.2), as possíveis variabilidades climáticas (2.3), as ferramentas estatísticas (2.4) e como o tema vegetação e clima vem sendo abordado (2.5).

2.1 Índice de Vegetação

O Índice de Vegetação é uma técnica de processamento de imagens que visa otimizar a exploração dos dados de sensores remotos. É dado pela razão entre as bandas do vermelho e infravermelho próximo. A primeira proposição, atribuída a Jordan (1969), foi o RVI (Ratio Vegetation Index), dado pela expressão:

V

RVI = IVP (2.1)

Onde : IVP é a refletância na região do Infravermelho próximo;

V é a refletância na região do vermelho.

Trata-se de um artifício matemático que utiliza a refletância dos alvos nessas faixas espectrais a fim de se obter um produto no qual a resposta da vegetação é ressaltada.

Isto é possível pois a vegetação apresenta refletância baixa na faixa do visível (da qual é utilizada a do vermelho, pois sofre menos interferência atmosférica) e alta na do infravermelho próximo (Moreira, 2000) como mostra a Figura 2.1.

Na faixa do visível a refletância de superfície é menor em função da absorção da radiação eletromagnética pelos pigmentos fotossinteticamente ativos da folha. Já no intervalo espectral do infravermelho próximo, observa-se refletância mais alta devido ao espalhamento da radiação eletromagnética na estrutura interna da folha (mesófilo foliar).

Figura 2.1 – Curva espectral típica da vegetação

FONTE: Adaptado de Hoffer (1978)

Com o objetivo de eliminar diferenças sazonais do ângulo do Sol e minimizar os efeitos da atenuação atmosférica, Rouse et al. (1973) propuseram a normalização com a qual os valores obtidos são contidos em uma mesma escala (adimensional) de valores, entre -1 e 1. A expressão do Índice de Vegetação por Diferença Normalizada (NDVI) é dada por:

Onde: ρivp é a refletância no infravermelho próximo;

ρv é a refletância no vermelho.

Como o NDVI, muitos outros índices foram criados com o intuito de diminuir a interferência dos demais alvos (principalmente o solo) e caracterizar melhor cada tipo de vegetação, como o SAVI (Soil-Adjusted Vegetation Index), TSAVI (Transformed Soil-Adjusted Vegetation Index), OSAVI (Optimized Soil-Adjusted Vegetation Index), PVI (Perpendicular Vegetation Index), WDVI (Weighted Difference Vegetation Index), GVImss (Green Vegetation Index), e GEMI (Global Environment Monitoring Index). É importante mencionar também o outro índice gerado pelo MODIS, o EVI (Enhanced Vegetation Index).

Em muitos casos, os resultados obtidos não diferem significativamente dos obtidos pelo NDVI (Wardlow et al., 2007), até porque todos trabalham com as bandas do vermelho e do infravermelho próximo (que retém 90% da informação espectral sobre a vegetação).

) (

) (

v ivp

v

NDVI ivp

ρ ρ

ρ ρ

+

= − (2.2)

Na caracterização e quantificação de um determinado parâmetro biofísico de culturas agrícolas o NDVI se mostra eficiente, pois reduz a dimensão das informações espectrais e minimiza o impacto das condições de iluminação e visada. Matematicamente, os índices citados apresentam respostas equivalentes, contudo o NDVI é mais sensível à vegetação esparsa (Ferreira et al., 2003).

Uma peculiaridade atribuída ao NDVI é a baixa sensibilidade ao aumento da biomassa vegetal a partir de determinado estágio de desenvolvimento. Ou seja, o índice estabiliza em um patamar, apresentando um mesmo valor, mesmo com o aumento da densidade do dossel.

2.2 Satélite Terra / Sensor MODIS

Com o objetivo de entender e monitorar as mudanças globais de maneira integrada, instituições de cunho científico de diversos países criaram o programa ESE (Earth Science Enterprises), o qual compreende o EOS (Earth Observing System) da NASA (National Aeronautics and Space Administration). O EOS é um programa de longa duração que prevê o lançamento de diversos satélites para a observação da superfície da terra, oceanos e atmosfera. O satélite Terra, de passagem diurna (10:30 hs. sobre o equador) foi o primeiro lançado, em 1999, e começou a fornecer dados em Fevereiro de 2000. A bordo deste estão os sensores MODIS, MISR (Multiangle Imaging SpectroRadiometer), ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer), CERES (Clouds and the Earth s Radiant Energy System) e MOPITT (Measurements Of Pollution In The Troposphere) (Anderson, 2003).

O MODIS tem como principais características (Figura 2.2) a resolução temporal de aproximadamente um dia, ampla cobertura espacial e espectral, além da continuidade de aquisição de dados providos pelo AVHRR.

Órbita 705 km, sol-síncrona, quase-polar

Campo de visada (Swath) 2330 km ± 55º cross-track

Bandas 36 bandas entre 0,405 e 14,385 µm

Resolução espacial no nadir 250m (bandas 1-2), 500m (bandas 3-7), 1000m (bandas 8-36) Horário de passagem no Equador 10:30 h (horário local)

Tempo de revisita Diária, para latitude > ~ 30º

A cada 2 dias, para latitude < ~ 30º

Resolução radiométrica 12 bits

Figura 2.2- Quadro de características do sensor MODIS

Fonte: Adaptado de Justice et al., 2002.

2.2.1 Produtos MODIS

O dado bruto do sistema MODIS não é disponibilizado para os usuários, mas sim uma série de produtos destinados ao estudo do balanço de radiação, da vegetação e da cobertura da terra, em diferentes níveis de processamento.

No que se refere ao estudo da vegetação, há basicamente o MOD13 – Vegetation Indices, o MOD15– Leaf Area Index/fPAR e o MOD17 - Net Primary Production /Net Photosynthesis.

O MOD13, de nível 3 na hierarquia de processamento, traz dois índices de vegetação, o NDVI e o EVI, gerados em composições quinzenais, mensais e anuais, nas resoluções de 250m, 500m e 1 km. Essas composições têm como principais objetivos minimizar a interferência de nuvens, discriminar com precisão as variações interanuais da vegetação e maximizar a cobertura global e temporal na resolução espacial mais fina possível (mais detalhes em 3.2.1 NDVI MODIS).

Optou-se neste estudo, pela utilização do NDVI por ser menos subjetivo que o EVI, que inclui, além de alguns coeficientes, a banda do azul. Levou-se em consideração também o número de trabalhos já realizados com o NDVI, que vem sendo disponibilizado desde 1981 pelo sistema NOAA.

2.3 Variabilidades climáticas globais e regionais 2.3.1 El Niño e La Niña

O fenômeno climático El Niño é um evento não cíclico caracterizado pelo aumento da temperatura superficial e sub-superficial das águas do Oceano Pacífico Equatorial. Tem como principais indicadores, a Temperatura da Superfície do Mar (TSM) e o Índice de Oscilação Sul (IOS). A TSM é obtida de três áreas do Oceano Pacífico (Pacífico Leste, Oeste e Central) e o IOS é dado pela medida de fase e amplitude da Oscilação Sul, que descreve as variações de pressão entre o Oceano Pacífico Leste e a Indonésia. El Niño e Oscilação Sul são partes de um mesmo fenômeno de interação entre o Oceano Pacífico Tropical e a atmosfera. Essa interação pode ser chamada de El Niño-Oscilação Sul (ENOS).

Este fenômeno tem início, em geral, na estação de outono no hemisfério sul, atingindo o máximo no verão, com duração aproximada de um ano e freqüência de ocorrência de 2 a 7 anos. Durante estes episódios observa-se uma pressão mais baixa do que a normal no leste do Pacífico Tropical e mais alta na Indonésia e norte da Austrália, e mudanças na intensidade dos ventos no equador de leste para oeste (NOAA, 2005).

Tal anomalia influencia a interação oceano-atmosfera, cuja troca de energia e umidade é responsável pelo comportamento do clima em escala regional e global. Pode ocasionar tanto chuvas intensas como fortes secas, dependendo da região do globo.

Na Região Sul do Brasil (Paraná, Santa Catarina e Rio Grande do Sul) há um sensível aumento da precipitação o que provoca impactos positivos ou negativos na agricultura, de acordo com o tipo de cultura. A soja, por exemplo, que constitui a atividade econômica mais importante da região, beneficia-se do fenômeno em função do aumento no índice pluviométrico na estação de primavera/verão, acarretando aumento na produção. Para outras culturas como a de arroz, o evento é desfavorável, pois ocasiona fortes estiagens nas estações de outono/inverno (Fontana e Berlato, 1997).

O fenômeno La Niña, é o episódio frio do Oceano Pacífico. É caracterizado pela queda da temperatura superficial do Oceano Pacífico Equatorial e Central. Esta diminuição de em média 3,5°C se dá numa estreita faixa (10 graus de latitude) que se estende da costa do Peru a 180 graus de longitude.

Em geral, o La Niña tem duração de um ano. Inicia-se em meados de um ano, atinge o pico ao final deste ano e se encerra em meados do ano seguinte. Este fenômeno faz parte das variações normais do sistema climático da Terra, não é cíclico e pode variar em intensidade.

Na ocorrência de La Niña, os ventos alísios são mais intensos e o Índice de Oscilação Sul apresenta valores positivos, os quais indicam aumento da pressão no Pacífico Central e Oriental em relação à pressão no Pacífico Ocidental. As conseqüências na Região Sul do Brasil são passagens rápidas de frentes frias e tendências à diminuição da precipitação de setembro a fevereiro, principalmente no Rio Grande do Sul.

No evento de El Niño em 1988/89, considerado forte, houve um mês de seca, em meio à estação chuvosa (setembro a dezembro) nesta região, nos demais meses da estação a precipitação permaneceu normal. Já no episódio fraco de 1995/96, todo o período chuvoso apresentou índices abaixo da normal climatológica.

A Tabela 2.1 abaixo, produzida pelo National Weather Service - Climate Prediction Center da NOAA (2007), apresenta os episódios quentes em vermelho (El Niño) e frios em azul (La Niña), da temperatura da superfície do mar na região Niño 3.4 (5^oN-5^oS, 120^o-170^oW), no Oceano Pacífico. As anomalias trimestrais foram calculadas a partir da média de um período-base de 29 anos (1971-2000) de temperatura da superfície do mar, com limiar de +/- 0,5^o C. A persistência por mais de cinco estações sobrepostas de anomalia positiva ou negativa caracteriza a ocorrência de El Niño ou La Niña respectivamente. Os valores mais altos (em módulo) representam eventos de maior intensidade.

Tabela 2.1 – Anomalia de temperatura da superfície do mar na região Niño 3.4 DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ 1999 -1.6 -1.2 -0.9 -0.7 -0.8 -0.8 -0.9 -0.9 -1.0 -1.2 -1.4 -1.6 2000 -1.6 -1.5 -1.1 -0.9 -0.7 -0.6 -0.4 -0.3 -0.4 -0.5 -0.7 -0.7 2001 -0.7 -0.5 -0.4 -0.2 -0.1 0.1 0.2 0.1 0.0 -0.1 -0.2 -0.2 2002 -0.1 0.1 0.3 0.4 0.7 0.8 0.9 0.9 1.1 1.3 1.5 1.3 2003 1.1 0.8 0.6 0.1 -0.1 0.0 0.3 0.4 0.5 0.5 0.6 0.5

2004 0.4 0.2 0.2 0.2 0.3 0.4 0.7 0.8 0.9 0.9 0.9 0.8 2005 0.6 0.5 0.3 0.4 0.5 0.3 0.2 0.0 0.0 -0.2 -0.4 -0.7 2006 -0.8 -0.7

Portanto, de acordo com este índice, são demarcados dois eventos de El Niño (um moderado em 2002/2003 e um fraco em 2004/2005), e dois de La Niña (um moderado 1999/2000, e outro curto e fraco em 2000/2001).

2.3.2 Variações climáticas regionais

Quanto às variações climáticas regionais, há na Região Sul a ocorrência de geadas, situações de bloqueio e veranicos. Geadas são formações de gelo nas superfícies expostas quando a temperatura do ar é menor que 0ºC. Podem ser advectivas (de vento) quando causadas pela entrada da massa de ar frio, ou por radiação, quando a permanência de altas pressões sobre a região favorece a perda de radiação infravermelha para o espaço. Veranicos são curtos períodos de seca. Já em condições de bloqueio, a presença de um anticiclone quase estacionário de grande amplitude interrompe a progressão normal dos sistemas para leste. A característica da circulação atmosférica associada à situação de bloqueio é a divisão do jato em dois ramos, que ocasiona um rompimento do padrão zonal.

2.4 Ferramentas Estatísticas

2.4.1 Média sazonal e anomalia normalizada

A média sazonal de um conjunto N de imagens NDVI X1, X2, X3..., XN pode ser representada por X e definida por:

N

X X

X

X X + + + + ^N

= _{1 2 3} … (2.3)

Onde: N é o número total de imagens NDVI de cada estação.

A anomalia normalizada de NDVI pode ser observada através da variável reduzida (z), que mede o desvio em relação à média, dada por:

s X z X −

= (2.4)

Onde: X é a média do conjunto de imagens;

s é o desvio padrão

2.4.2 Correlações cruzadas com defasagem de tempo (lag) e teste t-Student O coeficiente de correlação (r) é calculado a partir de uma amostra de n pares de observações X e Y. Ele mede a dispersão em torno da equação linear, ajustada através do método dos mínimos quadrados, ou o grau de relação das variáveis, em uma amostra.

O r com lag (defasagem) pode ser definido pela seguinte formulação matemática:

( ) ( )( )

( ) ( )

1

2 2

/ 1

1

2

, 1

,

⎥⎦

⎢ ⎤

⎣

⎡ −

⎥⎦

⎢ ⎤

⎣

⎡ −

−

−

=

∑

∑

∑

−

= + +

−

=

−

= + +

j n

i

j i j i j

n

i i i

j n

i

j i j i i

y y x

x

y y x x L

y x R

(2.5)

Onde: L - representa os lags (defasagens);

x e y - representam as variáveis;

x - representa a média da variável x;

y - representa a média da variável y.

i e j - representam os limites.

Na análise comparativa entre as séries temporais de NDVI e variáveis meteorológicas faz-se necessária a aplicação de um teste de significância estatística tipo t-Student. O teste t-Student é o mais recomendável em análises nas quais as variáveis são quantitativas (cujos valores provêm de uma contagem ou uma medição), e possuem média amostral. Esta estatística compara as médias amostrais através do desvio padrão da diferença entre estas. Esse valor calculado é o nível de significância.

Se o nível de significância é de 1%, o nível de confiança será 99%. O nível de confiança é uma probabilidade condicionada à validade da hipótese nula, diz respeito à probabilidade de se acertar na rejeição, e deve ser previamente definido.

O teste t-Student é dado pela equação:

1 1

− −

= N

s

t x (2.6)

Onde: x - é a média amostral;

s - é o desvio padrão da amostra;

N - é o número de graus de liberdade.

2.4.3 Análise por Ondaletas (Wavelet Transform)

Para a análise da série temporal de NDVI das áreas-teste foi utilizada a Transformada de Ondaletas com a intenção de diagnosticar a atuação de possíveis eventos climáticos locais e globais. Transformações matemáticas são comumente aplicadas no processamento de sinais para obtenção de informações ocultas no domínio da freqüência, que são adicionais às disponíveis pelo dado bruto, no domínio do tempo. A Transformada de Fourier tem sido a mais utilizada, porém apresenta algumas limitações quando aplicada a sinais não-estacionários. A Transformada de Ondaletas (Grossman e Morlet, 1984) supera tais limitações.

A Transformada de Fourier utiliza uma janela (função) de tamanho fixo para percorrer o dado. Há a detecção dos tipos de freqüência presentes no sinal, mas o tratamento destes é inconsistente, o que impossibilita a detecção de eventos não-cíclicos ou que ocorrem em diferentes escalas de tempo. Outra restrição da Transformada de Fourier diz respeito à localização temporal dos eventos, que é perdida. Nesse sentido, a Transformada de Ondaletas é um avanço em relação à de Fourier (Santos et al., 2001).

A Transformada de Ondaleta é uma função matemática que permite analisar sinais não- estacionários pela decomposição das séries temporais em tempo e freqüência, assim acusa quais freqüências existem no sinal e em qual intervalo de tempo ocorrem. As propriedades das matrizes envolvidas na ondaleta são similares às usadas na transformada de Fourier, porém com funções básicas mais complexas (Graps, 1995).

O procedimento consiste na dilatação ou compressão de uma função-mãe em um conjunto de pequenas ondas capazes de detectar as altas e baixas freqüências da série de dados, o que possibilita a análise em diferentes escalas temporais. A função-mãe deve ser quadraticamente integrável dentro de um intervalo real, ou espaço [L²(ℜ)], ou seja, deve apresentar energia finita.

Define-se matematicamente a função ondaleta numa escala a e posição b, onde a e b são valores reais, e a > 0, como sendo:

. 1

)

, ( ⎟

⎠

⎜ ⎞

⎝

= ⎛ −

a b t a

b t

a

ψ

ψ

A transformada em ondaleta contínua da função f(t) é definida pela seguinte equação:

, )

1 ( ) , )(

(W^{ψ f a b =} _a

∫

^ψ

onde f(t) é a função que constitui a série de dados a ser analisada. O termo 1/ aé utilizado para normalizar a energia de cada ondaleta.

A ondaleta aqui utilizada é a de Morlet, como dito anteriormente, que visa analisar a variação temporal brusca ou suave. A função de Morlet é dada pela seguinte expressão:

, )

( t = e

e

ψ

As ondaletas geradas utilizam

w

. 2 / e

a e

1

) , (

0 ⎟

⎠

⎜ ⎞

⎝

⎟ ⎛ −

⎠

⎜ ⎞

⎝

⎛ −

=

b t a

b w t

b

ψ

A análise de ondaletas, neste trabalho, foi gerada a partir da implementação da rotina desenvolvida por Sych et al. (2005) no software IDL.

Nos diagramas gerados pela aplicação da Transformada de Ondaleta, as baixas freqüências correspondem ao comportamento sazonal e anual da amostra analisada, o que demarca fenômenos cíclicos. Já as altas freqüências acusam mudanças abruptas de comportamento, ou seja, eventos não-cíclicos ou de menor escala.

2.5 Dinâmica da cobertura vegetal e do clima

Vários estudos têm utilizado o NDVI para representar o comportamento da vegetação e analisado as correlações deste índice com diferentes variáveis climáticas. Liu et al.

(1991) utilizaram o NDVI/AVHRR mensal do período de Junho de 1981 a Agosto de 1987 para observar a evolução dos períodos de seca e chuva na América do Sul, cujos valores menores que 0,23 indicavam as áreas afetadas pela seca onde houve stress hídrico da vegetação. Verificou-se neste estudo que a resposta espectral da vegetação à precipitação acontece cerca de um mês depois, ou seja, a maior correlação dá-se quando comparados o NDVI e a precipitação do mês anterior.

No Brasil, Batista et al. (1997) analisaram a composição mensal do NDVI/AVHRR obtida no período de Agosto de 1981 a Junho de 1991 na região Amazônica.

Concluíram que os tipos de vegetação predominantes podem ser distinguidos e observaram a relação entre estes e as mudanças climáticas. Os tipos de vegetação observados foram: floresta densa, floresta aberta, floresta de transição, caatinga e dois tipos de savana. O NDVI mensal mostrou a forte sazonalidade das savanas e da caatinga, já os outros tipos de vegetação apresentaram fracas mudanças interanuais. As composições de NDVI anual indicaram claramente a redução da resposta da cobertura vegetal nos anos secos de El Niño. Os resultados também sugerem que esses dados devem ser usados com precaução, devido a interferências atmosféricas tais como contaminação por nuvens, erupções vulcânicas além das mudanças de calibração do sensor.

Almeida e Batista (1998) analisaram a relação entre precipitação e NDVI/AVHRR na bacia do Rio Amazonas no período de janeiro de 1982 a dezembro de 1990. Eles encontraram uma baixa correlação entre essas variáveis, mesmo com uma defasagem de 2 meses de tempo de resposta entre precipitação e NDVI. Mas é importante ressaltar que foi encontrada correlação mais alta em locais de maior variação de precipitação anual.

Em contrapartida, Barbosa (1998) avaliou composições mensais de NDVI/AVHRR para o período de 1982 a 1985 e totais mensais de precipitação do nordeste do Brasil. Foi demonstrado que as distribuições espacial e temporal do NDVI e a precipitação mensal na região têm padrões semelhantes e são estatisticamente correlacionados.

Em escala global, Ichii et al. (2002), a partir de dados AVHRR-NOAA de 1982 a 1990, analisaram os coeficientes de correlação entre NDVI-temperatura e NDVI–precipitação.

Foi demonstrado que a correlação entre a média anual de NDVI e a temperatura é positiva para as médias/altas latitudes (Europa, Ásia) e negativa para o Hemisfério Sul e México. Já a correlação positiva entre as médias sazonais de NDVI e temperatura moveram-se das médias/altas latitudes (de Março a Maio) para o norte (tundra) durante o verão e depois novamente para o sul. Nessas áreas o NDVI é muito afetado pela temperatura nas estações de crescimento. A correlação negativa de NDVI-temperatura coincide com as áreas de correlação positiva entre NDVI–precipitação, a maioria em regiões semi-áridas. Nessas áreas, em escala interanual, o NDVI varia de acordo com a temperatura e a precipitação, ainda assim, a precipitação tem maiores valores de correlação com o NDVI. Estes resultados são muito importantes na avaliação da resposta da biosfera às mudanças globais, contudo, os autores colocam que não são conclusivos devido à qualidade dos dados de sensoriamento remoto.

Recentemente Jacóbsen et al. (2002) analisaram os padrões de comportamento do NDVI/AVHRR e da precipitação associados aos eventos El Niño e La Niña no Rio Grande do Sul. Eles observaram que estes fenômenos modulam a variabilidade anual da cobertura vegetal nessa região devido aos efeitos que exercem sobre a precipitação.

Gurgel e Ferreira (2003) estudaram, especificamente no território brasileiro, a conexão entre a cobertura de vegetação e a variabilidade climática anual e interanual. As análises foram feitas através do NDVI de imagens AVHRR e das médias mensais de ROL (Radiação de ondas longas). Os dados de ROL são usados, em meteorologia, para indicar a presença de nuvens convectivas que estão normalmente associadas à chuva.

Também foi utilizada a técnica estatística de Análise por Componentes Principais para o período de Janeiro de 1982 a Dezembro de 1993. A primeira componente demonstrou a capacidade do NDVI de caracterizar os padrões dos principais tipos de vegetação do Brasil e a relação entre estes e a variabilidade climática anual e interanual. A segunda e terceira componentes são associadas às porções verão/inverno e primavera/outono do ciclo anual, já as variações interanuais são moduladas pelo fenômeno ENOS (El Niño Oscilação Sul). A quarta componente mostrou que fenômenos não-climáticos, como as queimadas, afetam os valores de NDVI principalmente na área central do Brasil. Os mais altos coeficientes de correlação entre NDVI e OLR foram verão/inverno e

primavera/outono, donde se conclui que a variabilidade anual da cobertura vegetal no Brasil é modulada pelas condições climáticas.

As ressalvas quanto à correlação entre NDVI e a variabilidade climática foram colocadas por Potter e Brooks (1998). Os autores observaram a relação entre a variabilidade anual do clima e a variabilidade sazonal do NDVI em escala global. Os dados climáticos utilizados foram: temperatura diária, total de precipitação anual e índice de umidade anual. Foi demonstrado que em regiões de latitudes altas, tipos de vegetação mesclados e vegetação com distúrbios, o NDVI não apresenta correlação com o clima.

CAPÍTULO 3

ÁREA DE ESTUDO

3.1 Região Sul do Brasil

A área de estudo corresponde a Região Sul do Brasil, que compreende os estados do Paraná, Santa Catarina e Rio Grande do Sul (Figura 3.1). São aproximadamente 577.214 km² localizados entre os paralelos 22°06’ e 33°38’ de latitude Sul e os meridianos 57°25’ e 47°19’ de longitude Oeste de Greenwich. Esta região foi escolhida devido ao clima característico e ao conhecimento de suas práticas agrícolas e cobertura vegetal.

Outra motivação à escolha desta área diz respeito aos efeitos de El Niño e La Niña, que são inversos aos que ocorrem nas Regiões Norte e Nordeste do Brasil, nas quais está centrada a maioria dos trabalhos nesta linha.

3.1.1 Caracterização climática da Região Sul

A Região Sul do Brasil é privilegiada no que diz respeito ao regime anual de precipitação, cuja média varia de 1.250 mm a 2.000 mm. A distribuição espacial de chuvas se faz uniforme, característica do clima temperado, de modo que quase não há Figura 3.1 – Área de estudo: Região Sul do Brasil.

Paraná Santa Catarina Rio Grande do Sul Oc. Atlântico

Oc. Pacífico

Brasil

áreas com média anual de precipitação excessiva ou escassa (Nimer, 1979). Isso se deve, segundo Satyamurty e Mattos (1989), às passagens de frentes frias pela região.

Sendo o ritmo sazonal da precipitação da Região Sul homogêneo, não há estação chuvosa ou seca tão bem definida quanto em outras regiões do país. O máximo e o mínimo de chuvas podem ser verificados em qualquer estação do ano. Contudo, tal característica é fundamentada em valores e condições médias de um longo período de sucessivos anos, portanto não deve ser interpretada como uma realidade de cada ano (Barbieri, 2005).

As exceções são um pequeno trecho no litoral do Paraná, parcela oeste de Santa Catarina e uma restrita área em torno de São Francisco de Paula no Rio Grande do Sul, que registram médias anuais maiores que 2.000 mm. As áreas que apresentam médias mais baixas que 1.250 mm estão ao norte do Paraná, e em um pequeno trecho do litoral sul de Santa Catarina (Nimer, 1979).

As condições climáticas estão sujeitas a diferentes variabilidades e desvios interanuais, com intensidade e importância características. Na zona temperada, por exemplo, a variabilidade da temperatura pode ser mais importante que a da pluviosidade, pois tem repercussão maior na vida econômica e no comportamento social (Nimer, 1979).

Quanto à temperatura, a Região Sul apresenta isotermas anuais típicas da zona temperada (14ºC, 16ºC e 18ºC), cuja distribuição no espaço está condicionada à latitude, maritimidade e relevo. São exceções apenas trechos ao norte e oeste do Paraná, que se situam na zona de transição entre as isotermas de regiões quentes e as de regiões mesotérmicas (zona intertropical - 20ºC, 22ºC) (Nimer, 1979).

O clima temperado apresenta uma importante oscilação térmica ao longo do ano. O verão é uma estação quente, com temperaturas bem mais elevadas que no inverno. O mês de janeiro é o mais representativo do verão, e julho, do inverno. É importante ressaltar que nesta região, há pelo menos um mês com temperatura média inferior a 15ºC (Nimer, 1979).

3.1.2 Cobertura vegetal da Região Sul

No Estado do Paraná, os tipos de vegetação mais representativos são: Floresta Ombrófila Mista e Densa, Floresta Estacional Semidecídua e Savana. Em Santa Catarina destacam-se Floresta Ombrófila Mista e Densa e Savana. No Rio Grande do Sul estão presentes Floresta Estacional Semidecídua e Decídua, Floresta Ombrófila Mista e Densa, Estepe, Savana Estépica e ainda Formações Pioneiras com influências marinha e fluviomarinha (IBGE, 2004). A Figura 3.2 mostra a distribuição dos tipos de vegetação na Região Sul:

Figura 3.2 – Classificação da cobertura vegetal da Região Sul do Brasil.

FONTE: Adaptado de IBGE (2004)

POLYCONIC/SAD69

Esse mapa apresenta todas as classes de cobertura vegetal, como se pode observar nas Figuras 3.3 a 3.10, as quais também apresentam a localização e a dimensão dessas classes.

IBGE (2004) as descreve como:

• Estepe (Campanha Gaúcha): composta por vegetação predominantemente campestre. Apesar do regime de chuvas manter-se homogêneo durante o ano, as plantas estão submetidas à dupla estacionalidade, uma fisiológica, provocada pelas frentes polares, e outra seca, mais curta, com déficit hídrico.

Cobertura Vegetal Classe Área total (km²) Localização Vegetação Secundária / Atividade

Agrárias Arborizada Gramíneo-lenhosa Estepe

Parque

~ 171662

Figura 3.3 - Quadro de classes, área e localização da Estepe.

FONTE: adaptado do Mapa de Vegetação do Brasil (IBGE, 2004).

• Floresta Ombrófila Mista: também é denominada Floresta de Araucária, pela presença predominante desta espécie. Ocorre em áreas elevadas das Serras do Mar e Mantiqueira, onde a temperatura média é 18°C e nos meses mais frios é inferior a 15°C.

Cobertura Vegetal Classe Área total (km²) Localização Vegetação Secundária / Atividade

Agrárias Alto-montana Floresta Ombrófila

Mista

Montana

~ 166235

Figura 3.4 - Quadro de classes, área e localização da Floresta Ombrófila Mista.

FONTE: adaptado do Mapa de Vegetação do Brasil (IBGE, 2004).

• Floresta Estacional Semidecidual: é submetida a dois climas, um tropical, com época de intensas chuvas de verão seguidas por estiagens acentuadas; e outro subtropical, sem período seco, mas com seca fisiológica provocada pelo intenso frio de inverno, com temperaturas médias inferiores a 15°C. Nos dois casos, 20% a 50% das espécies são caducifólias, ou seja, perdem as folhas no período menos favorável.

Cobertura Vegetal Classe Área total (km²) Localização Vegetação Secundária / Atividade

Agrárias Aluvial Montana Floresta Estacional

Semidecidual

Submontana

~ 91431

Figura 3.5 - Quadro de classes, área e localização da Floresta Estacional Semidecidual FONTE: adaptado do Mapa de Vegetação do Brasil (IBGE, 2004).

• Floresta Estacional Decidual: é caracterizada por responder a duas estações distintas, uma chuvosa e uma seca. No prolongado período seco, mais de 50%

dos indivíduos perdem as folhas.

Cobertura Vegetal Classe Área total (km²) Localização

Floresta Estacional Decidual

Vegetação Secundária / Atividade

Agrárias ~ 45309

Figura 3.6 - Quadro de classes, área e localização da Floresta Estacional Decidual.

FONTE: adaptado do Mapa de Vegetação do Brasil (IBGE, 2004).

• Floresta Ombrófila Densa (Mata Atlântica): é composta por árvores de grande e médio porte, em áreas sem período seco durante o ano, nas quais a temperatura média oscila entre 22°C e 25°C.

Cobertura Vegetal Classe Área total (km²) Localização Vegetação Secundária / Atividade

Agrárias Submontana Terras Baixas Floresta Ombrófila

Densa

Montana

~ 38500

Figura 3.7 - Quadro de classes, área e localização da Floresta Ombrófila Densa.

FONTE: adaptado do Mapa de Vegetação do Brasil (IBGE, 2004).

• Formações Pioneiras: são compostas por árvores espaçadas e estrato arbustivo pouco denso. Nos locais de ocorrência a temperatura média varia entre 24°C e 25°C, e o período de seca entre 2 a 4 meses.

Cobertura Vegetal Classe Área total (km²) Localização Vegetação com Influência Marinha

Vegetação com Influência Fluvial ou Lacustre

Formações Pioneiras

Vegetação Secundária / Atividade Agrárias

~ 20711

Figura 3.8 - Quadro de classes, área e localização da Floresta Ombrófila Aberta.

FONTE: adaptado do Mapa de Vegetação do Brasil (IBGE, 2004).

• Savana (Cerrado): são formações campestres, com vegetação gramíneo-lenhosa baixa, com pequenas árvores isoladas, capões florestados e galerias florestais ao longo dos rios, ou seja, há grandes diferenças em porte e densidade. Ocorre tanto sob climas estacionais tropicais (período de seca de 3 a 7 meses), como sob climas sem período seco.

Cobertura Vegetal Classe Área total (km²) Localização Vegetação Secundária / Atividade

Agrárias Savana (Cerrado)

Gramíneo-lenhosa

~ 3286

Figura 3.9 - Quadro de classes, área e localização da Savana (Cerrado).

FONTE: adaptado do Mapa de Vegetação do Brasil (IBGE, 2004).

• Savana Estépica: as espécies são predominantemente graminosas e há presença de várias cactáceas.

Cobertura Vegetal Classe Área total (km²) Localização Vegetação Secundária /

Atividade Agrárias Savana Estépica

Parque

~ 1479

Figura 3.10 - Quadro de classes, área e localização da Savana Estépica.

FONTE: adaptado do Mapa de Vegetação do Brasil (IBGE, 2004).

Como exemplo de observação da variabilidade de alguns tipos de vegetação presentes nessa região pode-se citar o trabalho de Santos e Ferreira (2005). Eles utilizaram Análise de Fourier em dados NDVI- AVHRR na região Sul do Brasil, e observaram a dinâmica dos seguintes tipos de cobertura vegetal: Estepe (domínio de gramíneas), Savana Estépica (cobertura arbórea e várias cactáceas), Campos Sulinos (formações campestres não savânicas) e Floresta Ombrófila Densa (Mata Atlântica).

CAPÍTULO 4

DADOS E METODOLOGIA

Neste capítulo serão apresentados os dados utilizados para caracterizar a variação sazonal das diferentes coberturas vegetais presentes na Região Sul, e como foram manipulados para investigar comportamentos anômalos e a correlação com as variáveis climáticas em escala regional e global.

4.1 Dados

Para o estudo da variabilidade espaço-temporal da vegetação foram utilizados os seguintes dados: imagens NDVI MODIS (produto MOD-13), precipitação observada na Região Sul, umidade do ar e vetor vento (transporte horizontal de umidade). Ressalta-se que o uso deste conjunto de dados com resolução total demanda o processamento de extensos arquivos de dados, que de certa forma limita o seu uso para amplas áreas, principalmente no caso de análises temporais.

4.1.1 NDVI MODIS

Os dados NDVI MODIS foram obtidos junto a EOS (Earth Observing System) nos EUA. As imagens solicitadas foram arquivadas em DVD e enviadas pelo correio. Foram utilizadas imagens quase quinzenais do período de Fevereiro de 2000 a Fevereiro de 2006 (138 datas).

Para o recobrimento de toda a área de estudo foram necessários dois tiles (cenas de 1200 km X 1200 km). No caso, o tile H-13 V-11 e o tile H-13 V-12. Ao todo, portanto, foram utilizadas 278 imagens para a análise do período proposto (6 anos).

As composições de NDVI são geradas utilizando-se a função de refletância bidirecional (BRDF) de Walthall quando o número de imagens sem nuvens do conjunto de 16 é maior que 5. Os parâmetros desta função são utilizados para normalizar e interpolar a refletância de superfície no ângulo de visada ao nadir. Quando o número de imagens sem nuvens é menor que 5, é utilizado o modelo CV-MVC (Constraint View angle Maximum Value Composite), através do qual são registrados os maiores valores de NDVI da série para um determinado pixel. Assim, fatores como nebulosidade, variações do ângulo de iluminação e geometria de visada, vapor de água, aerossóis etc., são minimizados.

A resolução espacial do produto utilizado é de 250m. A aquisição de dados MODIS é originalmente feita em 12 bits. As imagens, depois de processadas, são armazenadas e disponibilizadas ao usuário em 16 bits, no formato HDF. Através do aplicativo NASA- MRT (Modis Reprojection Tool), estas foram convertidas ao formato GEOTIFF,

mosaicadas, recortadas e tiveram a projeção alterada para as adequações do estudo e dos recursos computacionais.

Os valores dos pixels da imagem NDVI, neste estágio, variam em números inteiros. A resolução radiométrica das imagens foi convertida de 16 para 8 bits por meio do software ConvGeotiff (Arai, 2005) para que pudessem ser inseridas no banco de dados criado no SPRING 4.2 (Sistema de Processamento de Informações Georreferenciadas).

4.1.2 Imagens Landsat/TM

Foram utilizadas 5 imagens Landsat/TM para a localização e verificação das 10 áreas- teste (Figura 4.1):

Parques, Áreas de Proteção Ambiental e Estação Ecológica

Número de áreas-teste

Data de aquisição da imagem

Órbita / Ponto

Parque Nacional do Iguaçu 1 Mai/2000 223/78

Área de Proteção Ambiental Guaraqueçaba 2 Set/1999 220/78

Área de Proteção Ambiental Anhatomirim 1 220/79

Parque Nacional de São Joaquim 3 Mai/2000

Área de Proteção Ambiental do Ibirapuitã 2 Jan/2000 224/81 Estação Ecológica de Aracuri-esmeralda 1 Jun/2000 221/80 Figura 4.1 – Relação de imagens Landsat/TM (data de aquisição e órbita/ponto)

utilizadas para a localização das áreas-teste nos respectivos parques, áreas de proteção e estação ecológica selecionados.

4.1.3 Dados meteorológicos

Os dados de precipitação para a Região Sul do Brasil foram obtidos junto ao Centro de Previsão de Tempo e Estudos Climáticos (CPTEC), em uma grade de resolução de 30’.

O CPTEC incorpora nesta base os dados da rede INMET (Instituto Nacional de Meteorologia) e dados das PCD’s (Plataforma de Coleta de Dados) mantidas pelo INPE.

Foram utilizados os valores de precipitação nas coordenadas correspondentes a cada áreas-teste.

As variáveis umidade específica do ar e vetor vento (componentes zonal e meridional), em pontos de grade para o período de estudo, são derivadas do modelo de previsão

numérica de tempo NCEP/NCAR (National Centers for Environmental Prediction / National Center for Atmospheric Research) (Kalnay et al., 1996). Esses dados estão organizados em pontos de grade de 2°30’ de longitude e latitude em vários níveis isobáricos. Optou-se, no presente estudo, pelo nível de 850 hPa por ser o nível bem representativo dos transportes horizontais de umidade na baixa troposfera.

4.2 Metodologia

Para a análise pretendida foram utilizadas algumas ferramentas estatísticas, gerados histogramas temporais, e levantados os eventos climáticos de influências regionais e globais mais significativos dentro do período de estudo. A metodologia está resumida no fluxograma da Figura 4.2 a seguir:

Figura 4.2 – Fluxograma da metodologia.

4.2.1 Cálculo da média sazonal e anomalia normalizada

Esta componente do estudo visa a compreensão do comportamento médio da vegetação e da precipitação e suas anomalias (desvios em relação à média) ao longo dos anos e das estações.

Especificamente foram calculadas a média sazonal de NDVI e a anomalia normalizada.

Estes cálculos foram efetuados no software Interactive Data Language (IDL 6.3). O mesmo procedimento foi aplicado aos dados de precipitação. O cálculo das médias sazonais e anomalias de precipitação foram efetuados no software GrADS, muito utilizado em meteorologia por manipular os dados em pontos de grade.