UNIVERSIDADE FEDERAL FLUMINENSE INSTITUTO DE GEOCIÊNCIAS
CURSO DE BACHARELADO EM GEOGRAFIA
CAMILA HENRICI DIAS DOBAL
ÍNDICES AUTOMÁTICOS E COBERTURA DO SOLO: UM ESTUDO DE CASO EM TAMOIOS, CABO FRIO
Niterói 2019
CAMILA HENRICI DIAS DOBAL
ÍNDICES AUTOMÁTICOS E COBERTURA DO SOLO: UM ESTUDO DE CASO EM TAMOIOS, CABO FRIO
Monografia apresentada ao curso de Bacharelado em Geografia, como
requisito parcial para a obtenção do título de Bacharel em Geografia.
Orientadora:
Prof.a Dr.a, Juliana Magalhães Menezes
Niterói 2019
ÍNDICES AUTOMÁTICOS E COBERTURA DO SOLO: UM ESTUDO DE CASO EM TAMOIOS, CABO FRIO
Monografia apresentada ao curso de Bacharelado em Geografia, como requisito parcial para a obtenção do título de Bacharel em Geografia.
Aprovada em 24 de janeiro de 2019.
BANCA EXAMINADORA
_____________________________________________
Prof.a Dr.a, Juliana Magalhães Menezes (Orientadora) - UFF
_____________________________________________ Prof. Dr. Carlos Marclei Arruda Rangel - UFF
_____________________________________________ Prof. a Ma. Luana Alves de Lima - UFF
Niterói 2019
Dedico este trabalho a meus pais Ivan Alexandre e Patrícia, que em todos os momentos da minha vida estiveram ao meu lado e que também desde pequena me mostraram que a educação é o bem mais valioso que podemos ter.
Depois de algum tempo finalizo este, que foi um dos trabalhos que mais tenho orgulho de ter realizado. Com isto e com toda minha trajetória na Universidade Federal Fluminense venho prestar alguns agradecimentos a pessoas que estiveram em meu caminho durante este percurso.
Primeiro, preciso agradecer a minha família, principalmente meus pais, que aguentaram muitos finais de período estressantes, entenderam que em alguns momentos tive que estar ausente e mais do que isto, me apoiaram em todos os momentos em que estava prestes a surtar, seja por achar que não daria conta de algum projeto ou por pura auto cobrança.
Também preciso agradecer alguns amigos, que mesmo não entendendo quase nada de Geografia, durante todo este tempo não desistiram de mim e sempre se mostraram presentes para ouvir minhas reclamações, que admito que não foram poucas, e que vibraram comigo cada conquista que tive. Nos quais destaco: Jéssica, Luiz Filipe e Thaís, muito obrigada por cada momento.
Além disto preciso comentar das pessoas que conheci nesta Geografia, que foram muito além de meros colegas e se tornaram amigos, mais aqui escolho falar apenas duas destas pessoas, representando todas, que são Gisele e Tainan. Obrigada por tudo.
Por último mais não menos importante, agradeço as oportunidades que tive nessa graduação, que foram participar do programa de monitoria, com a orientação da Prof.a Dr.a, Juliana Magalhães Menezes, que abriu meus caminhos para além da Cartografia e além disso aceitou a tarefa de ser minha orientadora, obrigada por tudo. E a oportunidade de estágio que tive no Centro de Hidrografia da Marinha (CHM) no setor de Cartografia, que mudou minha perspectiva de trabalho como Geógrafa e me permitiu vivenciar um pouco a importância do trabalho do cartógrafo.
A única forma de chegar ao impossível é acreditar que é possível Lewis Caroll
RESUMO
O presente trabalho busca estabelecer uma relação entre os Índices Automáticos de detecção de água e a cobertura do solo na região de Tamoios em Cabo Frio. Para isto foram utilizadas imagens Landsat 8 disponibilizadas pelo Serviço Geológico Norte
Americano (USGS). Os índices automáticos podem ser caracterizados como operações matriciais que tem como objetivo identificar um ou mais alvos em imagens de satélite, neste trabalho, buscamos trabalhar com o Índice de Diferença Normalizada da Água (NDWI) de McFetteres (1996), que surge inspirado em um dos primeiros índices deste tipo, o NDVI, o Índice de Diferença Normalizada da Água Modificado (MNDWI) de Xu (2006), que é uma nova versão do índice anterior e o Índice Automático de Extração de Água (AWEI) de Feyisa et al. (2014), que apresenta diferentes versões para imagens que apresentam sombra ou não, chamados de AWEIsombra e AWEIsem sombra. O mapeamento de Cobertura do Solo foi realizado de forma automática no software SPRING, com base em amostras espectrais coletadas pelo usuário, no qual foram consideradas as classes de cobertura: água, área urbana, vegetação e solo exposto (incluindo nesta categoria também afloramentos rochosos e as salinas - áreas de extração de sal - presentes na região). Como resultado dos mapas e das comparações realizadas entre eles pode ser constatado que apesar de todos os índices utilizados neste trabalho terem diferenciado os alvos (água e não água) os que apresentam melhores resultados foram o MNDWI e o NDWI pois neles, além da diferenciação entre a água e os outros alvos representados em diferentes cores (água em tons azuis e não água em tons próximos ao vermelho), podemos perceber também uma diferenciação entre áreas com a presença de material particulado em suspensão e áreas que não o possuem. Quanto a comparação com a cobertura do solo, também houve correspondência nestes índices.
PALAVRAS-CHAVE: Cobertura do Solo; Recursos Hídricos; Sensoriamento Remoto.
ABSTRACT
The present work seeks to establish a relationship between Automatic Water Detection Index and the Land Cover in Tamoios district, in Cabo Frio. For this, were used Landsat 8 images available provided by the Geological Survey North American (USGS). The automatic indexes can be characterized as matrix operations that aim
to identify one or more targets in satellite images. In this work, we sought to work with the McFetteres (1996) Water Normalized Difference Index (NDWI), which is inspired by a of the first indices of this type, the NDVI, the Standardized Difference Index of Modified Water (MNDWI) of Xu (2006), which is a new version of the previous index and the Automatic Water Extraction Index (AWEI) of Feyisa et al. (2014), which features different versions for shady or non-shaded images, called AWEI shadow e AWEI no shadow. The mapping of Land Cover was performed automatically in the SPRING software, based in spectral samples, collected by the user, were considered in which the cover class: water, urban area, vegetation and bare soil (including in this category also outcrops and salt extraction area - that has in this region). As result of the maps and the comparison made between them, it can be verified that although all the indexes used in this work differentiated the targets (water and no water) the ones which better results are the MNDWI and NDWI because in them, in addition to the differentiation between water and other targets represented in different colors (water in blue tones and not water in shades near to red), we can also see a differentiation between areas with the presence of suspended particulate matter and areas that they do not have it. As for the comparison with the soil cover, there was also correspondence in these indices.
Keywords: Land Cover; Water resources; Remote sensing.
LISTA DE ILUSTRAÇÕES
Figura 1 - Localização da Área de Estudo ... 19
Figura 3 - Mapa NDWI ... 23
Figura 4 - Mapa MNDWI ... 24
Figura 5 - Mapa AWEI sem sombra ... 25
Figura 6 - Mapa AWEI com sombra ... 26
Figura 7- Mapa de Cobertura do Solo ……….... 28
Figura 8 - Gráficos de áreas classificadas como Água e Não Água... 29
LISTA DE TABELAS Tabela 1 - Satélites e Bandas utilizadas para o NDWI ... 17
Tabela 2 - Satélites e Bandas utilizadas para o MNDWI ... 18
Tabela 4 - Satélites e Bandas utilizadas para o AWEI com sombra ... 18
LISTA DE ABREVIATURAS E SIGLAS
ANA Artificial Neural Networks
AWEI Índice Automático de Extração de Água
GEOBIA Análise de Imagens Baseada em Objetos Geográficos IBGE Instituto Brasileiro de Geografia e Estatística
INEA Instituto Estadual do Meio Ambiente do Rio de Janeiro MNDWI Modified Normalized Difference Water Index
MDE Modelo Digital de Elevação
NDVI Índice de Vegetação da Diferença Normalizada NDWI Índice de Água da Diferença Normalizada USGS Serviço Geológico dos Estados Unidos
SUMÁRIO
1 INTRODUÇÃO ... 12
2 REVISÃO DA LITERATURA ... 13
2.1 Uso e Cobertura do Solo ... 13
3 METODOLOGIA ... 19
3.1 Área de Estudo ... 19
3.2 Imagens Utilizadas ... 21
3.2.1 Processamento das Imagens ... 21
4 RESULTADOS………... 22
4.1 Realização dos Índices ... 22
4.2 Realização da Cobertura do Solo ... 27
4.3 Comparação dos Resultados ... 29
5 CONCLUSÃO ... 30
REFERÊNCIAS BIBLIOGRÁFICAS ... 31
ANEXO A ... 34
1 - INTRODUÇÃO
Atualmente, podemos utilizar diversos métodos para identificação de alvos sem necessidade de realizar um trabalho de campo, diminuindo custos e o tempo gasto nas atividades, através do uso de imagens de satélite. Estas imagens podem ser processadas de diversas formas e atendendo aos mais diversos interesses, como observado em Florenzano (2011) que cita como exemplo os estudos de: fenômenos ambientais; ambientes naturais e em ambientes transformados (são os ambientes construídos ou transformados pelo homem). Para auxiliar nesses estudos são criadas diversas metodologias como por exemplo os índices automáticos, que através de operações matriciais, conseguem diferenciar alvos a partir do contraste entre eles, dentre estes índices podemos citar os de detecção da água, presentes neste trabalho e os índices de detecção de vegetação, também podemos citar os mapeamentos de cobertura do solo, que antes exigiam trabalhos de campo longos, que hoje podem ser realizados através de softwares de computador, com as mais diversas metodologias a serem aplicadas.
Sobre o uso de sensoriamento remoto associado a estudos sobre recursos hídricos já ocorre a diversos anos, associado tanto com a identificação de corpos hídricos como em McFeeters (1996), Xu (2006) e Feyisa et al. (2014), tanto associando outras metodologias a qualidade da água, um exemplo de trabalho que podemos citar é o realizado por Lima et al. (2011) que associa o mapeamento de uso e cobertura do solo com a qualidade da água subterrânea, transformada em mapeamentos temáticos de acordo com cada indicador de qualidade da água, e posterior análise e comparação dos resultados, a partir disto surge a ideia deste trabalho.
O principal objetivo do trabalho é a verificação da aplicabilidade de Índices Automáticos de Detecção da Água em trabalhos e pesquisas sobre a localização de corpos hídricos. Como objetivos secundários pretende-se estabelecer relação entre os próprios índices aplicados, quais sejam: o NDWI de McFeeters (1996), o MNDWI de Xu (2006) e os dois índices AWEI de Feysa (2014), que são caracterizados e diferenciados pelo tipo de imagem que será realizada a operação do índice (com sombra e sem sombra); e comparar os índices aplicados com o mapeamento de Cobertura do Solo na região de Tamoios em Cabo Frio, RJ.
2 – EMBASAMENTO TEÓRICO
2.1 - USO E COBERTURA DO SOLO
É importante destacar as diferenças entre uso e cobertura do solo, segundo Rozenstein e Karnieli (2011), Szuster et al. (2011), Rawat e Kumar (2015) e Boori et al. (2015), o uso se refere a função atribuída ao solo e está também muito ligada as atividades econômicas e sociais exercidas naquele local, já a cobertura se refere ao aspecto físico do que está sobre o solo, não possuindo necessariamente uma relação com o aspecto econômico.
Para a criação de mapas temáticos que visam trabalhar com a cobertura do solo há diversas metodologias, principalmente no que se refere à classes a serem abordadas no processo de classificação, as quais destacam-se aqui o sistema CORINE, que a partir da interpretação visual de mapas temáticos (como por exemplo o de geologia, clima e pedologia), mapas topográficos, informações sobre a população e imagens aéreas auxilia a distinguir as classes de uso mais comuns no território europeu, apresentando como resultado mapas de cobertura do solo com níveis hierárquicos que variam de 3 a 44 e o sistema criado por Anderson et al. (1976), que define através da interpretação visual as categorias de análise prioritárias para classificação. Estes apresentam relevância internacional por serem reconhecidos como os primeiros projetos do tipo, sendo o primeiro realizado pela Agência Europeia do Ambiente e o segundo um projeto para o U.S. Geological Survey.
Já quanto ao processo de classificação, Rozenstein (2011) destaca as classificações: não supervisionada a partir do método ISODATA, nela o sistema classifica a imagem com base nas assinaturas espectrais dos alvos já pré-estabelecidas pela base de dados do programa; classificação supervisionada, que ocorre a partir da fase de treinamento que o usuário adquire amostras testes de cada classe que estará presente na classificação final e o software com base nestas amostras classifica a imagem, e a classificação híbrida na qual são realizadas as
duas classificações e em seguida há a análise da acurácia de cada uma das classificações e posteriormente a junção das melhores amostras de cada mapeamento realizado para gerar um novo mapa.
Há também estudos que destacam a importância dos tipos de classificação supervisionada, como em Srivastava et al. (2012) e Szuster et al. (2011), cujos tipos são: a de máxima verossimilhança, a artificial neural networks – ANA (redes neurais artificiais) e a support vector machine (mecanismo de suporte ao vetor).
Apesar de todas as técnicas demonstradas acima, também há pesquisadores que tentam realizar este mapeamento com o auxílio de técnicas como o NDVI (Índice de Vegetação da Diferença Normalizada), como pode ser observado nos trabalhos de Boori, et al. (2015) e Julien et al. (2011).
Quanto às imagens, muitos pesquisadores, como Araújo Filho e Meneses (2007) e Shahi et al. (2015), consideram as imagens do satélite Landsat ainda uma boa fonte para se realizar a classificação, por não terem custo e resoluções ótimas, de 30 metros na espacial, 16 dias na temporal e variando entre 8 e 16 bits na radiométrica (somente o Landsat 8 apresenta 16 bits).
Já quanto às bandas que devem ser utilizadas não há um consenso, variando de cada autor e ao propósito de cada pesquisa, porém as mais utilizadas são as bandas do espectro visível e do espectro infravermelho (se destacando as imagens do infravermelho próximo), como podemos observar em Florenzano (2011).
2.2 - AVALIAÇÃO DE RECURSOS HÍDRICOS COM SENSORIAMENTO REMOTO
Não há um consenso sobre as bandas que deverão ser aplicadas para a análise de corpos hídricos, mas é recomendado utilizar pelo menos uma imagem do espectro visível e uma do espectro infravermelho, como pode ser observado em Florenzano (2011), pois a água apresenta uma assinatura espectral marcante no espectro visível, por refletir mais este comprimento de onda, e no espectro infravermelho, por absorver quase que totalmente as ondas deste comprimento.
Quanto ao aspecto visual da água, é possível identificar áreas que contém material em suspenção nas bandas do espectro visível, nas imagens do satélite Landsat 8, por exemplo, neste espectro, além das bandas já conhecidas como azul, verde e vermelho, há a banda azul costeiro, indicada para estudos em áreas costeiras. Porém a banda mais indicada para realizar estudos deste tipo ainda é a verde, pois as bandas azuis sofrem interferências das nuvens.
A análise de recursos hídricos através do sensoriamento remoto apresenta diversas formas de aplicação, que se referem principalmente a classificação das águas em superfície, a qualidade da água, a presença ou não de água, além da detecção da alteração no volume de água em corpos hídricos, com o auxílio de Modelos Digitais de Elevação (MDE).
Entre os índices de avaliação, focaremos na qualidade da água como Índice de Diferença Normalizada da Água (NDWI), que foi criado por McFeeters (1996), com base no índice de vegetação por diferença normalizada (NDVI), que associa as reflectâncias das bandas vermelha e infravermelho próximo para delinear as áreas com vegetação. Este método busca delimitar os corpos hídricos e auxiliar na identificação da turbidez da água, para isto, associa a banda verde do espectro visível (que apresenta o solo e a vegetação com baixa reflectância) e a banda do infravermelho próximo (que apresenta maior diferenciação entre os alvos água e não-água), através de uma operação aritmética. Este método foi revisto por Xu (2006), criando o Modified Normalized Difference Water Index (MNDWI) para minimizar os ruídos que ocorriam no NDWI, como por exemplo, o de áreas amplamente urbanizadas. Para isto propõe a substituição da banda do infravermelho próximo pelo infravermelho médio de ondas curtas, pois a água absorve mais ondas neste comprimento do que no anterior. Podemos observar nas equações abaixo:
NDWIMcFeeters (1996) = (G – NIR) / (G + NIR) (1)
MNDWIXu (2006) = (G – MIR) / (G + MIR) (2)
Onde: G = banda verde, NIR = banda infravermelho próximo e MIR = banda infravermelho médio de ondas curtas.
Outro índice que apresenta grande importância é o Índice Automático de Extração de Água (AWEI), criado por Feyisa et al. (2014), que apresenta grande
usabilidade em áreas montanhosas, com grande sombreamento e também em áreas com alto índice de urbanização, através da sua grande capacidade de separabilidade dos pixels. Ao contrário do método do Xu (2006), este se utiliza de quatro bandas em áreas sem sombreamento (AWEI sem sombra) - verde, infravermelho próximo, infravermelho médio de ondas curtas e infravermelho médio de ondas longas - e cinco bandas em áreas de sombra (AWEI sombra) - bandas: azul, verde, infravermelho próximo, infravermelho médio de ondas curtas e infravermelho médio de ondas longas. Seguindo as seguintes fórmulas (2):
AWEI sem sombra = 4 x (G – MIR1) - 0,25 X NIR + 2,75 MIR2 (3)
AWEI sombra = B+ 2,5 x G– 1,5 x (NIR - MIR1) - 0,25 x MIR2 (4)
Onde: B = banda azul, G = banda verde, NIR = banda infravermelho próximo, MIR1 = banda infravermelho médio de ondas curtas e MIR2 = infravermelho médio de ondas longas.
Porém há trabalhos que utilizam somente a classificação de uso do solo, a interpretação visual e a análise orientada a objetos para distinguir a água de outros alvos espectrais, como em Yang et al. (2015). Já Sun et al. (2012) realizou uma comparação entre o modo de classificação da Máxima Verossimilhança em conjunto com a assinatura espectral da banda do infravermelho próximo e a Análise Geoespacial de objetos baseada na Imagem (GEOBIA). Também há trabalhos que não utilizam um índice específico, porém se utilizam de bandas utilizadas nos índices acima citados, como Yamazaki et al. (2015).
Nas Tabelas 1, 2, 3 e 4, podemos observar as bandas que devem ser utilizadas em análises com os índices acima citados:
Tabela 1 - Satélites e Bandas Utilizadas para o NDWI Satélite Resolução Espacial Resolução Espectral Bandas a serem utilizadas CBERS - 4 (MUX) 20 metros 8 Bits 2 e 4 CBERS – 4 (WFI) 64 metros 10 Bits 14 e 16 GeoEye 1 1,65 metros 11 Bits 2 e 4
IKONOS 4 metros 11 Bits 2 e 4
Landsat 5 30 metros 8 Bits 2 e 4
Landsat 7 30 metros 8 Bits 2 e 4 Landsat 8 30 metros 16 Bits 3 e 5
Quickbird 2,62
metros
11 Bits 2 e 4
Rapideye 6,5 metros 12 Bits 2 e 5
SPOT 6 8,8 metros 12 Bits 2 e 4
SPOT 7 8,8 metros 12 Bits 2 e 4
Worldview 2 1,85 metros
11 Bits 3 e 7
Fontes: www.apollomaping.com, www.engesat.com.br e www.cbers.inpe.br acesso em: 09/04/2018.
Tabela 2 - Satélites e Bandas Utilizadas para o MNDWI
Satélite Resolução Espacial Resolução Espectral Bandas a serem utilizadas
Landsat 5 30 metros 8 Bits 2 e 5
Landsat 8 30 metros 16 Bits 3 e 6
Fontes: www.apollomaping.com, www.engesat.com.br e www.cbers.inpe.br acesso em: 09/04/2018.
Tabela 3 - Satélites e Bandas Utilizadas para o AWEI sem sombra
Satélite Resolução Espacial Resolução Espectral Bandas a serem utilizadas
Landsat 5 30 metros 8 Bits 2, 4, 5 e 7 Landsat 7 30 metros 8 Bits 2, 4, 5 e 7 Landsat 8 30 metros 16 Bits 3, 5, 6 e 7
Fonte: www.engesat.com.br acesso em: 09/04/2018.
Tabela 4 - Satélites e Bandas Utilizadas para o AWEI com sombra
Satélite Resolução Espacial Resolução Espectral Bandas a serem utilizadas
Landsat 5 30 Metros 8 Bits 1, 2, 4, 5 e 7 Landsat 7 30 Metros 8 Bits 1, 2, 4, 5 e 7 Landsat 8 30 Metros 16 Bits 2, 3, 5, 6 e 7
Fonte: www.engesat.com.br acesso em: 09/04/2018.
É importante salientar que somente os satélites Landsat apresentam as bandas do espectro infravermelho de ondas curtas e infravermelho de ondas longas na mesma resolução espacial das bandas do espectro visível e do infravermelho próximo. Quando isso não ocorre há um aumento da dificuldade na utilização das imagens nas metodologias acima citadas.
3 – METODOLOGIA
3.1- ÁREA DE ESTUDO
A área de estudo selecionada corresponde ao distrito de Tamoios, localizado no município de Cabo Frio, pertencente a Região dos Lagos no estado do Rio de
Janeiro. De acordo com o Censo 2010 a população é de 45.958 habitantes (IBGE,2010)
Figura 1 - Localização da área de estudo
Este distrito, segundo informações do Projeto Orla (Brasil, 2004) apresenta como principais atividades econômicas, a pesca (devido a presença de diversas espécies de valor agregado no Rio são João), a extração de areia (em muitos locais, de forma ilegal, é importante ressaltar que há processos de licenciamento em tramite no INEA – Instituto Estadual do Meio Ambiente e algumas áreas com agricultura. É importante também ressaltar a presença de áreas de extração de petróleo, presentes na área da plataforma continental, e que compõem grande parte dos rendimentos oriundos desta região. Nos últimos anos, também pode ser notado o aumento da especulação imobiliária, como presente no trabalho de Voivodic (2007).
Esta região também apresenta grande importância ambiental, pois nela está contido o Parque Municipal do Mico Leão Dourado, área de proteção integral dentro da APA da Bacia do rio São João, e diversos ecossistemas, como por exemplo restingas, manguezais, falésias, dunas, ambientes estuarinos e lagunas, ainda preservados.
Quanto a questão física, o distrito de Tamoios apresenta diversas classificações conforme o critério selecionado, de forma geral, a área apresenta, segundo o Projeto Orla (Brasil, 2004), diversos processos resultantes de regressão marinha (aumento da linha de costa e diminuição do nível médio do mar localmente). No Diagnóstico Geoambiental do estado do Rio de Janeiro, produzido por Dantas et al. (2000) quanto aos domínios morfoestruturais presentes na área, há a planicie-fluvio marinha da baixada do rio São João, bacias sedimentares datadas do período cenozoico, e a superfície aplainada nas baixadas fluminenses, formada a partir do cinturão orogênico do atlântico. Já quanto aos domínios geomorfológicos, em 3 classes, duas formadas por meio de agradação (recebimento de material): planícies costeiras e Fúlvio-lagunares e uma por meio de degradação (retirada de material): domínio de suaves colinas.
Ainda no diagnóstico formulado por Dantas et al. (2000), Tamoios é classificada em 3 unidades geoambientais, com base em características geomorfológicas, pedológicas e pluviométricas, que seriam a Restinga, os Brejos e as Colinas Baixas.
A unidade da restinga apresenta terrenos com solos do tipo Podzolíco e Arenoso Quartzolítico, com altitudes próximas ao nível do mar, esta unidade durante muito tempo foi utilizada para extração de areia por meio de cavas. Por ser predominantemente composto por sedimentos arenosos de origem marinha e quaternários, seus terrenos apresentam alta permeabilidade, baixa fertilidade e suscetibilidade a erosão eólica (quando não presenta sua cobertura vegetal).
A unidade dos Brejos apresenta terrenos com solos do tipo Glei, com alto teor de matéria orgânica, alta probabilidade de inundações (não sendo recomendado para urbanização) e elevado risco de acidificação nas drenagens.
Já a terceira unidade, a das Colinas Baixas, apresenta altitudes inferiores a 50 metros, que fazem com que apresente um relevo suave, com vertentes convexas e topos arredondados ou alongados. Quanto aos solos, eles são do tipo Podzol e Latossolos Amarelo Vermelho, ocupados em sua grande maioria por pastagens, fragmentos de mata, núcleos urbanos e agricultura, apesar da baixa fertilidade.
3.2 - IMAGENS UTILIZADAS
As cenas Landsat 8 utilizadas neste trabalho foram adquiridas de forma gratuita no site earthexplorer.usgs.gov de responsabilidade do Serviço Geológico Norte Americano em 25 de maio de 2018. Estas cenas apresentam a identificação LC82160762018141LGN00 e foram coletadas em 21 de maio de 2018.
3.2.1 - Processamento das imagens
O processamento foi realizado nos programas QGIS 2.18.11 e no Spring 5.5.1, primeiro foram realizados os índices relacionados a água na região de estudo a partir da ferramenta Calculadora Raster e depois a classificação de cobertura do solo, realizada de forma automática. Os processos realizados podem ser consultados no Anexo A deste trabalho.
Imagem 2 - Fluxograma do Processamento
4- RESULTADOS
Os principais resultados gerados neste estudo foram os mapeamentos realizados, que podem ser conferidos a seguir.
4.1 - OS ÍNDICES
Os índices realizados nas imagens foram o NDWIMcFeeters (1996), o MNDWIXu (2006), o AWEI sem sombra e o AWEI sombra, com base nas equações (1), (2), (3) e (4), expostas no item 2.2. Para facilitar a visualização da diferenciação entre os alvos foi aplicada uma visualização Falsa-Cor com a escala de cores espectrais, que pode ser vista em detalhes no Anexo A presente neste trabalho.
Como resultado, tivemos as imagens a seguir, no qual os alvos identificados com cores próximas ao azul são identificados como água e os alvos identificados com cores próximas ao vermelho são identificados como não água, podendo ser vegetação, área urbana, solo exposto, etc.
Figura 3 - Mapa NDWI com base na equação (1)
Figura 4 - Mapa MNDWI com base na equação (2)
Figura 5 - Mapa AWEI sem sombra com base na equação (3)
Figura 6 - Mapa AWEI com sombra com base na equação (4)
4.2 - COBERTURA DO SOLO
Depois da realização dos índices, foi realizada a classificação supervisionada de cobertura do solo, por meio do software Spring, na ferrramenta de classificação de imagem, na qual foram selecionadas 4 classes com o número de amostras variando entre 5 e 10 e que foram adquiridas pelo usuário com base nos elementos de interpretação visual (como a tonalidade, textura, padrão, forma, localização e tamanho). As classes selecionadas para o estudo foram: Água, Vegetação, Área Urbana e Solo Exposto. Já as imagens utilizadas foram as do espectro verde, vermelho e infravermelho próximo, já que estas apresentam maior diferenciação entre os objetos em seus determinados comprimentos de onda. Os procedimentos referentes a este mapeamento podem ser conferidos no Anexo B.
O resultado obtido foi o mapa abaixo, que foi validado a partir da verificação de áreas classificadas em cada categoria e imagens recentes da região disponibilizadas gratuitamente pela ferramenta Street View do Google Maps. Com esta validação, podemos dizer que os resultados corresponderam a realidade e que são aptos a serem utilizados para comparação com os índices automáticos acima descritos.
Imagem 7 - Mapa de Cobertura do Solo
4.3 – COMPARAÇÃO DOS RESULTADOS
Para melhor visualização dos resultados, foram calculadas as áreas que apresentam água e as que não apresentam água (a partir do algoritmo r. report do QGIS). A partir disto, podemos notar que nas áreas qualificadas como água, pode ser percebida uma correspondência entre as áreas identificadas no mapeamento da cobertura do solo e no mapeamento realizado por meio dos índices automáticos em três dos quatro índices utilizados, como podemos observar nos gráficos abaixo:
Figura 8 - Gráficos de áreas classificadas como Água e Não Água
Podemos observar no trabalho de Muller et. Al. (2016) resultados similares, nele é realizada a análise temporal de áreas classificadas como água e não água, a partir da análise de índices de diferença normalizada (MNDWI Xu(2006) , NDVI e um índice criado com as bandas do Infravermelho Médio de Ondas Longas e Verde) e a análise individual das bandas espectrais Azul, Vermelho e Infravermelho Médio de Ondas Curtas e de Ondas Longas do satélite Landsat nas versões 5 e 7. Para comparação também é utilizada a cobertura do solo, a partir de amostras adquiridas através do software eCognition. Como resultados os índices classificaram corretamente aproximadamente 95% na classe água, sendo os erros encontrados nas áreas em que há corpos hídricos com grande influência da vegetação, áreas altamente urbanizadas ou áreas com sombreamento na cena utilizada.
5 - CONCLUSÃO
A partir dos resultados obtidos e da comparação entre eles, podemos concluir que todos os índices diferenciam os alvos (como água e não água), porém os que apresentam melhores resultados são os índices NDWI, MNDWI e AWEIsem sombra , pois demonstram uma grande diferenciação entre a água e os outros alvos representados que se apresentam em uma gradação de cores no qual as mais próximas ao azul representam alvos reconhecidos como água e os alvos mais próximos do vermelho representam alvos reconhecidos como não água. Também podemos perceber uma diferenciação entre áreas com a presença de material particulado em suspensão e áreas que não o possuem. Quanto ao AWEIsombra , os resultados não apresentam uma grande diferenciação da água e os outros alvos apresentados. Os índices AWEI, apesar da boa resposta do AWEIsem sombra, apresentam limitações em cenas com presença de nuvens, nelas o resultado pode ser alterado, havendo a classificação de áreas com nuvens como áreas com presença de água e áreas de água como áreas que não a possuem.
Quando comparamos estes resultados com a Cobertura do Solo realizada, podemos encontrar a correspondência das áreas identificadas como água nos mapeamentos automáticos, principalmente nos índices NDWI e AWEIsem sombra. Os outros alvos identificados na Cobertura do Solo não apresentam grande diferenciação no mapeamento por índices, porem eles podem ser identificados por meio das chaves de interpretação para imagens de sensoriamento remoto, como por exemplo a textura, tamanho, forma, padrão e localização.
Para estudos posteriores, sugiro a comparação dos resultados encontrados, especialmente em áreas em que podem ser identificados sólidos em suspenção com a qualidade da água no local.
REFERÊNCIAS BIBLIOGRÁFICAS
ANDERSON, J. R., et al. 1976. A Land Use And Land Cover Classification System For Use with Remote Sensor Data: Geological Survey Professional Paper 964. Edited by NJDEP, OIRM, BGIA, 1998, 2000, 2001, 2002, 2005.
ARAÚJO FILHO, M. D. C.; MENESES, P. R.; SANO, E. E. Sistema de classificação de uso e cobertura da terra com base na análise de imagens de satélite. Revista Brasileira de Cartografia, v. 59, n. 2, 2007.
BARRETO A. B. C. et al. Hidrogeologia do Estado do Rio de Janeiro Brasília, DF: CPRM, 2000 In: Estudo Geoambiental do Estado do Rio de Janeiro.
BOORI, M. S.; VOŽENÍLEK, V.; CHOUDHARY, K. Land use/cover disturbance due to tourism in Jeseníky Mountain, Czech Republic: A remote sensing and GIS based approach. The Egyptian Journal of Remote Sensing and Space science, v. 18, n. 1, p. 17-26, 2015.
BRASIL. IBGE. Censo Demográfico, 2010. Disponível em: <https://censo2010.ibge.gov.br/>. Acesso em: 18 set. 2018.
BRASIL. Ministério do Meio Ambiente. Projeto Orla: Plano de Intervenção na orla do município de Cabo Frio Brasília, DF: MMA/SQA, 2004.
BUTT, A. et al. Land use change mapping and analysis using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, v. 18, n. 2, p. 251-259, 2015.
CAMPOS, J. C.; SILLERO, N.; BRITO, J. C. Normalized difference water indexes have dissimilar performances in detecting seasonal and permanent water in the Sahara–Sahel transition zone. Journal of Hydrology, v. 464, p. 438-446, 2012. CASTELLUCCIO, M. et al. Land use classification in remote sensing images by convolutional neural networks. arXiv preprint arXiv:1508.00092, 2015.
COSTA, E. M. et al. Processamento de imagens RapidEye no mapeamento de uso do solo em ambiente de Mar de Morros. Pesquisa Agropecuária Brasileira, v. 51, n. 9, p. 1417-1427, 2016.
DANTAS, M. E. et al. Diagnostico Geoambiental do Estado do Rio de Janeiro. Brasília, DF: CPRM, 2000 In: Estudo Geoambiental do Estado do Rio de Janeiro. DANTAS, M. E., Geomorfologia do Estado do Rio de Janeiro. Brasília, DF: CPRM, 2000 In: Estudo Geoambiental do Estado do Rio de Janeiro.
FEYISA, G. L. et al. Automated Water Extraction Index: A new technique for surfacewatermappingusingLandsatimagery. Remote Sensing of Environment, v. 140, p. 23-35, 2014.
FISHER, A.; FLOOD, N.; DANAHER, T. Comparing Landsat water index methods for automated water classification in eastern Australia. Remote Sensing of Environment, v. 175, p. 167-182, 2016.
FLAUZINO, B. K. et al. Mapeamento da capacidade de uso da terra como contribuição ao planejamento de uso do solo em sub-bacia hidrográfica piloto no sul de Minas Gerais. Geociências (São Paulo), v. 35, n. 2, p. 277-287, 2016.
FLORENZANO, T. G. Iniciação em sensoriamento remoto. 3.ed. São Paulo Oficina de Textos, 2011.
GOVENDER, M.; CHETTY, K.; BULCOCK, H. A review of hyperspectral remote sensing and its application in vegetation and water resource studies. Water Sa, v. 33, n. 2, p. 145-151, 2007.
JIA, K. et al. Spectral matching based on discrete particle swarm optimization: A new method for terrestrial water body extraction using multi-temporal Landsat 8 images. Remote Sensing of Environment, v. 209, p. 1-18, 2018.
JULIEN, Y.; SOBRINO, J. A.; JIMÉNEZ-MUÑOZ, J.-C. Land use classificationfrommultitemporalLandsatimageryusingtheYearly Land Cover Dynamics (YLCD) method. International journal of applied earth observation and geoinformation, v. 13, n. 5, p. 711-720, 2011.
KHANDELWAL, A. et al. An approach for global monitoring of surface water extent variations in reservoirs using MODIS data. Remote sensing of Environment, v. 202, p. 113-128, 2017.
LIMA, L; CALONIO, L. W.; MENEZES, J. Mapeamento do uso e cobertura do solo e suas implicações na qualidade da água subterrânea. Estudo de caso: Distrito de Tamoios, Cabo Frio/RJ. Caderno de Estudos Geoambientais-CADEGEO, 2011. MCFEETERS, S. K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing, v. 17, n. 7, p. 1425-1432, 1996.
MUELLER, N. et al. Water observations from space: Mapping surface water from 25 years of Landsat imagery across Australia. Remote Sensing of Environment, v. 174, p. 341-352, 2016.
PETROPOULOS, G. P.; KALAITZIDIS, C.; VADREVU, K. P. Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery. Computers & Geosciences, v. 41, p. 99-107, 2012.
RAWAT, J. S.; KUMAR, M. Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, v. 18, n. 1, p. 77-84, 2015.
ROZENSTEIN, O.; KARNIELI, A. Comparison of methods for land-use classification incorporating remote sensing and GIS inputs. Applied Geography, v. 31, n. 2, p. 533-544, 2011.
SHAHI, K. et al. A novel spectral index to automatically extractroad networks from WorldView-2 satellite imagery. The Egyptian Journal of Remote Sensing and Space Science, v. 18, n. 1, p. 27-33, 2015.
SHALABY, A.; TATEISHI, R. Remote sensing and GIS for mapping and monitoring land cover and land-use changes in the Northwestern coastal zone of Egypt. Applied Geography, v. 27, n. 1, p. 28-41, 2007.
SRIVASTAVA, P. K. et al. Selection of classification techniques for land use/land cover change investigation. Advances in Space Research, v. 50, n. 9, p. 1250-1265, 2012.
SUN, F. et al. Comparison and improvement of methods for identifying water bodies in remotely sensed imagery. International journal of remote sensing, v. 33, n. 21, p. 6854-6875, 2012.
SZUSTER, B. W.; CHEN, Q.; BORGER, M. A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, v. 31, n. 2, p. 525-532, 2011.
TRIBUNAL DE CONTAS DO ESTADO DO RIO DE JANEIRO. Estudo Socioeconômico do Município de Cabo Frio – Edição 2017. Disponível em: <http://www.tce.rj.gov.br>. Acesso em: 7 ago. 2018.
VOIVODIC, R. Gestão Ambiental e Gerenciamento Costeiro Integrado no Brasil: Uma Análise do Projeto Orla em Cabo Frio, RJ. Rio de Janeiro: Universidade Federal do Rio de Janeiro, Tese de Mestrado, 2007.
YAMAZAKI, D.; TRIGG, M. A.; IKESHIMA, D. Development of a global~ 90 m water body map using multi - temporal Landsat images. Remote Sensing of Environment, v. 171, p. 337-351, 2015.
YANG, Y. et al. Landsat 8 OLI image based terrestrial water extraction from heterogeneous backgrounds using a reflectance homogenization approach. Remote Sensing of Environment, v. 171, p. 14-32, 2015.
XU, H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, v. 27, n. 14, p. 3025-3033, 2006.
ANEXO A
Realização dos Índices Automáticos no QGIS 2.18.11
Os índices automáticos utilizados neste trabalho foram realizados no software QGIS na versão 2.18.11. O primeiro passo realizado foi exportar as imagens necessárias para realização dos índices (no caso as imagens referentes as bandas correspondentes ao espectro Azul, Verde, Infravermelho Próximo, Infravermelho Médio de Ondas Curtas e Infravermelho Médio de Ondas Longas). Para facilitar o processo, as camadas foram nomeadas de acordo com a banda referente.
Após esta primeira etapa, foi iniciada a ferramenta “Calculadora Raster”, localizada no menu “Raster”, que apresenta a seguinte aparência:
Imagem 1: Calculadora Raster
Em seguida, foi selecionada a pasta de saída do novo arquivo e nomeei o arquivo que seria gerado, que neste caso foi o NDWI. Depois, coloquei a fórmula do índice escolhido na parte Calculadora de expressão raster, selecionando as camadas e os símbolos que representam as operações, tendo como resultado a expressão demonstrada abaixo. É importante notar que há um aviso de expressão válida, que significa que o programa consegue realizar a operação.
Imagem 2: Expressão Utilizada
Após o programa realizar a operação, obtemos como resultado uma imagem como a seguir:
Imagem 3: Resultado NDWI
Porém, a área de trabalho escolhida não obtia destaque na visualização de toda a cena utilizada, então foi realizado o recorte da cena, a partir da ferramenta “Extrair” em sua função “Recorte”, localizada no mesmo menu “Raster” já citado.
Imagem 4: Ferramenta Cortador
Em seguida, selecionei a pasta e nomeei o arquivo que seria gerado a partir do recorte na parte “Arquivo de saída” e no Modo Clipping, selecionei “Camada Máscara” para realizar o corte a partir de um shapefile, pois há menos chance de erro do que na seleção da “Extensão”, na qual precisam ser digitados os pares de coordenadas (x e y mínimo e máximo).
Imagem 5: Camada Máscara
É importante deixar selecionada a parte “Cortar a extensão do conjunto de dados alvos para a extensão da linha de corte” para que o resultado tenha somente a área de interesse para o trabalho. O resultado final obtido é o seguinte:
Imagem 6: Resultado final - NDWI Recortado
Para ressaltar o resultado, foi aplicada a renderização “Banda Simples Falsa-Cor” na gradação de cores “Spectral” com classificação de modo intervalo igual em 10 classes.
Imagem 7; NDWI com Falsa-Cor
ANEXO B
Realização da Classificação Semiautomática no Spring 5.5.1
A classificação utilizada este trabalho foi realizado no software Spring 5.5.1. O primeiro passo realizado foi a criação do Plano de Informação e em seguida o Projeto, no qual foram definidas as coordenadas limites do trabalho. Depois foram importadas as imagens que seriam utilizadas pra o programa, a partir do menu “Arquivo”, “Importar” e finalmente “Importar Dados Vetoriais e Matriciais”. Neste caso foram importadas somente as referentes ao espectro verde, vermelho e infravermelho próximo.
Após realizar este passo, se iniciou a realização da classificação, por meio da ferramenta “Classificação” que se encontra no menu “Imagem”. Foi aberta uma janela como a que aparece a seguir:
Imagem 1: Ferramenta “Classificação”
Depois foi preciso criar o contexto, para isto, foi nomeado o contexto e escolhidas as bandas a serem utilizadas no mapeamento. A ferramenta aparecerá como na Imagem 1. O próximo passo realizado foi o “Treinamento”, que é a aquisição das amostras, nele nomeamos a classe, no caso desta classificação, as classes escolhidas foram água, vegetação, área urbana e solo exposto, depois foi escolhida a cor e a aquisição das amostras, que podem ser adquiridas em forma poligonal ou retangular. Na aquisição para este trabalho, foram adquiridas amostras nas duas formas. É importante sempre salvar as aquisições de amostras.
Imagem 2: Ferramenta Treinamento
Após adquirir todas as amostras necessárias para a classificação, foi realizada a classificação em si. Na ferramenta Classificação, nela, foi escolhido o classificador Maxver, com limiar de aceitação de 90%. Nesta parte, também é possível realizar a análise das amostras, na qual é gerada uma matriz de confusão das amostras, que demonstra a porcentagem da amostra que pode ser classificada como pertencente a outra classe.
Imagem 3: Classificação de Imagem
Após a Execução, a imagem gerada se parecerá com a Imagem 4, porém ela ainda apresentou alguns “erros” de classificação.
Imagem 4: Classificação de Cobertura do Solo
Para corrigir os erros, foi realizada a “Pós-Classificação”, visando corrigir a classificação dos pixels, a ferramenta funciona com base na escolha do peso e do limiar, na pós classificação realizada, o peso escolhido foi 5 e o limiar foi 2.
Imagem 5: Pós-Classificação
Como resultado, obtemos uma imagem pós-classificada como a que podemos ver abaixo:
Imagem 6: Imagem Pós-Classificada da Cobertura do Solo
