MODELAGEM DA DISTRIBUIÇÃO DA CLOROFILA INTEGRADA NA COLUNA D ÁGUA COM TÉCNICAS DE GEOPROCESSAMENTO

Transcrição

1 p MODELAGEM DA DISTRIBUIÇÃO DA CLOROFILA INTEGRADA NA COLUNA D ÁGUA COM TÉCNICAS DE GEOPROCESSAMENTO NATÁLIA DE MORAES RUDORFF 1 MILTON KAMPEL 1 ANTONIO MIGUEL VIEIRA MONTEIRO 1,2 SALVADOR AIRTON GAETA 3 1 Instituto Nacional de Pesquisas Espaciais - INPE Divisão de Sensoriamento Remoto DSR, São José dos Campos, SP {nmr, milton}@dsr.inpe.br 2 Divisão de Processamento Digital de Imagens DPI, São José dos Campos, SP miguel@dpi.inpe.br 3 Universidade de São Paulo USP Departamento de Oceanografia IOUSP, São Paulo, SP sagaeta@usp.br RESUMO - O presente trabalho propõe modelos de estimativa da distribuição da concentração de clorofila integrada na coluna d água em ambiente de Sistemas de Informação Geográfica - SIG. Foram utilizadas técnicas de interpolação e inferência geográfica, baseada em lógica nebulosa (fuzzy) e análise multi-critério por AHP (Processo Analítico Hierárquico). Os parâmetros utilizados foram: temperatura da superfície do mar (TSM), profundidade da termoclina, nitrato integrado na zona eufótica, freqüência de Brünt-Väisäla e profundidade da concentração máxima de clorofila. O modelo foi aplicado em dados coletados em cruzeiros oceanográficos sazonais, realizados na plataforma continental e talude da costa sudeste do Brasil, entre o Cabo de São Tomé (22ºS) e a Ilha de São Sebastião (23º50 S), em 2001 e Os períodos de verão e inverno foram modelados separadamente. Os resultados foram avaliados por comparação dos mapas resultantes dos modelos e o mapa da distribuição dos dados in situ. De modo geral, os modelos suavizaram as estimativas, com superestimação de valores baixos e subestimação de valores altos, mas o perfil geral do gradiente das concentrações foi relativamente bem delineado. Há limitações, mas os modelos mostraram-se simples e de fácil aplicação para estudos da distribuição da biomassa fitoplanctônica e análise das interações hidro-físico-químicas da coluna d água. ABSTRACT - The present work proposed models for the estimation of the spatial distribution of chlorophyll integrated in the water column, on Geographic Information System GIS, environment. Techniques of interpolation and geographical inference based on fuzzy logic and multi-criteria analysis with AHP (Analytical Hierarchical Process) were used. The input parameters were: sea surface temperature (SST), thermocline depth, nitrate integrated in the euphotic zone, frequency of Brünt-Väisäla and depth of maximum concentration of chlorophyll. The model was applied on data collected from seasonal oceanographic cruises, over the continental shelf and slope of the southeast coast of Brazil, located between Cabo de São Tomé (22ºS) and the São Sebastião Island (23º50 S), during 2001 and Summer and winter were modeled separately. The results were evaluated comparing maps of the models and those obtained by in situ data. In general, estimations were smoothed, with overestimation of lower values and underestimation of higher values. However, the general profile of the concentration gradient along the shelf and slope was relatively well delineated. There are limitations, but the models showed to be simple and easily applied for studies of phytoplankton biomass distribution and analysis of hydrophysical-chemical interactions in the water column. 1 INTRODUÇÃO A concentração da clorofila integrada na coluna d água (C EU ) é um índice da biomassa fitoplanctônica distribuída ao longo da zona eufótica. O perfil vertical desta distribuição e a concentração total da clorofila podem variar de acordo com uma série de parâmetros hidro-físico-químicos, tais como a atenuação da irradiação solar, distribuição dos nutrientes inorgânicos dissolvidos, profundidade da termoclina, dentre outros (LONGHURST, 1995). Deste modo, é possível elaborar

2 p estimativas da C EU por meio da modelagem desses integrada no projeto DEPROAS (Dinâmica do parâmetros. Ecossistema de Plataforma da Região Oeste do Atlântico Os modelos baseados em lógica fuzzy permitem Sul). Os dados compreendem análises in situ de quatro uma modelagem mais representativa do gradiente de cruzeiros oceanográficos realizados durante o período de transição dos fenômenos naturais, pois não colocam verão e inverno nos anos 2001 e Foi utilizado bordas rígidas, mas modelam as incertezas (BURROUGH também o dado de temperatura da superfície do mar e MCDONELL, 1998). Cada variável também possui (TSM) do sensor AVHRR (Advanced Very High diferentes graus de influência sob o parâmetro estimado. Resolution Radiometer), obtido no mesmo período para os O AHP (Processo Analítico Hierárquico) é um método de mesmos pontos de coleta. Ao total foram 34 pontos análise multi-critério que permite a interação do amostrais de verão e 33 de inverno (fig. 1). pesquisador na combinação de conhecimentos empíricos e As etapas do trabalho compreenderam: 1) a teóricos para a definição dos pesos de cada variável escolha dos parâmetros a serem utilizados nos modelos de (SAATY, 1980; SAATY, 2008). A combinação das estimativa da C EU ; 2) a espacialização dos dados em técnicas fuzzy e AHP permite uma modelagem que ambiente SIG; 3) interpolação para inferir nas áreas não também considera intervalos de incertezas inerentes à amostradas; 4) modelagem fuzzy dos parâmetros; 5) determinação dos pesos no processo AHP (VAHIDNIA et determinação dos pesos de cada parâmetro por meio da al., 2008). O SIG (Sistema de Informação Geográfica) é técnica AHP; e 6) elaboração de mapas temáticos das utilizado para a integração, processamento e estimativas dos modelos e dos dados coletados in situ. O representação dos dados, numa abordagem que considera diagrama da figura 2 demonstra de forma geral as distribuição espacial das variáveis na modelagem principais etapas do trabalho. (MEDEIROS e CÂMARA, 2001). Modelos de estimativa da concentração de clorofila são importantes para uma série de aplicações, tais como, a identificação de áreas de maior produtividade, para rastreio de cardumes, monitoramento e previsão de áreas propícias à ocorrência de blooms (florações de algas), como a maré vermelha e diversos estudos da dinâmica costeira (PEREIRA et al., 2004). O presente trabalho propõe modelos de estimativa da distribuição espacial da C EU, por meio de técnicas de geoprocessamento, com interpolação, lógica fuzzy e AHP, em ambiente SIG. Os modelos foram aplicados na plataforma continental e talude da costa sudeste do Brasil, representando os períodos de verão e inverno. 2 MATERIAIS E MÉTODOS A área de estudo abrange a plataforma e talude entre o Cabo de São Tomé (22ºS) e a Ilha de São Sebastião (23º50 S), na costa sudeste do Brasil (fig. 1). Figura 1 Área de estudo com os pontos de coleta dos cruzeiros oceanográficos de 2001 e 2002 (pontos separados em verão e inverno). Observação: alguns pontos estão sobrepostos. Os dados usados para gerar e validar os modelos foram obtidos da base de dados da tese de Kampel (2003), Figura 2 Diagrama das principais etapas da modelagem C EU em ambiente SIG utilizadas neste trabalho. Os parâmetros selecionados foram determinados com base num estudo prévio de inferência da clorofila integrada por modelo de regressão múltipla, realizado por Leão et al. (2007) que utilizou os mesmos dados deste trabalho. Além disso, também foram utilizadas como base análises exploratórias da distribuição dos parâmetros. Os parâmetros selecionados foram: TSM, profundidade da termoclina (Z T ), nitrato integrado na zona eufótica (N EU ), freqüência de Brünt-Väisäla (N 2 ) (parâmetro de estratificação da coluna d água) e profundidade da concentração máxima de clorofila (Z MCS ). Os dados foram divididos em verão e inverno segundo recomendações de Leão et al. (2007). Após a seleção dos parâmetros, foi elaborada uma modelagem fuzzy para cada variável. Em ambiente SIG, no programa SPRING 4.3, as amostras foram espacializadas e interpoladas por média ponderada,

3 p gerando grades numéricas retangulares. A modelagem valores limites para inferência da variável (BURROUGH fuzzy foi aplicada a cada grade por álgebra de mapas em e MCDONELL, 1998). programação LEGAL. Para o modelo de inferência da Os valores mínimos e máximos de possível C EU, os pesos de cada variável foram determinados por influência sob a C EU foram analisados por diagramas de meio da técnica AHP. Os resultados finais foram dispersão. O valor médio correspondente à z (0,5) e o tipo transformados em mapas temáticos pela técnica de de função foram determinados pela análise de gráficos de fatiamento de classes. Foram elaborados quatro mapas de distribuição das variáveis. A função que melhor se ajustou distribuição da C EU para cada estação (verão/inverno): 1) em todas as variáveis foi a senoidal, descrita pela seguinte distribuição dos dados medidos in situ; 2) C EU estimada equação: pelo modelo de regressão múltipla proposto por Leão et 1 f ( z) = (1) 2 al. (2007); 3) C EU estimada com o modelo fuzzy_ahp_1, 1+ ( α( z β ) ). e 4) modelo fuzzy_ahp_2. As etapas mais detalhadas do trabalho estão esquematizadas no diagrama OMT-G da onde, z é o valor referente à medida da variável, β é o figura 3. valor máximo estipulado para a função e α é o parâmetro que determina a forma da função, sendo descrito pela equação: 1 α = (2) 2 ( z ( 0.5) β ). Sendo que, z (0,5) corresponde ao valor de z no ponto central. 2.2 Análise multi-critério: AHP Figura 3 Modelo OMT-G do banco de dados para a modelagem da estimativa da concentração de clorofila integrada na coluna d água. 2.1 Modelagem Fuzzy Na modelagem fuzzy os valores discretos são convertidos numa escala de 0 a 1, que gera intervalos de incerteza e suaviza os gradientes de transição característicos dos fenômenos naturais. Existe diversos tipo de funções fuzzy, mas os mais utilizados são o linear, gaussiano e senoidal. Os parâmetros das funções que determinam os modelos vão depender da distribuição das amostras e do conhecimento do pesquisador a respeito dos O AHP é uma técnica de análise multi-critério que possibilita integrar diferentes informações atribuindo a estas importâncias relativas para inferir num determinado problema. Os níveis de informação são comparados dois a dois e a importância relativa é definida pelo usuário de acordo com critérios por ele mesmo estabelecidos, com base no conhecimento do problema. Nesta comparação hierárquica, os pesos vão ser definidos de acordo com o nível de importância de cada variável na determinação do nível mais alto que é o problema em questão (SAATY, 1980; SAATY, 2008). A consistência dos pesos é avaliada por um índice de Razão de Consistência (RC), que mede a probabilidade da matriz de comparação ser aleatória. O resultado é considerado consistente se a RC for menor que 0,10. No final é dado um modelo de inferência com a soma ponderada das variáveis. No presente trabalho, foram testados dois modelos AHP com diferentes critérios para definição dos pesos. O primeiro teve como base a porcentagem de importância de cada variável no modelo de regressão múltipla proposto por Leão et al., (2007) (tabela 1). Tabela 1 Porcentagem (%) de importância das variáveis nos modelos verão e inverno de estimativa da CEU. Adaptado de Leão et al. (2007) Parâmetros : AHP_1 Verão Inverno Z T 77,26 82,08 Inverso_N EU 9,06 4,74 TSM 7,88 10,16 N 2 5,8 3,03 A segunda combinação teve como base comparações independentes de cada variável com a C EU por regressão simples, e foi usado o valor R 2 para critério

4 p de definição dos pesos. A freqüência de Brünt-Väisäla Fuzzy_AHP_1=0,08*IN EU _fuzzy+0,05*tsm_fuzzy (7) (N 2 ) foi substituída pela profundidade da concentração +0,20*N 2 _Fuzzy+0,61*Z T _fuzzy. máxima de clorofila (Z MCS ), por apresentar um R 2 maior (tabela 2). Por fim, o terceiro modelo foi gerado pela combinação AHP_2, com a seguinte expressão: Tabela 2 R 2 de cada variável independente em relação à CEU, na análise de regressão simples. Parâmetros : AHP_2 Verão Inverno Z T 0,21 0,32 Inverso_N EU 0,20 0,13 TSM 0,30 0,02 Z MCS 0,36 0, Modelos de estimativa da C EU Modelos de verão O primeiro modelo de estimativa da C EU espacializada usou como base o modelo de regressão proposto por Leão et al. (2007) com operações boolenas: Log C EU = 4,591-0,033Z T - 0,336Inverso N EU (3) 0,033TSM - 0,002N 2. Fuzzy_AHP_2=0,16* IN EU _fuzzy+0,05*tsm_fuzzy+0,09* Z MCS _fuzzy (8) +0,64* Z T _fuzzy. 2.3 Comparação dos resultados Para a comparação qualitativa do desempenho dos modelos, as grades numéricas foram transformadas em mapas temáticos, por fatiamento dos intervalos de valores. As grades estavam em diferentes escalas de valores, por isso foram divididas em oito classes correspondentes, na qual foram atribuídos valores qualitativos de concentrações de clorofila: muito baixa, baixa, moderadamente baixa, média baixa, média, média alta, moderadamente alta e alta. A análise quantitativa do desempenho dos modelos foi avaliada com seleção de 25 pontos e comparação dos dados de cada mapa por análise de regressão. As variáveis do modelo são inversamente proporcionais à C EU, exceto o N EU, por isso foi usado o inverso de N EU (1/N EU ) no modelo. Os dados de entrada foram as grades espacializadas e interpoladas das variáveis. O resultado é dado em escala logarítmica de C EU (Log C EU ). O segundo modelo proposto utilizou as grades fuzzificadas de cada variável, e a primeira combinação AHP. A equação foi expressa da seguinte forma: Fuzzy_AHP_1=0,16*IN EU _fuzzy+0,06*n 2 _fuzzy (4) +0,10*TSM_fuzzy+ 0,68*Z T _fuzzy. O terceiro modelo também utilizou as grades fuzzificadas e foi gerado pela segunda combinação do AHP, expessa pela a seguinte equação: Fuzzy_AHP_2=0,04*IN EU _fuzzy+0,27*tsm_fuzzy (5) +0,52*Z MCS _fuzzy+0,10*z T _fuzzy Modelos de inverno Na mesma sequência, o primeiro modelo de inverno, segue a equação do modelo de regressão multipla de Leao et al. (2007): Log C EU = 4,591-0,006Z T - 0,336Inverso N EU (6) - 0,043TSM - 0,002N 2. O segundo modelo, a combinação do AHP_1 com as grades fuzzificadas, expressa da seguint forma: 3 RESULTADOS E DISCUSSÕES 3.1 Modelo de verão No período de verão a C EU oscilou entre 5,9 e 73,8 mg/m 2, com as maiores concentrações nas áreas próximas à costa, principalmente no litoral do Rio de Janeiro. A N 2, que é um índice da estratificação da coluna d água, variou de 2,40 à 176,6 s -1 x Os maiores valores foram nas áreas mais profundas, e menores principalmente próximo à Cabo Frio (RJ). O N EU apresentou valores entre 1,35 a 108,4 µm/m 2, com as maiores concentrações nas áreas próximas à costa. A TSM variou de 14,7 à 27,6º C, sendo que os menores valores foram próximos à costa, do Cabo de São Tomé até a altura da Baía de Guanabara. A Z t variou de 8-60 m de profundidade, com os maiores valores nas áreas mais profundas. A Z mcs variou de 1-114,3 m, e acompanhou o gradiente da Z t. Esta área de estudo possui características bem particulares. Na altura de Cabo Frio há processos de ressurgência que ocorrem principalmente durante a primavera-verão. Neste período há um predomínio de ventos da direção nordeste que empurram as águas costeiras de superfície para o oceano e promovem a intrusão de águas frias e organicamente enriquecidas da ACAS (Água Central do Atlântico Sul) (CARVALHO et al., 2003). Estas águas promovem o aumento da biomassa fitoplanctônica no litoral do Rio de Janeiro (KAMPEL et al., 2003; CARVALHO e RODRIGUEZ, 2004). Além destes processos, o fato de abranger uma área extensa com profundidades que vão desde 24 m na plataforma até m no talude, também favorece a grande variabilidade encontrada nos parâmetros medidos.

5 III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Kampel (2003) separou esta área em ambiente de plataforma e talude devido às características distintas. No entanto, estas variações acompanham o gradiente espacial de distanciamento da linha de costa e da zona de ressurgência, o que pode ser bem representado pela modelagem espacial. De modo geral, os modelos de estimativa da CEU suavizaram as estimativas, com subestimação dos valores altos e superestimação dos baixos. Não houve, portanto, muita concordância nos valores absolutos, mas os gradientes espaciais foram relativamente bem delineados. Todos os modelos mostraram o aumento da CEU com a diminuiçao da distância da linha de costa, principalmente na zona sob influência da ressurgência, do Cabo de São Tomé até um pouco mais ao sul da Baía de Guanabara. Tanto qualitativamente, na comparação visual dos mapas, como quantitativamente na análise de regressão, o modelo Fuzzy_AHP_2 foi o que demonstrou maior compatibilidade com a distribuição da CEU de medidas in situ. O R2 das estimativas deste modelo foi de 0,54. O modelo de regressão múltipla teve a segunda melhor associação com R2 de 0,32, e o modelo Fuzzy_AHP_2 teve a menor com R2 de 0,22 (fig. 4). Recife - PE, de Julho de 2010 p Nos gráficos de dispersão, os modelos Fuzzy_AHP_1 e Fuzzy_AHP_2, demonstram uma relação negativa com a CEU pois todas as varíaveis do modelo possuem uma relação inversa à CEU. No modelo de regressão multipla, esta relação já é corrigida para ser positiva (fig. 4). A TSM apresentou relação inversa, por indicar as águas frias da ressurgencia, que promovem um aumento da biomassa fitoplanctônica (SHALAPYONOK et al., 2001). O NEU também é um indicativo das águas organicamente enriquecidas de ressurgência (SHALAPYONOK et al., 2001), e das águas costeiras sob influência do aporte continental (CULLEN et al., 1983). O nitrato é a forma de nitrogênio mais facilmente assimilado pelo fitoplanctôn, e como no oceano este é um elemento limitante, pequenas variações na sua concentração podem regular o crescimento do fitoplanctôn (CARTER et al., 2005), por isso a relação com a CEU. Quanto à Zt e N2, estes influenciam na distribuição vertical da biomassa fitoplanctônica, pois águas mais frias e densas funcionam como uma barreira física de sustentação do fitoplanctôn na zona eufótica. Se a coluna é bem estratificada e a ZT é rasa, o fitoplancton fica mais concentrado nas primeiras camadas da zona eutófica, o que pode favorecer maior produtividade e aumento da biomassa, quando não há limitação de nutrients (LONGHURST, 1995). No caso das condições sob forte influência de ressurgencias, como ocorre nesta área no período de verão, a ZT e N2 apresentaram este comportamento de relação inversa com a CEU, pois a zona eufótica está enriquecida de nutrientes. A ZMCS normalmente também ocorre associada à ZT pela questão da sustentação do fitoplanctôn pela termoclina (CULLEN et al., 1983). Por isso, este parâmetro também apresentou uma boa relação com a CEU. O modelo Fuzzy_AHP_2 pode ter apresentado um melhor resultado na modelagem da CEU, pois no verão as ressurgencias são mais fortes, e a TSM e NEU que são indicativos de águas de ressurgência, tiveram uma influência maior na estimativa da CEU. A ZMCS também apresentou ser um bom indicativo da relação da CEU com os parâmetros de estratificação da coluna d água. No modelo de regressão multipla, apesar das estações de verão e inverno serem divididas em dois sub-modelos, a determinação das variáveis foi feita com dados das duas estações. O método AHP permitiu escolher melhor as variáveis que tiveram maior influência na CEU especificamente na estação de verão. Esta flexibilidade possibilitou melhores estimativas da CEU Modelo de Inverno Figura 4 Mapas de distribuição da CEU no período de verão: A) medida in situ; B) estimada pelo modelo de regressão multipla; C) modelo Fuzzy_AHP_1; D) modelo Fuzzy_AHP_2; e gráficos de dispersão das estimativas versus medidas in situ. No período de inverno todos os parâmetros apresentaram uma variação bem menor que no verão, com valores nem tão altos e nem tão baixos. A CEU oscilou entre 10,9 e 39,2 mg/m2, com as maiores concentrações próximo à costa, principalmente na zona sob infuência da ressugência no litoral do Rio de Janeiro. A N2 variou de 0,5-93,0 s-1 x 10-5, com maiores índices nas áreas mais profundas. O NEU variou de 0,57 a 29,58 µm/m2, com

6 III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação maiores concentrações próximo à costa. A TSM variou de 20,4 à 24,72º C, com os menores valores bem próximo à costa na altura de Cabo Frio. A ZT variou de m e a ZMCS de 2,5-100 m, com as maiores profundidades no talude. Estas condições demonstram um ambiente mais homogênio com menor variabilidade dos parâmetros de estratificação da coluna d água. Isto pode ser em decorrência das condições típicas de inverno da área de estudo, com ressurgências mais fracas, menor insolação, menor influência de aportes continentais, e maior mistura vertical devido à intensificação dos ventos neste período (KAMPEL et al., 2008). Apesar dos mapas dos modelos Fuzzy_AHP 1 e 2, apresentarem qualitativamente maior concordância com o mapa de distribuição dos dados in situ, o modelo que demostrou melhor desempenho na análise de regressão, foi o de regressão multipla, com R2 de 0,34. Os modelos Fuzzy_AHP 1 e 2 tiveram desempenhos baixos com R2 de 0,13 e 0,12, respectivamente (fig. 5). Recife - PE, de Julho de 2010 p difícil modelar a CEU com os modelos propostos. Mas ainda assim, com os mapas de distribuição foi possível identificar as áreas sob influência da ressurgência, com uma zona de inflûencia bem menor que no verão. Também foi possível verificar a maior homogeniedade da coluna d água em toda área, com menores gradientes no distanciamento da linha de costa. Assim, com os resultados dos modelos é possivel fazer uma análise do padrão geral de distribuição espacial dos parâmetros da coluna d agua e inferir nas condições gerais do ambiente. 4 CONCLUSÕES No presente trabalho foram aplicadas diferentes técnicas de geoprocessamento para a modelagem da distribuição da concentração de clorofila integrada na coluna d água, na costa sudeste do Brasil. A técnica AHP com a modelagem fuzzy, permitiu elaborar um modelo com melhores resultados para o período de verão. A maleabilidade deste método possibilitou escolher melhor as variáveis e ponderar seus pesos com base em conhecimentos empíricos e teóricos. Os modelos de inverno, por sua vez, não tiveram resultados tão bons. As condições do ambiente determinam nas diferentes relações entre os parâmetros da coluna d água, que podem variar dentro da mesma área, e em períodos diferentes. Este é um desafio para a modelagem. Ainda que os modelos não tiveram uma boa concordância com os valores absolutos, os gradientes da distribuição espacial foram relativamente bem delineados, tanto no verão como inverno. A modelagem espacial permitiu analisar a distribuição dos parâmetros, identificar áreas de maior e menor biomassa fitoplanctônica, e inferir nos processos decorrentes das interações hidro-físico-químicas. Os modelos mostraram-se simples e de fácil aplicação para estudos oceanográficos. As ferramentas de geoprocessamento apresentaram grande potencial para o desenvolvimento deste tema de pesquisa, com possibilidade de aprimoramento dos modelos propostos, assim como a elaboração de novos, com uso de diferentes técnicas disponíveis nos programas de SIG. REFERÊNCIAS BURROUGH, P.A.; MCDONELL, R.; Principles of Geographical Information Systems. Oxford, Oxford University Press, Figura 5 Mapas de distribuição da CEU no período de inverno, A) medida in situ; B) estimada pelo modelo de regressão multipla; C) modelo Fuzzy_AHP_1; D) modelo Fuzzy_AHP_2; e gráficos de dispersão das estimativas versus medidas in situ. No período de inverno, devido à menor influência da ressurgência, a TSM teve uma relação menor com a CEU (tabela 2). Os parametros de estratificação da coluna d água como a N2 e ZMCS também tiveram relações baixas (tabela 2). Neste ambiente mais homogênio, foi mais CARTER, C.M.; ROSSA, A.H.; SCHIEL, D.R.; HOWARD-WILLIAMS, C.; HAYDEN, B. In situ microcosm experiments on the influence of nitrate and light on phytoplankton community composition. Journal of Experimental Marine Biology and Ecology, v. 326 p CARVALHO W. F. e RODRIGUEZ E. G. Development of primary and bacterial productivity in upwelling Waters of Arrail do Cabo Region, RJ (Brazil). Brazilian Journal of Oceanography, 52(1):35-45, 2004.

7 p VAHIDNIA, M. H., ALESHEIKH, A., CARVALHO, G. A; CABRAL, A. P.; FERNANDEZ, M. ALIMOHAMMADI, A., BASSIRI, A. Fuzzy Analytical A. S. Correlação entre o campo de vento médio e um Hierarchy Process in GIS Application. The International índice que define a intensidade da ressurgência na região Archives of the Photogrammetry, Remote Sensing and do Cabo Frio (23ºS / 42ºW) através de análise de dados Spatial Information Sciences. Vol. XXXVII. Part B2. orbitais (QUIKSCAT / AVHRR). Anais XI SBSR, Belo Beijing Horizonte, Brasil, 2003, INPE, p CULLEN, J. J; STEWART, E., RENGER, E., EPPLEY, R. W.; WMANT, C. D. Vertical motion of the thermocline, nitracline and chlorophyll maximum layers in relation to currents on the Southern California Shelf.. Journal of Marine Research, v. 41, p , KAMPEL, M., Estimativa da produção primária e biomassa fitoplanctônica através de sensoriamento remoto da cor do oceano e dados in situ na costa sudeste brasileira. Tese de doutorado. Instituto Oceanográfico da Universidade de São Paulo KAMPEL, M.; LORENZZETTI, J. A.; BENTZ, C. M.; RUDORFF, F. M. Análise por wavelets de series temporais de clorofila estimada por satélite na região da bacia de campos, RJ. III Congresso Brasileiro de Oceanografia. Fortaleza LEÃO, C.; KAMPEL, M.; LORENZZETTI, J.A.; GAETA, S.A. Modelos de regressão linear múltipla para estimar a concentração de Clorofila-a integrada na zona eufótica na costa sudeste brasileira. Anais COLACMAR XII. Florianópolis LONGHURST, A. Seasonal cycles of pelagic production and consumption. Prog. Oceanography. Vol. 36, pp , MEDEIROS J. S. E CÂMARA G. GIS para estudos ambientais. Cap 10. Em: Introdução à ciência da geoinformação. Editores: CÂMARA, G.; DAVIS. C.; MONTEIRO, A. M.; D ALGE, J. C.. São José dos Campos, INPE, PEREIRA G. C., EVSUKOFF, A. G., COUTINHO R, EBECKEN N. F. F. Coastal Environmental Management by Fuzzy System Modeling. FUZZ_IEEE. Budapest Hungary, SAATY, T.L. The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. McGraw-Hill, New York, NY, pp. 437, SAATY, T.L. Relative Measurement and its Generalization in Decision Making: Why Pairwise Comparisons are Central in Mathematics for the Measurement of Intangible Factors - The Analytic Hierarchy/Network Process". RACSAM - Review of the Royal Spanish Academy of Sciences, Series A, Mathematics, 102 (2): , 2008.