ANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE

Transcrição

1 ANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE MAURICIO MARTORELLI GALERA UNIVERSIDADE ESTADUAL DE LONDRINA UEL INTRODUÇÃO A evolução tecnológica dos sistemas de imageamento remoto permitiu o desenvolvimento de estudos detalhados de ocupação e uso em qualquer parte da superfície terrestre. Desta maneira o presente trabalho tem por objetivo mapear a ocupação da cobertura de solo na região de Ariquemes RO, com base nas técnicas de sensoriamento remoto, a partir das imagens do satélite CBERS, comparando a semelhança de 3 classificadores digitais. A utilização de imagens deste satélite pode ser aplicada nos mais variados meios de análise, principalmente nos estudos de cunho ambiental. A comparação de imagens classificadas permite descartar classificadores que produzem mapas de uso do solo muito semelhantes. 2 FUNDAMENTOS TEÓRICOS 2.1 SENSORIAMENTO REMOTO Segundo o INPE (Instituto Nacional de Pesquisa Espacial) Sensoriamento remoto é a utilização de sensores para a aquisição de informações sobre a superfície da Terra, através da coleta da energia radiante proveniente desse objeto, a conversão desta energia em sinal elétrico (digital) e a correspondente apresentação desta informação.

2 Para se obter uma análise mais precisa do objeto de estudo utiliza-se o processamento de imagens, que são técnicas voltadas para a análise de dados multidimensionais, adquiridos por diversos tipos de sensores. O uso de imagens multiespectrais registradas pôr satélites tais como, Landsat, SPOT, CBERS ou similares é uma valiosa técnica para a extração dos dados destinados às várias aplicações de pesquisa de recursos naturais. O Geoprocessamento é uma ferramenta de grande utilidade para a conservação da biodiversidade, pois possibilita a coleta de dados espaciais relevantes para diversos estudos, como dados temáticos e de distribuição de espécies, permitindo análises mais detalhadas, como a identificação de áreas prioritárias para a conservação, delimitação de corredores de biodiversidade, base para sistemas de suporte a decisão. Na análise ambiental, o Geoprocessamento é uma das ferramentas mais utilizadas para monitoramento, por exemplo, da cobertura vegetal e uso das terras, níveis de erosão do solo, poluição da água e do ar, disposição irregular de resíduos, etc. Da mesma maneira, ele pode ser usado em análises de qualidade de habitat e fragmentação. Finalmente, o Geoprocessamento também é útil para a definição de políticas e diretrizes na gestão governamental. Ao identificar com precisão as áreas afetadas por determinada decisão, o governo pode planejar melhor o impacto de suas ações. Da mesma forma, através do registro de solicitações e análises e o livre acesso à base cartográfica, pode-se estreitar as relações do governo com os cidadãos. O processamento de imagens pode se dividir em: Pré-processamento, Realce e Classificação. No o processamento das imagens, as mesmas podem ser manipuladas por um classificador digital, e a partir de um processo de extração de informações serão reconhecidos padrões e objetos homogêneos para mapear áreas da superfície terrestre que correspondem aos temas de interesse. O resultado final de um processo de classificação é uma imagem digital que constitui um mapa de pixels classificados. Um dos principais classificadores de imagem é o classificador Maxver, um classificador paramétrico, pois assume distribuição normal para cada uma das classes em cada uma das bandas, através da qual calcula as probabilidades de um determinado pixel pertencer a cada uma das classes determinadas na fase de treinamento, associando-o em seguida à classe a qual ele apresenta a maior probabilidade, outro classificador existente é o Maxver ICM, que possui características semelhantes a do classificador Maxver, e associa a dependência espacial na classificação da informação contextual da imagem.

3 Há também o classificador Distância Euclidiana, que possui como método de classificação um procedimento de supervisionado que utiliza esta distância para associar um pixel a uma determinada classe. Vários satélites existentes produzem imagens para classificação digital. Dentre eles, o CBERS 2, o segundo satélite desenvolvido em conjunto com a China que possui órbita héliosíncrona a uma altitude de 778 km, e consegue obter a cobertura completa da Terra em 26 dias, sua melhor resolução espacial é de 20 metros. 3 MATERIAIS E MÉTODOS No software Impima foi recortada a imagem do satélite CBERS 2, órbita ponto 174/111, data de passagem 21 de junho de 2006, bandas 2, 3 e 4, onde foi mapeada a cidade de Ariquemes RO. Após o recorte das imagens, elas foram importadas para o SPRING, onde foi aplicado o contraste nas três bandas. Para analise da imagem foram selecionados cinco tipos de ocupação do solo: Urbano, Água, Mata, Solo nu e Agropecuária. Na imagem foram selecionadas varias amostras de cada tipo de ocupação do solo, onde se aplicou os classificadores Maxver, Maxver ICM e Distancia Euclidiana. Foi feita a tabulação cruzada com as seguintes combinações: Distancia Euclidiana X Maxver, Distancia Euclidiana X Maxver ICM e Maxver ICM X Maxver. Para avaliar a precisão dos resultados, foi feita uma correlação pôr meio do índice Tau.

4 4 RESULTADOS DAS DISCUSSÕES As tabulações cruzadas são representadas nas tabelas 1, 2 e 3. Tabela 1 cruzamento dos classificadores Maxver ICM (colunas) com Distância Euclidiana (linhas) Urbano Mata Água Solo nu Agropecuária Urbano Mata Água Solo nu Agropecuária Tabela 2 cruzamento dos classificadores Maxver (colunas) com Distância Euclidiana (linhas) Urbano Mata Água Solo nu Agropecuária Urbano Mata Água Solo nu Agropecuária Tabela 3 cruzamento dos classificadores Maxver (coluna) com Maxver ICM (linhas) Urbano Mata Água Solo nu Agropecuária Urbano Mata Água Solo nu

5 Agropecuária Os mapas produzidos pelos classificadores, são representados pelas figuras 1, 2, 3. Figura 1: Mapa de uso do solo obtido pelo classificador Maxver Fonte: Galera, M.M., 2007.

6 Figura 2: Mapa de uso do solo obtido pelo classificador Maxver ICM. Fonte: Galera, M.M., 2007.

7 Figura 3: Mapa de uso do solo obtido pelo classificador Distância Euclidiana. Fonte: Galera, M.M., 2007.

8 O classificador Maxver obteve um desempenho médio 99,59% de diferenciação entre as amostras, já os classificadores Maxver ICM e Distância Euclidiana obtiveram a mesmo desempenho médio de 98,66% de diferenciação entre as amostras. Após as análises dos cruzamentos entre as tabelas, chegou-se aos valores de índice Tau. Cruzamento entre Maxver ICM x Distância Euclidiana: 79%; Cruzamento entre Maxver x Distância Euclidiana: 79%; Cruzamento entre Maxver x Maxver ICM: 97%. Pode-se assim afirmar que nos cruzamentos entre a Maxver ICM x Distância Euclidiana e Maxver x Distância Euclidiana obtiveram resultados iguais (em índices de porcentagem), porém o índice maior (em porcentagem) foi a do cruzamento entre Maxver x Maxver ICM. Dessa maneira, podemos excluir um dos dois classificadores que obtiveram menor valor de índice, pois representam mapas muito semelhantes. 5 CONCLUSÃO Depois de feitas às análises de comparações entre as figuras produzidas pelos classificadores, chegou-se a uma conclusão de que as imagens produzidas pelos classificadores Maxver e Maxver ICM, são muito parecidas e a imagem produzida pelo classificador Distância Euclidiana destacou-se por apresentar uma maior amostra de cobertura vegetal na região. Deste modo deve-se salientar que de acordo com o objetivo de um estudo proposto por meio de imagens de satélite, há a necessidade de se escolher um classificador que identifique de maneira mais precisa os dados que serão interpretados. 6 BIBLIOGRAFIA BECKER, B.K.; EGLER, C.A.G. Detalhamento da Metodologia para Execução do Zoneamento Ecológico-Econômico pelos Estados da Amazônia Legal. Brasília, MMA/SAE, CÂMARA, G.; FREITAS,U.M.; CORDEIRO, J.P.C. Towards an Algebra of Geographical Fields. In: VII SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO GRÁFICA E PROCESSAMENTO DE IMAGENS. Anais, Curitiba, SBC, pp , (disponível na webpage

9 Câmara, G; Souza, R.C.M.; Freitas, U.M.; Garrido, J.; Computers & Graphics, Instituto de Pesquisas Espaciais. "SPRING: Integrating remote sensing and GIS by object-oriented data modelling". 20: (3) May-Jun Disponível em: <Acesso em 23/05/2007. > CORDEIRO, J. P.; AMARAL, S.; FREITAS, U.M.; CÂMARA, G. Álgebra de geocampos e suas aplicações. In: VIII Simpósio Brasileiro de Sensoriamento Remoto. Salvador de abril COUTINHO, A.C.; DORADO, A.J.; GUIMARÃES, M.Monitoramento das alterações da cobertura natural em duas situações distintas da Amazônia Brasileira. In: GISBRASIL 2000: SHOW DE GEOTECNOLOGIAS, 6., A ERA DA INFORMAÇÃO GEOGRÁFICA, 2000, Salvador. Anais em CD-ROM. Curitiba: Fator GIS, p. Escola Politécnica da Universidade de São Paulo. Classificação de Imagens. Disponível em: <Acesso em 23/05/2007. > Escola Politécnica da Universidade de São Paulo. Princípios do Sensoriamento Remoto. Disponível em: df <Acesso em 23/05/2007. > GUIMARÃES, M; DORADO, A.J.; COUTINHO, A.C. Utilização de dados TM-Landsat para o mapeamento e monitoramento da cobertura vegetal. In: GISBRASIL 2000: SHOW DE GEOTECNOLOGIAS, 6., A ERA DA INFORMAÇÃO GEOGRÁFICA, 2000, Salvador. Anais em CD-ROM. Curitiba: Fator GIS, p. INPE Instituto Nacional de Pesquisas Espaciais. Tutorial de Geoprocessamento. Classificação de Imagens. Disponível em: <Acesso em 23/05/2007. > MIRANDA, E.E. de. Como conciliar desenvolvimento e meio ambiente na Amazônia? Geotecnologias, Zoneamento, Agroecológico e Ordenamento Ambiental no Estado do Tocantins. In: CONGRESSO E FEIRA PARA USUÁRIOS DE GEOPROCESSAMENTO DA AMÉRICA LATINA (GIS BRASIL'99), 5., 1999, Salvador. Resumos em CD-ROM.. 1p. Soares, D. de M.; Freitas, M.W.D.de; Arraut, E.M. Análise comparativa entre imagens dos sensores CCD/CBERS2 e ETM+na classificação da cobertura vegetal no semi-árido brasileiro. Disponivel em: <Acesso em 30/05/2007. >