GERAÇÃO DE MAPA DE USO E COBERTURA DE SOLO UTILIZANDO IMAGENS DE SATÉLITE LANDSAT 8 PARA O SUPORTE AO PLANEJAMENTO MUNICIPAL DO MUNICÍPIO DE NITERÓI RJ. Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³ 1 Universidade do Estado do Rio de Janeiro / Faculdade Formação de Professores brunolopescosta@gmail.com ²Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - rfariageo@hotmail.com ³Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - lleann_13@hotmail.com 1 - INTRODUÇÃO O avanço nas tecnologias da informática permite que um administrador público municipal saiba com precisão onde e de que maneira deve intervir nos problemas municipais identificados. No passado, essa identificação era feita através de análise do histórico municipal, relatórios, gráficos e banco de dados precários gerados por gestões anteriores. Atualmente, com o auxílio de dados específicos de caracterização municipal, tais como informações relativas a setores censitários, imagens de satélite, fotos aéreas e base de dados geográficos previamente produzidos por empresas especializadas, podem-se identificar praticamente os problemas mais graves que um município apresenta, como falta de infraestrutura básica, crescimento urbano desordenado, zonas de risco para construção de edificações, entre outros. Para tentar resolver, ou pelo menos minimizar esses problemas municipais, o governo federal promulgou, em de julho de 2001, a lei número 10257, que determina os critérios de exigência para que um município possua um Plano Diretor para organizar o crescimento e o funcionamento de seu território.
O Plano Diretor é obrigatório para as cidades com mais de 20 mil habitantes e para municípios integrantes de regiões metropolitanas. É também obrigatório nas aglomerações urbanas onde o Poder Público municipal pretende utilizar os instrumentos previstos no 4º do art. 182 da Constituição Federal (integrantes de áreas de especial interesse turístico, inseridas na área de influência de empreendimentos ou atividades com significativo impacto ambiental de âmbito regional ou nacional). A primeira etapa de um Plano Diretor Municipal é caracterização da realidade do município, através de seus recursos e fatores de limitação. Esta etapa, denominada diagnóstico, pode ser realizada com relativa facilidade, utilizando ferramentas computacionais adequadas e dados geograficamente referenciados. O Município de Niterói, localizado na região metropolitana do Estado do Rio de Janeiro, apelidado popularmente como a capital estadual da qualidade de vida vem sofrendo nos últimos anos com a ocupação urbana feita de forma desordenada e irregular. É registrado na Defesa Civil Municipal um grande número de ocorrências relatando deslizamentos, que estão disponíveis em arquivos para consultas. Em decorrência desses eventos e da preocupação com a ocupação urbana desordenada e irregular a prefeitura do município de Niterói teve que buscar formas alternativas para monitoramento e mapeamento da região. Isso, visto que as políticas tradicionais não estavam conseguindo prevenir as ocupações nas áreas consideradas de alto risco a deslizamentos. Uma solução foi à criação de uma carta de risco, elaborada pela Defesa Civil. Que viabilizou a localização dos pontos de risco a movimento gravitacional de massa, proporcionando informações para se desenvolver um planejamento urbano e auxiliando nos projetos de prevenção a desastres. A localização da área de estudo é o município de Niterói possui 52 bairros, subdivididos em 907 setores censitários. Estas unidades territoriais delimitam uma área de 133,916 km², tendo como limites a Baía de Guanabara e os municípios de Maricá e São Gonçalo. O território do município de Niterói ainda se caracteriza pela presença das lagoas de Piratininga e Itaipu.
Figura 1: Representa o mapa de localização do município de Niterói, gerado com a imagem do Sensor OLI do Satélite Landsat 8. 2 - OBJETIVO Com o objetivo de ampliação de estudos sobre o município de Niterói, é proposto nesta pesquisa uma metodologia de monitoramento da ocupação do solo através do processamento de imagens digitais do satélite Landsat 8 e a classificação, por máxima verossimilhança por Regiões proposta por Bhattacharya, dessas imagens. Esse monitoramento é feito com mais rapidez e precisão porque ao utilizarmos o programa Spring conseguimos classificar os diferentes usos do solo através de diferentes cores (composição de bandas) que os sensores do satélite Landsat 8 dispõem. 3 - MEDODOLOGIA
Usando o método Bhattacharya baseado no índice de probabilidade das classes desejadas. Sempre trabalhando com um par de classes de cada vez, o método depende diretamente do treinamento supervisionado para organizar os segmentos de acordo com a menor distância de Bhattacharya encontrada com determinada classe, associando-o à mesma. 3.1 Segmentação Processo de separação automatizada da imagem em áreas que englobem pixels semelhantes nas direções X e Y do plano cartesiano. Essa etapa é essencial para a realização de uma classificação por região. Normalmente, como no presente estudo, é utilizado o método de crescimento por regiões. Figura 2: Imagem do Sensor OLI do Satélite Landsat 8 segmentada pelo programa SPRING. Uma das principais dificuldades encontradas para a realização da segmentação por crescimento de regiões é a falta de informações para definição dos parâmetros que envolvem este processo: similaridade e área. Segundo a definição do INPE (2007) encontrada na literatura do SPRING:
A medida de similaridade está baseada na distância Euclidiana entre os valores médios dos níveis de cinza de cada região. Assim duas regiões são consideradas distintas se a distância entre suas médias for superior ao limite de Similaridade escolhido. [Da mesma forma, as] regiões com área menor que o mínimo escolhido são absorvidas pelas regiões adjacentes mais similares a estas. O funcionamento computacional da segmentação por regiões começa com a atribuição automática do tamanho de um pixel para cada região, em seguida, essas regiões iniciais crescem através da aglutinação das regiões adjacentes que possuam diferenças de tons de cinza menores que o limite definido para o parâmetro similaridade, essa etapa é baseada na menor distância Euclidiana entre as médias dos tons de cinza das regiões envolvidas no processo, após essa fragmentação inicial, as regiões que possuem o número de pixels menor ou igual ao valor definido para o parâmetro área, são agregadas às regiões adjacentes cujas características sejam mais próximas, independente da similaridade definida inicialmente. Fica clara, nesse momento, a importância que a correta definição desses parâmetros possui no quesito qualidade da classificação final. 3.2 Classificação Processo que envolve o processamento computacional da imagem visando aglomerar blocos de pixels que possuam dados com informações semelhantes, sendo que o nível de semelhança depende da escolha do método classificador (modelo matemático), podendo o mesmo ser ainda matematicamente ajustado pelo usuário através dos parâmetros próprios de cada método, sendo neste artigo tratado somente o limiar de aceitação, que é um parâmetro comum à maioria dos métodos disponíveis no SPRING. O conceito do parâmetro limiar de aceitação é extremamente importante para a correta qualificação do resultado final do processo de classificação. É possível defini-lo como sendo o percentual, de uma distância ou da quantidade de pixels, que será utilizado para refinar a classificação através da rejeição de dados discrepantes, ou melhor, com baixa probabilidade de pertencer ao conjunto desejado.
Quando o limiar de aceitação é baixo, mais itens são desconsiderados e deixam de ser classificados, ao contrário, um limiar de 100% não descarta nenhuma informação por mais duvidosa que possa ser. Normalmente o intervalo de aceitação varia de 75% a 99.9% de uma distribuição normal de probabilidade para um segmento/pixel pertencer a uma determinada classe. 3.3 Treinamento Para realizar um processo de classificação é preciso realizar o reconhecimento da assinatura espectral das classes de interesse, esse procedimento é chamado de treinamento, no contexto do SPRING. Pode ser supervisionado ou não-supervisionado, sendo o primeiro caso caracterizado quando o engenheiro responsável possui informações que possibilitem a identificação de uma ou mais classes de interesse através da definição de áreas representativas na imagem. Os desenvolvedores do SPRING recomendam o uso de 10 a 100 pixels representativos de cada classe para se obter uma classificação estatisticamente confiável. Também é importante salientar que a utilização da ferramenta de análise estatística das amostras (disponível no SPRING) é um procedimento de grande valia para a qualidade final do processo de classificação supervisionada, permitindo eliminar as amostras discrepantes. 3.4 Métodos Classificadores Os métodos classificadores dividem-se em dois grandes grupos de acordo com o item elementar envolvido na análise, o mais simples é o classificador pixel a pixel, ou por pixel, que considera apenas as informações de nível de cinza de cada pixel para agrupá-los em padrões homogêneos, baseando-se em conceitos de probabilidade (método estatístico) ou não (método determinístico). O classificador por região define o outro grupo de métodos que além do nível de cinza considera também a situação espacial de um conjunto de pixels semelhantes (região) em relação aos pixels que cercam esse conjunto. 4 - RESULTADOS PRELIMINARES
Para demonstrar a eficácia do processo de classificação o programa SPRING gera algumas tabelas de resultados das amostras captadas durante o processo de treinamento. Com esse resultado demonstramos que a classificação teve um grau de porcentagem significativa para a representação da realidade. Os resultados demonstrados na Figura 3 e Figura 4, demonstram claramente que pode-se usar o mapa de uso e cobertura de solo para o planejamento urbano de Niterói visualizando um algo grau de crescimento no lado esquerdo próximo a Bahia de Guanabara. E até os usos e coberturas de cada bairro, proporcionando uma ideia de planejamento urbano por bairros. Tabela 1: demonstração das amostras coletadas durante o processo de Treinamento. Tabela 2: tabela de exatidão das amostras coletadas durante o processo de Treinamento.
Figura 3: Mapa de uso e cobertura de solo gerado por processos no programa Spring.
Figura 4: Mapa de uso e cobertura de solo gerado por processos no programa Spring com os bairros. Analisando a tabela dos resultados podemos inferir que não tivemos classes sendo confundidas umas com as outras, demonstrando a eficiência do processo. Segundo a analise do mapa de uso e cobertura do município de Niterói podemos visualizar claramente que a um avanço de área urbana em direção ao interior do Município partindo da Bahia de Guanabara. Localidades próximas à Bahia de Guanabara demonstra claramente um avanço urbano muito intenso. Conclui-se que o trabalho foi desenvolvido a fins de melhorar o planejamento urbano do município de Niterói e com demonstrar como o solo do município é usado atualmente, levando em conta diversos fatores de correções relacionados ao processamento digital de imagens de Satélite, a imagem do sensor OLI do Satélite Landsat 8 demonstra melhorias claras para se desenvolver uma boa resposta durante o processo de classificação. Com isso podemos utilizar os domínios das classes para se pensar numa forma de planejamento urbano / ambiental do Município de Niterói, deixando claro que esse trabalho precisa de complementos que viabilizariam uma analise espacial levando em conta a Geomorfologia do município. 5 BIBLIOGRAFIA FLORENZANO, Teresa Gallotti. Iniciação em Sensoriamento Remoto. São Paulo: Oficina de Textos, 2011, 3ª Ed.
LIMA, Suely Franco Siqueira. Aplicações do Sensoriamento Remoto na Educação. São Paulo: DSR. INPE, 2011 MORAES, Elisabete Caria. Apostila: Fundamentos de Sensoriamento Remoto. São Paulo: DSR. INPE, 2011 SEVERINO, Joaquim Antonio. Metodologia do Trabalho Científico. São Paulo: Ed. Cortez, 1998 http://www.dgi.inpe.br/cdsr/, acesso JUN/2014. http://www.dpi.inpe.br/spring/portugues/sprweb/springweb.html, acesso MAI/2014 http://earthexplorer.usgs.gov/, acesso MAI/2014