*Por Aline Pinheiro Borges, Jéssica Pinheiro Borges e Kamila Pinheiro Borges. Trabalho de Conclusão de Curso, apresentado ao Curso Superior de Tecnologia em Agrimensura, da Coordenação da Área de Geomática, do Departamento Acadêmico de Áreas III, do Instituto Federal de Educação, Ciência e Tecnologia de Goiás, como requisito parcial à obtenção do título Tecnólogo em Agrimensura. Orientador: Prof. Dr. Giovanni de Araújo Boggione
Introdução
Atualmente, as novas tecnologias nos possibilitam realizar mapeamentos mais complexos de áreas onde antes se tinha pouca, ou quase nenhuma informação, devido à dificuldade de acesso terrestre a estes locais.
O sensoriamento remoto vem se mostrando cada vez mais, uma importante ferramenta para este fim, pois permite uma análise de forma rápida e eficaz.
Presente em quase todos os biomas, as áreas úmidas são zonas de transição entre a água e o solo, e possuem um ecossistema complexo, sofrendo alterações não só diretamente devido à ação humana, mas também pelo impacto sobre o ecossistema terrestre.
Percebe-se a necessidade de um estudo maior relativo a essas áreas, pois ainda se sabe muito pouco sobre elas.
Essas áreas são regiões de grande importância tanto para a fauna quanto para a flora; devido a isso, estudar, mapear e analisar quais mudanças ocorridas ao longo dos anos é de grande valia para o meio ambiente, pois, caso essas áreas sejam degradadas pode-se acarretar em desequilíbrios ao mesmo.
Assim o presente trabalho tem o intuito de colaborar com o estudo dessas regiões em um município de grande importância para o estado de Goiás, visto que ao iniciar-se o mesmo, não havia nenhum estudo com o objetivo de mapear e analisar as mudanças que essas áreas úmidas da região de Aruanã sofreram.
A proposta do trabalho é verificar se houve diminuição ou aumento das áreas úmidas.
Para a realização deste, fez-se o uso de técnicas de sensoriamento remoto, dispensando-se assim a necessidade de uma análise em campo.
Foram utilizadas imagens do satélite Landsat 5 com intervalos de cinco anos para cada imagem analisada, sendo feitas técnicas de correção radiométrica, filtragem, uso da classificação supervisionada para delimitação das classes, extraindo destas cenas dados que possibilitaram uma avaliação da evolução de cada classe escolhida com um intervalo de vinte e cinco anos, no município de Aruanã-GO.
Referencial Teórico
Na elaboração desta pesquisa alguns trabalhos foram utilizados como referência, tais como:
Na pesquisa de COCHEV, et al. (2009), os autores fizeram o uso de uma série de imagens temporais utilizando técnica de processamento de imagens para analisar o uso do solo da área urbana no município de Cárceres/MT.
Em sua monografia FRAMIL FILIPE (2013), faz uma análise das mudanças no uso e cobertura do solo no município de Viçosa-MG, essa foi uma das principais referências ao nosso trabalho, pois em sua metodologia utiliza imagens orbitais multitemporais e as submetem ao processamento digital em três etapas: pré-processamento, realce e classificação pelo método de Máxima Verossimilhança (Maxver).
Outro trabalho utilizado foi o de DEMARCHI, et al. (2011), onde os autores tinham como objetivo analisar a evolução temporal do uso do solo deste município, sendo utilizadas técnicas semelhantes para a elaboração do presente trabalho, como a de classificação supervisionada por máxima verossimilhança (Maxver), obtenção das imagens apenas em época de seca, além da utilização das imagens do satélite Landsat-5.
A utilização do método Máxima Verossimilhança (Maxver) também é adotada no trabalho de HAYAKAWA, et al. (2010). Diferentemente deste trabalho, onde foi utilizado apenas um método de classificação, HAYAKAWA et al., utilizaram outro algoritmo além do MAXVER (Máxima Verossimilhança), sendo ele o ISOSEG, e avaliaram a dinâmica da cobertura vegetal e da ocupação do uso do solo da planície de inundação do rio Paraná, através de uma série temporal, com o uso de imagens dos anos de 1987,1999 e 2007.
O trabalho de WATRIN, SANTOS e FILHO (1996), também fez uma análise temporal de uma mesma órbita/ponto em dois anos distintos, onde foram utilizadas técnicas de pré-processamento para a obtenção de produtos temáticos, após o pré-processamento essas imagens foram classificadas e feitas às análises referentes à quantificação de áreas e a dinâmica das classes.
Outra pesquisa que se assemelha é a de COSTA, MOURA e OLIVEIRA (2013), aqui os autores utilizaram imagens de dois anos com intervalo de 25 anos entre eles para visualizar as mudanças ocorridas no uso do solo na bacia do rio dos Sinos.
FRANÇA e SANO (2011), adotaram uma metodologia diferente, destacando a função e a importância das áreas úmidas, a ocorrência deste tipo de solo no bioma cerrado e a importância do sensoriamento remoto para o estudo dessas áreas, onde os estudos são escassos. Assim como neste trabalho, foram utilizadas imagens de época seca, e realizada a classificação destas imagens, porém com um algoritmo diferente.
Em sua pesquisa SANTOS et al. (2009), utilizaram as imagens de satélite para identificar as variações espaciais e temporais dos índices de vegetação das áreas alagadas abrangendo a região do pantanal brasileiro.
No trabalho de BORGES et. al. (2009), os autores abordam o uso de imagens de satélites distintas, a fim de avaliar os potenciais de cada uma para a delimitação de áreas úmidas.
• Áreas Úmidas
Através do uso de imagens multitemporais, se torna possível o mapeamento de áreas que apresentam comportamento sazonal, e possibilita ainda, o mapeamento de alterações em propriedades físico-biológicas nos diferentes alvos da cena. (SANTOS et. al.,2009)
Com os seus atributos sazonais e as sua dimensões, tanto no tempo humano quanto no geológico, estudar as áreas úmidas é algo atual e relevante, na medida em que estas possuem assinaturas climáticas sobre o tempo passado, e ainda podem indicar possíveis futuras mudanças climáticas (MARTINI, 2006).
“Terras úmidas são áreas de banhado, pântanos, turfeiras ou superfícies cobertas por água, sejam naturais ou artificiais, permanentes ou temporárias, com água parada ou fluindo, doce, salobra, salgada, incluindo áreas de águas marinhas nas quais a profundidade na maré baixa não exceda a 6 metros” (SCOTT & JONES, 1995) apud GUASSELLI (2005)
Com relação as funções das áreas úmidas, podem -se ressaltar a retenção, a exportação e a remoção de nutrientes, a recarga e descarga subterrânea, o controle de inundações e o ajuste do fluxo hidrológico, a contenção de sedimentos, o controle de erosão, controle da salinidade, a estabilidade do clima, e ainda tratamento de água. (MELLO, 2013).
O estudo das áreas úmidas é um desafio, devido à diversidade de tipos/classes, a dinâmica sazonal desses ecossistemas, ocorrência e localização, e principalmente as dificuldades de acesso que limitam o conhecimento sobre tais áreas, o que faz do sensoriamento remoto uma forma viável para sua caracterização e monitoramento (FRANÇA e SANO, 2011).
Materiais e Métodos
• Materiais
Para a realização deste trabalho foram utilizados os seguintes materiais:
Imagens orbitais geradas pelo satélite Landsat/-5, sensor TM, adquiridas no site earthexplorer.usgs.gov, onde estas já se encontram ortorretificadas, referentes às órbitas ponto 223-70 e 223-71 nos anos de 1985, 1990, 1995, 2005 e 2010. Foi utilizado o software Erdas Imagine nas etapas de união das bandas, mosaico, classificação e filtragem. Devido a quantidade de nuvens na imagem referente ao ano de 2000, os resultados obtidos apos a classificação da imagem acabaram mascarando os dados reais, sendo assim, a imagem foi descartada da pesquisa.
• Metodologia
Quando iniciou o trabalho decidiu-se que seria estudada uma das cidades banhadas pelo rio Araguaia, pois o intuito era observar quais mudanças ocorreram na região ao longo dos anos, e o quanto isso poderia influenciar e modificar a paisagem da região. A escolha do município de Aruanã se deu pela fama turística que é uma das maiores do estado, e também por um município próximo ter o abatedouro de um dos maiores frigoríficos do Brasil; sendo assim, a agropecuária se mostra intensa na região, e de acordo com o IBGE (2010), é a segunda fonte de economia do município, o que leva a crer que esta possa ter influenciado de forma negativa nas características da cobertura da terra, houve assim a curiosidade de analisar as mudanças na cobertura da terra, com o foco maior em áreas úmidas devido a sua grande importância ambiental.
Neste intuito para atingir os objetivos propostos, o estudo adota o modelo representado na Figura 1. Consiste em um fluxograma com as etapas do trabalho. Essas são formadas por 7 etapas.
A seguir será exposto de forma mais detalhada cada etapa representada na Figura 1.
Área de Estudo
A área de estudo compreende todo o município de Aruanã que possui uma área de 3.050,00 Km2, com uma população de 7.496 (IBGE 2010) e está inserida entre os nove municípios da microrregião do Rio Vermelho. O município apresenta uma extensão linear limítrofe de aproximadamente 113 km, conforme Figura 2.
O município de Aruanã teve origem através da criação do presídio militar, construído em 1850 por João Batista de Castro Morais Antas, em obediência a ordem imperial de 29 de maio de 1849, próximo à confluência do rio vermelho com o rio Araguaia, sítio onde se encontrava o Porto Manoel Pinto; sendo a região habitada nessa época por várias tribos, dentre elas, a principal, os carajás. Em homenagem a esposa do imperador, o local do presídio passou a ser denominado como Leopoldina, mais tarde com a vinda dos religiosos passou a ser temporariamente Santa Leopoldina.
Em 1868 com a inauguração da navegação a vapor do rio Araguaia, teve-se um grande impulso a povoação do presídio, alcançando assim a categoria de vila, com a denominação de Leopoldina. Teve sua denominação mudada em 1939 para Aruanã, devido a um peixe existente no rio Araguaia e de uma dança dos índios Carajás que habitavam a região. A vila de Aruanã passou a ser considerada como distrito por volta de 1939, integrando o município de Goiás.
Com o rápido crescimento devido à ligação por rodovia asfaltada e com o impulso econômico gerado por seu turismo ao rio Araguaia, com repercussão nacional, Aruanã tornou-se município autônomo através da lei estadual n° 2427, de 18 de dezembro de 1958, instalado oficialmente em 1 de janeiro de 1959.
Satélite Landsat 5
O programa Landsat representa a mais longa coleção de dados de sensoriamento remoto terrestre com resolução moderada do mundo, com mais de 40 anos de dados calibrados de resolução espacial média. Uma variedade de aplicações em áreas como geologia, mapeamento de cobertura da terra, agricultura entre outras.
Quando o Landsat 5, figura 3, foi lançado em março de 1984, não poderiam prever que o satélite forneceria dados globais de alta qualidade da superfície terrestre durante 28 anos e 10 meses.
A escolha para utilização de imagens do satélite Landsat 5, se deu a este fato, o que possibilitou uma análise multitemporal de 25 anos, com intervalos de 5 anos para cada imagem, possibilitando analisar as mudanças da cobertura do solo no município de Aruanã-GO, de 1985 até 2010. As datas escolhidas foram determinadas em um espaço de tempo, para que as influências climáticas, e de iluminação de cada cena, sejam minoritárias pela comparação em uma mesma época do ano para todas as imagens. A Tabela 1 mostra as principais características do sensor.
Foram utilizadas imagens orbitais do satélite Landsat 5 TM (ThematicMapper), com resolução geométrica das bandas 1, 2, 3, 4, 5 e 7 de 30 metros, onde uma cena inteira representa 185 Km2. As imagens foram adquiridas já ortorretificadas no banco de dados da NASA (National Aeronautics and Space Administration). A Tabela 2 mostra as principais características das imagens.
Como método de pré-processamento utiliza-se a correção geométrica, explanaremos sobre esse tipo de correção a seguir.
Correções Geométricas
Imagens produzidas por sensores remotos possuem distorções espaciais, assim não possuem precisões cartográficas com relação ao posicionamento dos objetos, fenômenos ou superfícies. Desse modo é preciso fazer a correção geométrica dessas imagens, onde algumas distorções são corrigidas através de retificação, ou seja, atribuir coordenadas a imagem sem sistema de representação cartográfica.
Para a escolha do modelo matemático mais adequado, é de extrema importância que se conheça os erros que interferem no processo de formação das imagens. Esses erros são causados pela curvatura terrestre, rotação da terra, variações de altitude, posição e velocidade da plataforma, movimento dos espelhos de imageamento, distorções panorâmicas e topográficas.
Há dois tipos de correções, a correção geométrica paramétrica ou através de parâmetros orbitais nominais, e a correção geométrica não paramétrica ou mediante pontos de apoio no terreno (GCPs).
A correção geométrica paramétrica ou através de parâmetros orbitais nominais, é a que faz o uso do modelo matemático da órbita descrita pelo satélite. É adequada para áreas de difícil acesso, sensores de baixa resolução ou que não possuem mapas adequados, mas é necessário conhecer as efemérides das plataformas e características dos sensores, pois permite corrigir erros referentes a rotação e curvaturas terrestres, erros instrumentais, variação da velocidade e distorções panorâmicas. Suas desvantagens são que ela é menos precisa que a correção geométrica não paramétrica e nem sempre temos os parâmetros nominais da órbita do sensor. Suas correções são obtidas pelas transformações matriciais.
A correção geométrica não paramétrica ou mediante pontos de apoio no terreno (GCPs) é um método que consiste em comparar a posição dos pontos registrados na imagem, com seus correlatos em mapa ou outras fontes conhecidas. Elas podem ser georreferenciadas onde são utilizadas coordenadas de apoio no terreno ou de um mapa já existente; registros de imagens onde se utiliza uma imagem já georreferenciada para atribuir coordenadas a uma nova imagem; e também a ortorretificação que é a utilização de um modelo numérico do terreno (MNT, MDT ou MDE) para atribuir coordenadas a nova imagem de forma ortogonal ao plano topográfico de referência.
Essa correção utiliza-se de modelo polinomial cuja função consiste de parâmetros que são determinados pelas coordenadas dos pontos correlatos, que são feições identificáveis tanto nas bases de dados, quanto no sistema de referência. O número mínimo de pontos de controle que devemos usar será determinada pela equação 1.
Onde: n e o grau do polinômio.
O objetivo foi determinar funções de transformações que permita estimar as coordenadas em X, Y que cada ponto da imagem original deveria ter; modelar as correções diretamente no domínio da imagem, sem informações explícita da fonte de distorções através dos ajustes por Mínimos Quadrados; funções polinomiais de diferente ordem; a ordem do polinômio irá ser maior quanto maior seja a distorção da imagem, o grau de deslocamento do relevo topográfico, o número de pontos de controle usados. Normalmente a transformação polinomial de primeira ou segunda ordem são suficientes.
A transformação polinomial de 1º ordem modela 6 tipos de distorções nos dados da imagem, translação em X, translação em Y, mudança de escala em X, mudança de escala em Y, obliquidade e rotação. Já a transformação polinomial de 2º ordem, o uso de uma equação de ordem maior implica em gerar um menor Root Mean Squared Error (RMS error), mas essa diminuição não significa um melhor georreferenciamento, pois podem produzir grandes deformações na imagem.
Antes de aplicar a transformação a todos os pontos, deve-se comprovar a qualidade da transformação, pois na teoria as coordenadas originais de um ponto e as estimadas por meio da transformação polinomial deveriam ser iguais. Essas diferenças se dão pela não correção das distorções geométricas pelos coeficientes dessas equações. O grau de ajuste entre as coordenadas de referência e as estimadas GCP 01é determinada mediante o Erro Médio Quadrático (EMQ) ou Root Mean Squared Error (RMS error) a partir do cálculo dos resíduos Ri.
O erro máximo permitido é expresso pela tolerância máxima fixada pelo usuário nas condições iniciais do trabalho, mas na maioria dos casos é melhor que se aceite um erro de certa magnitude, que aplica transformação de maior complexidade.
Mesmo após a transformação dos pixels as coordenadas estimadas e os originais não costumam não coincidir, e a nova posição dos demais pixels com a nova posição podem não ter valores inteiros de níveis de cinza (NC) ou nível digital (ND), ou seja, a nova posição pode estar entre dois pixels, assim o ND deve ser interpolado baseado na vizinhança. Este processo é denominado reamostragem e seus métodos mais comuns são vizinho próximo, interpolação bilinear e convolução cúbica.
No método do vizinho próximo se atribui o valor do contador digital mais próximo do pixel, assim não há interpolação, nela não existe alteração do histograma entre imagens originais e interpoladas, e de fácil uso, porém pouco acurado em termos espaciais e mais indicado para registro de imagens de mesma origem.
A interpolação bilinear é a média ponderada dos ND dos pixels originais, mais próximos da posição estimada é definida como ND da posição, nele há a alteração do histograma entre a imagem interpolada e a original, é mais acurada espacialmente em relação ao método anterior e útil em fusão de imagens com resoluções próximas.
No método de convolução cúbica utiliza 16 pixels para determinar o valor de um pixel reamostrado. A reamostragem é feita por função polinomial em cada direção (X, Y), baseada nos ND da imagem original. Possui um erro espacial menor, seu histograma sofre alterações e é mais apropriado para se trabalhar com fusão de imagens de diferentes resoluções.
Desse modo deve-se atentar para o objetivo do trabalho que vamos realizar, pois uma imagem não georreferenciada é espectralmente mais correta que uma imagem georreferenciada, pois o georreferenciamento implica na perda de ND originais.
Em particular nessas imagens adquiridas, não foi necessário fazer-se a correção geométrica, pois o site da NASA já disponibiliza essas imagens geometricamente corrigidas.
União das Bandas
Ainda no método de pré-processamento das imagens realiza-se a união das bandas, onde foram utilizadas apenas as bandas 1, 2, 3, 4, 5 e 7 do sensor. A união das bandas é necessária para que se consiga detectar diferentes tipos de alvos, pois, cada banda do satélite possui características próprias, refletindo um diferente tipo de alvo.
Correção Radiométrica
Quando se faz uma análise espectral através de sensores remotos, é importante que se faça uma correção atmosférica no intuito de diminuir os efeitos atmosféricos em uma cena. Dentre estes efeitos, estão o espalhamento atmosférico e a absorção.
O espalhamento é a mudança que ocorre na direção da propagação da radiação solar, quando esta interage com os componentes da atmosfera. Este espalhamento faz com que haja uma mudança na trajetória de propagação da radiação, o que ocasiona em uma dispersão em todas as direções, sem ocorrer uma mudança no comprimento de onda. Este efeito causa a atenuação do sinal que é captado pelo sensor, e está presente em todos os comprimentos de onda no espectro eletromagnético.
O efeito do espalhamento pode ser segmentado de acordo com o sentido do sinal de propagação. Quando se tem a relação de sentido do sol – terra, pode-se observar que a radiação solar perante os efeitos da interferência atmosférica, pode apresentar três tipos de contribuições para a iluminação terrestre, dentre elas têm-se a radiação direta ou solar que é a fração da radiação solar que chega a terra sem ser absorvida ou desviada pelo caminho, no caso ela obedece a sua geometria original. A radiação difusa ou atmosférica é a que sofreu desvio na atmosfera, assim ela atinge a superfície em um ponto diferente do qual foi determinado pela sua geometria original. A última deste grupo é a radiação ambiental, que é a que foi refletida pela superfície terrestre, e que retorna a superfície por causa do desvio ocasionado pela atmosfera.
Em relação ao outro sentido do espalhamento, no sentido terra – sensor, também há outras três contribuições em relação ao sinal recebido pelo sensor. A Radiação direta ou do alvo, que é a radiação refletida pela superfície terrestre, e chega diretamente ao sensor, sem sofrer desvio. A radiação atmosférica é a radiação solar desviada diretamente ao sensor, sem mesmo chegar à superfície terrestre. A radiação difusa ou ambiental é a refletida pela superfície terrestre que atinge o sensor em razão do desvio na atmosfera.
A absorção atmosférica é um fenômeno termodinâmico que tem como consequência a perda de energia para os constituintes atmosféricos, que ocorre de forma seletiva em comprimentos de onda, porém abrange todo o espectro óptico; com isso todos os sensores em quais as bandas estejam envolvendo os comprimentos de absorção dos constituintes atmosféricos, iram ser influenciados. Este efeito é mais evidente nos sensores hiperespectrais, devido ao fato de abrangerem regiões espectrais de forte absorção, sendo estas geralmente desprezadas nos sensores multiespectrais.
Na atualidade, existem vários métodos para que se possa realizar a correção atmosférica, tendo aplicação em dados multiespectrais e hiperespectrais. Pode-se dividir estes métodos em alternativos e físicos.
Os métodos alternativos são aqueles que utilizam os números digitais existentes nos pixels, que são representações de feições em específico. Essas correções dependem apenas das informações contidas na própria imagem para a determinação da contribuição da atmosfera em cada banda espectral. Este método exige que haja alvo específico na imagem analisada.
Os métodos físicos são embasados na teoria da transferência radiativa, com o intuito de mostrar a complexidade da atmosfera, que irá variar conforme o modelo utilizado, e o resultado final ao qual é destinada. Os métodos físicos mais difundidos são o 5S, 6S, LOWTRAN e MODTRAN.
O código 5S (Simulation of Satellite Signal in the Solar Spectrum) foi posteriormente substituído pelo 6S (Second Simulation of Satellite Signal in the Solar Spectrum). Estes métodos foram criados para modelar o sinal do sensor, fundamentando-se nos modelos estatísticos baseados nas bandas de absorção atmosférica, a modelagem de funções atmosféricas para que se possa haver um tratamento sobre o espalhamento, e o tratamento de interação entre esses dois efeitos. Ainda é necessário que se tenha informações sobre parâmetros da atmosfera local, tais como a hora de aquisição da imagem do satélite. (LATORRE et al., 2002).
O código LOWTRAN (Low Resolution Atmospheric Radiance and Transmittance Model) faz o cálculo da transmitância atmosférica e/ou a radiância na região espectral, que é referente a micro-ondas, infravermelho, visível e ultravioleta próximo. Ele pode ser usado para prever a radiância espectral e diversas geometrias e condições atmosféricas. A última versão deste código é o LOWTRAN 7, que contém um espalhamento diversificado, mais detalhes para gases traços e um modelo de aerossóis para deserto.
O MODTRAN (Moderate Resolution Atmospheric Radiance and Transmittance Model) foi gerado para aumentar a resolução espectral do LOTRAN, visto que incorpora um modelo de banda molecular mais sensível. A caracterização do MODTRAN teve como propósito gerar um algoritmo com melhor resolução espectral; modelar a absorção atmosférica molecular como função da temperatura e pressão; fazer o cálculo de parâmetros de modelos de banda para 12 moléculas, além de propiciar a integração do LOWTRAN 7 em novos algoritmos.
Outro método de correção atmosférica é o DOS (Dark Object Subtraction), é um método que não necessita de informações sobre as condições atmosféricas na data da imagem, considerando apenas o espalhamento atmosférico na imagem. Neste método a interferência atmosférica é estimada diretamente a partir dos números digitais (ND) da imagem do satélite, ignorando a absorção atmosférica. (CHAVEZ,1988).
Continuamente após todo o pré-processamento das imagens, foram feitos os recortes da área do município, limitando assim somente a área de interesse para o estudo. Foram feitos ainda os mosaicos das cenas das órbitas ponto 223-70 e 223-71, conforme a Figura 4.
Classificação
A classificação foi realizada para que se pudesse extrair informações das imagens, onde foram coletadas amostras de tamanho entre 100 e 110 pixels, com as seguintes classes: dois tipos de solo exposto, área de cultura, vegetação nativa, áreas úmidas, rio e massa d’água. Para a realização deste trabalho (pesquisa) foi feita a classificação supervisionada, utilizando o algoritmo de MAXVER, conforme a Figura 5.
Seguinte à classificação das imagens, realizou-se a filtragem dessas imagens, com o filtro majority.
Devido à quantidade de ruídos que estavam presentes nas imagens, teve-se a necessidade de realizar a filtragem destas imagens, aplicando o filtro Majority, que funciona através de uma janela móvel que é pré-estabelecida pelo usuário, podendo ser de 3×3, 5×5 e 7×7 pixels, que passa por toda a imagem. Sendo assim, o pixel central assume o valor desta classe verificada entre os pixels desta janela. Se após essa verificação, não tenha se detectado a identidade da classe majoritária na janela, então o pixel central não tem sua identidade alterada. (QUARTAROLI, 2006).
Resultados e Discussões
Depois de todas as amostras demarcadas e classificadas de acordo com suas classes, as mesmas foram agrupadas para que sua área fosse calculada e as porcentagens geradas para fazer a avaliação da cobertura da terra. Após a classificação das imagens dos pontos órbita 223/70 e 223/71 do ano de 1985 realizadas no software Erdas 2014, que constituiu na divisão das classes de acordo com o interesse de estudo realizado no município de Aruanã, obteve-se os seguintes percentuais em relação a cobertura da terra para o ano de 1985: solo exposto 18,92%, área de cultura 4,40%, vegetação nativa 62,0%, áreas úmidas 10,85%, massa d’água 1,89%, rio 1,25%, nuvem 0,49%, sombra 0,20%. (Figura 6, Quadro 1, Figura 7).
Para o ano de 1990 obteve-se os seguintes percentuais em relação a cobertura: solo exposto 16,22%, área de cultura 14,10% vegetação nativa 44,78%, áreas úmidas 17,52%, massa d’água 1,47%, rio 0,78%, nuvem 5,22% e sombra 0,00%. (Figura 8, Quadro 2, Figura 9).
Em 1995 chegou-se aos seguintes percentuais em relação a cobertura da terra: solo exposto 27,47%, área de cultura 7,08%, vegetação nativa 44,00%, áreas úmidas 19,17%, massa d’água 1,41%, rio 0,95%, nuvem 0,00% e sombra 0,00%. (Figura 10, Quadro 3, Figura 11).
No ano de 2005 os percentuais encontrados em relação a cobertura da terra: solo exposto 30,92%, área de cultura 4,60%, vegetação nativa 38,61%, áreas úmidas 21,26%, massa d’água 3,68%, rio 0,99%, nuvens 0,00% e sombras 0,00%. (Figura 12, Quadro 4, Figura 13).
E por último foi analisado os dados de 2010 chegando aos seguintes percentuais em relação a cobertura da terra para o ano de 2010: solo exposto 35,71%, área de cultura 10,98%, vegetação nativa 29,32%, áreas úmidas 21,76%, massa d’água 0,80%, rio 1,38%, nuvens 0,00% e sombras 0,00%. (Figura 14, Quadro 5, Figura 15).
O quadro 6 e a figura 16 representa a evolução das classes referente a cobertura da terra em um período de 25 anos no município de Aruanã, assim como a figura 17 mostra a área de cada classe nos anos analisados.
Ao observar os dados apresentados podemos notar que na maior parte do tempo as áreas úmidas mantiveram uma constância, tendo sua área sempre crescente, que ao final do intervalo proposto teve um aumento de área de 10,93% em relação à área total do município. É de extrema importância que essas áreas se mantenham constantes, pois elas contribuem na manutenção da fauna e da flora local.
Observou-se também que a classe massa d’água houve oscilação pequena no decorrer dos anos, sempre decrescendo, voltado a crescer apenas em 2005, porém teve sua área diminuída no último ano analisado. Assim como as classes anteriores, a classe referente ao rio sofreu variações pequenas no decorrer dos anos amostrados, em alguns tendo a sua área decrescente e em outros o aumento dela, mas de modo geral foi a classe que menos sofreu alterações.
A classe que mais sofreu oscilação ao longo dos anos foi a de área de cultura, tendo um aumento de sua área em 1990, vindo a cair nos anos de 1995 e 2005, voltando a crescer apenas em 2010. Ao se comparar a área que essa classe ocupava em 1985 com relação a que ocupava no último ano analisado, vemos um aumento de 6,58%.
Com relação à classe solo exposto observa-se que sua área foi crescente quase que em todos os anos analisados exceto no ano 1990 quando sua área foi menor que no ano de 1985, mas ao compararmos a área da classe com o intervalo de 25 anos, observa-se um aumento significativo de 16, 81%. Já a classe de vegetação nativa foi a que mais sofreu alterações em todos os anos analisados, tendo sua área sempre decrescente chegando ao ano de 2010 representando apenas 29,33% da área do município de Aruanã. Desde o início da análise até o final da série temporal a classe de vegetação nativa teve uma diminuição de 32,68% de sua área.
Uma das possíveis causas desse aumento de solo exposto, áreas de cultura e diminuição da vegetação nativa, se deve a agropecuária ser muito intensa na região, sendo uma das principais atividades econômicas do município. O fato da diminuição das áreas de vegetação nativa ao longo dos anos analisados podem ter influenciado o aumento das áreas úmidas, pois estas eram encobertas anteriormente pela vegetação.
Considerações Finais
Como principal fator de análise, as áreas úmidas apresentaram uma variação baixa, com uma constância positiva, assim como, massas d’água e o rio, desta forma, pode-se constatar que essas áreas sofreram poucas mudanças na faixa de tempo observada.
Em contra partida, a vegetação nativa foi a que mais sofreu alteração de área no decorrer dos anos, chegando em 2010 com 32,68% de perda em relação à análise inicial. Outras variações relevantes foram observadas na classe de solo exposto, que teve um aumento de 16,81% da sua área, e em áreas de cultura que dobrou o percentual ocupado em relação à primeira avaliação.
O uso das ferramentas e técnicas de geoprocessamento se mostraram eficientes em alcançar os produtos e chegar-se aos resultados, pois possibilitaram analisar uma ampla extensão de terras, num longo intervalo de tempo. Assim o objetivo proposto no início deste trabalho conseguiu ser atingido.
Os resultados alcançados no trabalho possibilitaram uma investigação temporal da cobertura da terra no município de Aruanã, foram avaliados também, o comportamento de cada classe nos anos e cenas escolhidas, gerado os dados através da classificação supervisionada, e por final a confecção dos mapas.
*Aline Pinheiro Borges, Jéssica Pinheiro Borges e Kamila Pinheiro Borges, Graduandas em Tecnologia em Agrimensura (IFG). Prof. Dr. Giovanni de Araújo Boggione, Doutor em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais, Brasil (INPE) e Professor do IFG
Geo e Drones na Indústria 4.0
Você já pode marcar na sua agenda: de 25 a 27 de junho acontecem em São Paulo (SP) os eventos MundoGEO Connect e DroneShow 2019, os maiores da América Latina e entre os cinco maiores do mundo no setor.
Alinhados às tendências globais e com foco na realidade regional, o tema geral dos eventos este ano será “Geotecnologia e Drones na Indústria 4.0”.
Os conteúdos dos cursos, palestras e debates estão sendo formatados por um time de curadores para atender as demandas de empresas, profissionais e usuários principalmente nos setores de Agricultura, Cidades Inteligentes, Governança Digital, Infraestrutura, Meio Ambiente, Recursos Naturais, Segurança e Defesa.
Dentre as tecnologias disruptivas que estarão em destaque, estão Big Data, Inteligência Artificial / Machine Learning, Internet das Coisas, Realidade Virtual e Aumentada, BIM, Tecnologia Autônoma, entre outras, tudo isso cada vez mais integrado às Geotecnologias (Mapeamento, Cadastro, Imagens de Satélites, Inteligência Geográfica, GIS).
Veja a programação completa de cursos e seminários e garanta sua vaga! Confira um resumo de como foi a última edição dos eventos MundoGEO Connect e DroneShow:
Imagens: Autores
