Por André S. Alvarenga e Marcelo F. Moraes

Processamento digital de imagens LANDSAT – 8 para obtenção dos índices de vegetação NDVI e SAVI visando a caracterização da cobertura vegetal no município de Nova Lima – MG

A redução dos recursos naturais devido à ação antrópica, estimula uma constante aquisição de informações ambientais espaço-temporais com o objetivo de compreender padrões de uso e ocupação e organização do homem no espaço. Para tanto, a utilização de imagens de satélite para fins de mapeamento, planejamento e monitoramento ambiental tem sido realizada há várias décadas. Atualmente, novas tecnologias aliadas a softwares cada vez mais modernos têm possibilitado o uso de imagens de satélite para variados fins.

Em pesquisas de Sensoriamento Remoto, a utilização de imagens de satélite como matéria prima para a produção de mapas é uma das grandes inovações no segmento do geoprocessamento, pois possibilita uma gama enorme de análises espaciais e temporais. Como o ambiente sofre alterações constantes pela ação antrópica, a interpretação de imagens de satélite é uma fonte direta de se determinar a dinâmica dos processos envolvidos em tais alterações. Neste sentido, a fotointerpretação e o processamento digital de imagens assumem papel de grande importância, pois, permitem fornecer subsídios para a compreensão dos fenômenos ambientais, além da possibilidade de planejamento estratégico em situações distintas, como por exemplo, no planejamento urbano.

A pesquisa ora apresentada justifica-se na demonstração da utilização de índices de vegetação por meio de técnicas de sensoriamento remoto, destacando a importância de se ter seletividade na escolha do índice de vegetação mais apropriado para a área e para a finalidade da pesquisa proposta. Para tanto, a pesquisa busca analisar o desempenho de dois índices de vegetação; o Índice de Vegetação da Diferença Normalizada (NDVI) e o Índice de Vegetação Ajustado ao Solo (SAVI), visando identificar qual melhor representa e discrimina a cobertura vegetal do município de Nova Lima – MG.

Sendo assim, esta pesquisa tem como objetivo geral realizar análises em imagens de satélite Landsat-8 processadas por meio de técnicas de sensoriamento remoto, bem como comparar a configuração da cobertura vegetal obtida por meio dos índices de vegetação NDVI e SAVI. Para tanto, o município de Nova Lima – MG será considerado a área de pesquisa devido às características inerentes ao município. Características que são abobadadas no item 3.2.7 e que estão enraizadas no desenvolvimento do setor de extração mineral que, por sua vez, contribuí de forma significativa no uso e ocupação do solo e desenvolvimento econômico do município de Nova Lima.

Os objetivos específicos deste trabalho são:

Determinar a cobertura vegetal por meio de técnicas de sensoriamento remoto relativas aos índices de vegetação;
Determinar o índice de vegetação (NDVI ou SAVI) mais eficaz na detecção da cobertura vegetal da área pesquisada;
Demonstrar que índices relativos à vegetação são técnicas que propiciam a caracterização da cobertura vegetal e outros alvos sem necessidade de levantamento em campo;
Avaliar o desempenho dos índices de vegetação para fins de planejamento urbano.

Localização

O município de Nova Lima localiza-se na porção central do Estado de Minas Gerais, na Região Metropolitana de Belo Horizonte (RMBH). Com a sede localizada a aproximadamente 22 km da capital do Estado Belo Horizonte, possui extensão territorial de 429,164 km² e população de 80.998 habitantes conforme contagem do Censo demográfico de 2010 (IBGE, cidades@). Conforme observado na Figura 1 Nova Lima faz limite com os municípios de Sabará, Raposos, Rio Acima, Itabirito, Brumadinho e Belo Horizonte.

Nova Lima MG1 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal

Figura 1 – Localização do município de Nova Lima - MG

Diagnóstico Ambiental

Bioma

Em termos regionais, o município de Nova Lima – MG está locado em área abrangida pelo bioma Mata Atlântica (IBGE, cidades@). Localmente Nova Lima esta inserido em área de predomínio da fitofisionomia Floresta Estacional Semidecidual, que, segundo (IBGE, 2012), associa-se à região marcada por acentuada seca hibernal e por intensas chuvas de verão. Na zona subtropical, este bioma correlaciona-se a clima sem período seco, porém com inverno bastante frio (temperaturas médias mensais inferiores a 15º C), que determina repouso fisiológico e queda parcial da folhagem.

Clima

Segundo a definição de Köppen descrita por Peel M.C., Finlayson B.L. & McMahon T.A. (2007) o clima do município de Nova Lima – MG é definido como tropical (Cw) do tipo mesotérmico brando, semi-úmido e apresenta um período seco de 4 a 5 meses que é característica deste tipo de clima. Segundo dados do INMET (período de 1961 – 1990) a média anual de temperatura na região esta entre 20º C e 22º C e a umidade relativa média entre 75% e 80%. O regime pluviométrico apresenta chuvas mal distribuídas durante o ano e concentradas principalmente no período do verão (dezembro e janeiro) onde se tem o índice pluviométrico médio de 1490 mm anuais.

Geologia

O município de Nova Lima – MG encontra-se totalmente inserido no arcabouço geológico do Quadrilátero Ferrífero e, regionalmente, ocorrem rochas pertencentes a duas grandes unidades geológicas:

A Unidade do Supergrupo Minas representado pelos grupos Sabará, Piracicaba, Itabira, Caraça e Tamanduá. Segundo Dorr, (1969), o Supergrupo Minas assenta-se discordantemente sobre rochas do Embasamento Cristalino e do Supergrupo Rio das Velhas;

A Unidade do Supergrupo Rio das Velhas que correspondem aos grupos Maquiné e Nova Lima. Este Supergrupo é composto por rochas metavulcânicas e metassedimentares e foi caracterizado por Almeida (1976) e Schorscher (1976) como uma sequência arqueana do tipo greenstone belt.

Geomorfologia

Segundo o CPRM (2005), a região de Nova Lima – MG apresenta topografia incomum e isto se deve aos diversos processos deformacionais sofridos pelas rochas ao longo de sua evolução geológica, assim como uma resposta das mesmas aos agentes intempéricos atuantes. Nova Lima encontra-se regionalmente no domínio morfo-estrutural denominado Serras do Quadrilátero Ferrífero, classificada como uma paisagem de vertentes com vales encaixados e com elevada declividade.

Os compartimentos de colinas, cristas, vertentes ravinadas e vales encaixados estão presentes na região. O relevo de colinas, predominantemente côncavo-convexas foi originado da dissecação fluvial em clima tropical úmido. Essa morfologia apresenta vertentes ravinadas e vales encaixados ocupando a maior área do município.

Pedologia

Os solos da região de Nova Lima – MG são marcados por um forte dissecamento onde se sobressai a grande influencia do material de origem sobre as características dos solos resultantes. Destaca-se ainda o conjunto de solos de constituição ferrífera presentes na maior parte do município.

De acordo com Zoneamento Ecológico Econômico (ZEE) as classes de solos predominantes no município de Nova Lima são os Cambissolos e os Neossolos Litólicos.

Hidrografia

O Município de Nova Lima – MG encontra-se totalmente locado na Bacia Hidrográfica do Rio das Velhas que é o maior afluente em extensão da Bacia do Rio São Francisco ocupando uma área de 29.173 km² aponta IGAM (2005). Ainda segundo o IGAM, Nova Lima representa 1,10% da área da Bacia do Rio das Velhas. O trecho do alto Rio das Velhas onde situa-se Nova Lima apresenta maior contingente populacional, com uma expressiva atividade econômica concentrada principalmente na Região Metropolitana de Belo Horizonte, onde estão presentes os maiores focos de poluição hídrica de toda a bacia.

Meio Socioeconômico

A história de Nova Lima – MG remonta ao fim do século XVII, quando foram descobertos córregos auríferos que atraíram mineradores para o município. A partir de então o município cresceu em função da extração de minério e das mineradoras que se instalaram e evoluíram juntamente com o município. A partir do declínio das atividades de extração mineral no município, outros usos começaram a ganhar força nas propriedades das mineradoras detentoras de grande porção territorial do município de Nova Lima. Iniciou-se o processo de loteamento, com a criação de condomínios de luxo fechados. Dentre eles, destaca-se o condomínio residencial Alphaville Lagoa dos Ingleses, localizado na porção sudoeste do município de Nova Lima. Dentre os condomínios presentes no município, grande parte localiza-se em torno da rodovia MG-030 e da BR-040.

Apesar de ser um município onde a extração mineral proporcionou mudanças em seu território, Nova Lima apresenta grande parte de sua vegetação nativa preservada, sendo possível encontrar grandes áreas verdes ao longo de seu território. Tal condição se deve ao fato da legislação ambiental exigir das mineradoras que mantenham tais áreas preservadas em contrapartida aos impactos que causam em suas áreas de operação. Outro ponto positivo neste quesito é a presença dos condomínios que mesmo ocupando áreas de vegetação nativa são responsáveis pela salvaguarda da mesma, pois o grande atrativo de se morar em um condomínio é o contato com a natureza, além é claro do status, contudo, a legislação ambiental restringe a retirada de determinada porcentagem de vegetação em caso de construção.

Em relação ao uso e ocupação do solo, o município de Nova Lima apresenta uma mancha urbana ao norte (sede municipal) e a leste, as margens da BR-040, localiza-se o bairro Jardim Canadá, que é autônomo da sede municipal. Outros bairros de menor expressão estão distribuídos ao longo de seu território, porém de forma esparsa. As mineradoras presentes em Nova Lima estão distribuídas ao longo de seu território, contudo, as atividades mais perceptíveis estão presentes nas áreas em que se faz a extração de minério de ferro, visto que, a extração deste mineral é realizada a céu aberto por meio de cavas de variadas profundidades.

Atualmente o município de Nova Lima possui uma gama de empresas diversificadas, que impulsionam sua economia. Dentre elas destacam-se; as mineradoras AngloGold Ashanti e Vale, empresas do Grupo Fiat, as instituições de ensino Faculdade Milton Campos e Escola Técnica de Formação Gerencial – Sebrae. Na área hospitalar destaca-se o Hospital Biocor, Hospital Vila da Serra e Hospital de Olhos Ricardo Guimarães. No bairro São Sebastião das Águas Claras, também conhecido como “Macacos” a presença de condomínios, pousadas e variados restaurantes que atraem grande número de turistas é uma marca registrada. No bairro Jardim Canadá destaca-se a grande presença de pequenas empresas de variados setores. Na sede do município destaca-se o comércio e a prestação de serviços, ambos integrantes do setor terciário que emprega grande número de pessoas, não demandando de mão de obra prioritariamente especializada.

O Satélite Landsat-8

O programa Landsat (Land Remote Sensing Satellite)  foi desenvolvido pela NASA (Nataional Aeronautics and Space Administration) no final da década de 60 objetivando coletar dados sobre os recursos naturais renováveis e não renováveis da superfície terrestre. O programa Landsat contou com o lançamento de 8 satélites. Atualmente encontram-se em operação o Landsat-7 (em condições precárias) e o Landsat-8, este último, o mais moderno da família Landsat.

Lançado em fevereiro de 2013 o satélite Landsat-8 apresenta órbita praticamente polar, posicionando-se de maneira heliossíncrona a uma altitude de aproximadamente 705 km. Existem dois sensores embarcados no satélite Landsat-8 o OLI (Operacional Land Imager) e o TIRS (Thermal Infrared Sensor). Conforme apresentado na Tabela 1 os sensores a bordo do satélite Landsat-8 possuem faixa de imageamento de 170 km norte-sul por 185 km leste-oeste, resolução temporal de aproximadamente 16 dias, resolução espacial de 30m para as bandas do visível, 15m para banda pancromática e 100m para as bandas termais (TIRS).

Tabela 1 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal ,

Tabela 1 – Características dos sensores embarcados no satélite Landsat-8

As imagens provenientes dos sensores instalados no satélite Landsat-8 trazem inovações importantes para usuários que demandam de mapeamentos em mesoescala. O sensor espectral OLI (Operacional Land Imager) e sensor termal TIRS (Thermal Infrared Sensor) apresentam resolução espectral melhor que seus antecessores, além disso, foram adicionadas duas bandas espectrais: a new coastal (banda 1), projetada especificamente para estudos dos recursos hídricos e investigação da zona costeira, e, um novo canal de infravermelho (banda 9) para a detecção de nuvens. Há também o acréscimo de uma banda de garantia de qualidade (Banda QA) que apresenta informações sobre a presença de nuvens, água e neve. A partir do sensor termal TIRS (Thermal Infrared Sensor), foram criadas duas bandas espectrais para o comprimento de onda antes coberto por uma única banda nos sensores TM e ETM (USGS, 2013). Tais adições provocaram mudanças nos intervalos dentro do espectro dos canais de todas as bandas. Outra inovação de destaque é a resolução radiométrica, uma vez que as imagens dos satélites anteriores possuíam 8 bits. Segundo a USGS (2013) os sensores OLI e TIRS proporcionam um melhor desempenho radiométrico (16 bits) possibilitando uma maior caracterização de alvos da imagem, também contribuindo bastante para a diminuição do efeito de sombras.

Em relação à acurácia geométrica das imagens captadas pelo Landsat-8 outra inovação importante é a utilização de sensores Pushbroom ao invés dos sensores Whiskbroom, utilizados anteriormente. Os sensores Pushbroom possuem um menor basculamento do satélite devido a organização dos detectores característicos desse tipo de sensor, Meneses (2012). Este menor basculamento possibilitou uma diminuição no erro de posicionamento, onde anteriormente era da ordem de 60 a 80 metros, passando para valores na casa dos 12 metros para o sensor OLI destaca NASA (2013). Contudo, a NASA, juntamente com a USGS, realiza alguns processamentos padrão para a disponibilização das cenas, fato que dispensa o trabalho de correção geométrica para os usuários. No caso das cenas do satélite Landsat-8, todas as imagens são ortorretificadas, porém, de acordo com a disponibilidade de dados para a área. De acordo com a USGS (2013) o processo de correção geométrica aplicado consiste na aquisição de Pontos de Controle a partir das bases de dados disponíveis pelo projeto Global Land Surveys 2000.

A classificação digital de imagens

Em estudos de Sensoriamento Remoto que envolve imagens multiespectrais provenientes de sensores remotos, a classificação digital de imagens é uma metodologia bastante utilizada para elaboração de mapas temáticos. De acordo com Crósta (1992) a classificação de imagens multiespectrais consiste em associar cada pixel da imagem a um “rótulo” descrevendo um objeto real. Portanto, os valores numéricos definidos pelo pixel da imagem, que, por sua vez é associado à informação espectral dos alvos captados pelo sensor, são identificados e associados a temas distintos, configurando assim regiões homogêneas.

Os resultados da classificação digital de imagens de satélites pode variar de acordo com a data de aquisição dos dados, resolução espacial, espectral e radiométrica do sensor. Outro fator que influencia o resultado da classificação é a ocorrência de sombras, tanto de nuvens, como do relevo em relação à angulação solar (azimute) na hora da tomada da imagem. A ocorrência de sombras também é influenciada pelo ângulo de elevação solar do período em que a imagem foi captada pelo sensor. A maioria dos satélites artificiais de imageamento, denominados passivos, dependem de uma fonte de iluminação secundária (solar) para captar e gerar imagens da superfície terrestre. Portanto, áreas com relevo acidentado terão maior ocorrência de sombra do lado oposto à incidência solar. Segundo Moreira (2001) como a incidência de luz solar é muito baixa em áreas sombreadas, pouca energia refletida chegará aos sensores do satélite, ou seja, as sombras provocadas pelo próprio relevo fornecerão dados inconsistentes em relação à assinatura espectral dos alvos captados.

Os índices de vegetação

Os índices de vegetação de maneira geral realçam o comportamento espectral da vegetação presente na imagem correlacionando-se com os aspectos biofísicos como biomassa, Índice de Área Foliar (IAF), vigor da vegetação, cobertura do solo, atividade fotossintética, dentre outros aspectos. Esses índices normalmente são utilizados para caracterizar a presença de vegetação fotossinteticamente ativa na superfície bem como sua distribuição espaço-temporal a qual é inerente às condições climáticas e aos ciclos fenológicos anuais.

Os valores obtidos para índices de vegetação estão diretamente ligados à disponibilidade hídrica do sistema, portanto, a escolha de imagens de satélite de períodos úmidos ou de estiagem apresentarão resultados diferenciados. Contudo, geralmente a escolha das melhores imagens de satélite coincide com o período de estiagem, visto que normalmente neste período há uma menor cobertura de nuvens sobre a área alvo. Segundo HUXMAN et al. (2004) a sazonalidade climática influencia a fenologia da vegetação com períodos de maior produtividade vegetal e brotação de folhas, quando são registrados maiores valores do índice de vegetação (estação chuvosa), e períodos de menor produtividade e senescência de folhas, apresentando valores baixos do índice de vegetação (estação seca). Dessa forma, variações na determinação de áreas com cobertura vegetal podem estar associadas à dinâmica climática, especificamente em relação aos índices pluviométricos do ano de aquisição e antecedente à tomada das imagens.

A modelagem dos índices de vegetação é obtida por meio de processamento de informações contidas nas bandas que apresentam refletância na região do visível (vermelho) e do infravermelho próximo do espectro eletromagnético. Na faixa espectral do vermelho, há alta absorção de energia solar devido à presença da clorofila e isso ocasiona baixa reflectância. Por sua vez, na faixa do infravermelho próximo, essa absorção é baixa e resulta em alta reflectância. Portanto, a combinação dessas duas faixas espectrais realçam as áreas de vegetação nas imagens e, quanto maior o contraste maior é o vigor da vegetação na área imageada.

NDVI (Normalized Difference Vegetation Index)

O NDVI (Normalized Difference Vegetation Index) ou IVDN (Índice de Vegetação da Diferença Normalizada) proposto por Rouse et al. (1973) é um índice utilizado principalmente em pesquisas de cunho ambiental, pois permite fazer análises sobre a cobertura vegetal de determinada região em diversas escalas. Em se tratando de pesquisas utilizando imagens de satélite, o NDVI é um índice muito utilizado, pois, reduz o efeito topográfico e apresenta uma escala de medida linear entre -1 e 1.

O Índice de Vegetação da Diferença Normalizada (NDVI) é obtido pela razão entre a diferença da reflectância do infravermelho próximo (NIR) e a reflectância do vermelho (R), dividida, respectivamente, pela soma das mesmas, destaca Allen et al. (2002). Para o cálculo do Índice de Vegetação da Diferença Normalizada, Rouse (1973) propôs a expressão:

NDVI = (NIR – R) / (NIR + R)

O Índice de Vegetação da Diferença Normalizada (NDVI) é um indicador da proporção e da condição da vegetação verde. Geralmente para superfícies com presença de alguma vegetação o valor do NDVI é positivo, para superfícies sem vegetação o valor é nulo, já para a água e nuvens o valor geralmente é negativo. Quanto mais próximo do extremo positivo, maior a densidade da cobertura vegetal, ou seja, condiz com seu estágio denso e desenvolvido. Esse valor diminui gradativamente para cobertura vegetal menos densa, que apresenta valores positivos, porém não muito elevados.

Embora o Índice de Vegetação da Diferença Normalizada (NDVI) seja bastante utilizado no sensoriamento remoto, o mesmo apresenta algumas limitações. Segundo Jensen (2009) o índice sofre influência de radiância de trajetória atmosférica, apresenta saturação em relação a altos valores de Índice de Área Foliar (IAF) e tem sensibilidade às mudanças do substrato do dossel, como o solo. Elmore et al. (2000) afirma que outra desvantagem do índice NDVI está no fato deste ser altamente influenciado pelo brilho e efeito espectral do solo, fato que prejudica as avaliações sobre a vegetação.

SAVI (Soil Adjusted Vegetation Index)

O SAVI (Soil Adjusted Vegetation Index) ou IVAS (Índice de Vegetação Ajustado ao Solo) desenvolvido por Huete (1988) foi proposto devido às limitações observadas no Índice de Vegetação da Diferença Normalizada (NDVI). Desenvolveu-se então um índice que pudesse melhorar os valores de NDVI sem necessidades de medições em campo, aponta Jensen (2009). Para tanto, foi proposto um índice melhorado a partir de uma constante, determinada “L”, para o fator de ajuste com o substrato do dossel. Criou-se, portanto o SAVI que busca amenizar os efeitos do “background” do solo. A constante L pode apresentar valores variáveis de 0 a 1, variando segundo a própria cobertura vegetal. De acordo com Huete (1988) apud Ponzoni, Shimabukuro (2009), os valores ótimos de L são:

L = 1 (para baixas densidades de vegetação);
L = 0,5 (para médias densidades de vegetação);
L = 0,25 (para altas densidades de vegetação).

O Índice de Vegetação Ajustado ao Solo (SAVI) é obtido pela multiplicação de 1 + L pela razão entre a diferença da reflectância do infravermelho próximo (NIR)  pela reflectância do vermelho (R), dividida, respectivamente, pela soma das mesmas + “L”. Para este índice, Huete (1988) propôs a expressão:

SAVI = (1+L) x (NIR – R) / (NIR + R + L)

Segundo Huete (1988) apud Ponzoni, Shimabukuro (2009), em geral o fator L = 0,5 é mais utilizado, uma vez que agrupa maior variação de vegetação. Contudo, o Índice de Vegetação Ajustado ao Solo (SAVI) limita-se em função dos diferentes biomas e situações de uso e ocupação, uma vez que os valores da constante são generalizados, não considerando as características dos ambientes analisados, mas apenas a densidade vegetada aponta Ponzoni, Shimabukuro (2009).

Assim como o NDVI o Índice de Vegetação Ajustado ao Solo (SAVI) é um indicador da proporção e da condição da vegetação verde, porém faz parte de um grupo de índices considerados híbridos, pois utiliza um fator de ajuste para minimizar o efeito da presença de solo em meio à vegetação. Segundo Huete (1988), o Índice de Vegetação Ajustado ao Solo (SAVI) mede ou aproxima a distância entre o pixel e a linha do solo retirando o efeito dos solos claros ou escuros amenizando assim os efeitos do background do solo. Os valores obtidos da classificação SAVI também variam em range negativo-positivo (-1,5 à 1,5), onde áreas com presença de alguma vegetação o valor é positivo e áreas sem vegetação, corpos d’água e nuvens o valor geralmente é negativo.

Material e métodos

Para realização desta pesquisa, foram utilizadas imagens orbitais captadas pelo sensor Operacional Land Imager (OLI), instalado abordo do satélite Landsat-8 e disponibilizadas pela United States Geological Survey (USGS). As imagens foram captadas na data de 25/06/2014 e a escolha destas imagens deve-se ao fato das mesmas serem as mais atuais sem a presença de nuvens sobre a região de estudo. As bandas 4R, 3G e 2B foram consideradas para compor a visualização em cor natural e para obter os índices de vegetação as bandas 4R e 5NIR. Foram utilizadas também bases cartográficas disponibilizadas pelo Instituto Brasileiro de Geografia e Estatística (IBGE): Arquivos matriciais (cartas) disponíveis na escala 1:50.000 da folha de Belo Horizonte (SE-23-Z-C-VI-3) e folha de Rio Acima (SF-23-X-A-III-1), utilizadas para conferencia do registro geométrico das imagens Landsat-8; Arquivos vetoriais de limites das unidades da federação, limites municipais e sedes municipais disponíveis na escala 1:250.000 e arquivo matricial ASTER GDEM, ambos utilizados para elaborar o mapa de localização apresentado no item 3.1.

Para realizar o processamento digital das imagens e álgebra de mapas (NDVI e SAVI) foi utilizado o software ENVI 4.7, específico para Processamento Digital de Imagens (PDI). Para procedimentos que necessitam de uma plataforma de Sistema de Informação Geográfica (SIG) foi utilizado o software ArcGis 10.1.

O primeiro procedimento realizado foi a conferencia do registro geométrico das imagens Landsat-8 no software ArcGis 10.1. Para tanto foram utilizadas as cartas de Belo Horizonte (SE-23-Z-C-VI-3) e Rio Acima (SF-23-X-A-III-1), disponibilizadas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) na escala 1:50.000. Primeiramente procedeu-se com o registro das cartas na projeção UTM WGS84, Zona 23 Sul. A partir deste procedimento foi possível comparar o registro das imagens Landsat-8 com o das cartas, onde obteve-se um resultado satisfatório condizendo com as informações supracitadas no item 4, onde a United States Geological Survey (USGS) informa que as imagens Landsat-8 já são ortorretificadas.

A próxima etapa consiste na correção atmosférica das imagens. Procedimento que pode ser executado por meio de diversas operações matemáticas. A correção atmosférica é o procedimento que tira o efeito de dispersão da energia eletromagnética nas partículas de água suspensas na atmosfera, possibilitando que os alvos invariáveis, temporalmente, sejam interpretados. Nesta pesquisa foi utilizado o modelo Dark Object Subtraction (DOS) também conhecido como subtração de pixel escuro (SPE), que, segundo ANDRADE (et al., 2010) consiste em corrigir o espalhamento atmosférico e estimar a interferência atmosférica a partir dos números digitais (ND) das imagens. O efeito da atmosfera é um dos agentes que altera a resolução radiométrica das imagens de satélite e o efeito dessa alteração é a redução do contraste dos alvos presentes na imagem. Zullo Junior (1994) analisou a influência exercida pela atmosfera em índices de vegetação e apontou que os valores obtidos com imagens previamente corrigidas resultaram em imagens com contraste mais refinado. Neste trabalho a realização da correção atmosférica das imagens Landsat-8 foi realizada por meio da análise dos histogramas e posterior subtração dos números digitais (ND) por meio da função Dark Subtract do software ENVI 4.7. Tal função possibilita o ajuste dos valores dos pixels para uma condição padrão de iluminação teórica, necessária em estudos que irão lidar com bandas coletadas em diferentes datas e/ou por diferentes sistemas sensores.

Após a etapa de correção atmosférica as imagens estão pré-processadas e aptas para aplicação da álgebra de mapas (NDVI e SAVI) e para composição de bandas RGB. Para a composição de bandas e a álgebra de mapas foi utilizada a função Band Math do software ENVI 4.7. No caso do satélite Landsat-8 as bandas do infravermelho próximo (NIR) e o vermelho (R), utilizadas na álgebra, correspondem respectivamente as bandas 5 e 4 do sensor OLI (Operacional Land Imager). Portanto, conforme apresentado na Tabela 2 temos duas expressões utilizadas para gerar os índices de vegetação.

Tabela 2 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal

Tabela 2 – Fórmulas dos índices de vegetação NDVI e SAVI utilizando bandas do satélite Landsat-8.

Para o índice de vegetação SAVI o valor considerado para a constante “L” foi 0,5, pois, dentre as três constantes descritas na bibliografia consultada é a que mais se enquadra no contexto da área pesquisada representando densidades médias de vegetação.

Após a aplicação da álgebra de mapas (NDVI e SAVI) procede-se com a classificação temática dos resultados obtidos, contudo, antes executou-se o recorte das imagens para uma área menor, visto que uma imagem Landsat-8 tem área de 170×185 km e a área de estudo tem aproximadamente 429,164 km². O recorte das imagens foi realizada por meio do software ENVI 4.7 onde usou-se o arquivo vetorial do limite municipal de Nova Lima como referência. Após o recorte, foi realizada a classificação temática por meio do método de segmentação dos valores a partir da função Density Slice do software ENVI 4.7 de modo a estabelecer os intervalos temáticos de cada índice.

Segundo Montgomery & Schuch (1993) qualquer mapa temático produzido por meio da classificação digital de imagens pode ser avaliado quanto à acurácia referente aos seguintes aspectos:

Posicional – refere-se a precisão espacial do mapa e é variável de acordo com a escala do mapa.
Temática – aplica-se a precisão da classificação das variadas categorias que compõem o mapa, que, devem de acordo com a escala e o grau de generalização da informação refletir no mapa a mesma classe no terreno.

Área total obtida por categoria – é uma componente importante, no entanto não muito significativa.

Os aspectos supracitados referentes à acurácia são interdependentes, contudo, a análise é geralmente feita de forma independente, considerando se a precisão posicional verificada esta compatível com a escala do levantamento e retificação da imagem. Nesta pesquisa, apenas os procedimentos de avaliação dos aspectos temáticos da classificação digital de imagens serão tratados, para tanto, se escolheu realizar a análise por meio da matriz de erros associada ao coeficiente de concordância Kappa.

De acordo com Moreira (2001) o Índice Kappa apresenta a vantagem de que para o seu cálculo não se incluem somente os elementos da diagonal principal e sim todos os elementos da matriz de erros, ou seja, estima a probabilidade de um pixel ser corretamente classificado em relação à probabilidade da classificação incorreta, portanto, tal índice demonstra oscilações de erros de omissão e inclusão. A acurácia da classificação determinada por meio do coeficiente Kappa pode ser avaliada pela Tabela 3, desenvolvida por Landis e Koch (1977), que associa a um determinado intervalo de valores Kappa um grau de qualidade do mapa temático.

Tabela3 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal

Tabela 3 – Qualidade da classificação associada aos valores do coeficiente Kappa

A validação da classificação temática foi realizada software ENVI 4.7 por meio da interpretação da matriz de erros, que apresenta a tabulação cruzada entre os planos de informação referentes à fotointerpretação da composição em cor natural RGB (4R, 3G, 2B), considerada como referência e pela classificação obtida a partir dos índices NDVI e SAVI. Para tanto, realizou-se a captação de 12 pontos de controle (Tabela 4) aleatórios na composição RGB. O erro global de classificação para cada classe temática é identificado pela matriz que, por sua vez, expõe como ocorreram os conflitos entre elas e também exibe os pixels classificados corretamente.

Tabela 4 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal

Tabela 4 – Pontos de controle adotados

 

Depois de constatada a acurácia temática dos mapas produzidos, procede-se com a estruturação dos layouts finais no software ArcGis 10.1. Foi gerado o mapa de referência (composição RGB) e os mapas temáticos para cada índice de vegetação (NDVI e SAVI). Para tanto, foram utilizados os mesmos parâmetros como escala, número de intervalos e definição de cores temáticas. A Figura 2 abaixo apresenta um fluxograma simplificado com a metodologia adotada para esta pesquisa.

Figura 2 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal

Figura 2 – Fluxograma metodológico simplificado (Autor: André S. Alvarenga)

Para o Fluxograma acima, os campos apresentados em verde são os referenciais adotados para realização da pesquisa proposta. Os campos em azul representam procedimentos básicos (aquisição). Já os campos destacados em amarelo representam os processos realizados e, por fim, o campo laranja representa o resultado final que é a produção dos mapas dos índices de vegetação NDVI e SAVI para o município de Nova Lima – MG.

Resultados e Discussão

A álgebra de mapas para os índices de vegetação NDVI e SAVI das imagens Landsat-8 de 25/06/2014 que englobam o município de Nova Lima – MG apresentaram resultados muito aproximados, representando de forma satisfatória a vegetação e outros alvos (água, solo exposto e área edificada). Os valores mínimos e máximos obtidos por meio da álgebra de mapas para os índices NDVI e SAVI apresentaram diferenças, contudo, para maior clareza da interpretação, foram adotados nos dois mapas os mesmos intervalos temáticos para as classes definidas. Portanto os dois índices foram segmentados em 6 classes a saber:

Índice de Vegetação da Diferença Normalizada (NDVI): -1,0 a -0,9 (água), -0,9 a -0,16 (solo exposto), -0,16 a 0,1 (área edificada), 0,1 a 0,5 (vegetação arbustiva), 0,5 a 0,6 (transição de vegetação arbustiva – arbórea) 0,6 a 1,0 (vegetação arbórea).

Índice de Vegetação Ajustado ao Solo (SAVI): -1,49 a -1,4 (água), -1,4 a -0,25 (solo exposto), -0,25 a 0,15 (área edificada), 0,15 a 0,75 (vegetação arbustiva), 0,75 a 0,9 (transição de vegetação arbustiva – arbórea) 0,9 a 1,49 (vegetação arbórea).

Apesar dos índices apresentarem diferenças entre os valores mínimos e máximos devido os algoritmos serem diferentes, observa-se que após a divisão das classes (6 em ambos) os mesmos apresentaram diferença visual imperceptível como podemos observar na Figura 3. Contudo, apesar da utilização das mesmas bandas nos algoritmos, a real diferença entre ambos está no fato da adição da constante “L” no índice SAVI modificar a escala de valores que acompanha o resultado para o índice, proporcionando um range mais amplo que pode ser explorado a favor do número de classes determinadas pelo pesquisador.

Figura3 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal

Figura 3 – Mapas dos Índices de Vegetação NDVI e SAVI com máscara do limite municipal (IBGE) referente a imagem Landsat-8 datada em 25/06/2014.

A fotointerpretação da composição RGB (cor natural), Figura 4 teve grande importância na identificação e determinação dos alvos de análise para os resultados obtidos nos índices NDVI e SAVI, além de auxiliar na classificação temática e validação da tematização por meio da matriz de erros associada ao coeficiente de concordância Kappa.

Figura 41 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal

Figura 4 – Mapa da composição RGB (cor natural) com máscara do limite municipal (IBGE) referente a imagem Landsat-8 datada em 25/06/2014.

Torna-se necessário destacar que a partir da definição de classes temáticas para os índices de vegetação, obteve-se no mesmo intervalo de classes alvos com comportamento espectral semelhante devido à dificuldade de separação das assinaturas espectrais. No caso desta pesquisa os alvos solo exposto e área edificada e, vegetação arbustiva e transição de vegetação arbustiva – arbórea apresentaram este comportamento, contudo, não comprometendo o resultado final, pois, a partir da matriz de erros obteve-se acurácia temática de 74,66% para o índice NDVI e 75,23% para o índice SAVI com respectivos coeficientes kappa de 0,67 e 0,68 qualificando-os com qualidade temática “muito boa” segundo classificação desenvolvida por Landis e Koch (1977).

Um aspecto referente à classificação das imagens que foi perceptível para o município de Nova Lima foi a ocorrência de sombras provenientes do relevo em relação à angulação de elevação solar e azimutal na hora da tomada das imagens. Nova Lima situa-se no domínio morfo-estrutural denominado Serras do Quadrilátero Ferrífero, classificada como uma paisagem de vertentes com vales encaixados e com elevada declividade. Devido a estas condicionantes sombras foram produzidas nas cenas Landsat-8 adquiridas para esta pesquisa, proporcionando dados inconsistentes em relação à assinatura espectral de alguns alvos captados. De acordo com o metadado disponibilizado juntamente com as imagens de satélite pela USGS a angulação de elevação solar na hora em que o sensor captou as imagens era de 37,23° e a angulação azimutal de 36,01°. Portanto as sombras foram produzidas no sentido nordeste (NE) sudoeste (SO) fato que produziu algumas áreas com dados inconsistentes para ambos os índices de vegetação. As áreas naturais onde ocorreram este fenômeno possuem alta declividade e se distribuem aleatoriamente por praticamente toda a área do município de Nova Lima – MG. É interessante destacar conforme observado na Figura 5 que este fenômeno também ocorreu devido à ação antrópica, onde foi observado com grande frequência e amplitude nas áreas das cavas de extração de minério de ferro, visto que as mesmas apresentam ruptura abrupta do relevo proporcionado áreas com alta declividade gerando tal fenômeno.

Figura 5 Utilização de imagens LANDSAT   8 para caracterização da cobertura vegetal

Figura 5 – Mapas do Índice de Vegetação NDVI apontando a presença de sombras provenientes do Relevo.

Considerações finais

A metodologia aplicada nesta pesquisa possibilitou a comparação dos resultados dos índices de vegetação (NDVI e SAVI) obtidos para o município de Nova Lima – MG por meio de técnicas de Processamento Digital de Imagens (PDI). Os valores obtidos por meio da álgebra de mapas para os índices NDVI e SAVI apresentaram diferenças entre os valores mínimos e máximos devido aos algoritmos dos índices serem diferentes. Contudo, apesar desta diferença, após a divisão de classes (6 em ambos os índices) e tematização obteve-se mapas temáticos com características muito aproximadas. É importante salientar que a interpretação dos resultados alcançados é inerente ao número de classes determinada, onde é possível discriminar uma maior variabilidade de alvos ou não. Também vale destacar que o Índice de Vegetação Ajustado ao Solo (SAVI) pode discriminar mais alvos, uma vez que apresenta maior range de valores, podendo ser subdivido em mais classes temáticas conforme a necessidade do pesquisador.

Diante aos resultados alcançados, podemos destacar tanto o Índice de Vegetação da Diferença Normalizada (NDVI) quanto o Índice de Vegetação Ajustado ao Solo (SAVI) como indicador do estado vegetativo para o município de Nova Lima – MG, apresentando resultados aproximados da realidade e que podem contribuir em diagnósticos ambientais e/ou outros diagnósticos. Contudo, é importante frisar que torna-se necessário ter certo nível de conhecimento da área pesquisada, seja por meio de uma imagem de referência (composição RGB), por meio de levantamento em campo ou ambos, pois, tal conhecimento propicia ao pesquisador uma melhor fotointerpretação da área.

O uso de imagens de satélite do mês de junho, período de estiagem, para aplicação dos índices de vegetação trazem resultados satisfatórios, contudo, segundo HUXMAN et al. (2004) a aplicação dos índices de vegetação apresentam melhor resposta espectral para imagens do período úmido. Portanto poderiam trazer resultados mais incisivos para estimativa da cobertura vegetal, contudo o uso destas imagens é dificultado pela presença de nuvens neste período, fato que dificulta a aquisição de imagens adequadas para este tipo de pesquisa.

A utilização das imagens do Landsat-8 a partir da aplicação da álgebra de mapas para estimar os índices de vegetação (NDVI e SAVI) apresentou resultados quantitativos e qualitativos satisfatórios quanto ao mapeamento da cobertura vegetal e de outras categorias de análise (água, solo exposto e área edificada) para o território de Nova Lima – MG. Para tanto, não houve necessidade de levantamento em campo, fato que proporcionou agilidade para a realização da pesquisa proposta. Contudo, a realização de levantamento em campo pode agregar informações ao fotointerprete, incorporando qualidade ao resultado final.

A classificação de imagens do satélite Landsat-8 a partir dos índices de vegetação pode ser utilizada de maneira eficiente para promover o mapeamento da vegetação, ainda sendo possível identificar outros alvos como área edificada, água e solo exposto. Tal insumo, avaliado de forma temporal, proporciona subsídios e informações a respeito da expansão de áreas urbanas sobre áreas de vegetação natural. Geralmente, os planos diretores dos municípios com mais de 20 mil habitantes e integrantes de regiões metropolitanas, possuem a delimitação oficial (Zoneamento urbano) da área urbana, rural e demais áreas relevantes do município. Contudo, o dinamismo do crescimento urbano impõe um ritmo de crescimento exacerbado, que, muitas vezes, extrapola a delimitação do zoneamento, causando degradação de áreas com vegetação protegida por lei, bem como áreas rurais. Portanto a classificação de imagens de satélite a partir de índices de vegetação é uma ferramenta útil para auxiliar em tal avaliação temporal, contribuindo como subsídio para análise de questões relacionadas às diretrizes de uso e ocupação do solo e planejamento urbano.

É importante frisar que a utilização dos índices de vegetação deve ser realizada de maneira criteriosa objetivando resultados mais próximos da realidade. Para tanto, diversas condicionantes (naturais e técnico-metodológicos) abordados nesta pesquisa devem ser levados em consideração, pois, os índices de vegetação, seja o Índice de Vegetação da Diferença Normalizada (NDVI) o Índice de Vegetação Ajustado ao Solo (SAVI), ou ainda outro índice, são propostos para pesquisas onde se considera o comportamento espectral dos alvos.

Referências bibliográficas

ALLEN, R. G.; TASUMI, M.; TREZZA, R;. WATERS, R.; BASTIAANSSEN, W. Surface Energy Balance Algorithms forLand (SEBAL). Advanced Training and users Manual, Kimberly,Idaho, V.1,0, 97p. 2002.

ALMEIDA, F.F.M. Estruturas do pré-Cambriano inferior brasileiro. In: CONGRESSO BRASILEIRO DE GEOLOGIA, 29, 1976, Ouro Preto. Resumos… Belo Horizonte: SBG,1976. p.201-202.

ANDRADE, R.; DEL’ARCO SANCHES, I.; VICTORIA, D. de C.; FURTADO, A. L. dos.
Análise de metodologias para correção atmosférica e estimativa do albedo da superfícieusando imagens Landsat 5, TM. In: SIMPÓSIO DE GEOTECNOLOGIAS NO PANTANAL, 3., 2010, Cáceres. Anais… Campinas: Embrapa Informática Agropecuária; São José dos Campos: Inpe, 2010. p. 133-141.

CPRM. Projeto APA Sul Estudos do Meio Físico. MINISTÉRIO DE MINAS E ENERGIA e GOVERNO DO ESTADO DE MINAS GERAIS. Vol. 1, Belo Horizonte, 2005. Disponível em: <http://www.cprm.gov.br/publique/media/apa_sul_rmbh_geologia_texto.pdf>. Acesso em abril de 2014.

CRÓSTA, A. P. Processamento digital de imagens de sensoriamento remoto. Campinas: IG/UNICAMP, 1993. 170 p.

DORR II, J.V. Physiographic stratigraphic and structural development of theQuadrilátero Ferrífero, Minas Gerais. USGS Professional Paper 614-A, 1969. 110 p.

ELMORE, A. J. et al. Quantifying vegetation change in semiarid environments: precision and accuracy of Spectral Mixture Analysis and the Normalized Difference Vegetation Index. Remote Sensing of Environment, v. 73, n.1, p.87-102, Jan. 2000.

HUETE, A. R. 1988, ‘Adjusting vegetation indices for soil influences’, International Agrophysics, vol.4, no. 4, pp.367-376.

HUXMAN, T. E.; SMITH, M. D.; FAY, P. A; KNAPP, A. K.; SHAW, R.; LOIK, M. E.; SMITH, S. D.; TISSUE, D. T.; ZAK, J. C.; WELTZIN, J. F.; POCKMAN, W. T.;SALA, O. E.; HADDAD, B. M.; HARTE, J.; KOCH, G. W.; SCHWINNING, S.; SMALL, E. E.; WILLIAMS, D. G. Convergence across biomes to a common rain-use efficiency. Nature,[S.l.], v. 429, n. 6992, p. 651-654, 2004.

IBGE. IBGE Cidades@. Instituto Brasileiro de Geografia e Estatística (IBGE): Nova Lima. Disponível em: <http://www.cidades.ibge.gov.br/xtras/perfil.php?lang=&codmun=314480&search=minas-gerais%7Cnova-lima>. Acesso em março de 2014.

IBGE – Manuais Técnicos em Geociências. Manual Técnico da Vegetação Brasileira. 2º Edição. Rio de Janeiro 2012.

IGAM. Plano Diretor de Recursos Hídricos da Bacia Hidrográfica do Rio das Velhas. Belo Horizonte, 2005. Disponível em: <http://www.manuelzao.ufmg.br/assets/files/Textos%20mobilizacao/plano_diretor_completo.pdf>. Acesso em abril de 2014.

INSTITUTO NACIONAL DE METEOROLOGIA (INMET). INMET-Clima. Disponível em: <http://www.inmet.gov.br/html/clima.php#>. Acesso em abril de 2014.

JENSEN, J. R. Sensoriamento Remoto do Ambiente: uma perspectiva em recursos terrestres. 2ed. São José dos Campos: Parêntese, 2009, 604 p.

LANDIS, R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, v.33, n.1, p.159-174, Mar. 1977.
M. C. PEEL, B. L. FINLAYSON AND T. A. MCMAHON. Updated world map of the Koppen-Geiger climate classification. Hydrol. Earth Syst. Sci., 11, 1633–1644, 2007. Disponível em: <http://www.hydrol-earth-syst-sci.net/11/1633/2007/hess-11-1633-2007.pdf>. Acesso em abril de 2014.
MENESES, P.R. Sensores Imageadores Multiespectrais na Faixa Óptica. In: Introdução ao Processamento de Imagens de Sensoriamento Remoto, 2012. Disponível em: <http://www.cnpq.br/documents/10157/56b578c4-0fd5-4b9f-b82a-e9693e4f69d8>. Acesso em julho de 2014.

MONTGOMERY, G.; SCHUCH, C. Gis Data Conversion Handbook. Fort Collins: Gis Word Books. 1993.

MOREIRA, Maurício Alves. Fundamentos de Sensoriamento Remoto. São José dos campos-SP: INPE, 2001.

NATIONAL AERONAUTICS AND SPACE ADMINISTRATION (NASA). Landsat Data Continuity Mission: Continuously Observing Your World. 2013. Disponível em: <http://ldcm.gsfc.nasa.gov/mission_details.html>. Acesso em julho de 2014.

PONZONI, F. J.; SHIMABUKURO, YOSIO EDEMIR. Sensoriamento Remoto no Estudo da Vegetação. São José dos Campos: Parêntese, 2010.

ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems in the great plains with ERTS. In Earth Resources Tecnology Satellite- 1 Symposium,3, 1973. Proceedings. Washington, 1973, v.1, Sec. A, p. 309-317.

SCHORSCHER, H.D. Polimetamorfismo do Pré-Cambriano na região de Itabira, MinasGerais. (res). In:CONGRESSO BRASILEIRO DE GEOLOGIA, 29,1976. Ouro Preto, Anais… Ouro Preto: SBG, 1976. P.194-195.

UNITED STATES GEOLOGICAL SURVEY (USGS). Landsat Project Description. Disponível em: <http://landsat.usgs.gov/about_project_descriptions.php> Acesso em julho de 2014

ZEE. Nova Lima. Disponível em: <http://geosisemanet.meioambiente.mg.gov.br/zee_bi/Interface/Zee.aspx?objeto=marcador&id_camada_referencia=4&aplicacao=Zee.xml&id_marcador=20634&tabela=public.municipio#>. Acesso em abril de 2014.

ZULLO JUNIOR, J. Correção atmosférica de imagens de satélite e aplicações. 1994. 191 f. Tese (Doutorado em Engenharia Elétrica) – Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica, Campinas.