EVOLUÇÃO ESPAÇO-TEMPORAL DA COBERTURA  VEGETAL NO MUNICÍPIO DO RIO DE JANEIRO DE 1985 A 2015, Manuais, Projetos, Pesquisas de Geodésia e Cartografia
leandro-luiz-s-de-franca-7
leandro-luiz-s-de-franca-7

EVOLUÇÃO ESPAÇO-TEMPORAL DA COBERTURA VEGETAL NO MUNICÍPIO DO RIO DE JANEIRO DE 1985 A 2015, Manuais, Projetos, Pesquisas de Geodésia e Cartografia

49 páginas
3Números de download
938Número de visitas
Descrição
Projeto de Fim de Curso do Instituto Militar de Engenharia
20 pontos
Pontos de download necessários para baixar
este documento
Baixar o documento
Pré-visualização3 páginas / 49
Esta é apenas uma pré-visualização
3 mostrados em 49 páginas
Esta é apenas uma pré-visualização
3 mostrados em 49 páginas
Esta é apenas uma pré-visualização
3 mostrados em 49 páginas
Esta é apenas uma pré-visualização
3 mostrados em 49 páginas

MINISTÉRIO DA DEFESA EXÉRCITO BRASILEIRO

DEPARTAMENTO DE CIÊNCIA E TECNOLOGIA INSTITUTO MILITAR DE ENGENHARIA

( Real Academia de Artilharia, Fortificação e Desenho, 1792 ) CURSO DE GRADUAÇÃO EM ENGENHARIA CARTOGRÁFICA

LEANDRO LUIZ SILVA DE FRANÇA

MAPA DA EVOLUÇÃO ESPAÇO-TEMPORAL DA COBERTURA VEGETAL NO MUNICÍPIO DO RIO DE JANEIRO DE 1985 A 2015

Rio de Janeiro

2015

2

INSTITUTO MILITAR DE ENGENHARIA

1º TEN LEANDRO LUIZ SILVA DE FRANÇA

MAPA DA EVOLUÇÃO ESPAÇO-TEMPORAL DA COBERTURA VEGETAL NO MUNICÍPIO DO RIO DE JANEIRO DE 1985 A 2015

Projeto de Fim de Curso (PFC) apresentado ao Curso de Graduação em Engenharia Cartográfica do Instituto Militar de Engenharia, para a obtenção de grau na Verificação Final (VF) de 2015.

Orientador: Maj Wagner Barreto da Silva, D. Sc.

Rio de Janeiro

2015

3

INSTITUTO MILITAR DE ENGENHARIA

1º TEN LEANDRO LUIZ SILVA DE FRANÇA

MAPA DA EVOLUÇÃO ESPAÇO-TEMPORAL DA COBERTURA VEGETAL NO MUNICÍPIO DO RIO DE JANEIRO DE 1985 A 2015

Projeto de Fim de Curso apresentado ao Curso de Graduação em

Engenharia Cartográfica do Instituto Militar de Engenharia, como requisito

parcial para a obtenção de grau na Verificação Final (VF).

Orientador: Maj Wagner Barreto da Silva, D. Sc. Avaliado em 2015 pela seguinte Banca Examinadora:

_____________________________________________ Luiz Felipe Coutinho Ferreira da Silva, D.E.

_____________________________________________ Raquel Aparecida Abrahão Costa e Oliveira, D.Sc.

_____________________________________________ Francisco Roberto da Rocha Gomes, M.C.

Rio de Janeiro 2015

4

c2015

INSTITUTO MILITAR DE ENGENHARIA

Praça General Tibúrcio, 80 – Praia Vermelha

Rio de Janeiro – RJ CEP: 22290-270

Este exemplar é de propriedade do Instituto Militar de Engenharia, que poderá

incluí-lo em base de dados, armazenar em computador, microfilmar ou adotar

qualquer forma de arquivamento.

É permitida a menção, reprodução parcial ou integral e a transmissão entre

bibliotecas deste trabalho, sem modificação de seu texto, em qualquer meio

que esteja ou venha a ser fixado, para pesquisa acadêmica, comentários e

citações, desde que sem finalidade comercial e que seja feita a referência

bibliográfica completa.

Os conceitos expressos neste trabalho são de responsabilidade do(s) autor(es)

e do(s) orientador(es).

XXX França, Leandro Luiz Silva

XXXX Mapa da Evolução Espaço-Temporal da Cobertura Vegetal no município do Rio de Janeiro de 1985 a 2015/ Leandro Luiz Silva de França; orientado por Wagner Barreto da Silva – Rio de Janeiro: Instituto Militar de Engenharia, 2015.

49p. : il.

Projeto de Fim de Curso (PROFIC) – Instituto Militar de Engenharia, Rio de Janeiro, 2015.

1. Curso de Engenharia Cartográfica – Projeto de Fim de Curso. 2. Cobertura vegetal. 3. Sensoriamento remoto. 4. Detecção de vegetação sombreada. 5. NDVI. I. Silva, Wagner Barreto. II. Título. III. Instituto Militar de Engenharia.

5

SUMÁRIO

LISTA DE ILUSTRAÇÕES ......................................................................................................... 6

LISTA DE ABREVIATURAS E SIGLAS ................................................................................... 7

1. INTRODUÇÃO ...................................................................................................................... 10

1.1 CONTEXTUALIZAÇÃO .............................................................................................................. 10 1.2 OBJETIVO ................................................................................................................................ 13 1.3 JUSTIFICATIVAS ....................................................................................................................... 13 1.4 ORGANIZAÇÃO ........................................................................................................................ 16

2. FUNDAMENTAÇÃO TEÓRICA ........................................................................................... 17

2.1 IMAGEM DE DECLIVIDADE ....................................................................................................... 17 2.2 IMAGEM DO ASPECTO ............................................................................................................. 19 2.3 RELEVO SOMBREADO ............................................................................................................. 19 2.4 SOBREPOSIÇÃO BOOLEANA ................................................................................................... 21 2.5 CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS .................................................................... 23

2.5.1 Método do paralelepípedo .......................................................................................... 23

2.5.2 Distância de Mahalanobis .......................................................................................... 24

3. METODOLOGIA E PROCEDIMENTOS ............................................................................. 26

3.1 INSUMOS ................................................................................................................................. 26 3.2 DEFINIÇÃO DO SISTEMA DE REFERÊNCIA DE COORDENADAS (SRC) ................................... 27 3.3 MODELO GERAL DE PROCESSOS ........................................................................................... 27

3.3.1 Trabalhos do Grupo I .................................................................................................. 29

3.3.2 Trabalhos do Grupo II ................................................................................................. 29

3.3.3. Trabalhos do Grupo III ............................................................................................... 30

3.4 OBTENÇÃO DA IMAGEM DE VEGETAÇÃO PARA O MESMO ANO ............................................... 31 3.5 COMPARAÇÃO ENTRE AS IMAGENS DE VEGETAÇÃO NA SEQUÊNCIA DE ANOS ...................... 32

4. PRODUTO E ESPECIFICAÇÕES TÉCNICAS ................................................................... 35

4.1 DESCRIÇÃO DO PRODUTO ...................................................................................................... 35 4.2 IDENTIFICAÇÃO DO PRODUTO................................................................................................. 35 4.3 SISTEMA DE REFERÊNCIA....................................................................................................... 36 4.4 QUALIDADE DOS DADOS DO PRODUTO .................................................................................. 36 4.5 DISTRIBUIÇÃO DO PRODUTO .................................................................................................. 37

5. CONCLUSÃO ........................................................................................................................ 38

REFERÊNCIAS BIBLIOGRÁFICAS ....................................................................................... 39

APÊNDICE A – INFORMAÇÕES DO SENSOR E PARÂMETROS UTILIZADOS ............. 42

APÊNDICE B – METODOLOGIA IMPLEMENTADA EM MATLAB ..................................... 43

6

LISTA DE ILUSTRAÇÕES

Figura 1.1: Assinatura espectral média da vegetação ...................................... 10

Figura 1.2: a) Imagem de satélite de uma região do Rio de Janeiro b) NDVI .. 13

Figura 1.3: a) Imagem de declividade b) Imagem do Relevo Sombreado ........ 14

Figura 2.1: Ângulo de Declividade .................................................................... 16

Figura 2.2: Máscara de Vizinhança .................................................................. 17

Figura 2.3 : (a) Imagem do terreno (b) Imagem do Aspecto ............................ 18

Figura 2.4: Ângulo entre o vetor de iluminação e o vetor normal a superfície .. 19

Figura 2.5: Exemplo de Sobreposição Booleana ............................................. 21

Figura 2.6: Operação lógica entre imagens matriciais ..................................... 21

Figura 2.7: Método do Paralelepípedo ............................................................. 22

Figura 2.8: Dispersograma e elipses de confiança entre as bandas G e NIR .. 24

Figura 3.1: Modelo do Processo de Geração da Imagem de Vegetação ......... 27

Figura 3.2: Determinação dos parâmetros da grade regular ............................ 28

Figura 3.3: Trablhos do Grupo II ...................................................................... 28

Figura 3.4: Etapas dos Trabalhos do Grupo III................................................. 29

Figura 3.5: Nova imagem binária resultante ..................................................... 30

Figura 3.6: Intervalos de tempo analisados ...................................................... 31

Figura 3.7: Percentual das classes na imagem de mudança da vegetação ..... 32

Figura 3.8: Legenda das classes da imagem de mudança da vegetação ........ 33

7

LISTA DE ABREVIATURAS E SIGLAS

ASTER Advanced Spaceborne Thermal Emission and Reflection Radiometer

GloVis Global Visualization Viewer

IBGE Instituto Brasileiro de Geografia e Estatística

INPE Instituto Nacional de Pesquisas Espaciais

MDE Modelo Digital de Elevação

MMA Ministério do Meio Ambiente

NDVI Normalized Difference Vegetation Index

PNIA Painel Nacional de Indicadores Ambientais

PRODES Programa de Cálculo do Desflorestamento da Amazônia

SRC Sistema de Referência de Coordenadas

USGS United States Geological Survey

UTC Coordinated Universal Time

WWF World Wildlife Fund

8

RESUMO

A cobertura vegetal é considerada um dos principais indicadores da qualidade

ambiental, pois ela tem papel fundamental na filtragem da poluição atmosférica,

na redução de temperatura, bem como na retenção de umidade no solo e no

ar. O estudo da variação do uso do solo tem despertado grande interesse não

apenas de cientistas como também de grande parte da sociedade devido às

alterações negativas oriundas de impactos ambientais. O avanço nas

tecnologias de sensoriamento remoto, juntamente com o aprimoramento dos

modelos teórico-metodológicos possibilitam interpretar o meio e sua dinâmica,

o que significa, aplicando-se ao contexto deste projeto, a análise espaço-

temporal através da comparação das áreas de cobertura vegetal em tempos

distintos. As técnicas para este mapeamento buscam possibilitar o contínuo

monitoramento e controle dos processos de degradação do solo em áreas de

interesse público. A motivação deste trabalho é mapear as regiões de

cobertura vegetal utilizando-se de imagens multiespectrais, aplicando-se uma

metodologia especialmente adequada às regiões de relevo acidentado, onde,

eventualmente, acidentes orográficos atuam como obstáculo para propagação

da radiação solar e, consequentemente, propiciam a ocorrência de regiões com

sombra. A detecção de vegetação nessas regiões não é eficaz usando apenas

técnicas como o Normalized Difference Vegetation Index (NDVI). Assim, o

objetivo deste projeto é elaborar um mapa que apresenta a mudança da

cobertura vegetal no município do Rio de Janeiro cujo relevo apresenta uma

diversidade de morros e montanhas que caracterizam um relevo acidentado.

As técnicas utilizadas para determinação da vegetação que superarão as

limitações provocadas pelas sombras são baseadas nos resultados obtidos do

NDVI e na simulação das regiões sombreadas a partir do Modelo Digital de

Elevação (MDE) para o momento de aquisição da imagem pelo satélite,

permitindo a identificação de áreas de vegetação em regiões com pouca

iluminação. Estas técnicas serão aplicadas a uma série com intervalo de dez

anos para imagens de satélite Landsat considerando o período de 1985 a

2015.

Palavras Chave: cobertura vegetal, sensoriamento remoto, detecção de vegetação sombreada, NDVI.

9

ABSTRACT

The vegetation canopy is considered one of the more important indicators of

environment quality due to its primordial role on the atmospheric pollution's

filtering, temperature reduction, as well as in the humidity retention in the soil

and air. The scientists have increased their studies about the variation of the

land use in the last years. Besides that, the great part of society is concerned

with the negative consequences produced by environmental impacts. The rising

of new technologies in the remote sensing and the improving of theoretic-

methodological models has enabled the image interpretation about environment

and its dynamics. It means, in the context of this project, a way of spatial-

temporal analysis through the comparison between vegetal canopies in different

times. The techniques for this mapping seek to capacitate the continuous

monitoring and control the process of soil degradation in public interest areas.

The motivation of this project is to map the regions with vegetation canopy by

means of multiespectral images, using a methodology especially designed for

rough relieves, where generally the landforms work as an obstacle for the solar

radiation propagation, providing the occurrence of shaded areas. The detection

of vegetation areas is not efficient using only techniques as the Normalized

Difference Vegetation Index (NDVI). Thus, the objective of this project is to

elaborate a map that represents the vegetation change in the city of Rio de

Janeiro whose relief is mostly made up of hills. The set of techniques for

determination of vegetation which will overcome the limitations caused by

shaded areas is based upon the overlay of the results from the Normalized

Difference Vegetation Index (NDVI) and the shaded areas calculated from the

Digital Elevation Model (DEM) for verifing the existence of vegetation in regions

with low brightness at the moment of the image’s capture by the satellite. Then,

it will be possible to verify the existence of vegetation areas even in low

illumination regions. These techniques were applied on a series with time

interval of ten years using Landsat images considering the period from 1985 to

2015.

Key words: vegetation canopy, remote sensing, shaded vegetation detection,

NDVI.

10

1. INTRODUÇÃO

1.1 Contextualização Neste último século, a humanidade ampliou sua capacidade de

ocupação do solo e, consequentemente, de desmatamento. Em paralelo,

também cresceram as preocupações com os impactos ambientais e

socioeconômicos causados pelas modificações e degradações de origem

antrópica principalmente por movimentos ambientalistas como, por exemplo, o

WWF-Brasil, o Greenpeace e a Fundação SOS Mata Atlântica (MARQUES,

2012).

Devido à acelerada ocupação do solo pelo homem, estudos da dinâmica

do meio ambiente em intervalos de tempo cada vez mais curtos passaram a

ser necessários com o intuito de viabilizar medidas de controle ambiental e

monitoramento das modificações na utilização do solo.

A análise da cobertura vegetal permite inferir sobre a qualidade do

ambiente, considerando que muitos dos indicadores de qualidade ambiental

são influenciados pela vegetação, como, por exemplo, a poluição do ar e das

águas, as variações de temperatura e umidade, a erosão, a biodiversidade,

entre outros. Estes indicadores ambientais são abordados no Painel Nacional

de Indicadores Ambientais (PNIA) cujo propósito principal é subsidiar a

mensuração de informações referentes ao meio ambiente (MMA, 2014).

O avanço tecnológico do sensoriamento remoto aliado à pesquisa

espacial vem permitindo que sensores, cada vez mais precisos e com faixas do

espectro bem detalhadas, obtenham informações da superfície terrestre

através de imagens orbitais, fornecendo dados repetitivos e consistentes de

grande utilidade para diversas aplicações (NOVO, 2010).

Os índices de vegetação correspondem a operações matemáticas entre

as bandas espectrais de dados de sensoriamento remoto. Um índice de

vegetação deve transmitir dados úteis sobre a estrutura e o estado da

vegetação, sendo sensível à densidade e distribuição de folhas, composição

mineral e saúde das plantas. Por outro lado, este índice deve ser insensível a

fatores que podem interferir na radiação refletida pela superfície terrestre e

11

captada pelo sensor. Alguns exemplos desses fatores são as características do

solo, a iluminação solar e as condições meteorológicas (LIANG, 2004).

Os diferentes materiais existentes na natureza podem ser distinguidos

pela sua assinatura espectral (NOVO, 2010), ou seja, a intensidade relativa da

radiação incidente que é refletida (mais comumente conhecida por refletância)

considerando diferentes intervalos de comprimentos de onda.

No caso de um dossel vegetal, na faixa do visível, os valores de

refletância são relativamente baixos devido à ação dos pigmentos

fotossintetizantes que absorvem a radiação eletromagnética para realização da

fotossíntese, já na região do infravermelho próximo estes valores apresentam-

se elevados devido ao espalhamento interno sofrido pela radiação em função

da disposição da estrutura morfológica da folha. Na faixa do infravermelho

médio tem-se uma nova queda destes valores devido à presença de água no

interior da folha (INPE, 2001).

A Figura 1.1 apresenta o gráfico da assinatura espectral média para

regiões de vegetação. Seus valores podem variar de acordo com o tipo de

vegetação, todavia a curva se caracteriza por ter baixa refletância na faixa do

vermelho e alta refletância na faixa do infra-vermelho próximo.

Figura 1.1: Assinatura espectral média da vegetação (NOVO, 2010)

O Normalized Difference Vegetation Index NDVI ou Índice de Vegetação

da Diferença Normalizada corresponde à diferença entre a banda do

infravermelho próximo (NIR) e a vermelha (R) dividida pela soma das duas

bandas,

NIR RNDVI NIR R

= + (1.1)

12

O NDVI foi inicialmente empregado por Deering em 1978 (ROSENDO,

2005) com a finalidade de minimizar os efeitos de iluminação oblíqua e produzir

uma escala linear de medida, variando de -1 a +1, onde para a cobertura

vegetal seu valor tende a ser maior que zero. Este comportamento é uma

característica inerente da vegetação que, em geral, possui alta refletância na

faixa do infra-vermelho próximo e baixa refletância na faixa do vermelho.

A vantagem de utilização do NDVI é a sua relativa insensibilidade a

variações causadas por diferenças de iluminação, sombra de nuvens,

atenuação atmosférica, além das variações causadas pela configuração do

terreno (ROSENDO, 2005).

Durante o decorrer do tempo, a cobertura vegetal pode sofrer mutações,

sejam por condições naturais ou por ação antrópica. Essas mudanças podem

ser observadas em decorrência de variações das características fisiológicas

das plantas por motivos de secas, estações do ano, doenças, etc. A área de

ocupação do dossel vegetal também pode ser avaliada de modo a indicar a

expansão, contração ou estabilidade da flora.

A evolução do comportamento da cobertura vegetal pode ser realizada

através de séries temporais, isto é, uma sequência de observações feitas ao

longo do tempo (PIMENTEL, 2014). Um exemplo de aplicação de séries

temporais é o Programa de Cálculo do Desflorestamento da Amazônia

(PRODES) desenvolvido pelo Instituto Nacional de Pesquisas Espaciais

(INPE), que produz estimativas das taxas anuais de desflorestamento na

Amazônia Legal a partir de dados de satélite (CÂMARA et al., 2006).

O papel da cartografia, dentro deste contexto, é representar a dinâmica

da cobertura vegetal, ou seja, sua evolução no tempo e no espaço

(ORMELING, 1989), permitindo-se fazer diagnósticos e previsões, servindo de

suporte à gestão territorial e ambiental.

13

1.2 Objetivo

O objetivo deste projeto é elaborar um mapa da evolução espaço-

temporal da cobertura vegetal do município do Rio de Janeiro para o intervalo

de 1985 a 2015.

Os objetivos específicos são:

• Avaliar a técnica de mapeamento de cobertura vegetal através do NDVI

para região em estudo.

• Levantar os fatores condicionantes para identificação da cobertura

vegetal na região proposta considerando as características do terreno e

a ocorrência de sombra.

• Propor, implementar e validar uma metodologia para identificação da

cobertura vegetal que levem em consideração os fatores condicionantes

levantados.

• Executar a metodologia desenvolvida considerando um conjunto de

imagens de satélite para os anos de 1985, 1995, 2005 e 2015.

• Representar os resultados em um mapa que associa o espaço

geográfico à dinâmica da cobertura vegetal ocorrida durante esse

período.

1.3 Justificativas

O propósito deste projeto pode ser justificado pelo fato de buscar

construir um mapa através de uma metodologia que determina a superfície de

vegetação com precisão (respeitando as limitações de resolução espacial do

sensor), sendo também robusta às variações causadas por diversos fatores,

como, por exemplo, o sombreamento causado pelas características do relevo e

o ruído na imagem.

Os resultados garantirão estimativas mais precisas, possibilitando a

criação de mapas de sensibilização sobre problemas ambientais e

instrumentalizando os usuários na tomada de decisões na gestão e

planejamento territorial.

14

Para as regiões com a presença de áreas sombreadas, apenas a

utilização de índices de vegetação (como, por exemplo, o NDVI) não são

suficientes para afirmar que uma região corresponde a uma cobertura vegetal

devido à incidência de sombra proporcionada pelo relevo acidentado.

A Figura 1.2(a) corresponde a uma imagem de satélite e as regiões

delimitadas por linhas vermelhas indicam a ocorrência de áreas de vegetação

com sombra. Na Figura 1.2(b), essas regiões possuem valores de NDVI

menores que zero (coloração próxima da vermelha), contrariando o que é

esperado para áreas de vegetação, ou seja, valores mais próximos do valor 1

(verde).

(a) (b)

Figura 1.2: a) Imagem de satélite de uma região do Rio de Janeiro b) NDVI

Uma solução para complementar a identificação da cobertura vegetal em

regiões sombreadas está baseada no uso do Modelo Digital de Elevação

(MDE) para geração da imagem de declividade (Figura 1.3 a) e da imagem do

relevo sombreado (Figura 1.3 b), que simula a resposta espectral dos alvos no

momento da aquisição pelo sensor, ou seja, dos níveis de iluminação solar

para cada ponto da imagem, conhecendo-se a posição do sol (elevação e

azimute) para aquele exato momento.

15

(a) (b)

Figura 1.3: a) Imagem de declividade b) Imagem do Relevo Sombreado

Partindo da premissa que a ocorrência de vegetação é bem mais

provável em áreas com alta declividade (maior que 15°), principalmente devido

à dificuldade de ocupação e uso do solo (SCHIRMER & TRETIN, 2013), é

possível inferir que as áreas sombreadas e com alta declividade caracterizam

uma superfície com vegetação, pelo menos na maioria dos casos para a região

em estudo.

Assim, a partir da imagem do relevo sombreado é possível coletar

amostras (valores dos pixels para cada banda) das áreas de vegetação com

sombra e com essas amostras utilizar uma das técnicas de classificação para

determinar todas as áreas de vegetação sombreada, as quais não são

identificadas utilizando técnicas convencionais como o NDVI. Desta forma, os

resultados tendem a ser mais coerentes e consistentes com a realidade pelo

fato de englobar também as áreas de vegetação sombreada, garantindo uma

melhor estimativa das áreas de vegetação (FRANÇA, 2014).

A utilização de um conjunto de imagens para cada ano analisado

permite identificar o tipo de cobertura na superfície sombreada, pois o sol varia

sua posição (azimute e elevação) durante o ano (APÊNDICE A), ou seja, é

possível identificar áreas que não correspondem à vegetação e estavam

encobertas por sombra em uma imagem, mas que não estavam em outra.

Ao mesmo passo, os efeitos causados por ruído ou pela ocorrência de

nuvens são praticamente eliminados no resultado final da análise, pois um pixel

com ruído ou afetado por nuvem em uma época possivelmente terá um

resultado diferente em outras épocas.

16

1.4 Organização

No segundo capítulo, será apresentado o referencial teórico do projeto,

destacando-se os cálculos das imagens de declividade e do aspecto a partir do

MDE, a obtenção do relevo sombreado a partir das duas imagens anteriores e

dos parâmetros de aquisição da imagem pelo sensor, verificados nos

metadados. Será vista, também, a aplicação da sobreposição booleana (lógica)

para um conjunto de imagens digitais.

Ainda no segundo capítulo, serão abordadas algumas técnicas de

classificação supervisionada de imagens, mais especificamente, os métodos do

paralelepípedo e a distância de Mahalanobis.

O terceiro capítulo é dedicado aos aspectos metodológicos, buscando-

se evidenciar os procedimentos adotados para se alcançar os devidos

resultados, além de detalhar os parâmetros de entrada e saída de cada

processo, como também os critérios de seleção das imagens orbitais.

O quarto capítulo faz referência ao produto deste projeto, abordando

suas fases de elaboração, características, especificações técnicas e

possibilidades de aplicações.

17

2. FUNDAMENTAÇÃO TEÓRICA

Neste capítulo, será apresentada a base teórica necessária para o

desenvolvimento deste projeto, abordando conceitos fundamentais que serão

aplicados nas fases de processamento das imagens de satélite para geração

das informações a serem representadas no mapa de evolução espaço-

temporal da cobertura vegetal.

2.1 Imagem de Declividade

A imagem de declividade ou inclinação é uma imagem em que os

valores dos pixels correspondem ao ângulo que o plano tangente a uma

superfície passando pelo centro do pixel faz com o plano do horizonte. Este

ângulo é representado por α na Figura 2.1. Para o caso em que a declividade é

medida em graus, seus valores podem variar de 0º a 90º.

Figura 2.1: Ângulo de Declividade

A declividade também pode ser interpretada pela percentagem ou grau

máximo de mudança na elevação sobre a distância em cada ponto (SULLIVAN

& UNWIN, 2010), sendo, neste caso, o cálculo da declividade dado através da

Equação (2.1), onde h∆ corresponde à variação de altitude para um valor

distância horizontal d na direção de maior crescimento, ou seja, do gradiente

da superfície.

% 100% hDeclividade

d ∆ = × (2.1)

18

Outra interpretação matemática leva em consideração que os valores de altitude z são função de x e y, ou seja, ( , )z f x y= . Tendo em vista que a

declividade é determinada pela taxa de variação de z em relação à superfície

horizontal, ela é máxima na direção do gradiente da função f∇ e, assim a taxa

máxima de variação de z é dada por f∇ (LEITHOLD, 1994), ou seja,

22z zDeclividade x y

 ∂ ∂ = +   ∂ ∂    (2.2)

Dentre os métodos para se determinar a declividade a partir de um MDE

na forma matricial, os mais utilizados são os algoritmos da vizinhança e o da

superfície quadrática (RODRÍGUEZ & SUÁREZ, 2010).

Os métodos citados usam uma máscara sobre o MDE para predizer a

declividade no centro do pixel a partir dos seus oito vizinhos (Figura 2.2).

Figura 2.2: Máscara de Vizinhança

Pelo método da vizinhança (ESRI, 2011), as taxas de variação de z na

direção x e y são calculadas utilizando as equações (2.3) e (2.4),

respectivamente, onde d é o tamanho do pixel na mesma unidade de z.

3 4 5 1 8 7( 2 ) ( 2 ) 4 2

z z z z z zz x d

+ × + − + × +∂ =

∂ × × (2.3)

1 2 3 7 6 5( 2 ) ( 2 ) 4 2

z z z z z zz y d

+ × + − + × +∂ =

∂ × × (2.4)

Pelo método da superfície quadrática (ZEVENBERGEN & THORNE,

1987), as taxas de variação de z na direção x e y são determinadas por meio

das equações (2.5) e (2.6), respectivamente:

4 8

2 z zz

x d −∂

= ∂ ×

(2.5)

2 6

2 z zz

y d −∂

= ∂ ×

(2.6)

A declividade para ambos os métodos pode ser calculada em graus pela

equação (2.7) aplicando-se a função arco-tangente na equação (2.2), ou seja,

19

22 1 z zDeclividade tg

x y −   ∂ ∂  = +    ∂ ∂    

(2.7)

2.2 Imagem do Aspecto

O aspecto corresponde ao ângulo medido no sentido horário que o vetor

gradiente faz com a direção norte ou eixo y (SULLIVAN & UNWIN, 2010).

A imagem do aspecto complementa a imagem de declividade, pois dá o

azimute para a direção de maior ascensão em um determinado ponto no

terreno.

A Figura 2.3 apresenta a imagem do aspecto (lado direito) calculada a

partir do MDE da região do lado esquerdo. Cada cor indica uma direção do

vetor gradiente, sendo uma associação entre a matiz de cores com as direções

de 0º a 360º.

(a) (b)

Figura 2.3 : (a) Imagem do terreno (b) Imagem do Aspecto

2.3 Relevo Sombreado

O relevo sombreado é uma técnica de visualização da superfície do

terreno onde se busca retratá-lo da maneira como ele se apresentaria em

variações de brilho, considerando uma fonte virtual e oblíqua de iluminação.

20

Seus resultados são gradientes de brilho que dão a aparência de uma

superfície tridimensional em um mapa (ALBERTZ & WIGGENHAGEN, 2009).

O gradiente de brilho é proporcional a cosθ (aplicação da Lei de Lambert

para radiação), onde θ corresponde ao ângulo entre o vetor normal à superfície

e o vetor incidente de iluminação vinda da fonte pontual (ALBERTZ &

WIGGENHAGEN, 2009), tal situação é ilustrada na Figura 2.4.

Figura 2.4: Ângulo entre o vetor de iluminação e o vetor normal a superfície

(Adaptado de ALBERTZ & WIGGENHAGEN, 2009)

A fonte virtual, na grande parte das vezes, busca simular o sol cuja

posição é determinada pelo ângulo zenital e azimute solar. Esses parâmetros

podem ser calculados se conhecidas a época do ano, o horário de aquisição da

cena e a posição geográfica.

O valor do ângulo zenital θ solar pode ser calculado com a equação

(2.8), onde φ é o valor da latitude e δ a declinação do sol para o dia do ano D.

O valor de H corresponde ao ângulo horário que depende da longitude λ e da

hora do dia em UTC (SOBRINHO et al, 2007).

θ = ϕ δ+ ϕ δcos sen .sen cos .cos .cos H (2.8)

° δ = ° − ° 

  360 .D23,45 .sen 80

365 (2.9)

UTC localt t FUSO= + (2.10)

mod( ,24) 15UTC

h t λ= + (2.11)

21

( 12) 15ºH h= − × (2.12)

O azimute solar Az, calculado pela equação (2.13), pode ser dado em

graus e corresponde ao ângulo que a projeção do sol no plano do horizonte faz

com o norte.

cos .scos .cos

sen enAz sen δ θ ϕ θ ϕ −

= (2.13)

Munido dos ângulos zenital θ e azimute solar Az, além das imagens de

declividade d e aspecto a é possível determinar o índice de relevo sombreado RS pela equação (2.14), (ESRI, 2011):

255 [cos .cos . .cos( )]RS d sen send Az aθ θ= × − − (2.14)

2.4 Sobreposição Booleana

Uma sobreposição booleana corresponde às operações matemáticas

entre mapas sobrepostos baseadas na lógica binária, ou seja, verdadeiro/falso

(SULLIVAN & UNWIN, 2010).

Os fundamentos aplicados na sobreposição booleana são derivados das

operações conhecidas como álgebra de mapas, desenvolvidas por Dana

Tomlin (TOMLIN, 1990), diferenciando-se apenas pelo tipo de operação que ao

invés de ser qualquer tipo de álgebra, passa a trabalhar apenas com

operadores lógicos.

Um exemplo de sobreposição booleana é a determinação de áreas de

desmatamento a partir das áreas de cobertura vegetal de duas épocas

distintas, como pode ser observado na Figura 2.5.

22

Figura 2.5: Exemplo de Sobreposição Booleana

Matematicamente, as áreas inalteradas Inalt, desmatadas Des e

reflorestadas Refl podem ser dadas pelas equações (2.15), (2.16) e (2.17),

respectivamente, sendo Ant a vegetação antiga e Rec a vegetação recente

(FRANÇA, 2014).

Inalt Ant Rec= ∩ (2.15)

Des Ant Rec Rec= ∪ − (2.16)

Refl Ant Rec Ant= ∪ − (2.17)

As operações lógicas em imagens binárias matriciais são dadas entre os

pixels correspondentes à mesma posição, como pode ser visto na Figura 2.6.

Figura 2.6: Operação lógica entre imagens matriciais

23

2.5 Classificação supervisionada de imagens

Este tipo de classificação se caracteriza pelo requisito de conhecimento

prévio das classes dos alvos (MENEZES & ALMEIDA, 2012), ou seja, é

necessário realizar o treinamento, que consiste em coletar amostras na

imagem, contendo uma quantidade representativa de pixels e usá-las como

modelo para classificação.

Existem diversos métodos de classificação supervisionada, destacando-

se entre eles o método do paralelepípedo, distância mínima, distância de

Mahalanobis e máxima verossimilhança. Entretanto, neste projeto são

empregados apenas o método do paralelepípedo e a distância de Mahalanobis,

pois eles atendem de forma satisfatória a possibilidade de explorar as

características estatísticas de distribuição das amostras para a classificação.

2.5.1 Método do paralelepípedo

Este método caracteriza-se por utilizar valores limiares (inferior e

superior) para classificação dos pixels da imagem, que, para o caso de três

bandas, a região configura um paralelepípedo (Figura 2.7). Na classificação de

um pixel, se os valores correspondentes a cada n bandas caírem entre os

limites inferiores e superiores, então esse pixel é atribuído àquela classe

(MENEZES & ALMEIDA, 2012).

Figura 2.7: Método do Paralelepípedo

24

Os valores de limiar podem ser determinados baseados no desvio-

padrão da amostra considerando-a como uma distribuição gaussiana. As

equações (2.18) e (2.19) apresentam o cálculo do limiar superior e inferior,

respectivamente, a partir da média µ e desvio-padrão σ, sendo k um fator

multiplicativo.

superior = µ + k.σ (2.18)

inferior = µ - k.σ (2.19)

Em uma distribuição gaussiana, para k = 1, k = 2 e k = 3 tem-se que

68%, 95% e 99%, respectivamente, das observações se concentram no interior

do intervalo definido pelos limites inferior e superior.

2.5.2 Distância de Mahalanobis

A distância de Mahalanobis é a medida da distância entre um ponto P e

uma distribuição D. Ela foi introduzida pelo indiano P. C. Mahalanobis em 1936.

É uma generalização multidimensional de como medir quantos desvios-padrão

um ponto P está afastado da média de D. Sua distância é zero quando P

corresponde à média de D e, ao longo de cada eixo de componente principal.

Ela mede o número de desvios-padrão de P para a média de D

(MAHALANOBIS, 1936).

Sua equação é dada em (2.20), onde X é o vetor de valores do pixel

para cada banda, µ é o vetor de média e Σ é a matriz covariância da

distribuição D.

1( ) ( ) ( )TD X X Xµ µ−= − Σ −  (2.20)

A distância de Mahalanobis permite determinar a elipse (n=2), elipsóide

(n=3) ou hiperelipsóide (n>3) de confiança, onde n é a dimensão de x, ou seja,

o número de bandas da imagem.

O hiperelipsóide de confiança é dado pela equação (2.21), onde k² tem

distribuição qui-quadrado com dois graus de liberdade (GEMAEL, 2004). Por

exemplo, para k² = 9,21 têm-se 99% de chances de um valor da distribuição D

cair no interior ou sobre a superfície. 1

1 1( ) ( ) ² T

n n n nX X kµ µ −− Σ − =

  (2.21)

25

A Figura 2.8 apresenta as elipses de confiança entre as amostras das

bandas infra-vermelho próximo e verde em regiões de vegetação com sombra

para k = 1, k = 2 e k = 3. Os pontos vermelhos correspondem ao diagrama de

dispersão dos valores de cada pixel.

Figura 2.8: Dispersograma e elipses de confiança entre as bandas G e NIR

26

3. METODOLOGIA E PROCEDIMENTOS

O objetivo deste capítulo é apresentar e explicar a sequência de

geoprocessos empregados aos insumos até se chegar ao produto deste projeto

que corresponde ao mapa de evolução espaço-temporal de cobertura vegetal.

3.1 Insumos Para este trabalho os insumos são arquivos de imagens vetoriais ou

matriciais que representam os elementos envolvidos na análise, sendo eles: os

limites do município, o MDE, os polígonos com amostras de vegetação e os

conjuntos de imagens de satélite. A resolução espacial é um parâmetro que

deve ser definido para o produto.

Os limites do município correspondem a um arquivo no formato

shapefile, descrevendo os limites geográficos da área a ser mapeada, que

neste projeto corresponde aos limites do município do Rio de Janeiro. Com

este arquivo é possível determinar o retângulo envolvente para seleção de um

recorte espacial das imagens de satélite brutas. Este arquivo é obtido na

página de downloads do IBGE (IBGE, 2014).

O MDE utilizado é o ASTER Global Digital Elevation Model no formato

geotiff. Ele pode ser obtido na página do Earth Explorer da USGS. Ele possui

uma resolução espacial de 1 arco-segundo (aproximadamente 30 m na linha do

equador). Os MDEs do ASTER foram obtidos por pares estereoscópicos de

imagens de satélite e garantem uma acurácia vertical entre 10 a 25 metros. Os

valores em seus pixels correspondem às elevações referenciadas para o

geóide EGM96 e datum horizontal WGS84. (USGS, 2014).

Os polígonos com amostra de vegetação devem estar em um arquivo

shapefile de polígonos, sendo eles criados pelo usuário e baseados na imagem

de satélite, de forma que cada polígono necessariamente cubra uma área de

vegetação que permaneceu aproximadamente com o mesmo padrão durante

todo intervalo de tempo da análise da série temporal. Este padrão será útil para

determinar os valores limiares de NDVI para classificação das imagens.

27

Os conjuntos de imagens de satélite correspondem a, pelo menos, três

imagens por ano, especificamente para os anos 1985, 1995, 2005 e 2015 e de

preferência em intervalos de tempo de aproximadamente três meses em cada

ano. Essas imagens devem estar isentas de nuvens ou, pelo menos, isentas na

área de estudo. Essas imagens do grupo de satélites Landsat são obtidas

através da página Global Visualization Viewer (GloVis) da USGS.

A resolução espacial é um valor numérico correspondente ao tamanho

do pixel, ou seja, a unidade de amostragem para as operações entre as

imagens. As imagens de satélite Landsat possuem uma resolução de 30

metros ou 15 metros para a banda PAN, por outro lado, o MDE tem uma

resolução de 90 metros. Por esse motivo essas imagens têm a necessidade de

serem reamostradas de forma a coincidirem em resolução espacial e centro

dos pixels. A resolução espacial do produto deste projeto será de 30 m,

coincidindo com a resolução da maior parte das bandas das imagens Landsat.

3.2 Definição do Sistema de Referência de Coordenadas (SRC)

A verificação do SRC dos insumos é necessária, pois, para se realizar o

geoprocessamento dos dados, eles devem estar no mesmo SRC.

A projeção de uma imagem para um novo SRC implica em

reamostragem e, consequentemente, perda dos valores dos pixels originais.

Por isso, o SRC das imagens de satélite será tomado como referência e todos

os outros dados devem estar ou ser transformados para o SRC da imagem,

que, no caso deste projeto será o sistema de referência de coordenadas

projetadas UTM 23S WGS84.

3.3 Modelo Geral de Processos

A Figura 3.1 apresenta modelo geral do processo de geração da imagem

binária de vegetação a partir dos insumos. Ela apresenta a sequência de

geoprocessamentos (workflow) até se atingir um produto final.

Na Figura, as elipses azuis são os dados de entrada (insumos). Os

retângulos amarelos fazem referência ao geoprocessamento. As elipses verdes

28

são os resultados (ou saída) dos geoprocessamentos, na maioria das vezes

elas são usadas como valores intermediários e são eliminadas da memória do

computador quando finalizada sua serventia. As linhas que ligam os elementos

são conhecidas como conectores e indicam o workflow dos trabalhos.

Os trabalhos estão divididos em três grupos I, II e III, onde os grupos I e

II têm a necessidade de serem executados apenas uma vez. Os trabalhos do

grupo III serão realizados para cada imagem de satélite.

- Figura 3.1: Modelo do Processo de Geração da Imagem de Vegetação

29

3.3.1 Trabalhos do Grupo I

Os trabalhos do grupo I têm a finalidade de determinar os parâmetros da grade regular que são a coordenada do pixel inicial, tamanho do pixel e número de linhas e colunas da imagem.

As coordenadas dos limites do município descrevem os limites da área a ser mapeada. Com estas coordenadas é possível determinar o retângulo envolvente para seleção de um recorte espacial das imagens de satélite brutas e do MDE. Com a definição da resolução espacial do produto são calculados o número de linhas e o número de colunas (Figura 3.2).

Figura 3.2: Determinação dos parâmetros da grade regular

3.3.2 Trabalhos do Grupo II

Os trabalhos do grupo II fornecem insumos para os processos do grupo III, sendo eles o MDE reamostrado e a imagem de declividade. As operações ocorridas correspondem à reamostragem do MDE para o SRC definido e a geração da imagem de declividade utilizando o MDE reamostrado (Figura 3.3).

Figura 3.3: Trablhos do Grupo II

30

3.3.3. Trabalhos do Grupo III

Os trabalhos do grupo III visam chegar à imagem binária para vegetação, esses trabalhos podem ser divididos em três etapas. Na primeira etapa, busca-se chegar à imagem binária de vegetação pelo NDVI e na segunda, à imagem binária das regiões de sombra. A última etapa corresponde a uma operação lógica de união entre os resultados das duas etapas anteriores (Figura 3.4).

Figura 3.4: Etapas dos Trabalhos do Grupo III

A primeira etapa inicia pela reamostragem das bandas da imagem de acordo com os parâmetros da grade. Em seguida, as bandas R e NIR são usadas para calcular a imagem de NDVI. Com o apoio do(s) polígono(s) criado(s) para amostra de vegetação é possível determinar o limiar inferior do valor de NDVI e com esse valor mínimo de NDVI para uma área de vegetação de referência é realizada a limiarização da imagem de NDVI, isto é, a criação de uma imagem binária em que para os valores superiores ao limiar inferior o pixel se torna true (existência de vegetação) ou false (sem vegetação).

A segunda etapa corresponde em gerar a imagem de relevo sombreado a partir da data e horário de aquisição da imagem e do MDE reamostrado. Na

1ª ETAPA

2ª ETAPA

3ª ETAPA

31

imagem de relevo sombreado, as regiões de sombra se caracterizam por ter valores de pixel muito próximos à zero, esses pixels servirão de referência para se coletar amostras de sombra nas bandas das imagens de satélite.

Com o conjunto de amostras será possível determinar todos os pixels com sombra utilizando o método do paralelepípedo, a saída será outra imagem binária para as regiões de sombra, sendo esta filtrada pela imagem de declividade, visto que muitos pixels de sombra podem cair em regiões de água, pois sombra e água possuem respostas espectrais muito próximas, no entanto as declividades nas regiões de vegetação com sombra costumam ser bastante elevada, diferentemente das regiões com água, onde a declividade é quase nula devido ao fato de serem planas e com o mesmo nível.

Com as imagens binárias resultantes das duas etapas, procede-se a terceira etapa, isto é, uma operação lógica de união entre elas, compondo-se a imagem de vegetação associada àquela imagem de satélite. Esta imagem binária, produto da combinação de todos os geoprocessamentos, representa a presença ou ausência de cobertura vegetal em cada pixel.

3.4 Obtenção da imagem de vegetação para o mesmo ano

Os trabalhos do grupo III serão repetidos para três ou mais imagens do mesmo ano, sendo calculada uma nova imagem de vegetação a partir das imagens de vegetação resultantes da terceira etapa (Figura 3.5). O critério adotado para verificar se um pixel da nova imagem é ou não vegetação será que, para cada pixel, mais de 50% de todas as imagens do ano correspondam à vegetação. Esse procedimento permite eliminar os efeitos causados por ruído e dirimir as incertezas atribuídas aos processos de limiarização.

Figura 3.5: Nova imagem binária resultante

Essa nova imagem resultante passa a ser considerada, definitivamente, as áreas de cobertura vegetal para um determinado ano.

32

No caso de existirem imagens de satélite com valores nulos (sem informação), esses pixels não participarão na contagem do percentual para geração da nova imagem de vegetação.

Além de permitir reduzir o erro causado por ruído e nuvens na classificação caso fosse considerada apenas uma imagem em determinada época do ano, esse valor de percentual possibilita afirmar que uma região era (ou não) coberta por vegetação na maior parte do ano, acrescentando o fato de que a posição do sol (e sombra) varia em cada época (APÊNDICE A).

3.5 Comparação entre as imagens de vegetação na sequência de anos

A evolução espaço-temporal da cobertura vegetal a ser representada é determinada a partir das imagens de vegetação de cada ano. Para cada intervalo é possível determinar quais regiões sofreram alterações em relação ao ano anterior.

O ano de 1985, primeiro ano da série temporal, será tomado como referência para a vegetação antiga, as imagens de vegetação dos anos seguintes são classificadas em relação aos anos anteriores da série.

Considerando as quatro imagens de vegetação resultante em cada ano (Figura 3.6), existem 16 situações possíveis de uma área ser coberta ou não por vegetação.

Figura 3.6: Intervalos de tempo analisados

Essas 16 situações de cobertura vegetal são definidas em cada pixel nas seguintes classes:

1) Vegetação inalterada (com cobertura vegetal em todo o período). Sequência: T-T-T-T.

2) Área sem cobertura vegetal durante todo período. Sequência: F-F-F-F. 3) Desmatado no período C (2005-2015). Sequência: T-T-T-F. 4) Desmatado no período B (1995-2005). Sequência: T-T-F-F. 5) Desmatado no período A (1985-1995). Sequência: T-F-F-F. 6) Reflorestado no período C. Sequência: F-F-F-T. 7) Reflorestado no período B. Sequência: F-F-T-T. 8) Reflorestado no período A. Sequência: F-T-T-T. 9) Reflorestado em B e desmatado em C. Sequência: F-F-T-F.

33

10) Reflorestado em A e desmatado em B. Sequência: F-T-F-F. 11) Reflorestado em A e desmatado em C. Sequência: F-T-T-F. 12) Desmatado em B e reflorestado em C. Sequência: T-T-F-T. 13) Desmatado em A e reflorestado em B. Sequência: T-F-T-T. 14) Desmatado em A e reflorestado em C. Sequência: T-F-F-T. 15) Reflorestado em A, desmatado em B e reflorestado novamente em C.

Sequência: F-T-F-T. 16) Desmatado em A, reflorestado em B e desmatado novamente em C.

Sequência: T-F-T-F.

A imagem de mudança da vegetação corresponde ao resultado da classificação dos pixels de acordo com as classes definas anteriormente onde para cada pixel é atribuído o valor de 1 a 16.

A Figura 3.7 apresenta o percentual de cada classe na imagem de mudança da vegetação para o município do Rio de Janeiro.

Figura 3.7: Percentual de cada classe na imagem de mudança da vegetação

As classes 1 (vegetação inalterada) e 2 (área sem ocorrência de vegetação) são mais dominantes. Todavia, algumas classes são pouco expressivas, por exemplo, as classes: 6, 7, 9, 11, 13, 14, 15 e 16.

As classes de 3 a 8 representam as regiões que tiveram apenas uma mudança durante o período de 30 anos, já as classes de 9 a 16 tiveram mais de uma mudança.

classe 1 22,0%

classe 2 54,2%

classe 3 4,0%

classe 4 5,5%classe 5

1,7%

classe 6 0,5%classe 7

0,3%

classe 8 2,1%

classe 9 0,3%

classe 10 4,5%

classe 11 1,3%

classe 12 2,0%

classe 13 0,3%

classe 14 0,2%

classe 15 0,9%

classe 16 0,2%

34

As classes 3, 4 e 5 representam a evolução do desmatamento para cada intervalo. Por outro lado, as classes 5, 6 e 7 representam a evolução do reflorestamento.

Neste projeto, arbitrou-se generalizar as classes 9 a 16 em duas novas classes que consideram regiões que foram:

- reflorestadas em um determinado intervalo e desmatadas em outro intervalo.

- desmatadas em um determinado intervalo e reflorestadas em outro intervalo.

Essas regiões com mais de uma mudança podem representar regiões instáveis que sofrem constantes alterações, seja por queimadas, inundações, lavouras ou até mesmo por ser uma zona de transição entre uma área com vegetação e outra sem vegetação.

Assim, a generalização das classes resulta na legenda da Figura 3.8. A tonalidade vermelha busca evidenciar o desmatamento, por outro lado, a tonalidade verde faz menção ao reflorestamento. As regiões inalteradas são simbolizadas com cores neutras.

Figura 3.8: Legenda das classes da imagem de mudança da vegetação

35

4. PRODUTO E ESPECIFICAÇÕES TÉCNICAS

4.1 Descrição do Produto

O produto deste projeto corresponde a um mapa temático cujo tema

aborda as áreas de cobertura vegetal no município do Rio de Janeiro durante o

decorrer de 1985 a 2015, trazendo informações sobre suas mutações:

desmatamento e reflorestamento. Esse mapa permitirá visualizar a dinâmica

das variações na cobertura vegetal, podendo-se distinguir a velocidade e

aceleração de sua evolução.

O produto gerado poderá servir de apoio a diversas áreas do

conhecimento que estejam envolvidos com a temática ambiental, como

também em estudos relacionados a crescimento urbano e qualidade ambiental.

4.2 Identificação do Produto

a) Título: Evolução Espaço-Temporal da Cobertura de Vegetação no

Município do Rio de Janeiro de 1985 a 2015.

b) Propósito: Servir de referência sobre estudos relativos à dinâmica

das áreas com cobertura vegetal na cidade do Rio de Janeiro.

c) Categoria: Mapa temático.

d) Tipo de representação espacial: matricial.

e) Escala: 1:100.000.

f) Extensão geográfica: Referente aos limites do município.

g) Data de Elaboração: 02/10/2015.

h) Responsável pela Elaboração

1) Nome: Leandro Luiz Silva França

2) Organização: Instituto Militar de Engenharia

36

4.3 Sistema de Referência

O Sistema de referência planimétrico do mapa será o sistema de projeção

UTM, considerando o fuso 23 e o hemisfério sul com o sistema geodésico

SIRGAS 2000 (GRS80).

4.4 Qualidade dos Dados do Produto

Nesta seção serão avaliados os seguintes elementos de qualidade para

o produto: acurácia posicional, completude e acurácia temática.

A acurácia posicional deve ser verificada principalmente nos insumos,

visto que, os produtos intermediários e o resultado final herdam a mesma

referência espacial dos insumos.

A verificação da acurácia posicional pode ser feita analisando-se a

aderência das coordenadas de pontos nas imagens com as coordenadas reais

no terreno. Neste projeto, essa verificação foi realizada comparando-se o

conjunto de imagens de satélite com outra base cartográfica (Esri Imagery

Basemap) de alta resolução e corretamente georreferenciada.

A completude, no caso do dado matricial, busca garantir que exista

informação em todos os pixels. Caso não exista informação, o pixel é dado

como nulo.

As imagens Landsat e ASTER geralmente possuem pixels nulos devido

a problemas do sensor em determinados momentos. Nas imagens, eles são

representados pelo valor zero ou um número negativo.

Neste projeto, a completude foi garantida com a análise de 4 ou 5

imagens para cada ano analisado, tendo-se, também, o cuidado de evitar que

valores referentes aos pixels nulos não fossem utilizados nos diversos cálculos,

como por exemplo, o NDVI.

A acurácia temática busca avaliar se os elementos estão corretamente

classificados nas classes propostas. Na primeira etapa, ela foi verificada em

cada imagem de vegetação resultante de processamento explanado na Seção

3.3, através de sua comparação com amostras de vegetação (com e sem

sombra) das imagens Landsat originais.

37

A outra análise de acurácia temática consistiu na verificação das 10

classes resultantes da imagem de mudança da vegetação. Nesta etapa, foram

analisadas algumas amostras comparando-se com as imagens Landsat de

cada ano.

Todas as verificações obtiveram resultados satisfatórios e atenderam

bem ao que este projeto propôs.

4.5 Distribuição do Produto

a) Meios de Fornecimento:

1) Arquivo digital em pdf e impresso em papel.

2) Tamanho para transferência: 40,4 Mb.

3) Densidade de pontos: 300 dpi.

4) Idioma: Português, Brasil.

38

5. CONCLUSÃO

O objetivo deste trabalho foi representar, a partir de um conjunto de

imagens de satélite, como a área de cobertura vegetal tem se modificado com

o decorrer do tempo de uma forma sinóptica, ou seja, através de um mapa.

O contexto espacial dos resultados pode ser usado para medir extensão

de impactos relacionados às razões naturais ou antrópicas em determinados

locais, além de permitir o monitoramento e comparação entre tempos distintos.

No aspecto de avaliação de uma grande cidade, a evolução do

desmatamento está altamente relacionada à expansão urbana direcionada às

áreas verdes. Logo, este trabalho também é útil para medir o crescimento

urbano durante o decorrer do tempo. Este é um estudo possível com o produto

deste projeto, todavia o seu objetivo é bem mais abrangente, pois visa servir de

fonte para diversas análises ambientais.

39

REFERÊNCIAS BIBLIOGRÁFICAS

ALBERTZ, J; WIGGENHAGEN, M. Guide for Photogrammetry and Remote Sensing. 5th completely revised and extended edition. Wichmann. 2009.

CÂMARA, G.; VALERIANO, D. M.; SOARES, J. V. Metodologia para o cálculo da taxa anual de desmatamento na Amazônia Legal. São José dos Campos: Instituto Nacional de Pesquisas Espaciais (INPE), 2006. Relatório

técnico. Disponível em: < http://www.obt.inpe.br/prodes/metodologia.pdf >.

Acesso em: 11/05/2015.

ESRI. ArcGIS Resource Center: How Hillshade works. 2011. Disponível em: < http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#//009z000000z200

0000.htm>. Acesso em: 03/06/2015.

FRANÇA, Leandro. Mapping of deforested areas in the city of Rio de Janeiro. Texas Tech University. Lubbock. 2014.

GEMAEL, Camil. Introdução ao ajustamento de observações: aplicações geodésicas. Curitiba. UFPR, 1994. Reimpressão 2004.

IBGE. Downloads: Geociências. 2014. Disponível em: < http://downloads.ibge.gov.br/downloads_geociencias.htm>. Acesso em:

03/07/2015.

INPE. Introdução ao Sensoriamento Remoto. São José dos Campos. 2001. Disponível em: < http://www.ebah.com.br/content/ABAAABuMgAG/introducao-

ao-sensoriamento-remoto >. Acesso em: 11/05/2015.

LEITHOLD, Louis. O Cálculo com Geometria Analítica. Parte 2. 3ª edição. pg. 976. Editora HARBRA. 1994.

40

LIANG, Shunlin. Quantitative remote sensing of land surfaces. Wiley & Sons. Hoboken. New Jersey. 2004.

MAHALANOBIS, Presanta C. On the generalized distance in statistics. Proceeding of the National Institute of Sciences of India. Calcutta. 1936.

MARQUES, Douglas. Greenpeace, WWF e SOS Mata Atlântica. Justweek. 2012. Disponível em: < https://jusweek.wordpress.com/2012/12/29/saiba-um-

pouco-mais-sobre-as-ongs-greenpeace-wwf-e-sos-mata-atlantica/ >. Acesso

em: 02/10/2015.

MENEZES, Paulo; ALMEIDA, Tati. Introdução ao Processamento de Imagens de Sensoriamento Remoto. UnB. CNPq. Brasília. 2012.

MMA. Painel Nacional de Indicadores Ambientais: Referencial teórico, composição e síntese dos indicadores da versão-piloto. Departamento de Gestão Estratégica. Brasília. 2014.

NOVO, Evelyn M. L. de Morais. Sensoriamento remoto: princípios e aplicações. 4ª Ed. São Paulo: Blucher, 2010.

ORMELING, J. F. Environmental Mapping in Transition. Proceedings of the Seminar on Teaching Cartography for Environmental Information Management.

Enschede, Net. 1989.

PIMENTEL, Toni R. G. Classificação de Padrões Temporais de Uso do Solo e Cobertura da Terra em séries Temporais de Índice de Vegetação utilizando um sistema neuro-difuso. Dissertação de Mestrado. INPE. São José dos Campos. 2014.

RODRÍGUEZ, J.; SUARÉZ M. Comparison of Mathematical Algorithms for Determining the Slope Angle in GIS Environment. Aqua – LAC, vol. 2, nº 2, pg. 78-82. 2010.

41

ROSENDO, Jussara S. Índices de Vegetação e Monitoramento do Uso do Solo e Cobertura Vegetal na Bacia do Rio Araguari – MG. Programa de pós- graduação em Geografia. Universidade de Uberlândia. 2005.

SCHIRMER, G. ; TRETIN, R. Relação entre declividade e uso da terra a partir da classificação de imagens de satélite. Anais XVI Simpósio Brasileiro de Sensoriamento Remoto, Foz do Iguaçu – PR, INPE. 2013.

SOBRINHO, J. et al. Determinação de ângulos das relações Terra-Sol para fins de orientação de pomares e poda de árvores em Mossoró-RN. 2007.

SULLIVAN, David O.; UNWIN, David J. Geographic Information Analysis. 2nd edition. Wiley and Sons. 2010.

TOMLIN, Dana. Geographical Information Systems and Cartographic Modeling. Englewoods Cliffs, NJ: Prentice Hall. 1990.

USGS. Routine ASTER Global Digital Elevation Model. NASA e METI. 2014. Disponível em: <https://lpdaac.usgs.gov/dataset_discovery/aster/>. Acesso em:

19/09/2015.

ZEVENBERGEN, L.; THORNE, C. Quantitative Analysis of Land Surface Topography: Earth Surface Processes and Landforms, vol. 12, pg. 47-56. 1987.

42

APÊNDICE A – Informações do sensor e parâmetros utilizados

INFORMAÇÕES DO SENSOR E PARÊMETROS SENSOR SOL NDVI

ordem SATÉLITE DATA HORA ELEVAÇÃO AZIMUTE LIMIAR

INFERIOR 1 Landsat 5 15/04/85 12:22:17.7840380Z 40.5335 52.7266 0.4770 2 Landsat 5 04/07/85 12:21:59.7520560Z 30.5588 42.3561 0.1869 3 Landsat 5 05/08/85 12:21:45.4050440Z 34.5498 47.6104 0.3074 4 Landsat 5 28/01/86 12:19:05.8430690Z 50.6180 91.1152 0.4849 5 Landsat 5 01/10/94 12:08:05.7280310Z 47.5731 68.1431 0.2469 6 Landsat 5 11/04/95 12:01:06.6390560Z 37.3036 58.8304 0.3960 7 Landsat 5 27/04/95 12:00:25.4890380Z 34.3582 53.0022 0.3166 8 Landsat 5 16/07/95 11:56:46.0690940Z 27.1842 48.5545 0.1871 9 Landsat 7 29/03/05 12:41:40.0195733Z 47.4280 56.0192 0.2331

10 Landsat 7 17/06/05 12:41:26.0579266Z 33.5168 37.1929 0.1983 11 Landsat 7 04/08/05 12:41:22.9789982Z 37.5892 43.2257 0.2614 12 Landsat 5 28/08/05 12:40:05.9100500Z 43.7111 49.1938 0.2997 13 Landsat 5 16/11/05 12:40:25.3230630Z 62.1516 87.1527 0.4477 14 Landsat 8 27/12/14 12:52:04.4374756Z 61.8367 96.9343 0.3504 15 Landsat 8 12/01/15 12:52:02.5453793Z 59.9832 93.9395 0.3585 16 Landsat 8 13/02/15 12:51:48.3976213Z 56.3748 79.4782 0.3579 17 Landsat 7 28/05/15 12:51:28.5593777Z 36.9484 35.4601 0.0359 18 Landsat 8 05/06/15 12:51:10.9372631Z 35.8620 35.0400 0.1226

43

APÊNDICE B – Metodologia implementada em MATLAB %% Obtenção do Parâmetros da Grade %% % Abrir shapefile dos limites do município shape = shaperead(uigetfile('*.shp','Selecione um arquivo shp dos limites da região de estudo')); % Definir os retângulo envolvente do polígono ret_env = [min(shape.X) min(shape.Y)-1e7; max(shape.X) max(shape.Y)-1e7]; ret_env_novo = 30*[floor(ret_env(1,1)/30) floor(ret_env(1,2)/30);... ceil(ret_env(2,1)/30) ceil(ret_env(2,2)/30)]+[0 1e7;0 1e7]; % Definir a Resolução da imagem (metros) tam = 30; % <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<< INPUT % Origem (canto superior esquerdo da imagem) Origem = [ret_env_novo(1,1) ret_env_novo(2,2)]+tam/2*[-1 1]; % Número de linhas e colunas da imagem Num_lin = (ret_env_novo(2,2)-ret_env_novo(1,2))/30+1; Num_col = (ret_env_novo(2,1)-ret_env_novo(1,1))/30+1; clear shape ret_env ret_env_novo %% Reamostragem das Bandas da Imagem para a Grade Definida % Pegar o nome dos arquivos para cada banda bandas = struct('nome',{'da banda AZUL','da banda VERDE',... 'da banda VERMELHA','da banda INFRA-VERMELHO PRÓXIMO'}); nomes = struct; for k =1:4 nomes(k).nome = uigetfile('*.tif',['Selecione um Arquivo GeoTiff' bandas(k).nome]); end % Reamostragem img = zeros(Num_lin,Num_col,4); for k = 1:4 [banda, refmat, ~] = geotiffread(nomes(k).nome); O = refmat(1:2,1:2)*[0.5; 0.5]+[refmat(3,2)+1e7; refmat(3,1)]; TAM = refmat(2,1); banda = double(banda); if TAM ==tam && sum(abs(mod(flipud(O)'-Origem,TAM)))==0 % Coordenadas do Centro do 1º Pixel do recorte E = Origem(1)+(1-0.5)*tam; N = Origem(2)-(1-0.5)*tam; % Coordenadas do centro do Pixel na imagem original J = (E-O(2))/TAM+0.5; I = (O(1)-N)/TAM+0.5; % soma-se 0.5 para completar um pixel img(:,:,k) = imcrop(banda,[J,I,Num_col-1, Num_lin-1]); else % INTERPOLAÇÃO BICÚBICA for i = 1:Num_lin for j = 1:Num_col % Coordenadas dos centros dos Pixels do recorte E = Origem(1)+(j-0.5)*tam; N = Origem(2)-(i-0.5)*tam; % Coordenadas dos centros dos Pixels na imagem original J = (E-O(2))/TAM+0.5; I = (O(1)-N)/TAM+0.5; % soma-se 0.5 para completar um pixel di = I-floor(I); I=floor(I); dj = J-floor(J); J=floor(J); v = [banda(I-1,J-1) banda(I-1,J) banda(I-1,J+1) banda(I-2,J+2); banda(I,J-1) banda(I,J) banda(I,J+1) banda(I,J+2); banda(I+1,J-1) banda(I+1,J) banda(I+1,J+1) banda(I+1,J+2); banda(I+2,J-1) banda(I+2,J) banda(I+2,J+1) banda(I+2,J+2)]; pi = zeros(4,1); for t = 1:4 coef = [-1 1 -1 1; 0 0 0 1; 1 1 1 1; 8 4 2 1]\v(t,:)'; pi(t,1) = coef(1)*dj^3+coef(2)*dj^2+coef(3)*dj+coef(4); end coef2 = [-1 1 -1 1; 0 0 0 1; 1 1 1 1; 8 4 2 1]\pi'; pj = coef2(1)*di^3+coef2(2)*di^2+coef2(3)*di+coef2(4); img(i,j,k)=pj;

44

end end end end clear bandas banda refmat O TAM E N J I di dj v pi t coef pj coef2 %% Reamostragem do MDE para a grade definida % nome = uigetfile('*.tif','Selecione um Arquivo GeoTiff para o MODELO DIGITAL DE ELEVAÇÃO (MDE)'); % Obtendo o SRC para projeção proj = geotiffinfo(nomes(k).nome); proj.PCS = 'WGS 84 / UTM zone 23S'; proj.Projection = 'UTM zone 23S'; proj.MapSys = 'UTM_SOUTH'; proj.ProjParm(7)=1e7; % Falso Norte proj.GeoTIFFCodes.PCS = 32723; % Reamostragem MDE = zeros(Num_lin,Num_col); [MDE, refmat, ~] = geotiffread(nome); O = refmat(1:2,1:2)*[0.5; 0.5]+[refmat(3,2); refmat(3,1)]; TAM = refmat(2,1); MDE = double(MDE); A = inv([-1 1 -1 1; 0 0 0 1; 1 1 1 1; 8 4 2 1]); % INTERPOLAÇÃO BICÚBICA for i = 1:Num_lin for j = 1:Num_col % Coordenadas dos centros dos Pixels do recorte E = Origem(1)+(j-0.5)*tam; N = Origem(2)-(i-0.5)*tam; [lat, lon] = projinv(proj, E, N); % Coordenadas dos centros dos Pixels na imagem original J = (lon-O(2))/TAM+0.5; I = (O(1)-lat)/TAM+0.5; % soma-se 0.5 para completar um pixel di = I-floor(I); I=floor(I); dj = J-floor(J); J=floor(J); v = [MDE(I-1,J-1) MDE(I-1,J) MDE(I-1,J+1) MDE(I-2,J+2); MDE(I,J-1) MDE(I,J) MDE(I,J+1) MDE(I,J+2); MDE(I+1,J-1) MDE(I+1,J) MDE(I+1,J+1) MDE(I+1,J+2); MDE(I+2,J-1) MDE(I+2,J) MDE(I+2,J+1) MDE(I+2,J+2)]; coef = A*v'; %[-1 1 -1 1; 0 0 0 1; 1 1 1 1; 8 4 2 1]\v'; % Dá para melhorar aqui!!!! pi = coef(1,:).*dj^3+coef(2,:).*dj^2+coef(3,:).*dj+coef(4,:); % Vertical coef2 = A*pi';%[-1 1 -1 1; 0 0 0 1; 1 1 1 1; 8 4 2 1]\pi; pj = coef2(1)*di^3+coef2(2)*di^2+coef2(3)*di+coef2(4); MDE(i,j)=pj; end end clear nomes nome refmat MDE O TAM A E N J I di dj i j v coef coef2 pi pj %% Geração das Imagens de Declividade e Aspecto load('MDE_utm_SemAgua.mat') Declividade = zeros(Num_lin, Num_col); Aspecto = zeros(Num_lin, Num_col); for j=2:Num_col-1 for i=2:Num_lin-1 % Cálculo da Declividade S_ew = ((MDE(i-1,j+1)+2*MDE(i,j+1)+MDE(i+1,j+1))-... %Derivada em X (MDE(i-1,j-1)+2*MDE(i,j-1)+MDE(i+1,j-1)))/(8*tam); S_ns = ((MDE(i-1,j-1)+2*MDE(i-1,j)+MDE(i-1,j+1))-... %Derivada em Y (MDE(i+1,j-1)+2*MDE(i+1,j)+MDE(i+1,j+1)))/(8*tam); Declividade(i,j) = atand(sqrt(S_ew^2+S_ns^2)); % Resultado em graus % Cálculo do Aspecto if norm([S_ew S_ns])~=0 Aspecto(i,j) = 180/pi*azimute([0 0],[S_ew S_ns]);

45

else Aspecto(i,j) = 0; % Pode ser -1 também para indicar que não há direção end end end % Determinando a Declividade da Região não calculadas pelo filtro % Quatro pixels das extremidades A = pinv([0 0 1; tam 0 1; tam tam 1; 0 tam 1]); for i = [1 Num_lin-1] for j = [1 Num_col-1] Z = [MDE(i+1,j); MDE(i+1,j+1); MDE(i,j+1); MDE(i,j)]; coef = A*Z; % Coeficientes da Eq do Plano if i==1 && j==1 Declividade(i,j) = atand(sqrt(coef(1)^2+coef(2)^2)); % graus Aspecto(i,j) = 180/pi*azimute([0 0],[coef(1) coef(2)]); elseif i==1 && j==Num_col-1 Declividade(i,Num_col) = atand(sqrt(coef(1)^2+coef(2)^2)); % graus Aspecto(i,Num_col) = 180/pi*azimute([0 0],[coef(1) coef(2)]); elseif i==Num_lin-1 && j==1 Declividade(Num_lin,j) = atand(sqrt(coef(1)^2+coef(2)^2)); % graus Aspecto(Num_lin,j) = 180/pi*azimute([0 0],[coef(1) coef(2)]); else Declividade(Num_lin,Num_col) = atand(sqrt(coef(1)^2+coef(2)^2)); % graus Aspecto(Num_lin,Num_col) = 180/pi*azimute([0 0],[coef(1) coef(2)]); end end end % Canto esquerdo e Direito Esq = pinv([0 -1*tam 1; tam 0 1; 0 tam 1; 0 0 1]); % Filtro com 4 pixels na forma de "T" Dir = pinv([0 0 1; tam -1*tam 1; tam 0 1; tam tam 1]); for i=2:Num_lin-1 % Declividade (Canto Esquerdo) Z = [MDE(i+1,1); MDE(i,2); MDE(i-1,1); MDE(i,1)]; coef = Esq*Z; Declividade(i,1) = atand(sqrt(coef(1)^2+coef(2)^2)); % graus % Aspecto (Canto Esquerdo) if norm([coef(1) coef(2)])~=0 Aspecto(i,1) = 180/pi*azimute([0 0],[coef(1) coef(2)]); else Aspecto(i,1) = 0; % Pode ser -1 também para indicar que não há direção end % Declividade (Canto Direito) Z = [MDE(i,Num_col-1); MDE(i+1,Num_col); MDE(i,Num_col); MDE(i- 1,Num_col)]; coef = Dir*Z; Declividade(i,Num_col) = atand(sqrt(coef(1)^2+coef(2)^2)); % graus % Aspecto (Canto Esquerdo) if norm([coef(1) coef(2)])~=0 Aspecto(i,Num_col) = 180/pi*azimute([0 0],[coef(1) coef(2)]); else Aspecto(i,Num_col) = 0; % Pode ser -1 também para indicar que não há direção end end clear Esq Dir % Canto de cima e de baixo Cima = pinv([-1*tam 0 1; 0 -1*tam 1; tam 0 1; 0 0 1]); Baixo = pinv([-1*tam 0 1; 0 0 1; tam 0 1; 0 tam 1]); for i=2:Num_col-1 % Declividade (Canto de Cima) Z = [MDE(1,i-1); MDE(2,i); MDE(1,i+1); MDE(1,i)]; coef = Cima*Z; Declividade(1,i) = atand(sqrt(coef(1)^2+coef(2)^2)); % graus % Aspecto (Canto de Cima)

46

if norm([coef(1) coef(2)])~=0 Aspecto(1,i) = 180/pi*azimute([0 0],[coef(1) coef(2)]); else Aspecto(1,i) = 0; % Pode ser -1 também para indicar que não há direção end % Declividade (Canto de Baixo) Z = [MDE(Num_lin,i-1); MDE(Num_lin,i); MDE(Num_lin,i+1); MDE(Num_lin- 1,i)]; coef = Baixo*Z; Declividade(Num_lin,i) = atand(sqrt(coef(1)^2+coef(2)^2)); % graus % Aspecto (Canto de Baixo) if norm([coef(1) coef(2)])~=0 Aspecto(Num_lin,i) = 180/pi*azimute([0 0],[coef(1) coef(2)]); else Aspecto(Num_lin,i) = 0; % Pode ser -1 também para indicar que não há direção end end % clear S_ew S_ns A Z coef i j Cima Baixo nomes k %% Relevo Sombreado % Obtenção do Ponto Central da imagem e da Data-Hora (a partir dos metadados) DATE_ACQUIRED = '05/28/15'; % <<<<<<<<<<< INPUT SCENE_CENTER_TIME = '12:51:28.5593777Z'; % <<<<<<<<<<< INPUT % Determinação da latitude e longitude do centro da imagem Centro = Origem+tam*[Num_col/2 -1*Num_lin/2]; [lat, lon] = projinv(proj, Centro(1), Centro(2)); data = datevec(datestr(datenum(DATE_ACQUIRED,'mm/dd/yy'))); HMS = SCENE_CENTER_TIME(1,1:13); clear DATE_ACQUIRED SCENE_CENTER_TIME % Determinação dos Azimute e Ângulo Zenital Solar location.longitude = lon; location.latitude = lat; location.altitude = mean(mean(MDE)); time.year = data(1); time.month = data(2); time.day = data(3); time.hour = str2double(HMS(1:2)); time.min = str2double(HMS(4:5)); time.sec = str2double(HMS(7:13)); time.UTC = 0; pos_sol = sun_position(time, location); Az = pos_sol.azimuth; Ang_Zenit = pos_sol.zenith; Elev = 90-Ang_Zenit; alfa = 90-Az; clear Centro lon lat data HMS % % Determinação das áreas sem iluminação direta Iluminado = true(Num_lin,Num_col); % Cálculo da distância entre os pixels beta = acosd(cosd(alfa)); if beta > 90 beta = 180-beta; end if beta<=45 dist = 1/cosd(beta); else dist = 1/sind(beta); end alfa2 = 90+alfa; % ângulo para o referencial i,j tg_elev = tand(Elev); % tangente do ângulo de elevação do sol for i=1:Num_lin

47

for j=1:Num_col cont = 1; lin = i+dist*cont*cosd(alfa2); col = j+dist*cont*sind(alfa2); while lin>1.5 && col>1.5 && lin<Num_lin-1.5 && col<Num_col-1.5 && cont < 750/tam % Até 750 m % Determinando a altitude em (lin,col) por interpolação bilinear dlin = lin - floor(lin); dcol = col - floor(col); z = (1-dlin)*(1-dcol)*MDE(floor(lin),floor(col))+... (1-dcol)*dlin*MDE(ceil(lin),floor(col))+... (1-dlin)*dcol*MDE(floor(lin),ceil(col))+... dlin*dcol*MDE(ceil(lin),ceil(col)); tg_z_d = (z-MDE(i,j))/(dist*cont*tam); if tg_z_d > tg_elev Iluminado(i,j) = false; break else cont = cont+1; lin = i+dist*cont*cosd(alfa2); col = j+dist*cont*sind(alfa2); end end end end clear alfa Elev pos_sol location time MDE %% Cálculo do Relevo Sombreado load('Iluminado.mat') hillshade = cosd(Ang_Zenit)*cosd(Declividade)-... sind(Ang_Zenit)*sind(Declividade).*cosd(Az-Aspecto); hillshade = ((hillshade>0).*hillshade).*Iluminado; % clear Iluminado Aspecto Ang_Zint Az %% Coleta das Amostras de Sombra nas Imagens sombra = hillshade==0; %clear hillshade amostra = zeros(4,sum(sum(sombra))); cont = 1; for i=1:Num_lin for j=1:Num_col if sombra(i,j) amostra(:,cont)=[img(i,j,1);img(i,j,2);img(i,j,3);img(i,j,4)]; cont = cont+1; end end end ord_amostra = sort(amostra,2); % Determinação dos limites inferiores para região de sombra cont1=1; cont2=1; cont3=1; cont4=1; lim_inferior = ord_amostra(:,1); while ord_amostra(1,cont1)==0 cont1 = cont1+1; if ord_amostra(1,cont1)~=0 lim_inferior(1,1) = ord_amostra(1,cont1); end end while ord_amostra(2,cont2)==0 cont2 = cont2+1; if ord_amostra(2,cont2)~=0 lim_inferior(2,1) = ord_amostra(2,cont2); end end while ord_amostra(3,cont3)==0 cont3 = cont3+1; if ord_amostra(3,cont3)~=0 lim_inferior(3,1) = ord_amostra(3,cont3); end

48

end while ord_amostra(4,cont4)==0 cont4 = cont4+1; if ord_amostra(4,cont4)~=0 lim_inferior(4,1) = ord_amostra(4,cont4); end end % Determinação dos limites superiores para região de sombra selecao = ord_amostra(:,max([cont1 cont2 cont3 cont4]):round(0.75*size(amostra,2))); % <<<<<<< PARÂMETRO Q75 lim_superior = round(mean(selecao,2)+3.1*std(selecao,0,2)); % clear hillshade amostra cont i j k ord_amostra cont1 cont2 cont3 cont4 NDVI_min sombra %% Determinando Pixels com Sombra sombra2 = (img(:,:,1)>=lim_inferior(1)) & (img(:,:,2)>=lim_inferior(2)) &... (img(:,:,3)>=lim_inferior(3)) & (img(:,:,4)>=lim_inferior(4)) &... (img(:,:,1)<=lim_superior(1)) & (img(:,:,2)<=lim_superior(2)) &... (img(:,:,3)<=lim_superior(3)) & (img(:,:,4)<=lim_superior(4)); sombra3 = sombra2 & (Declividade > 0); % <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<< PARÂMETRO = 0 (plano) %clear Declividade limiar_inferior sombra2 %% Cálculo do NDVI % Encontrando os pixels Nulos nulos = img(:,:,1)==0|img(:,:,2)==0|img(:,:,3)==0|img(:,:,4)==0; img2 = img+cat(3,nulos,nulos,nulos,nulos); %clear img % NDVI ndvi = (img2(:,:,4)-img2(:,:,3))./(img2(:,:,4)+img2(:,:,3)); %% Pegando amostra do NDVI para uma região de referência % Abrir Shapefile e Preencher a estrutura com os polígonos das amostras Shape = shaperead(uigetfile('*.shp','Selecione um Arquivo Shapefile de polígonos para AMOSTRA')); num_poly = size(Shape,1); for k=1:num_poly num_pnts = size(Shape(k).X,2); Xpoly = zeros(num_pnts-1,1); Ypoly = zeros(num_pnts-1,1); for j = 1: num_pnts-1 % Translação com origem no primeiro pixel/ mudança de escala (unidades em px) Xpoly(j,1) = (Shape(k).X(1,j)-Origem(1))/tam; % Translação com origem no primeiro pixel / inversão do eixo Y / mudança de escala (unidades em px) Ypoly(j,1) = -1*(Shape(k).Y(1,j)-Origem(2))/tam; end s(k).Polygon = [Ypoly Xpoly]; % Coordenadas de imagem end clear Shape Xpoly Ypoly origem escala k j num_pnts % Para cada polígono verificar os pixel que estão dentro de sua área AMOSTRA = false(Num_lin,Num_col); AMOSTRA2 = false(Num_lin,Num_col); for k = 1: num_poly Poly = s(k).Polygon; %Poly =cat(1,Poly,Poly(1,:)); % Adicionando o Primeiro ponto (Polígono fechado) % Determinando o retângulo que contem o polígono Xmin = floor(min(Poly(:,2))); Ymin = floor(min(Poly(:,1))); Xmax = ceil(max(Poly(:,2))); Ymax = ceil(max(Poly(:,1))); [X,Y] = meshgrid((Xmin+1):Xmax, (Ymin+1):Ymax);

49

IN = inpolygon(X-0.5,Y-0.5,Poly(:,2),Poly(:,1)); % -0.5 (centro do pixel dentro do polígono) AMOSTRA((Ymin+1):Ymax,(Xmin+1):Xmax)=IN; AMOSTRA2 = AMOSTRA2|AMOSTRA; AMOSTRA = false(Num_lin,Num_col); end clear AMOSTRA Xmin Ymin Xmax Ymax X Y IN Poly num_poly s %% Pegando as amostras de NDVI vetor = zeros(1,sum(sum(AMOSTRA2))); cont = 1; for k = 1:Num_lin*Num_col if AMOSTRA2(k) vetor(1,cont) = ndvi(k); cont = cont + 1; end end limiar = mean(vetor)-3*std(vetor); % clear cont AMOSTRA2 %% Limiarizando a imagem do NDVI e determinando a VEGETAÇÃO veg_NDVI = ndvi>limiar; VEGETACAO = (veg_NDVI|sombra3)&(logical(1-nulos)); clear veg_NDVI %% Salvar imagem como geotiff % Criando a referência espacial da imagem R = maprasterref; R.XLimWorld =[Origem(1) Origem(1)+Num_col*tam]; R.YLimWorld =[Origem(2)-Num_lin*tam Origem(2)]; R.RasterSize = [Num_lin Num_col]; R.RasterInterpretation = 'cells'; R.ColumnsStartFrom = 'north'; % Pegando o SRID coordRefSysCode = proj.GeoTIFFCodes.PCS; % Salvando a imagem nome = 'VEGETAÇÃO.tif'; geotiffwrite(nome, VEGETACAO, R, 'CoordRefSysCode', coordRefSysCode) clear R coordRefSysCode nome proj

Até o momento nenhum comentário
Esta é apenas uma pré-visualização
3 mostrados em 49 páginas