A análise espectral contemplou a calibração radiométrica das imagens, classificação supervisionada das imagens SPOT 5 HRG para produção de mapas
temáticos de cobertura vegetal e análises do NDVI e suas variações temporais, conforme detalhado a seguir.
a) Calibração radiométrica
Os dados SPOT 5 foram corrigidos para os efeitos da atmosfera com o intuito de possibilitar a generalização de parâmetros espectrais extraídos da imagem no espaço e no tempo, visto que, para tanto, é necessário que os dados multitemporais estejam em uma mesma escala radiométrica relativa (SONG et al., 2001; JENSEN, 2005; HOULES; EL HAJJ; BEGUE, 2006; SCHROEDER et al., 2006; EL HAJJ et al., 2008). A correção atmosférica relativa ou absoluta tem sido considerada mandatória para a comparação de séries temporais de imagens (SONG et al., 2001; JENSEN, 2005; EL HAJJ et al., 2008) e, neste trabalho, foi aplicada a correção atmosférica absoluta das imagens SPOT 5 mediante o emprego de aplicativo de correção atmosférica baseada no código de transferência radiativa MODTRAN-4 (Moderate Resolution Transmittance).
b) Classificação supervisionada das imagens mediante técnicas SVM
A análise de imagens contemplou a seleção de amostras espectrais representativas dos diferentes alvos presentes na área de estudo, comparação do comportamento espectral dos alvos por meio de análise dos respectivos perfis espectrais e estatísticas relacionadas e classificação supervisionada das imagens com emprego de SVM.
SVM são mecanismos de inteligência artificial desenvolvidos para solucionar problemas de reconhecimento de padrões, que separam as classes com uma superfície de decisão, denominada hiperplano ótimo, que maximiza a margem entre as classes (SHAFRI; RAMLE, 2009). Souza, Teixeira e Silva (2009) demonstraram melhor desempenho de SVM na classificação da cobertura vegetal da Caatinga a partir de imagens LANDSAT em comparação aos classificadores paramétricos tradicionais.
A classificação teve por objetivo discriminar as classes genéricas relacionadas no Quadro 3 a partir de dados SPOT 5. Cenas SPOT 5 de julho e outubro de 2007 foram empregadas para confecção de um mapa geral da área por não apresentarem nebulosidade significativa, enquanto uma cena de maio de 2007 foi classificada com a finalidade de validação da metodologia de detecção
automática de plantios de Cannabis sativa. Embora a cena de maio tenha apresentado elevada cobertura de nuvens (aproximadamente 26% da área analisada) ela foi adquirida previamente à operação policial de erradicação conduzida em junho de 2007, condição que possibilitou seu emprego na validação da metodologia. Previamente à classificação dessa cena, foi aplicada máscara para exclusão das áreas com nuvens e sombras. Na classificação foram mantidos os parâmetros pré-definidos pelo aplicativo de processamento de imagens ENVI.
Quadro 3. Classes genéricas discriminadas com emprego de Support Vector Machine e respectivos alvos.
Classes Principais Tipos de Alvos Incluídos na Classe
Muito alta biomassa Florestas
Alta biomassa Caatinga Florestada/áreas agrícolas cultivadas
Média Biomassa Caatinga Arborizada/áreas agrícolas cultivadas/pasto plantado Baixa Biomassa Caatinga parque/pasto plantado
Muito baixa
biomassa Caatinga gramíneo-lenhosa/pastos naturais e plantados degradados Irrigadas Lavouras agrícolas irrigadas/vegetação higrófila
Água Rios, açudes e lagoas Solo Solo exposto
Fonte: Dados da pesquisa.
c) Análise das variações temporais do NDVI
O NDVI foi empregado para comparar os sítios de plantio de Cannabis sativa e a vegetação circundante e quantificar diferenças em séries temporais. O índice foi calculado usando a equação NDVI = (ρNIR - ρred) / (ρNIR + ρred) onde ρNIR and ρred são,
respectivamente, os valores de reflectância da superfície respectivamente para as bandas 3 e 2 do sensor multiespectral SPOT 5. Índices de vegetação têm sido usados para estudos de dinâmica da vegetação e monitoramento de safras, inclusive a detecção de anomalias (EL HAJJ et al., 2008). O NDVI é considerado particularmente útil para o monitoramento de atividade fotossintética e para comparações de variações sazonais e interanuais (RATANA; HUETE; FERREIRA, 2005; PONZONI; SHIMABUKURO, 2007).
Neste estudo, a análise teve por objetivo principal identificar e quantificar diferenças observadas nos valores mensais e na variação temporal do NDVI entre os plantios ilícitos de Cannabis sativa e as fisionomias naturais assim como avaliar a significância estatística dessas diferenças.
5.3.2 Investigação dos padrões espaciais
A análise espacial foi conduzida com o intuito de quantificar possíveis padrões sistemáticos de distribuição dos plantios de Cannabis sativa na área de estudo associados a variáveis descritivas selecionadas. Os resultados dessa análise foram usados para subsidiar a definição da importância relativa de cada evidência no modelo espacial de predição da propensão à ocorrência de plantios de Cannabis sativa. Consistiu em análises estatísticas dos dados de localização dos plantios e mapas temáticos de evidências selecionadas em ambiente SIG, incluindo: análise de distribuição de frequência, testes de agregação, análise de densidade e análise de pesos de evidência. Foram empregadas, como áreas de treinamento, as coordenadas de plantios ilícitos erradicados durante as Operações Prometeu em 2007, Colheita em 2008 e Liamba em 2010. Para avaliar a tendência ao agrupamento ou dispersão dos plantios nas unidades de paisagem Ilhas, Serras e Caatinga, foi empregado o teste de análise estatística da distância média do vizinho mais próximo.
O índice calculado pelo aplicativo ArcGIS mensura a distância entre cada centróide e o centróide mais próximo e calcula a média de todas essas distâncias. Se o valor resultante for inferior ao valor esperado para a distribuição aleatória, a distribuição dos pontos é considerada agregada. Opostamente, se a distância média for superior à esperada com a distribuição aleatória hipotética, as feições são consideradas dispersas. O índice é expresso como a razão da distância observada pela distância esperada para uma distribuição aleatória com o mesmo número de amostras na área total. Se o valor resultante é inferior a 1, o padrão exibe agrupamento e, se for superior a 1, a tendência é de dispersão. Neste teste, o valor z (z score) é uma medida de desvio-padrão e o valor P é uma aproximação da área abaixo da curva de distribuição normal, que corresponde à probabilidade de rejeitar indevidamente a hipótese de nulidade.
Para avaliar visualmente se a distribuição dos plantios na área de estudo é aleatória ou se obedece a algum padrão, foram gerados mapas de densidade a partir dos dados de localização dos plantios. Foi empregado o método da densidade Kernel que, segundo Chainey, Tompson e Uhlig (2008), apresentou resultados consistentemente superiores para predição de crimes em comparação às técnicas
de mapeamento de hotspots por meio de pontos, mapeamento de hotspots por áreas geográficas delimitadas (municípios, bairros), elipses espaciais e mapeamento de hotspots em grades (pesos das células associados ao quantitativo de crimes).
A densidade de pontos foi calculada separadamente para as unidades de paisagem Ilhas, Serras e Caatinga com emprego do aplicativo Spatial Analyst, considerando um raio de 5 km. A densidade Kernel calcula a densidade de pontos na vizinhança de cada célula do raster e assume o valor máximo na localidade do ponto e diminui até atingir o valor zero na distância determinada para o raio de busca. A densidade resultante em cada célula é calculada pela soma dos valores de todas as superfícies Kernels que se sobrepõem.
Com o objetivo de quantificar possíveis relações entre a localização dos plantios e as variáveis preditivas selecionadas, foram conduzidas análise de pesos de evidências. Os resultados da análise de pesos de evidência foram empregados para estimar como fatores geográficos selecionados, as evidências, podem controlar a configuração espacial dos sítios de plantio da Cannabis sativa na área de estudo. Os valores de peso (W+ e W-) e contraste (C) subsidiaram a prospecção de possíveis padrões de distribuição dos plantios ilícitos. Ou seja, os valores de W+ e W- indicam as classes em que a probabilidade a posteriori é significativamente maior ou menor que a probabilidade a priori e, com isso, permitem identificar padrões associados a alta ou baixa ocorrência dos plantios ilícitos.
No cálculo dos pesos de evidência foi empregado o aplicativo ArcSDM do software Spatial Analyst (SAWATZKY et al., 2004). Para as evidências envolvendo intervalos como distâncias ou áreas foi selecionado o método cumulativo, ascendente ou descendente, e para as evidências com classes mutuamente exclusivas foi selecionado o método categórico.
Os dados empregados nesta análise consistiram nos dados de localização dos plantios e mapas temáticos das evidências selecionadas, que são relacionadas no Quadro 4.
5.4 Desenvolvimento de Técnicas aplicadas de geoprocessamemto para