O Laboratório de Geoprocessamento21 (LABGEOP), do Curso de Geografia do Campus de Porto Nacional da Universidade Federal do Tocantins foi utilizado para realização dessa etapa da pesquisa, em que se fez necessário a classificação das imagens.
O software SPRING, nas versões 5.0.1 e 5.1.8 do INPE foi o instrumento escolhido para possibilitar a construção do banco de dados, bem como, para elaboração dos diversos produtos cartográficos utilizados na pesquisa.
A base cartográfica do município de Porto Nacional foi confeccionada a partir dos dados obtidos das cartas topográficas do DSG, na escala 1:100.000, todas com referência horizontal ao DATUM CÓRREGO ALEGRE, editadas no ano de 1977, apresentadas no quadro 2.
Quadro 2. Cartas Topográficas.
Paraíso do Norte SC-22-Z-B-II MI 1643 Vila Canela SC-22-Z-B-III MI 1644) Fátima SC-22-Z-B-V MI 1709 Porto Nacional SC-22-Z-B-VI MI 1710 Brejinho de Nazaré SC-22-Z-D-II MI 1771 Santa Rosa SC-22-Z-D-III MI 1772 Fonte: DSG.
Na etapa de Processamento Digital de Imagens - PDI foram aplicadas técnicas para facilitar a extração de informações contidas nas imagens de todos os anos estudados. As técnicas dividiram-se em atividades de pré-processamento e processamento. O Processamento Digital de Imagens é usado com o fim de melhorar o aspecto visual de certas feições estruturais e para fornecer outros subsídios para a sua interpretação, inclusive gerando produtos que possam ser posteriormente submetidos a outros processamentos.
21 Considere-se que no trabalho de laboratório utilizou-se de diversos materiais a exemplo de arquivos de
fotos aéreas, imagens de satélites, mapas temáticos de geologia, pedologia, geomorfologia, vegetação, uso da terra entre outros.
Foram feitos também downloads no sítio da National Aeronautics and Space
Administration– NASA (https://zulu.ssc.nasa.gov/mrsid/), de imagens geocover no
formato Mrsid, as quais serviram como referência para registrar/georreferenciar às imagens de satélite Landsat 5 da área do município, objetivando efetuar a correção geométrica das mesmas.
As cenas geocover possuem resolução espacial de 14,5 metros e são ortorretificadas, tendo referência espacial e precisão planimétrica para a escala de 1:100.000 na execução do registro das cenas Landsat 5. Em seguida, o material cartográfico foi organizado em um banco de dados geográfico utilizando o software SPRING, nas versões 5.0.1 e 5.1.8, o qual permite a integração, o armazenamento e as operações em SIG do referido material. O banco de dados criado permite a elaboração de vários projetos distintos e independentes, podendo ser integrados quando necessário.
Foi realizado na etapa do pré-processamento o recorte nas imagens da área do município e a correção geométrica. Todas as cenas foram arquivadas em pastas distintas, variando por data de imageamento, ficando assim em cada pasta as bandas 3, 4, 5 espectrais.
O processamento foi empregado visando realçar as informações relativas à cobertura vegetal. Para isso foram efetuadas a produção de composições coloridas (RGB), realce de imagens, operações aritméticas (NDVI) e classificação para gerar os mapas temáticos.
De acordo com Medeiros (2004) dados de satélite podem conter um contraste espectral de baixa qualidade visual, deste modo, as composições coloridas, o realce de imagem e as operações aritméticas são procedimentos aplicados para melhorar a qualidade visual das mesmas.
As imagens processadas foram submetidas à segmentação utilizando o software SPRING, nas versões 5.0.1 e 5.1.8. O método escolhido foi o de crescimento de regiões.
Nesse método a imagem é dividida em regiões levando em consideração uma análise pontual para cada pixel. A partir daí os pixels foram agrupados com valores de similaridade inferiores ao limiar igual a 10 para todas as imagens com composição colorida RGB 4NDVI3, sendo fragmentadas em subimagens, e reagrupadas em seguida, com o limiar de agregação para uma área mínima igual a 10 pixels.
De várias aproximações testadas, os valores de similaridade 10 e de área mínima de 10 pixels foi o resultado mais homogêneo. A composição colorida RGB facilitou a
homogeneização da reflectância do espectro eletromagnético, possibilitando uma melhor separação dos segmentos, e melhorando a precisão do mapeamento.(figura 15).
Figura 10. Fluxograma da Metodologia da Classificação das Imagens.
Após esta etapa, efetuou-se uma classificação supervisionada por região baseada na definição de áreas de treinamento para as seis classes temáticas: áreas de vegetação natural; pastagens; cultura temporária; cultura permanente, áreas urbanas e corpos d‟água, definidas na etapa do modelo de dados. Para realizar a classificação, usou-se o algoritmo "Classificador por histograma", implementado no software SPRING, nas versões 5.0.1 e 5.1.8, que adquire amostras de treinamento para estimar a probabilidade
dos agrupamentos (clustering) para as classes determinadas pelo analista, onde ao final, todas as regiões da imagem ficaram associadas a uma classe definida.
Foram levados em consideração na seleção das amostras de treinamento os critérios de fotointerpretação relacionados em seus elementos fundamentais, em seguida foi feito trabalho de campo para observar os elementos encontrados nas imagens: textura de relevo e drenagem, que se dispõem na superfície da imagem definindo estruturas e formas, e matizes de cores, relacionados ao padrão de resposta espectral dos principais alvos da superfície terrestre (MEDEIROS et al, 2005).
Por fim, foram verificadas as informações geradas na classificação supervisionada por região e realizado um mapeamento prévio da vegetação associando áreas de vegetação natural, pastagens, áreas de cultura temporárias, áreas de cultura permanente, áreas de silvicultura, área urbana e corpos d‟água.
Mapa simplificado dos tipos de solos foi confeccionado através do software SPRING, nas versões 5.0.1 e 5.1.8, cuja definição e levantamentos das informações dos solos tiveram como referência preliminar a classificação da Empresa Brasileira de Pesquisa Agropecuária - EMBRAPA (1999), o mapa de solos do Brasil da EMBRAPA/IBGE(2001) na escala 1:5.000.000 e o mapa de solos do Tocantins editado pela SEPLAN (2008) em escala equivalente a 1: 250.000.
O mapa geológico foi confeccionado com uso do software SPRING, nas versões 5.0.1 e 5.1.8, tendo como refência o Serviço Geológico do Brasil - CPRM (DNPM), disponíveis em formato shape file do Estado do Tocantins. O mapa da rede de drenagem está plotado as principais sub-bacias afluentes do rio Tocantins entre as margens direita e esquerda dentro da área do município de Porto Nacional.
Foram confeccionado sete mapas de uso e ocupação da Terra para os anos de 1985, 1990, 1996, 2000, 2005, 2010 e 2013. Para confecção destes, utilizou-se o software SPRING nas versões 5.1.8 e 5.2.1, em português, a partir do qual criamos um banco de dados geográfico e importamos as imagens dos satélites supracitados, compondo cada uma, um plano de informação. Estes, por sua vez, foram registrados a partir de uma cena Landsat Geocover-NASA. A referência empregada neste trabalho para a definição das classes temáticas dos diferentes elementos identificados nas imagens baseia-se manual técnico do IBGE (2006).
Cabe dizer que a definição das nomenclaturas das classes de uso e ocupação da terra deve reunir as diferentes atividades humanas exercidas dentro da área de estudos de
maneira clara e precisa. O IBGE (2006) define as nomenclaturas das classes de acordo com as práticas humanas do local de estudo, fazendo uma distinção entre água e Terra. O primeiro dos dois elementos (água) é dividido em “corpos d‟água continentais” e “corpos d‟água costeiros”, o segundo elemento (Terra) apresenta divisão basicamente em: áreas antrópicas, que por sua vez estão subdivididas em agrícolas e não agrícolas, e áreas naturais, que são divididas entre florestal e campestres. As classes temáticas mapeadas são:
Pecuária Intensiva, que segundo IBGE (2006) é caracterizada pelo sistema de criação de uso de pastagens plantadas, manejo mais evoluído, como rotação de pastos, irrigação e melhoramento genético. Agricultura, caracterizada principalmente por culturas temporárias como a soja, milho e milheto na entressafra;
Curso d‟água referem-se aos corpos d‟água naturais e artificiais que não são de origem marinha, tais como rios, canais, lagos e lagoas de água doce, represas, açudes, etc. segundo IBGE 2006;
Área urbana, que segundo o IBGE 2006, compreendem por áreas de uso intensivo, estruturadas por edificações e sistema viário, em que predominam as superfícies artificiais não-agrícolas. Estão incluídas nesta categoria as cidades, vilas, áreas de rodovias, serviços e transporte, energia, comunicações e terrenos associados, áreas ocupadas por indústrias, complexos industriais e comerciais e instituições que podem em alguns casos encontrar-se isolados das áreas urbanas. As áreas urbanizadas podem ser contínuas, onde as áreas não- lineares de vegetação são excepcionais, ou descontínuas, onde as áreas vegetadas ocupam superfícies mais significativas.
Em virtude da área do município em estudo abranger as orbitas 67 e 68 dos satélites Landsat, foram feitos os mosaicos destas cenas. Executou-se a operação de segmentação em todas as imagens citadas com o software SPRING. A segmentação de uma imagem é destacada por Oliveira e Silva (2005) como uma importante etapa na análise de imagens de sensoriamento remoto. Os autores explicam que o processo de segmentação consiste em subdividir uma imagem em regiões homogêneas, considerando algumas de suas características intrínsecas, como, por exemplo, o nível de cinza dos pixels e a textura que melhor representam os objetos presentes na cena. O resultado do
processo de segmentação está diretamente relacionado a imagem analisada e os limiares de similaridade e área.
A definição do limiar de similaridade é considerada por Oliveira e Silva (2005) uma etapa fundamental no processo de segmentação, pois interferem diretamente na precisão do produto final. O tamanho da área é outra importante etapa no processo de segmentação, na qual se considera o tamanho mínimo das regiões que serão individualizadas pelo algoritmo. Os autores colocam que os valores de limiares permitem ao usuário controlar o resultado da segmentação de uma forma interativa, dependendo de seu objetivo e região em estudo. A classificação ISOSEG adotada é um algoritmo de agrupamento de dados não supervisionado implementada no SPRING e aplicada sobre o conjunto de regiões que foram caracterizadas por seus atributos estatísticos como média e matriz de covariância, na fase de extração de regiões (MOREIRA, 2011).
Assim para os mapas confeccionados foram definidos os parâmetros de teste para identificar o melhor limiar de similaridade a ser utilizado, sendo que para cada imagem foram feitos testes diferentes, proporcionando no mapeamento a facilidade de identificação das classes de uso e cobertura da Terra analisadas (áreas de vegetação natural, culturas temporárias,culturas permanentes, pastagens, área urbanizada e curso d‟água).
Optou-se pelo limiar do Teste 4 após analisarmos visualmente através da sobreposição por acoplagem da imagem segmentada com a composição colorida das bandas utilizadas para sua geração. Verificou-se uma imagem com poucos polígonos, mais limpa e polígonos com áreas bem definidas. Após a imagem ser classificada utilizando o ISOSEG com limiar de aceitação de 95%, analisando os mapas temáticos através de sobreposição por acoplagem, nota-se que precisavam ser feitos alguns ajustes nos mapas obtidos, portanto, escolheu-se fazer uma edição matricial, pois permite trabalhar diretamente no plano matricial, ou seja, na matriz de pixels em vez de no plano vetorial. Com isso, o processo de edição no mapa temático foi mais rápido porque eliminou as operações de ajuste de linhas e poligonização, como é feita na edição vetorial, (MOREIRA 2011). Analisando visualmente através da sobreposição por acoplagem a imagem com o mapa temático classificado com máxima verossimilhança verificou-se que o mapa obteve um resultado satisfatório com este classificador ao invés do ISOSEG.
CAPÍTULO
3
________________________________________________________________________
Foto: SILVA, nov./2013
Assim como cada ser humano tem sua personalidade, seu caráter próprio, cada rio tem também, uma personalidade que caracteriza.