O NDVI (Normalized Difference Vegetation Index) é um índice padronizado que permite gerar um mapa em função da verdura existente, ou seja, da biomassa relativa. Este índice, também é usado para monitorizar zonas de seca, monitorizar e prever a produção agrícola, auxiliar na prevenção de fogos florestais ou mapear o avanço da desertificação. Deste modo, utiliza-se para determinar a densidade da vegetação verde, a partir da observação das diferentes cores, dos diferentes comprimentos de onda, da luz solar visível e do infravermelho próximo refletidos pelas plantas. A vegetação verde contém grandes quantidades de clorofila que origina uma elevada reflectância nas
30
regiões espetrais do infravermelho próximo, enquanto a vegetação danificada apresenta um decrescimento no teor de clorofila resultando na diminuição da reflectância na banda do infravermelho próximo. A fenologia e o vigor vegetativo são os principais fatores que determinam o NDVI (CCRS, 2015).
A aplicação do NDVI sucede através do algoritmo da plataforma SIG, para cada um dos anos em observação. Neste processo, utilizam-se imagens de satélite das faixas vermelho (V) e infravermelho próximo (IV), tal como sugere a expressão matemática (3.5) do NDVI:
=( − )
( + ) (3.5)
Depois de obtidos os mapas do Índice de Vegetação, é aplicado um procedimento de diferenciação aos pares temporais em análise. Este procedimento resulta da aplicação Diferenciação NDVI do
software Arcmap, que efetua uma comparação píxel por píxel entre duas camadas, resultando numa imagem de valores entre -1 e 1, sendo que o zero significa ausência de folhas verdes e valores próximos de 1 representam uma forte vegetação.
É possível, a partir daqui, mapear a diferença de vegetação em 3 intervalos, distribuídos por zonas de não mudança, zonas incremento e zonas de decremento da vegetação. Contudo, este procedimento envolve definir limites, à esquerda e à direita do valor médio do intervalo da zona de não mudança. De acordo com a literatura de referência existem vários métodos para obter esses limites, se bem que, um dos mais disseminados é método do desvio padrão. Em particular apresenta- se um método aplicado por Mancino et al., (2014).
A imagem obtida pela diferenciação NDVI (ΔNDVI) é reclassificada utilizando um valor limite calculado como μ ± n × σ, onde “μ” representa a média dos pixéis ΔNDVI dos números digitais e “σ” o desvio padrão. O fator “n” define o intervalo de dispersão em torno da média. O limite identifica três gamas na distribuição normal:
a) a cauda esquerda (ΔNDVI <μ – n × σ); b) a cauda direita (ΔNDVI> μ + n × σ);
c) a região central da distribuição normal (μ - n × σ <ΔNDVI <μ + n × σ).
O valor limite, é assim identificado por “n × σ” da média da imagem NDVI, onde o valor “n” é identificado pelo método de tentativa e de teste, e “σ” é o desvio padrão da função de densidade de valores de pixéis na imagem mudança. Esta abordagem apresentou resultados fiáveis em diferentes
31
ecossistemas florestais, no que diz respeito a mudanças do uso do solo quer induzidas pelo homem quer de origem natural. Para o autor, a obtenção do melhor valor para “n × σ” final, baseou-se na análise visual da composição e relações de banda Landsat TM RGB, e na comparação visual de ortofotos aéreas digitais Volo Itália 1994, e conjuntos de dados Terra Itália 2008. Esta análise visual com base em três diferentes valores, 1 × σ, 1,5 × σ e 2 × σ, incidiu em 200 pontos aleatoriamente escolhidos dentro da área de mudança de vegetação, concluindo que o limite “1 × σ” representava melhor as áreas mais prováveis de mudança na vegetação.
De forma resumida é possível apresentar o processamento NDVI Diferenciação no fluxograma da figura 3.1.
Fig. 3.1 – Fluxograma do NDVI Diferenciação
Seleção de Imagens
(V;IV)t3NDVI
t3 NDVIt3-NDVIt2 Limites: Não mudança Incremento Decremento (V;IV)t2NDVI
t2 (V;IV)t1NDVI
t1 NDVIt2-NDVIt1 Limites: Não mudança Incremento Decremento32
3.4 Classificação de Imagens
A Classificação de imagens digitais usa a informação espetral, contida nos números digitais, para classificar individualmente cada píxel, através do reconhecimento de padrões espetrais. O processo de classificar padrões espetrais numa imagem é feito por interpretação visual, identificando grupos homogéneos de pixéis que representam classes ou categorias de elementos da cobertura terrestre. O objetivo é atribuir aos píxeis da imagem, classes ou categorias, por exemplo, água, floresta, matos e pastagens, solos improdutivos, rochas, etc.. A imagem resultante da classificação é composta por um mosaico de píxeis, pertencendo cada um a um determinado tema e formando assim um mapa temático da imagem original.
Apesar de existirem várias abordagens para efetuar classificação digital, apenas dois métodos de classificação, os mais comuns, irão ser abordados: a classificação não supervisionada e a classificação supervisionada.
3.4.1 Classificação Não Supervisionada
A Classificação Não Supervisionada é um método em que pixéis de uma imagem são agrupados em diferentes classes espetrais, sem que o utilizador conheça previamente a existência ou nomes dessas classes (Richards J. A., 1984). Esta classificação é extremamente útil para determinar a composição de classes espetrais dos dados antes da análise detalhada do método de classificação supervisionada (Richards J. A., 1984).
A Classificação Não Supervisionada torna-se importante para determinar os diferentes tipos de uso do solo a partir das classes espetrais e criar um código de cores para mapear as classes de informação.
A prossecução desta classificação envolve numa primeira fase a transformação das bandas raster, procedendo-se à composição das bandas para cada uma das datas que se pretende analisar. Esta composição de bandas, para além de poder ser usada no processo classificativo, permite a obtenção de imagens RGB que podem ser usadas na análise visual para correspondência entre as classes de informação pretendidas e a atribuição de cores da classificação temática.
O procedimento de Classificação Não Supervisionada produz grupos de identidades espetrais homogéneos, sendo que, o número de classes a definir será dependente do número de classes de informação, ou seja, dos diferentes tipos de cobertura do solo. No entanto, cada uma das classes de informação pode conter uma variedade de identidades espetrais. Assim, o número de classes a
33
adotar está relacionada com o tipo de cobertura do solo que visualmente se identificam nas imagens de satélite previamente processadas. Este processamento classificativo é efetuado pelo software
Arcmap, que agrupa os pixéis de acordo com a sua informação espetral, sendo necessário ao utilizador introduzir o número de classes informação pretendido. Deste modo, as classes de informação pretendidas e a sua correspondente cor encontram-se representadas na tabela 3.1.
Tabela 3.1 – Cores das classes de informação
Classe Cor
corpos de água azul
floresta verde escuro
matos e pastagens verde claro
solo nu castanho claro
rochas castanho escuro
3.4.2 Classificação Supervisionada
A Classificação Supervisionada implica que o analisador tome uma quantidade considerável de decisões e que tenha um elevado conhecimento dos diferentes tipos de cobertura da área em estudo. Esta informação pode ser obtida a partir de ortofotomapas ou através de levantamentos de campo, com a identificação das diferentes classes e a sua posição geográfica.
É portanto um procedimento onde o utilizador assinala na imagem os diferentes tipos de cobertura da superfície do solo, atribuindo-lhe diferentes classes ou categorias. O sotfware gera parâmetros estatísticos das áreas selecionadas que são comparados com os números digitais de cada píxel da restante imagem (Gibson e Power, 2000)
Desta forma, o utilizador supervisiona a categorização das classes específicas, deixando que o sistema informático reconheça espetralmente as áreas afins, classificando-as em toda a superfície em análise. Assim, numa classificação supervisionada são primeiramente identificadas as classes de informação, sendo posteriormente usadas para determinar as classes espetrais que representam. Este processamento fica concluído com a atribuição de cores às diferentes classes de cobertura do solo.
Para garantir um bom resultado nesta classificação, é necessário selecionar um número representativo de píxeis por classe e assegurar que as áreas de seleção, para qualquer classe, não se
34
concentrem apenas numa parte da imagem, mas antes, garantam a abrangência de toda a superfície em análise (Gibson e Power, 2000).