CONCLUSÕES E DESENVOLVIMENTOS FUTUROS
Neste último capítulo, são apresentadas as conclusões e os desenvolvimentos futuros.
5.1 Conclusões
O estudo de caso aqui apresentado, incide sobre a análise das alterações da cobertura do solo do Parque Nacional da Peneda-Gerês, a partir de imagens de satélite integradas numa plataforma de Sistemas de Informação Geográfica.
A seleção e o pré-processamento de imagens constituíram etapas preponderantes no decurso da avaliação das alterações da cobertura do solo. Uma seleção de imagens de datas anuais próximas, ou seja, de ciclos anuais idênticos, atenuam as discrepâncias na refletância causada pelo fluxo sazonal da vegetação e minimizam as diferenças do ângulo de incidência solar, contribuindo assim, para a melhoria dos resultados obtidos.
O processamento de imagens, estabelecido na metodologia, assentou fundamentalmente em 3 abordagens: a Análise de Componentes Principais (PCA), a Diferenciação do Índice de Vegetação por Diferença Normalizada (NDVI) e a Classificação de Imagens.
A análise de componentes principais (PCA) mostrou-se uma importante ferramenta na deteção de mudanças da cobertura vegetal do solo no período em estudo. A interpretação deste método depende essencialmente da análise estatística sobre as transformações sucedidas, em particular da matriz de variância/covariância, da matriz de correlação, dos vetores e valores próprios. Dos 6 componentes principais, resultantes deste processamento, os três primeiros são capazes de explicar praticamente toda a variabilidade em valores de radiância. Os restantes componentes tendem a ser dominados por efeitos de ruído, podendo por isso, ser ignorados, diminuindo assim o volume de dados sem perda significativa de informação. Apesar dos resultados não serem de fácil interpretação, a PCA apresenta grande potencial para a deteção de áreas de mudanças na vegetação, uma vez que fornece sinais de ocorrência dessas alterações. Com base nos resultados estatísticos dos fatores de carga e na interpretação visual, os resultados apontam uma mudança na vegetação no segundo e terceiro componentes em qualquer um dos pares temporais em análise. Além disso, os resultados obtidos pela PCA mostram que se trata de um algoritmo rápido e fiável, que pode ser usado para detetar áreas de mudança em vários ecossistemas, e por isso, reveste-se de elevada importância em deteção
62
remota. Contudo, foi necessário prosseguir com análises complementares que mostrassem que efetivamente se registaram alterações na cobertura do solo na área do Parque Nacional.
Por conseguinte, para determinar a trajetória das mudanças foi aplicado o algoritmo de diferenciação NDVI, sobre as imagens NDVI de cada uma das datas em análise.
Na execução da diferenciação de NDVI, foram estabelecidos limites de não mudança no gráfico de distribuição normal, equivalentes à soma e à subtração do desvio padrão à média dos pixéis da imagem de diferenciação. No entanto os limites usados foram definidos de forma conservadora. Um valor superior ao desvio padrão podia ter sido usado, como sugere a literatura de referência, desde que fosse possível criar uma amostra de pontos de controlo, distribuídos aleatoriamente para validar os resultados obtidos. Contudo, ratificar este grupo de pontos implicaria o acesso a ortofotomapas atualizados ou ao reconhecimento direto no terreno. Esta é uma matéria que pela sua elevada relevância poderá ser aprofundada em desenvolvimentos futuros.
Por seu lado, a classificação de imagens de satélite para os anos em estudo, foi efetuada tendo resultado em mapas temáticos da cobertura do solo do PNPG. Esta classificação foi realizada pelo método Não Supervisionado, tendo-se obtido mapas de classes para cada um dos 3 anos em estudo. Os mapas representam 5 classes previamente definidas, da cobertura do solo, sendo possível avaliar a percentagem de área por classe. Para além disso, permitiu fazer uma leitura comparativa da variação por classe ao longo do período em análise.
A classificação Supervisionada acabou por não ser realizada, uma vez que concretizar esta classificação implicaria o reconhecimento das diferentes coberturas do solo através de ortofotomapas ou através de levantamento de pontos de verificação no terreno. De outro modo não seria possível assinalar na imagem padrões espetrais sem o reconhecimento dos padrões espaciais. É uma abordagem que permanece em aberto, para desenvolvimentos futuros.
Os resultados da análise de componentes permitiram detetar quer gráfica, quer numericamente, a ocorrência de alterações. Foram também obtidos, mapas de diferenciação de índices de vegetação, que permitem uma análise da variação anual da vegetação, através de um mapa de cores que assinala geograficamente, incrementos e decrementos vegetativos. Os resultados do procedimento classificativo permitem uma avaliação quantitativa e qualitativa das classes da cobertura do solo e possibilitam a análise da sua variação temporal.
Por conseguinte, é possível detetar e avaliar as alterações da cobertura do solo através de técnicas de deteção remota e criar ferramentas de mapeamento e monitorização fiáveis para o estudo de áreas naturais, de elevado interesse ambiental.
63
5.2 Desenvolvimentos futuros
Os resultados obtidos neste estudo, sobre a dinâmica da cobertura do solo, podem ser considerados um ponto de partida muito útil para melhorar a análise dos padrões espaciais e temporais das alterações da cobertura do solo.
Em desenvolvimentos futuros, poder-se-á prosseguir com o estudo dos limites a aplicar no método da Diferenciação de NDVI e com uma Classificação Supervisionada.
Contudo, este estudo demonstrou que é possível, a partir de uma série temporal de imagens de satélite, de acesso livre, e utilizando algoritmos de processamento de imagem, criar ferramentas de suporte à gestão de uma área natural como é o caso do PNPG.
64
REFERÊNCIAS BIBLIOGRÁFICAS
Byrne, G.F., Crapper, P.F. & Mayo, K.K. (1980). Monitoring land-cover change by principal component analysis of multitemporal landsat data. Remote Sensing of Environment 10: 175-184. Campbell J. B., 2007, Introduction to Remote Sensing Fourth Edition, The Guilford Press. New York.
Canada Centre for Remote Sensing. Fundamentals of Remote Sensing. Natural Resources Canada.
Acedido em 2015/01/21. Disponível em
http://www.nrcan.gc.ca/sites/www.nrcan.gc.ca/files/earthsciences/pdf/resource/tutor/fundam/pdf/f undamentals_e.pdf.
Colwell, J. E., and Weber, F. P., 1981, Forest change detection. Proceedings of the 15th International Symposium on Remote Sensing of Environment, Ann Arbor, MI, USA, pp. 839–852. Coppin P., Jonckheere I., Nackaerts K., Muys B., Lambin E., (2004) Digital change detection methods in ecosystem monitoring: a review, International Journal of Remote Sensing, vol. 25, no. 9, 1565–1596
Deng J.S., Wang K., Deng Y.H. & Qi G.J. (2008) PCA‐based land‐use change detection and analysis using multitemporal and multisensor satellite data, International Journal of Remote Sensing, 29:16, 4823-4838
Dunteman, G. (1984). Introduction to Multivariate Analysis, Sage, Newbury Park, CA.
ESRI (2014). ArcGis Resources, Help 10.2, 10.2.1 e 10.2.2. Disponível em http://resources.arcgis.com/en/help/main/10.2. Acedido em 20 Julho de 2015.
Fung, T., and LeDrew, E. (1987), Application of principal components analysis to change detection. Photogramm. Eng. Remote Sens. 53:1649–1658
GEOL3105 Images of the earth. Principles of Remote Sensing. Acedido em 26/10/2015. Disponível em http://gers.uprm.edu/geol3105/
Gibson P.J., Power C. H., 2000. Introdutory Remote Sensing: Digital Image Processing and Applications. London: Routledge.
ICNF, Instituto da Conservação da Natureza e das Florestas (2013). " Relatório Síntese da 2ª Fase – Diagnóstico do Plano de Ordenamento do PNPG ". Acedido em 30 de dezembro de 2013. Disponível em www.icnf.pt/portal/naturaclas/ordgest/poap/popnpg/resource/.../relat-sint
65
Jensen, J. R., (1986) Introductory Digital Image Processing: A Remote Sensing Perspective. Prentice–Hall. New Jersey
Jolliffe, I. T. (2002). Principal Component Analysis. Springer, Second edition. Landsat 7 Science Data User's Handbook, NASA's Goddard Space Flight Center in Greenbelt, Maryland.
Lasaponara R., 2005. On the use of principal component analysis (PCA) for evaluating interannual vegetation anomalies from SPOT/VEGETATION NDVI temporal series. Elsevier, ecological modelling 194 (2006) 429–434.
Lillesand, T.M. and Kiefer, R.W. (1994) Remote Sensing and Image Interpretation. John Wiley and Sons Inc., New York.
Lillesand, Thomas M., Kiefer, Ralph W., Chipman, Jonathan, W.(2004). Remote Sensing and Image Interpretation. Fifth Edition. John Wiley and Sons, Inc., New Jersey.
Lindsay I Smith, 2002. A tutorial on Principal Components Analysis. Acedido em 20/07/2015. Disponível em http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf Lu, D., Mausel, P., Brondizio, E. and Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25(12):2365-2401
Lyon, J., Yuan, D., Lunetta, R., and Elvidge, C., 1998, A change detection experimente using vegetation indices. Photogrammetric Engineering and Remote Sensing, 64, 143–150.
Mancino G., Nolè A., Ripullone F., Ferrara A., 2014. Landsat TM imagery and NDVI differencing to detect vegetation change: assessing natural forest expansion in Basilicata, southern Italy. iForest 7: 75-84 [online 2013-12-18]
Mas, J. F. (1999) Monitoring land-cover changes: A comparison of change detection techniques, International Journal of Remote Sensing, 20:1, 139-152
Millward A. A., Piwowar J. M. (2002) “Exploring ordination as a method for normalizing disparate datasets, implications for digital change detection”, Symposium on Geospatial Theory, Processing and Applications, Ottawa .
NASA, Earth Observatory, 2015. Acedido em 5 de janeiro de 2015. Disponível em http://earthobservatory.nasa.gov/Features/MeasuringVegetation/measuring_vegetation_2.php Parece T., Campbell J., McGee J., 2010. Remote Sensing in an ArcMap Environment. Virginia View, USGS. USA.
66
Piwowar, J.M., Christopher, P.D., and Ellsworth, F. LeDrew, E. (2001) “Principal Components Analysis of the Variability of Northern Hemisphere Sea Ice Concentrations: 1979-1999.” Proceedings 23rd Canadian Symposium on Remote Sensing, Ste.-Foy PQ, August 2001, pp. 619- 628.
Richards J. A., Jia X., 2006. Remote Sensing Digital Image Analysis. Canberra. Springer.
Richards, J. A., (1984). Thematic mapping from multi-temporal image data using the principal components transform. Remote sensing of environment, 16 pp 35-46.
Siljerstrom, R.P. e Lopez M.A. (1995). Monitoring burnt areas by principal componentes analysis of multi-temporal TM data. International journal of remote sensing 16 pp 1577-1587.
Singh, A., 1989, Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, 6, 989-1003.
Song C., Woodcock C.E., Seto K.C., Lenney M.P., Macomber S.A. (2001). Classification and change detection using Landsat TM data: when and how to correct atmospheric effect. Remote Sensing of Environment 75: 230-244.
U.S. Geological Survey (2015), Landsat 8 Data User’s Handbook, Landsat Project Science Office at the Earth Resources Observation and Science (EROS) Center in Sioux Falls, SD and the NASA's Goddard Space Flight Center, Greenbelt, Maryland.
Viana, H., Aranha, J., (2008). Estudo da alteração da cobertura do solo no Parque Nacional da Peneda Gerês (1995 e 2007). Análise temporal dos padrões espaciais e avaliação quantitativa da estrutura da paisagem (Viana 2008), X Encontro de Utilizadores de Informação Geográfica, USIG. 14.16 de Maio, Taguspark, Oeiras.
Weir, J. e Herring, D. (2000) Measuring Vegetation (NDVI & EVI), Earth Observatory, NASA,
E.U.A. Acedido em 5 de janeiro de 2015, disponível em
http://earthobservatory.nasa.gov/Features/MeasuringVegetation/measuring_vegetation_2.php Wulder M.A. and Coops N. C., 2014. Satellites: Make Earth observations open access. NATURE. Zullo Jr., J., 1994, Correção Atmosférica de Imagens de Satélite e Aplicações. Tese de Doutorado, DCA / FEE / UNICAMP, Brasil.