2019 KesiaMayaraMirandaAlmeida TCC PDF

Fazer download em pdf ou txt
Fazer download em pdf ou txt
Você está na página 1de 15

UNIVERSIDADE DE BRASÍLIA

INSTITUTO DE GEOCIÊNCIAS
ESPECIALIZAÇÃO EM GEOPROCESSAMENTO AMBIENTAL

ANÁLISE TEMPORAL A PARTIR DA CLASSIFICAÇÃO DO USO E COBERTURA


DA TERRA UTILIZANDO IMAGENS LANDSAT EM ÁREAS DE GARIMPO NA
REGIÃO DE ITAITUBA-PARÁ

KÉSIA MAYARA MIRANDA ALMEIDA

BRASÍLIA
2019

1
UNIVERSIDADE DE BRASÍLIA
INSTITUTO DE GEOCIÊNCIAS
ESPECIALIZAÇÃO EM GEOPROCESSAMENTO AMBIENTAL

KÉSIA MAYARA MIRANDA ALMEIDA

ANÁLISE TEMPORAL A PARTIR DA CLASSIFICAÇÃO DO USO E COBERTURA


DA TERRA UTILIZANDO IMAGENS LANDSAT EM ÁREAS DE GARIMPO NA
REGIÃO DE ITAITUBA-PARÁ

Trabalho de especialização em especialização


em Geoprocessamento Ambiental
apresentada a banca examinadora do Instituto
de Geociências como exigência para a
obtenção do título de especialista em
Geoprocessamento

Aprovada em:___/___/___

BANCA EXAMINADORA:
Prof. Dra. Tati de Almeida (Orientadora): _______________
Prof. Dra. Suzan Waleska Pequeno Rodrigues:_______________
Prof. Dr. Edilson de Souza Bias:_________________

2
ANÁLISE TEMPORAL A PARTIR DA CLASSIFICAÇÃO DO USO E COBERTURA
DA TERRA UTILIZANDO IMAGENS LANDSAT EM ÁREAS DE GARIMPO NA
REGIÃO DE ITAITUBA-PARÁ
Késia Mayara Miranda Almeida¹, Tati de Almeida², Rejane Ennes Cicerelli³
(1- Universidade de Brasília –Programa de Especialização em Geoprocessamento
Ambiental, e-mail: [email protected],2- Universidade de Brasília. Prof. Drª do
Instituto de Geociências da UNB, e-mail: [email protected], 3- Universidade de Brasília.
Prof. Drª do Instituto de Geociências da UNB, e-mail: [email protected]).

O processamento digital de imagens consiste numa importante ferramenta para a


identificação de problemas ambientais. O objetivo deste estudo foi a classificação
supervisionada com a utilização do método Máxima Verossimilhança (MaxVer) na
imagem de satélite com a utilização de imagens Landsat 5 (TM) e Landsat 8 (OLI).
com uso do software ENVI 5.5 órbita-ponto 228/65 na região de garimpo conhecido
como São Raimundo e suas intermediações no município de Itaituba, sudoeste
paraense. As Classes escolhidas foram: Vegetação Nativa, Vegetação secundária,
Drenagens, Solo Branco, Solo Consolidado e Garimpos. A metodologia foi baseada
no processamento digital das imagens utilizando software de geoprocessamento
ENVI 5.5, onde foram quantificadas as áreas das classes no período considerado
Através das formas de classificação de uso e ocupação da terra identificada no
resultado final, percebeu-se que as áreas de garimpo configuram como sendo a
principal forma de alteração da vegetação natural, principalmente ao longo das
margens dos rios com crescimento de 55% ao longo de 11 anos.
Palavra- chave: Imagens de Satélite, Classificação, Uso e Cobertura do Solo,
Geoprocessamento.

INTRODUÇÃO
A região do Tapajós tem como principal atividade econômica a extração
mineral, sobretudo de ouro, cujas primeiras ocorrências registradas remontam ao
século XVIII (Fernandes & Portela, 1991).
Em 1970 o Presidente Médici anunciou um conjunto de medidas que visavam
transformar a Amazônia a partir da criação da Superintendência do Plano de
Valorização Econômico da Amazônia (SPVEA). O Programa de Integração Nacional
previu a construção de grandes rodovias. No caso dos garimpos do Tapajós, a
3
chegada da Transamazônica e da Santarém - Cuiabá facilitou a ligação de Itaituba
aos mercados do sul do país. (Mathis, 2008).
Neste cenário, diversas obras foram planejadas para a região, atraindo assim
imigrantes de diversas partes do país, o processo de urbanização foi acompanhado
por profundas alterações no uso e ocupação do solo, que resultam em impactos
ambientais criando áreas de expansão de forma desordenada. (Almeida, 2008).
As alterações que ocorrem na cobertura da terra nas regiões das florestas
tropicais podem prejudicar severamente o funcionamento da Amazônia e,
consequentemente, podem ocorrer diminuições na capacidade dessas florestas em
absorver o carbono, atenuar o ciclo hidrológico regional, elevar a temperatura do
solo e, gradualmente, ocasionar processos de savanização nessas áreas (Marengo
et al., 2011).

As alterações físicas ou paisagísticas estão entre os impactos de grande


importância nos casos dos garimpos, além dos desmatamentos resultantes da
construção de pistas de pouso, dos acampamentos e do desmonte de barrancos, às
margens; alteração física também considerável dos leitos dos cursos d’água pela
atividade direta e diária do garimpeiro. Outros efeitos dos desmontes são o
assoreamento e/ou alteração nos cursos naturais das águas, levando à inundação
de áreas até então emersas e a formação de poças d’água isoladas ao longo do leito
dos rios. (Caheté,1995).

O sensoriamento remoto tem um papel fundamental no monitoramento do uso


e cobertura da terra, pois permite obter informações históricas e atuais de ambientes
com grandes dimensões territoriais e de difícil acesso. Para auxiliar nesta ação, é
utilizada a classificação das imagens capturadas pelos sensores dos satélites. A
Classificação é o processo de extração de informações que abrange um conjunto de
técnicas que podem ser matemáticas ou estatísticas que automatiza a categorização
de todos os pixels de uma imagem em temas ou classes de uso e cobertura da terra
(Liang et. al, 2012).

Devido às dimensões continentais da Região Amazônica, o uso de


sensoriamento remoto tem sido indispensável para o monitoramento ambiental,
detecção de focos de queimadas e de ações de desflorestamento. Em associação, o
uso de técnicas e ferramentas para a classificação de imagens de satélites vem se
4
tornando ferramenta poderosa de apoio ao estudo do uso e cobertura da terra e das
mudanças ocorridas ao longo dos anos (Foody, 2002).

Diante do exposto, o objetivo deste trabalho foi analisar temporalmente as


mudanças ocorridas no uso e cobertura da terra utilizando a classificação de
imagens multiespectrais Landsat-5.e Landsat-8 através do método MaxVer fazendo
uma análise temporal, que vise identificar a evolução do crescimento das áreas de
garimpo e posterior auxilio ao entendimento do processo de transformação do meio
ambiente ao longo dos anos.

LOCALIZAÇÃO
A região analisada, conforme mostrado na figura 01, está inserida no
sudoeste paraense no município de Itaituba entre na área da órbita ponto 228/65
das imagens dos satélites Landsat 8 e Landsat 5, ambas Level-2 obtidas
respectivamente em 26 de junho de 2018 e 15 de agosto de 2007. As imagens estão
disponíveis na página U.S. Geological Service. Para a seleção das cenas, levou-se
em consideração a cobertura de nuvem inferior a 10% e o período de estiagem na
região.
As áreas garimpeiras investigadas localizam-se na bacia hidrográfica do Rio
Tapajós, nos afluentes do Rio Crepori, tendo como ponto de referência a pista de
pouso no Garimpo São Raimundo. A área estudada abrange também os vários
núcleos de garimpagem dispostos ao longo das margens de diversos igarapés nas
proximidades da região.

5
Figura 01. Localização da área de estudo. Fonte da imagem: Google Earth.

PROCEDIMENTOS METODOLÓGICO

Para Crosta (1992), as técnicas de classificação de imagem consistem em


associar a cada pixel uma informação qualitativa (atributo), na qual os valores de
nível de cinza que cada pixel pode ser associado ao nível de reflectância dos
materiais que compõem o terreno, estando cada pixel ou conjunto de pixels
associado a uma classe ou tema.

As técnicas de classificação mais utilizadas para sensoriamento remoto estão


divididas entre supervisionada e não-supervisionada. Na classificação
supervisionada, cada pixel da amostra na base de treinamento tem a sua classe
determinada. Essas amostras são escolhidas pelo operador, para que sejam
definidas a quantidade e os tipos de classes que serão utilizadas para classificação.
Na classificação não-supervisionada, a classificação é realizada de forma
automática pelos algoritmos, que fazem a extração, identificação e classificação dos
pixels e a geração das classes.

Na classificação da imagem, optou-se por utilizar o método da Máxima-


6
verossimilhança que considera a ponderação das distâncias entre as médias dos
valores dos pixels das classes, utilizando parâmetros estatísticos. É um
classificador muito eficiente porque as classes de treinamento são utilizadas para
estimar a forma da distribuição dos pixels contidos em cada classe no espaço de n
bandas, como também a localização do centro de cada classe (Meneses; Sano
2012), sendo que, todos os pixels são classificados.
No processo de classificação o analista escolhe pequenas áreas de amostras
na imagem, contendo poucas centenas de pixels que sejam bem representativos,
espectralmente, de padrões ou feições dos alvos por ele reconhecidos, ou que
podem ser identificados com a ajuda de outras fontes, tais como dados coletados no
campo ou de mapas (MENESES; SANO, 2012).

De acordo com Yang (2002), a análise multi-temporal de imagens de satélites


pode ser utilizada nas interpretações da evolução do uso do terreno e cobertura
vegetal, possibilitando a detecção de padrões de mudança ao longo do tempo, tanto
qualitativa quanto quantitativamente.

MATERIAS E MÉTODOS

No presente trabalho, optou-se utilizar uma imagem do satélite Landsat-5


sensor Thematic Mapper (TM) referente ao mês de agosto de 2007 e uma imagem
Landsat 8 Operational Land Imager (OLI) referente ao mês de junho de 2018, ambas
Level 2. Estes dados foram adquiridos, já ortorretificados, através do site
Earthexplorer que é operacionalizado pelo Serviço Geológico dos Estados Unidos
(USGS). A escolha das imagens baseou- se no fato de possuírem baixas coberturas
de nuvens na área de interesse. Os períodos estabelecidos para análise
compreenderam um intervalo de 11 anos.

Para a utilização das imagens, foi necessária a realização da reprojeção das


mesmas visto que, apesar de já serem fornecidas corrigidas geometricamente, elas
são posicionadas ao hemisfério norte. Assim, as imagens foram reprojetadas para o
sistema UTM-Universal Transversa de Mercator, fuso 21S, datum planimétrico
SIRGAS 2000. Após reprojetadas as imagens foram trabalhadas no software ENVI
versão 5.5. Em seguida, para uma melhor visualização e análise dos alvos, as
bandas de interesse para a realização do trabalho foram empilhadas para a

7
obtenção da composição colorida ou de falsa cor RGB (red, green, blue), para tanto,
na imagem Landsat 8 utilizou-se as bandas sequência: B6G5B4 e na imagem
Landsat 5 com a sequência R5G4B3.

Segundo Centeno (2004), o processo de classificação é iniciado com a


definição das classes conhecidas ou de interesse do usuário. Neste sentido optou-se
por 6 classes após várias tentativas que levaram a mapeamentos complexos, devido
a confusão espectral. As classes definidas foram: 1) Vegetação Nativa, 2)
Vegetação secundária, 3) Drenagens, 4) Solo exposto, 5) Solo consolidado e 6)
Garimpos. O treinamento teve como base uma visualização prévia e detalhada das
imagens, com apoio do software Google Earth, que conta com imagens com melhor
resolução dos anos analisados. No software ENVI, através da ferramenta
Classification Workflow, foram observadas algumas características que facilitassem
a distinção entre as classes, como a cor, textura e forma dos alvos. Foram
amostrados em média 25 polígonos por classe de modo que os algoritmos
classificadores fossem “treinados” para alocar cada pixel em sua respectiva classe.
As classes foram estabelecidas com base na interpretação visual das imagens,
foram, assim, definidas as seis classes de uso e cobertura da terra. Características
das classes:

1- Vegetação nativa: A área é composta principalmente por vegetação densa


com coloração verde claro a tons escuros, com textura praticamente uniforme.
2- Vegetação secundária: As regiões apresentam tons esverdeados mais claros,
de pequeno porte, com características de gramíneas.
3- Drenagem: Os rios da área estudada apresentam comportamento levemente
sinuoso quando estão em áreas longe da ação antrópica. Os trechos de rios
que estão localizados nas áreas das cavas de garimpos, encontram-se sem
nenhum tipo de padrão.
4- Solo consolidado: São áreas possuem textura de solo mais compacto e
desnudo, característica de áreas desmatadas.
5- Solo exposto: Neste item, optou-se por inserir as áreas características de
garimpos, que apresentam solo úmido, devido a proximidade com os rios e
bastantes revolvidos pelas balsas, caracterizando intensos movimentos de
superfície no leito dos igarapés.

8
6- Garimpo: Nesta classe foram considerados os terrenos ao longo dos rios
com atividades garimpeiras pretéritas.
Figura 03. Etapas do processo de classificação da imagem.

A figura 03 mostra o fluxograma com as etapas realizadas para a obtenção


dos mapas finais da classificação. Os mesmos foram convertidos para o formato
shapefile, para posterior manipulação e elaboração do mapa temático no software
ARCGIS 10.6.1. Onde, os dados foram organizados de forma que facilitasse as
análises finais, como mostrado nas figuras 04 e 05.

Figura 04: Mapa temático com a representação do uso e cobertura da terra


para o ano de 2007.

9
Figura 05: Mapa temático com a representação do uso e cobertura da terra para o
ano de 2018.

RESULTADOS E DISCUSSÕES

As modificações ocorridas ao longo de 11 anos na área de estudo está


vinculada ao principalmente ao extrativismo mineral e subordinadamente ao
desmatamento de áreas para ser utilizada na agricultura/pecuária extensiva. O
classificador apresentou desenvolvimento satisfatório onde foi obtido o mapa
temático de uso e cobertura do solo, sendo possível avaliar a funcionalidade do
método escolhido, inserindo nas classes determinadas os pixels a elas
correspondentes. No entanto, observando a imagem de referência no Google Earth,
verificou-se que houve confusão do classificador ao agrupar áreas com as mesmas
atividades, porém que apresentavam comportamento espectral diferente, como o
caso das classes de solo branco e garimpo que compreendem atividades
garimpeiras. Em decorrência do processo natural de regeneração de áreas antigas
ou devido a estágios de desenvolvimento inicial de novos garimpos, a resposta
espectral condicionou a uma interpretação diferente para o mesmo alvo, pois a
diferença era se o garimpo estava em atividade recente ou não.

10
A área de estudo possui algumas singularidades, que devem ser ressaltadas
também, como por exemplo, a mescla em determinados trechos ao longo dos rios
entre os elementos de garimpo e drenagem. Pois devido aos trabalhos de lavra no
leito dos igarapés, o curso d’agua acaba sendo desviado e/ou represado dificultando
a classificação da imagem. É importante ainda salientar que as áreas de sombra
foram consideradas no mapa de uso e cobertura do solo sendo incorporada a classe
de vegetação nativa, uma vez que sua presença fora quase que integralmente
detectada nessas áreas. A comparação dos resultados obtidos entre as imagens dos
anos 2007 e 2018 e a geração dos valores que dá ênfase aos índices quantitativos
das classes envolvidas na área estudada, foram fatores importantes que
contribuíram para melhor percepção da análise como mostrado nas tabelas 8 e 9.

Tabela 01: Quantificação das classes de Uso e Cobertura do Solo no ano de


2007.

2007
Classes Área (ha) (%)

Vegetação Nativa 19469,4 66,06

Vegetação 1295,37 4,4


Secundária

Drenagem 108,36 0,36

Solo Branco 481,41 1,63

Garimpo 2284,7 7,75

Solo Consolidado 5832,64 19.8

11
Tabela 01: Quantificação das classes de Uso e Cobertura do Solo no ano de
2018.

2018
Classes Área (ha) (%)

Vegetação Nativa 14095,59 58,30

Vegetação 1370,34 5,66


Secundária

Drenagem 1007,46 4,16

Solo Branco 899,01 3,73

Garimpo 2584,62 10,70

Solo Consolidado 4220,46 17,45

Na Vegetação Nativa foi percebida uma redução de 16,30% ha entre os anos


de 2007 e 2018, ocorrendo um aumento do desmatamento ao longo do período
analisado. Esta informação coincide com dados de aumento das áreas de garimpo
em 5,7 % ocorridas no mesmo período.

A exposição do terreno decorrente dos desmatamentos condicionou o


aumento da classe de drenagem em 3,8 %, devido ao desmatamento ao longo dos
cursos dos rios deixando os cursos d’aguas mais expostos além do aumento das
áreas de garimpo, com a consequente formação de barragens e desvio de cursos
d’agua para abertura de novas áreas de garimpo, ocorrendo a perda da cobertura
vegetal.

A Classe de Vegetação Secundária aumentou em 1,26 % devido a retirada da


cobertura vegetal para uso antrópico: pastagens e áreas de garimpo, ressalta-se que
nesta classe existiram algumas confusões do classificador com a classe de solo
exposto, pois a classe é caracterizada pela presença de gramíneas.

Os resultados encontrados com a validação apontem um nível de acerto


considerado satisfatório no mapa de uso e cobertura da região dos garimpos em
Itaituba, podemos apontar fatores de limitação do processo que talvez,
hipoteticamente, pudessem elevar ainda mais a qualidade do produto gerado.
12
Destes, podemos elencar: o problema da escala e o a subjetividade da
interpretação, haja vista que alguns elementos estão mesclados dificultando a
análise do operador.

O problema da escala justifica-se pelo fato de que as imagens exibidas no


Google Earth possuem um nível de detalhamento muito superior ao das imagens
geradas pelo sensores TM e OLI, transportado pelo satélite Landsat. Esta diferença
implica dizer que alguns possíveis “erros” podem estar relacionados a objetos que
não podem ser observados na escala utilizada na classificação da imagem.

Comparando resultados para o período de 2007-2018 obtidas través dos


mapas de uso e ocupação foi possível visualizar a dinâmica das classes analisadas,
principalmente para verificar o crescimento desordenado das áreas de garimpo e
consequentemente desiquilíbrio ambiental na região de estudo. Deve ainda ser
levado em consideração as suas proximidades, o qual é delimitado por uma rodovia
federal BR-163, o que expõe a região como uma condição de alerta ao uso irregular
do solo.

CONCLUSÕES

A técnica supervisionada máxima verossimilhança (MAXVER) utilizada


mostrou-se eficaz na avaliação da intensidade do crescimento das áreas de garimpo
em que a pesquisa foi realiza, apresentando diferentes mudanças entre as áreas
avaliadas no ano de 2007 e 2018.

Nesse contexto, o estudo mostra como o Geoprocessamento pode contribuir


no mapeamento e controle da expansão espacial, sendo uma importante ferramenta
para avaliação e monitoramento da qualidade ambiental, podendo auxiliar as
políticas de gestão territorial.

13
REFERENCIAS BIBLIOGRÁFICAS

ALMEIDA, J. J. A cidade de Marabá sob o impacto dos projetos governamentais.


2008. 272 f. Dissertação (Mestrado em História Econômica) – Universidade de São
Paulo, Departamento de História, São Paulo, 2008.

ARANTES, L. T.; ARANTES, B. H. T.; TONDATO, C. Análise multitemporal para o


monitoramento de desmatamento através da imagem Landsat-5. Revista Eletrônica
de Agronegócio [online], v. 5, 2016.
CAHETÉ, F.L.S. A EXTRAÇÃO DO OURO NA AMAZÔNIA E SUAS IMPLICAÇÕES
PARA O MEIO AMBIENTE. Frederico Luiz Silva Caheté. Desenvolvimento
Sustentável do Trópico Úmido – NAEA/UFPA.1995. Disponivel em
http://repositorio.ufpa.br/jspui/bitstream/2011/3087/1/Artigo_ExtracaoOuroAmazonia.
pdf
CENTENO, J. A. S. Sensoriamento Remoto e Processamento de Imagens Digitais.
2.ed. Curitiba: Universidade Federal do Paraná (UFPR), 2004, 168p.
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto.
Campinas: IG/UNICAMP, ISBN 85-853-690-27, 1992.
FACCO, D.S.; BENEDETTI, A. C.; KAISER, E. A.; FILHO, W. P. Avaliação
dadinâmica do uso e cobertura da terra no município de Faxinal do Soturno no
estado do Rio Grande do Sul. Os Desafios da Geografia Física na Fronteira do
Conhecimento [online], v. 1, 2017.

FERNANDES, R. C. F. & PORTELA, I. C. M. H., 1991. Recursos Minerais da


Amazônia – Alguns Dados Sobre Situação e Perspectivas. Rio de Janeiro: Centro de
Tecnologia Mineral. (Série Estudos e Documentos, 14)
FOODY, G. M, Status of land cover classification accuracy assessment.Remote
Sensing of Environment.2002 , 80(1). pp. 185-201.

MATHIS, A. GARIMPAGEM DE OURO E VALORIZAÇÃO DA AMAZÔNIA: A


FORMAÇÃO DE RELAÇÕES DE TRABALHO SOBRE O QUADRÂNGULO
MERCADO INTERNACIONAL, ESTADO NACIONAL, REGIÃO E NATUREZA.
Papers do Naea, Belém,n. 312 , dez. 2013.
LANDIM, P.M.B. Análise Estatística de Dados Geológicos. Fundação Editora da
UNESP, 2a. Edição. 2003.
LANDIS, J.R.; KOCH, G.G. The measurement of observer agreement for categorical
data. Biometrics, v. 33, n. 1, p. 159-174, 1977. LIMA, G. S. A prevenção de incêndios
florestais no estado de Minas Gerais. Floresta, v. 30, n. 1 2, 2000.
LIANG, Z.; JINPING,S.; HUIYOND,S.; GANG,Y.; YI,J. Large area Land Cover
Classification with LANDSAT ETM+ Images based on Decision Tree., 2012
[International
Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,
Volume XXXIX-B7].

14
MARENGO, J. A. Mudanças climáticas globais e seus efeitos sobre a biodiversidade
– caracterização do clima atual e definição das alterações climáticas para o território
brasileiro ao longo do século XXI. 2. ed. Brasília: Ministério do Meio Ambiente, 2007.
v.1, p.214.
MENESES, P. R.; SANO E. E. Classificação pixel a pixel de imagens. In:
Meneses,P. R., Almeida, T. (Org.), Introdução ao Processamento de Imagens de
Sensoriamento Remoto. 1 ed. Universidade de Brasília, Brasília, p.191-208, 2012
NIKNEJAD,M.;MIRZAEI,Z.V.;HEYDARI,M.2014.Comparing different classifications
of satellite imagery in forest mapping (Case study: Zagros forests in Iran).
International Research Journal of Applied and Basic Sciences,v.8, p. 1407–1415,
2014.
RICHARDS, J.; JIA, X. 2006. Remote sensing of tropical forests: an overview of
research and applications using non-photographic sensors. Enginnering & Remote
Sensing. [online] v. 56, 2006.

USGS - United States Geological Survey. Landsat 8. Disponível:


https://earthexplorer.usgs.gov/. Acesso: 22 jan. 2019.

YANG, X. Satellite Monitoring of Urban Spatial Growth In the Atlanta Metropolitan


Area. PE&RS Photogrammetric Engineering & Remote Sensing, v.68, n. 7. p. 725-
734, 2002

15

Você também pode gostar