aplicabilidade de imagens de sensoriamento remoto...

IV Simpósio Brasileiro de Geomática – SBG2017II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017

Presidente Prudente - SP, 24-26 de julho de 2017p. 213-219

L. R. Porto; L. F. A. Batista; P. C. L. Faria ISSN 1981-6251

APLICABILIDADE DE IMAGENS DE SENSORIAMENTO REMOTO PARA ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA ARBORIZAÇÃO

URBANA EM LONDRINA

LETÍCIA ROSIM PORTO LIGIA FLÁVIA ANTUNES BATISTA PATRÍCIA CARNEIRO LOBO FARIA

Universidade Tecnológica Federal do Paraná - UTFPR Câmpus Londrina

Departamento Acadêmico de Ambiental, Londrina - PR [email protected], [email protected], [email protected]

RESUMO – Inventários de arborização urbana envolvem trabalhosos levantamentos de campo. Apesar das dificuldades, tais levantamentos são necessários principalmente para permitirem o delineamento de diretrizes de gestão ambiental por parte de órgãos públicos, prefeituras, entre outros. O objetivo deste trabalho é avaliar se é possível correlacionar índices de vegetação e densidade de distribuição arbórea. Foram coletados dados sobre as árvores da área central do município de Londrina, estado do Paraná, os quais foram geocodificados e integrados em um banco de dados geográfico. Aplicou-se então o operador de densidade Kernel, a fim de comparar seus resultados com índices de vegetação NDVI e EVI gerados com imagens RapidEye, pelo ajuste de um modelo de regressão. Os índices foram calculados utilizando as equações apresentadas na literatura e também substituindo o termo que corresponde à faixa do vermelho pela faixa do infravermelho limítrofe. Os resultados não foram satisfatórios, apresentando os valores mais altos para o modelo de regressão do índice EVI com a faixa do infravermelho limítrofe, com coeficiente de determinação pouco acima de 8%, mostrando que o método aplicado não foi bem-sucedido para a avaliação da arborização urbana com os métodos utilizados e as imagens de Sensoriamento Remoto utilizadas.

Palavras chave: Kernel, Índices de Vegetação, RapidEye, Geocodificação.

ABSTRACT – Urban tree inventory requires field surveys which are difficult undertaking. Despite this, such surveys are necessary mainly to permit the definition of environmental management guidelines by public agencies, prefectures, and others. The aim of this work is to evaluate if it is possible to correlate vegetation index and density of tree distribution. It was collected a data set about trees of central area of Londrina city, Paraná State, which were geocoded and integrated in a geographic database. It was applied the Kernel density operator, in order to compare the results with vegetation index NDVI and EVI, generated with RapidEye imagery, and to assess the fitting of a regression model. The indexes were calculated using the equations presented in literature and also by replacing the term that correspond to the red band by red edge band. The results were not satisfactory, presenting the best values for the regression model of EVI index with red edge band, with very low determination coefficient, slightly over 8%, showing that the applied method was not successful for the evaluation of urban trees with the methods used and the Remote Sensing imagery used.

Key words: Kernel, vegetation indexes, RapidEye, geocoding.

1 INTRODUÇÃO

Atualmente, a maioria das pessoas vive em centros urbanos. Na região Sul do Brasil, por exemplo,

mais de 20 milhões de pessoas já vivem em cidades (IBGE, 2010).

O processo de urbanização das cidades muitas vezes não vem acompanhado de um planejamento adequado, o que acarreta vários problemas de

IV Simpósio Brasileiro de Geomática – SBG2017

II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017


infraestrutura e mobilidade, de caráter social e ambiental. De modo específico, no que se refere à arborização urbana, nota-se uma dificuldade de manejo devido à falta de diagnóstico sobre as condições ecológicas, fitossanitárias e distribuição espacial das árvores.

A partir de um inventário com dados coletados em campo, é possível obter uma série de informações importantes sobre as árvores da cidade, como espécie, altura, circunferência do tronco, altura da ramificação dos galhos, estado fitossanitário, área da copa, entre outros. Porém, além de serem obtidos por meio de um levantamento trabalhoso, esses dados podem tornar-se obsoletos com o tempo, já que sua atualização e manipulação são também difíceis e demoradas. Ademais, o georreferenciamento dos dados também é uma tarefa difícil de ser realizada por meio de sistemas de posicionamento, em vista dos erros de multicaminhos do sinal presentes em áreas densamente urbanizadas e edificadas (MONICO, 2007). Os métodos topográficos também não seriam muito práticos de serem aplicados neste tipo de levantamento. Além disso, simplesmente acumular dados sem utilizá-los como apoio para a tomada de decisão não é uma boa conduta do ponto de vista do planejamento.

Uma alternativa é a organização desse material por meio de um banco de dados georreferenciado em que as coordenadas dos pontos levantados em campo seriam obtidas por geocodificação. Este conjunto de dados possibilitaria a exploração de todo o potencial das informações disponíveis, tais como consultas espaciais. Surge, então, a possibilidade de se trabalhar também com imagens de Sensoriamento Remoto, a fim de verificar a viabilidade de utilizá-las para auxiliar na caracterização e análise da arborização urbana.

Um exemplo de projeto realizado a partir de banco de dados geográficos foi desenvolvido na cidade de Campinas. Em 2015 foi lançado pela EMBRAPA Monitoramento por Satélite, em parceria com a Prefeitura Municipal de Campinas, o portal Árvores de Campinas, um banco de dados da arborização urbana viária disponível na internet. O portal permite apoio à gestão municipal e à elaboração de políticas públicas que melhorem a qualidade de vida dos habitantes, além de permitir o acesso de forma interativa por qualquer cidadão. No site é possível selecionar quais tipos de plantas visualizar (árvores, arbustos, palmeiras e mudas), suas densidades junto à arborização urbana, além da divisão por bairros, arruamentos e macrozonas (EMBRAPA, 2016).

O presente trabalho tem como objetivos avaliar as características da arborização urbana de Londrina a partir da elaboração de um banco de dados georreferenciado com os dados de inventário e, além disso, verificar a aplicabilidade de imagens de Sensoriamento Remoto para inferir características de arborização urbana. Essa avaliação será feita por meio da

modelagem por regressão entre índices de vegetação, obtidos com operações aritméticas aplicadas às imagens, e o resultado da densidade da arborização gerado a partir dos dados de campo.

2 MATERIAIS E MÉTODOS

3.1 Área de estudo A região de estudo compreende a região central de Londrina, município do norte do estado do Paraná, cuja área é de 1.650,8 km². A região central, alvo deste estudo, situa-se entre as coordenadas 482530E, 7421050N e 484765E, 7423133N (referenciadas ao Sirgas 2000, elipsóide Geodetic Reference System 1980 - GRS80, projeção UTM, Fuso 22 Sul), conforme a Figura 1. A rua São Salvador, destacada nesta figura, é a área teste específica para avaliação do resultado deste trabalho.

Figura 1 – Área de estudo. O inventário de vários trechos de bairros de Londrina foi realizado no período de 2012 a 2016 por grupos de alunos do curso de Engenharia Ambiental da Universidade Tecnológica Federal do Paraná, sob a supervisão de um especialista em Botânica. Para cada árvore foram registradas as seguintes informações: data da coleta, endereço do imóvel (com nome da via pública e número), nome comum, altura, circunferência à altura do peito (CAP), situação do caule e raiz e largura da calçada. A partir dos dados do endereço de cada árvore, foi feita a geocodificação, processo que gera coordenadas de latitude e longitude a partir de endereços. As coordenadas geodésicas foram posteriormente convertidas para coordenadas planas da projeção UTM, Fuso 22 Sul. Muitos endereços estavam incompletos ou apenas com a




indicação de um ponto de referência, como por exemplo, praça ou supermercado. Isto dificultou o processo,exigindo confirmação de localização.

Além dos dados de posicionamento, as demais informações que caracterizam cada árvore foram também importadas, a fim de gerar um banco de dados geográfico para futuras análises e consultas espaciais, úteis em atividades de gestão.

Com a obtenção de dados pontuais das árvores, foi aplicado o operador de densidade Kernel, utilizando a função quártica, expressa na Equação 1, em que τ indica o raio e dij é a distância euclidiana entre a i-ésima posição e a j-ésima amostra (CAMARGO, FUCKS E CÂMARA, 2004). Os valores avaliados foram 10, 20 e 30 m para tamanho do pixel dos índices de vegetação e Kernel; e 30 e 50 m para raio da função de Kernel. Estes valores foram definidos empiricamente, na tentativa de encontrar a melhor representação para os índices de vegetação que apresentasse correlação com a densidade arbórea.

K (x , y , τ)=3

π τ2(1�

d ij2

2τ2)2

(1) As imagens de Sensoriamento Remoto foram utilizadas com intuito de avaliar se seria possível obter um modelo de regressão, após a aplicação de técnicas de Processamento Digital de Imagens, com os dados de densidade Kernel, e com isso inferir características qualitativas da distribuição espacial arbórea. Foi obtida uma imagem gerada pela constelação RapidEye1, cedida pelo Ministério do Meio Ambiente, cujo pixel ortorretificado possui resolução espacial de 5m e resolução radiométrica de 12 bits. A data de aquisição da imagem foi 25/07/2014. As bandas espectrais são: azul (440–510 nm), verde (520-590 nm), vermelho (630-685 nm), vermelho limítrofe ou red-edge (690-730 nm) e infravermelho próximo (760- 850 nm). Foi feita a conversão das imagens para reflectância e a correção atmosférica, a fim de transformar a reflectância aparente em reflectância de superfície, corrigindo a interferência atmosférica existente devido ao espalhamento da energia, que ocorre quando há interação com partículas suspensas, vapor d’água, ozônio e aerossóis (JENSEN; EPIPHANIO, 2009). Para esta correção, aplicou-se o método de transferência radiativa Second Simulation of the Satellite Signal in the Solar Spectrum, 6S, (VERMOTE, 1997). Os parâmetros utilizados para a correção atmosférica, realizada com o SIG Grass foram: modelo atmosférico tropical, modelo de aerossóis urbano e visibilidade de 40 km. O valor de

1 Inclui material © (2014) RapidEye AG. Todos os direitos

reservados.

visibilidade foi utilizado conforme Silva e Valeriano (2003). O Índice de Vegetação por Diferença Normalizada, ou NDVI (Normalized Difference Vegetation Index) permite o mapeamento, mensuração e análise da condição da vegetação de uma determinada área (JENSEN; EPIPHANIO, 2009). O cálculo de NDVI foi feito conforme a Equação 2. O termo ρivp é reflectância na faixa do infravermelho próximo e ρR é a reflectância na região da luz vermelha. Neste trabalho, avaliou-se também o NDVI substituindo a faixa espectral de ρR pela reflectância gerada a partir da faixa espectal red-edge.

NDVI=ρIVP�ρRρ IVP+ρR (2)

O Índice de Vegetação Realçado, ou EVI (Enhanced Vegetation Index) é semelhante ao NDVI, porém contém três coeficientes determinados empiricamente: o coeficiente (C1) de correção dos efeitos atmosféricos para o vermelho (6,0), o coeficiente (C2) de correção dos efeitos atmosféricos para o azul (7,5) e o fator de correção L para interferência do solo (1,0). Além disso, existe o fator de ganho G, que é 2,5. Esse índice, expresso na Equação 3, melhora a sensibilidade para regiões de alta biomassa e concede um melhor desempenho do monitoramento da vegetação, por meio da diminuição da influência do sinal oriundo do substrato abaixo do dossel e da redução da influência atmosférica (JENSEN; EPIPHANIO, 2009). Este índice também foi avaliado com a substituição da banda espectral da luz vermelha pela red-edge.

EVI=GρIVP�ρR

ρ IVP+C1ρR+C2ρB+L(1+ L)

(3) A rua selecionada para avaliar a possibilidade de inferência de características da distribuição espacial da arborização urbana foi a rua São Salvador, devido à distribuição não uniforme das árvores, com trechos bem heterogêneos em termos de números de árvores por quadras. Delimitou-se uma área retangular, que abrangia apenas o limite da rua e das calçadas. Este procedimento foi adotado a fim de excluir outras áreas verdes da análise, como jardins, gramados, praças. Este limite foi adotado para o recorte dos índices de vegetação NDVI e EVI, e operadores de densidade Kernel, nas diferentes resoluções. Avaliou-se, por fim, a possibilidade de modelar por regressão linear a relação entre a densidade gerada pelo operador Kernel e os valores de índices de vegetação




avaliados, comparando-se o coeficiente de determinação R2 e o gráfico de dispersão. 3 RESULTADOS E DISCUSSÃO Após a geocodificação, obteve-se uma camada vetorial com aproximadamente 4000 pontos e seus respectivos atributos, cada ponto um associado a uma árvore, cuja distribuição espacial pode ser visualizada na Figura 2. Na carta (Figura 2), observa-se algumas ruas sem símbolos correspondentes às árvores. Neste caso, não indica que a rua não tem árvores, mas que estas ruas não foram inventariadas.

Figura 2 – Carta das árvores da região central. Os resultados dos índices de vegetação EVI e EVI com red-edge, e do operador de densidade Kernel estão nas Figuras 3, 4 e 5, respectivamente. Foi selecionada apenas uma rua, para avaliação inicial do modelo de regressão, pois o intuito foi descartar a área verde do interior das quadras, jardins, praças, entre outros, restringindo a análise apenas às árvores presentes nas calçadas. Sendo assim, após o recorte da área específica para a rua em que foi feito o teste, obteve-se o resultado da Figura 6. Neste recorte, observa-se que a correlação entre os dados de campo, representados pelo operador de densidade e os índices de vegetação, não é muito forte, em termos de valores positivos e negativos. O coeficiente de determinação entre os índices de vegetação e os operadores de densidade Kernel, com seus respectivos parâmetros estão listados na Tabela 1. Observa-se que o valor de R2 apresentou-se muito baixo para todas as combinações. Dentre as combinações avaliadas, verificou-se que o índice de vegetação EVI apresentou resultados um pouco melhores que o NDVI,

chegando ao R2 de 8,03 e 8,9 (destacados na Tabela 1), utilizando a banda da luz vermelha e red-edge, respectivamente, bem como as resoluções de 30m e 20m. Nestes dois resultados foi utilizado o operador de densidade Kernel de raio 50m e resolução 30m. As Figuras 7 e 8 apresentam a dispersão dos pontos dos índices de vegetação e dos operadores Kernel, bem como a reta de regressão. Observa-se que a dispersão entre os pontos do índice EVI é maior em comparação ao índice EVI com a banda red-edge. Além disso, a orientação da reta de regressão é inversa nos dois modelos. Espera-se que quanto maior a densidade arbórea, maior o valor de índice de vegetação e nesse sentido, o EVI red-edge é mais condizente que o EVI. Em termos gerais, verificou-se que com o modelo de regressão não foi possível encontrar uma relação matemática que associasse, com alto grau de concordância, os valores de densidade Kernel com os valores dos índices de vegetação. Há várias razões que podem justificar esse nível baixo de ajuste do modelo, dentre elas a diferença temporal entre o conjunto de dados coletados e a obtenção da imagem. As coletas foram realizadas no período de 2012 a 2016, uma janela grande de coleta, e a imagem foi adquirida em 2014. Assim, algumas árvores que podem ter sido inventariadas antes da aquisição da imagem e depois removidas, poderiam gerar esse tipo de contradição que resultou em um ajuste não satisfatório do modelo de regressão. Tabela 1 – R2 obtidos pela regressão entre índices de vegetação e operadores Kernel.

Índice de vegetação

Resolu-ção do Índice

de vege-tação

Raio do Kernel

(m)

Resolução do Kernel

(m)

R2

2,14303020EVI EVI 30 50 30 8,03

4,43305020EVI 0,69303030EVI

EVI red-edge 0,14103010 EVI red-edge 4,78303020 EVI red-edge 20 50 30 8,9 EVI red-edge 1,68305030

0,34105010NDVI 1,27303020NDVI 3,27205020NDVI 4,72305020NDVI 3,52305030NDVI 0,38303030NDVI

NDVI red-edge 0,47105010 NDVI red-edge 3,9303020NDVI red-edge 7,18305020 NDVI red-edge 5,81205020




NDVI red-edge 2,78303030

Figura 3 – Carta do Índice de vegetação EVI, gerado com resolução espacial de 30m.

Figura 4 – Carta do Índice de vegetação EVI com red-edge, gerado com resolução espacial de 20m.

Figura 5 – Carta do Operador de densidade Kernel, gerado com parâmetros de 50m de raio e resolução espacial de 30m. De qualquer forma, muitos trabalhos citam as relações (ROUSE et al., 1974; BARET; GUYOT, 1991; GITELSON, 2004) entre índices de vegetação e densidade, bem como outros parâmetros biofísicos da vegetação, como Índice de Área Foliar (IAF) e Radiação Fotossinteticamente Ativa (RFA). Assim, julga-se importante expandir este estudo, buscando menor diferença temporal entre o dado coletado e a imagem de Sensoriamento Remoto, avaliando um número maior de áreas, testando outras resoluções espaciais para o Kernel e para os índices e também imagens de Sensoriamento Remoto de outros sensores.




(a)

(b)

(c)

Figura 6 – Recorte dos índices de vegetação (a) EVI; (b) EVI red-edge e (c) Kernel, para a extensão da Rua São Salvador.

Figura 7 – Gráfico de dispersão e reta de regressão entre pontos de EVI, banda red, resolução de 30m e Kernel, de raio 50m e pixel de 30m. R2=8,03%.

Figura 8 – Gráfico de dispersão e reta de regressão entre pontos de EVI red-edge, com resolução de 20m e Kernel com raio de 50m e resolução de 30m. R2=8,90%. 4 CONCLUSÕES Conclui-se que a partir das técnicas e imagens utilizadas, não foi possível confirmar a aplicabilidade de Sensoriamento Remoto para inferir características da distribuição espacial da arborização urbana. A resolução espacial das imagens utilizadas foi de 5m, o que por hipótese poderia dar condições de realizar a inferência desejada. De qualquer forma, trabalhos futuros podem avaliar imagens de resolução espacial maior, com menor diferença temporal entre os dados obtidos em campo e a aquisição da imagem, bem como outros parâmetros para geração do Kernel e outros índices de vegetação. A utilização de imagens obtidas por meio de plataformas aéreas em substituição às adquiridas por satélites orbitais também deve ser avaliada em trabalhos futuros. AGRADECIMENTOS Os autores agradecem a Universidade Tecnológica Federal do Paraná pelo apoio para realização deste trabalho. A primeira autora agradece o apoio financeiro da Fundação Araucária (AA, PROREC, 2014) para a coleta de parte dos dados utilizados neste trabalho e aos colegas que colaboraram na coleta de dados. REFERÊNCIAS BARET, F., GUYOT G. Potentials and limits of vegetation indices for LAI and APAR assessment, Remote Sensing of Environment, v. 35, p. 161-173, 1991.




CAMARGO, E.C.G.; FUCKS, S.D.; CÂMARA, G. Análise espacial de superfícies. In: DRUCK, S.;CARVALHO, M.S.; CÂMARA, G.; MONTEIRO, A.M.V. (Ed.). Análise espacial de dados geográficos. Planaltina: Embrapa Cerrados, 2004. p.79-122.

Embrapa Monitoramento Por Satélite E Prefeitura Municipal De Campinas. Portal Árvores De Campinas.Disponível em: < http://mapas.cnpm.embrapa.br/ arvores_campinas/ >. Acesso em: 18 out. 2016.

GITELSON, A. Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation. Journal of Plant Physiology, v. 161, p. 165-173, 2004.

IBGE. Censo demográfico 2010. Disponível em:<http://www.censo2010.ibge.gov.br/apps/atlas>. Acesso em: 03 jun. 2016.

JENSEN, J. R.; EPIPHANIO, J. C. N. (Coord.).Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos Campos, SP:Parêntese, 2009. 598 p.

MONICO, J. F. G. Posicionamento pelo GNSS:descrição, fundamentos e aplicações. 2. ed. São Paulo, SP: UNESP, 2007. 476 p.

NOVO, E. M. L. de M. Sensoriamento remoto:princípios e aplicações. São Paulo: Blucher, 2008. 363p.

ROUSE, J. W. Jr. et al. Monitoring the Vernal Advancement and retrogradation (Green Wave Effect) of Natural vegetation. NASA/GSFC. Final Report, Greenbelt, MD, 1974, 371p.

SILVA, B. S. G; VALERIANO, D. M. Georeferenciamento e análise da correção atmosférica para o cálculo de albedo usando o sensor Landsat ETM+. In: Simpósio Brasileiro de Sensoriamento Remoto, 11., 2003, Belo Horizonte. Anais... São José dos Campos: INPE, 2003. p. 2143-2150.

VERMOTE, E.F. et al. Second simulation of the satellite signal in the solar spectrum, 6S: An overview., IEEE Trans. Geosc. and Remote Sens, v. 35, p.675-686, 1997.

aplicabilidade de imagens de sensoriamento remoto...

Documents