tese juliana amorim da costa

1

Universidade de So Paulo Escola Superior de Agricultura Luiz de Queiroz

Uso de imagens de alta resoluo para definio de corredores

verdes na cidade de So Paulo

Juliana Amorim da Costa

Dissertao apresentada para obteno do ttulo de Mestre em Cincias. rea de concentrao: Recursos Florestais com opo em Conservao de Ecossistemas Florestais

Piracicaba 2010

2

Juliana Amorim da Costa Gestora Ambiental

Uso de imagens de alta resoluo para definio de corredores verdes na cidade

de So Paulo

Orientador: Prof. Dr. DEMSTENES FERREIRA DA SILVA FILHO

Dissertao apresentada para obteno do ttulo de Mestre em Cincias. rea de concentrao: Recursos Florestais com opo em Conservao de Ecossistemas Florestais

Piracicaba 2010

Dados Internacionais de Catalogao na Publicao

DIVISO DE BIBLIOTECA E DOCUMENTAO - ESALQ/USP

Costa, Juliana Amorim da Uso de imagens de alta resoluo para definio de corredores verdes na cidade de So

Paulo / Juliana Amorim da Costa. - - Piracicaba, 2010. 114 p. : il.

Dissertao (Mestrado) - - Escola Superior de Agricultura Luiz de Queiroz, 2010. Bibliografia.

1. Arborizao 2. Espao Urbano 3. Espaos verdes 4. Geoprocessamento 5. Planejamento ambiental 6. Sensoriamento remoto I. Ttulo

CDD 333.72 C837u

Permitida a cpia total ou parcial deste documento, desde que citada a fonte O autor

3

Aos meus pais, Amorim e Cida, por sempre

priorizarem minha educao e de minha

irm, dedico.

5

AGRADECIMENTOS

A Deus, por iluminar meu caminho;

Ao meu querido orientador, professor Demstenes Ferreira da Silva Filho, pelo

aprendizado e por me guiar nesse estudo;

Ao querido Jefferson, muito mais do que o tcnico do laboratrio, pela amizade e por

toda ajuda;

Aos meus pais, Amorim e Cida, e minha irm, Caroline, pela pacincia que tiveram

comigo nesse perodo e por me ajudarem com a dissertao sempre que necessrio;

Ao meu querido amigo e vizinho para sempre Bruno (Top), um irmo em todos os

momentos;

Aos amigos do Centro de Mtodos Quantitativos, em especial: Marcos, Camila e Smia,

pelos cafs, almoos e jantares e por todo apoio;

Aos amigos de graduao, em especial: Luiza (Ferrari), Mrcia (Pi-q), Bruno (Montoro),

Diego (Pra), Paulo Guilherme (Garmin) e Marcel (Ripax) pelos momentos de

descontrao;

Aos amigos da Casa do Estudante Universitrio, em especial: Luana (Skuna), Thas

(Fofoleti) e Isabela (Pixe), pelas conversas e pelo futebol;

Aos colegas de trabalho, em especial: Ana Maria, Ndia, Mariana (Fa-b-ne) e Aline por

me acompanharem diariamente na etapa final desse estudo;

A todos os familiares e amigos que participaram e me apoiaram nessa pesquisa;

FAPESP por financiar essa pesquisa.

7

Tem horas em que, de repente, o mundo

vira pequenininho, mas noutro de-repente ele j

torna a ser demais de grande, outra vez. A

gente deve de esperar o terceiro pensamento.

Joo Guimares Rosa

9

SUMRIO

RESUMO........................................................................................................................ 11

ABSTRACT .................................................................................................................... 13

LISTA DE FIGURAS ...................................................................................................... 15

LISTA DE TABELAS ...................................................................................................... 21

1 INTRODUO ............................................................................................................ 23

2 REVISO BIBLIOGRFICA ........................................................................................ 25

2.1 Urbanizao no Brasil e em So Paulo e suas consequncias ................................ 25

2.2 Corredores verdes urbanos ...................................................................................... 28

2.3 Sensoriamento remoto e sistemas de informao geogrfica .................................. 31

3 MATERIAL E MTODOS ............................................................................................ 35

3.1 rea de estudo ......................................................................................................... 35

3.1.1 O municpio de So Paulo ..................................................................................... 35

3.2 Processamento das imagens ................................................................................... 36

3.2.1 Fuso e classificao de imagens de alta resoluo ............................................ 38

3.2.1.1 Fuso das imagens Quickbird ............................................................................ 38

3.2.1.2 Classificao automtica de imagens de alta resoluo .................................... 38

3.3 Clculo do ndice de Floresta Urbana ...................................................................... 41

3.4 Definio de reas prioritrias para corredores verdes ............................................ 42

3.4.1 ndice de vegetao e declividade ........................................................................ 43

3.4.2 Pontos de alagamento e imagens classificadas .................................................... 44

4 RESULTADOS E DISCUSSO ................................................................................... 47

4.1 Fuso de imagens Quickbird .................................................................................... 47

4.2 Obteno de dados fsicos a partir de imagens de alta resoluo ........................... 52

4.2.1 Classificadores no supervisionados .................................................................... 53

4.2.2 Classificadores supervisionados ........................................................................... 57

4.3 Quantificao de cobertura arbrea em reas urbanas ........................................... 64

4.3.1 Subprefeitura da Mooca ........................................................................................ 64

4.3.2 Subprefeitura da S .............................................................................................. 71

4.3.3 Subprefeitura de Pinheiros .................................................................................... 76

4.4 Definio das reas prioritrias para corredores verdes .......................................... 80

10

4.4.1 ndice de vegetao e declividade ........................................................................ 81

4.4.1.1 ndice de vegetao ........................................................................................... 81

4.4.1.2 Declividade em reas urbanas .......................................................................... 85

4.4.1.3 reas prioritrias para corredores verdes: ndice de vegetao x declividade .. 87

4.4.2 Pontos de alagamento e rvores urbanas ............................................................ 97

4.4.2.1 Correlao entre copa arbrea e ocorrncias de alagamentos ......................... 98

4.4.2.2 Definio de reas prioritrias para corredores verdes ................................... 104

4.4.2.2.1 Subprefeitura da Mooca ................................................................................ 104

4.4.2.2.2 Subprefeitura da S ...................................................................................... 106

4.4.2.2.3 Subprefeitura de Pinheiros ........................................................................... 107

5 CONCLUSES ......................................................................................................... 109

REFERNCIAS ........................................................................................................... 111

11

RESUMO Uso de imagens de alta resoluo para definio de corredores verdes na cidade

de So Paulo

A presena de reas verdes nas cidades traz inmeras melhorias a esta e melhora a qualidade de vida do cidado. Os elementos vegetativos urbanos contribuem para a diminuio dos fenmenos conhecidos como ilhas de calor, amenizao de inundaes e de problemas respiratrios na populao, alm de exercerem funes estticas, de lazer e educacional. Entretanto, o crescimento das cidades brasileiras no foi acompanhado por um planejamento urbano que conduzisse essa expanso e reservasse espaos para o verde, como o caso da cidade de So Paulo. Uma metrpole que possui problemas sociais e ambientais que a cada dia ajudam a deteriorar a qualidade de vida de seus moradores, sendo vista como a capital do stress, poluio e violncia. As ferramentas de geoprocessamento e sensoriamento remoto vem sendo utilizadas com sucesso para avaliar o tecido urbano e, em especial, a arborizao presente na cidade. Assim, fez-se uso de imagens de alta resoluo para indicar reas prioritrias a serem arborizadas em trs regies da cidade de So Paulo, utilizando o conceito de corredores verdes: subprefeitura da Mooca, subprefeitura da S e subprefeitura de Pinheiros. Para isto foram avaliados diferentes mtodos de obteno de dados fsicos do tecido urbano, por meio de tcnicas classificao de imagens de alta resoluo. O mtodo de classificao que demonstrou ser o mais adequado para este trabalho foi o Stepwise Linear. Tambm foram estudadas e relacionadas variveis que influenciam na presena do verde na cidade: ndice de vegetao e declividade; e pontos de alagamento e quantidade de cobertura arbrea. Estas duas ltimas variveis no apresentaram correlao entre si. Por meio destas variveis foi possvel indicar reas prioritrias para o desenvolvimento de corredores verdes. Foram comparadas imagens de satlite de diferentes anos para acompanhar e estudar a evoluo das reas verdes na cidade. Deste modo, oferecer diretrizes para guiar a cidade de So Paulo em direo sustentabilidade urbana.

Palavras-chave: Geoprocessamento; Sensoriamento Remoto; Verde Urbano

13

ABSTRACT

Use of high-resolution images to define greenways i n the city of Sao Paulo

The presence of green areas in the cities brings uncountable improvements to them and also makes better citizens life. Urban vegetative elements contribute to reduce a phenomenon known as urban heat island; it softens inundations and peoples respiratory problems, besides its esthetical, leisure and educational functions. Although Brazilian cities growth was not supported by an urban planning that would have leaded expansion and also could have reserved green areas, as it is in So Paulo city. A metropolis which has social and environment problems that each day help to damage quality of people life with the image of the stress, pollution and violence center. Geoprocessing and remote sensing have been used successfully to evaluate urban area and, specially, urban forestry presence. Thus, it was used high definition images to indicate proprietary areas to be urban forestry in three zones of So Paulo, using the concept of greenways: Moocas administrative region, Ss administrative region and Pinheiross administrative region. For this, it was evaluated many methods to obtain physical data from So Paulo city urban area, through high-resolution image classification techniques. The method Stepwise Linear proved to be most appropriate for this research. Also it was evaluated variables studied that influence green presence in the city: vegetation index and slope; and flooding points and quantity of tree cover. These last two variables not showed correlation. By means of these variables were indicated priority areas for greenways. Satellite images from different periods were compared to observe and study green areas evolution in the city. Therefore, offering directions to guide So Paulo city toward to urban sustainability Keywords: Geoprocessing; Remote Sensing; Urban Green

15

LISTA DE FIGURAS

Figura 1 - rea de estudo ............................................................................................... 36

Figura 2 - TIN gerado a partir do MDT para a imagem Quickbird 2008 da

subprefeitura da S ................................................................................... 44

Figura 3 - Testes de fuso das imagens Quickbird 2008 para a subprefeitura da

Mooca: a) Imagem fusionada utilizando as bandas do azul, vermelho,

infravermelho prximo e pancromtica (Teste 1); b) Imagem fusionada

utilizando as quatro bandas multiespectrais, mais a banda pancromtica

(Teste 2); c) Imagem fusionada utilizando as bandas do verde, vermelho,

infravermelho prximo e pancromtica (Teste 3) ......................................... 48

Figura 4 - Testes de fuso das imagens Quickbird 2008 para a subprefeitura de

Pinheiros: a) Imagem fusionada utilizando as bandas do azul, vermelho,




infravermelho prximo e pancromtica (Teste 3) ......................................... 49

Figura 5 - Testes de fuso das imagens Quickbird 2008 para a subprefeitura da S:

a) Imagem fusionada utilizando as bandas do azul, vermelho,




infravermelho prximo e pancromtica (Teste 3) .......................................... 50

Figura 6 - Testes com o classificador K-Means: a) Recorte de imagem IKONOS do

ano de 2002 da subprefeitura da Mooca; b) Recorte de Imagem IKONOS

classificada da subprefeitura da Mooca; c) Recorte de imagem Quickbird

do ano de 2008 da subprefeitura da Mooca; d) Recorte de Imagem

Quickbird classificada da subprefeitura da Mooca ....................................... 54

16

Figura 7 - Dendograma de imagem IKONOS da subprefeitura da Mooca, classificada

pelo mtodo K- Means .................................................................................. 55

Figura 8 - Testes com o classificador ISODATA: a) Recorte de imagem IKONOS do

ano de 2002 da subprefeitura da Mooca; b) Recorte de Imagem IKONOS

classificada da subprefeitura da Mooca; c) Recorte de imagem Quickbird

do ano de 2008 da subprefeitura da Mooca; d) Recorte de Imagem

Quickbird classificada da subprefeitura da Mooca ....................................... 56

Figura 9 - Dendograma de imagem IKONOS da subprefeitura da Mooca, classificada

com o mtodo ISODATA ............................................................................... 57

Figura 10 - Testes com o classificador de Mxima Verossimilhana: a) Recorte de

imagem IKONOS do ano de 2002 da subprefeitura de Pinheiros; b)

Recorte de imagem IKONOS classificada da subprefeitura de Pinheiros;

c) Recorte de imagem Quickbird do ano de 2008 da subprefeitura de

Pinheiros; d) Recorte de Imagem Quickbird classificada da subprefeitura

de Pinheiros .................................................................................................. 59

Figura 11 - Dendograma de imagem Quickbird do ano de 2008 da subprefeitura de

Pinheiros, classificada com o mtodo de Mxima ...................................... 60

Figura 12 - Testes com o classificador Stepwise Linear: a) Recorte de imagem

IKONOS do ano de 2002 da subprefeitura de Pinheiros; b) Recorte de

imagem IKONOS classificada da subprefeitura de Pinheiros; c) Recorte

de imagem Quickbird do ano de 2008 da subprefeitura de Pinheiros; d)

Recorte de Imagem Quickbird classificada da subprefeitura de

Pinheiros ................................................................................................... 61

Figura 13 - Dendograma de imagem Quickbird da subprefeitura de Pinheiros,

classificada com o mtodo Stepwise Linear ............................................ 63

Figura 14 - Rua Maria Domitila, Brs ............................................................................. 65

17

Figura 15 - Matriz de erro de classificao da imagem IKONOS de 2002 para a

subprefeitura da Mooca ............................................................................. 67

Figura 16 - Matriz de erro de classificao da imagem Quickbird de 2004 para a






Figura 19 - Rua Boa Vista, S ........................................................................................ 72


subprefeitura da S .................................................................................... 73





Figura 23 - Avenida Antonio Batuira, Alto de Pinheiros .................................................. 77


subprefeitura de Pinheiros ......................................................................... 78


subprefeitura de Pinheiros ......................................................................... 79

Figura 26 - Alagamento na Rua Maria Domitila, Brs, dia 06 de fevereiro de 2010 ....... 81

18

Figura 27 - ndice de vegetao aplicado para a subprefeitura da Mooca: a)

Resultado da aplicao do TVI; b) TVI reclassificado em quatro

classes ..................................................................................................... 83

Figura 28 - ndice de vegetao aplicado para a subprefeitura da S: a) Resultado

da aplicao do TVI; b) TVI reclassificado em quatro classes ................... 83

Figura 29 - ndice de vegetao aplicado para a subprefeitura de Pinheiros: a)

Resultado da aplicao do TVI; b) TVI reclassificado em quatro

classes ...................................................................................................... 84

Figura 30 - Declividades referentes subprefeitura da Mooca: a) Declividade gerada

a partir do MDT e TIN; b) Declividade reclassificada em quatro classes .... 86

Figura 31 - Declividades referentes subprefeitura da S: a) Declividade gerada a

partir do MDT e TIN; b) Declividade reclassificada em quatro classes ...... 86

Figura 32 - Declividades referentes subprefeitura de Pinheiros: a) Declividade

gerada a partir do MDT e TIN; b) Declividade reclassificada em quatro

classes ...................................................................................................... 87

Figura 33 - reas prioritrias para polticas de arborizao na subprefeitura da

Mooca ....................................................................................................... 88

Figura 34 - Rua Santa Albertina, gua Rasa ................................................................. 89

Figura 35 - Indicao de reas para corredores verdes na subprefeitura da Mooca ..... 90

Figura 36 - reas prioritrias para polticas de arborizao na subprefeitura da S ..... 91

Figura 37 - Rua Pedroso, Bela Vista ............................................................................. 92

Figura 38 - Indicao de reas para corredores verdes na subprefeitura da S ........... 93

19

Figura 39 - reas prioritrias para polticas de arborizao na subprefeitura de

Pinheiros ................................................................................................... 94

Figura 40 - Rua Jernimo da Veiga, Itaim Bibi ............................................................... 95

Figura 41 - Indicao de reas para corredores verdes na subprefeitura de

Pinheiros ................................................................................................. 96

Figura 42 - Definio de corredores verdes para as subprefeituras da Mooca, da S

e de Pinheiros ............................................................................................. 97

Figura 43 - Grfico de correlao entre rea de copa e pontos de alagamento para a

subprefeitura da Mooca ............................................................................... 99


subprefeitura da S ................................................................................... 101


subprefeitura de Pinheiros......................................................................... 103

Figura 46 - Localizao dos quadrantes definidos como prioritrios para corredores

verdes para a subprefeitura da Mooca ...................................................... 105


verdes para a subprefeitura da S ............................................................ 106


verdes para a subprefeitura de Pinheiros .................................................. 108

21

LISTA DE TABELAS

Tabela 1 - Caractersticas do satlite Quickbird ............................................................. 37

Tabela 2 - Descrio das bandas presentes na imagem Quickbird ............................... 38

Tabela 3 - Interpretao do ndice Kappa ...................................................................... 40

Tabela 4 - Porcentagem das classes para a subprefeitura da Mooca utilizando o

mtodo de classificao de Mxima Verossimilhana ................................ 51

Tabela 5 - Porcentagem das classes para a subprefeitura da Mooca utilizando o

mtodo de Classificao Stepwise Linear ................................................... 52

Tabela 6 - Cobertura do solo da regio da subprefeitura da Mooca nos anos de

2002, 2004, 2006 e 2008 ............................................................................ 66

Tabela 7 - ndice de Floresta Urbana para a subprefeitura da Mooca ........................... 70

Tabela 8 - Cobertura do solo da regio da subprefeitura da S nos anos de 2002,

2004, 2006 e 2008 ....................................................................................... 73

Tabela 9 - ndice de Floresta Urbana para a subprefeitura da S .................................. 75

Tabela 10 - Cobertura do solo da regio da subprefeitura de Pinheiros nos anos de

2002, 2004 e 2008 ...................................................................................... 78

Tabela 11 - ndice de Floresta Urbana para a subprefeitura de Pinheiros ..................... 80

Tabela 12 - Faixas de Declividade ................................................................................. 86

Tabela 13 - Prioridade para arborizao ........................................................................ 87

Tabela 14 - Mdia dos valores de prioridade para arborizao nos bairros da

subprefeitura da Mooca ............................................................................ 89

22


subprefeitura da S .................................................................................. 91


subprefeitura de Pinheiros ....................................................................... 94

Tabela 17 - Valores de copa arbrea e pontos de alagamento para a subprefeitura

da Mooca .................................................................................................... 98


da S ........................................................................................................ 100


de Pinheiros ............................................................................................. 102

Tabela 20 - Quadrantes indicados como prioritrios para arborizao na

subprefeitura da Mooca ...................................................................... 105


subprefeitura da S ............................................................................ 106


subprefeitura de Pinheiros .................................................................. 107

23

1 INTRODUO

A crescente crise ambiental sentida pela populao mundial, principalmente,

devido s consequncias do aquecimento global, gerou mudanas de percepo em

relao ao ambiente onde vivemos. Assim, um fator relevante na atualidade tem sido a

preocupao com a questo ambiental que permeia a qualidade de vida das pessoas.

Maior importncia est sendo dada s reas verdes, principalmente, s florestas.

Entretanto, com a maior parte da populao do planeta vivendo em reas urbanas,

deve-se dedicar uma ateno especial s reas verdes desses locais (COSTA, 2004).

Sendo a cidade de So Paulo, uma das maiores cidades mundiais, que

concentra mais de dez milhes de pessoas (INSTITUTO BRASILEIRO DE

GEOGRAFIA E ESTATSTICA, IBGE, 2007), possuindo todos os problemas que tal

ttulo e tal adensamento populacional lhe conferem, como concentrao de muitas ilhas

de calor (PENHALBER et al., 2004), esta precisa de um planejamento efetivo de suas

reas verdes, para que sua populao tenha uma qualidade de vida digna e para que

se enquadre como uma cidade sustentvel.

E de grande auxlio para o estudo e planejamento de reas urbanas so os

Sistemas de Informaes Geogrficas (SIG) e ferramentas de sensoriamento remoto.

Estas permitem a identificao de elementos presentes no tecido urbano alm de

diversas anlises quantitativas e qualitativas deste ambiente, sendo de especial

importncia para estudos de arborizao urbana.

Este trabalho pretende analisar diferentes mtodos de obteno de dados fsicos

do tecido urbano da cidade de So Paulo, por meio da anlise dos bairros de trs

regionais (Mooca, S e Pinheiros), tambm conhecidas como subprefeituras, com o

auxlio de tcnicas de geoprocessamento e sensoriamento remoto, alm de analisar

imagens de satlite de diversos anos da cidade, para poder comparar as modificaes

das reas verdes na regio, e assim indicar reas que mais necessitam de

investimentos para poderem ter uma arborizao de qualidade, que oferea todos os

benefcios que a mesma pode fornecer populao, bem como propor a utilizao de

corredores verdes nestas reas, j que os mesmos intensificam os benefcios da

arborizao.

24

Assim o objetivo geral desse trabalho a indicao de reas prioritrias para

corredores verdes nas trs subprefeituras estudadas da cidade de So Paulo: Mooca,

S e Pinheiros.

Como objetivos especficos desse trabalho tm-se:

(i) Anlise de diferentes modelos de obteno de dados fsicos do tecido urbano

da cidade de So Paulo por meio de sensoriamento remoto e sistemas de informao

geogrfica para a definio do melhor mtodo para eleio de reas prioritrias;

(ii) Anlise de imagens de satlite de diferentes pocas da cidade, para

verificao das transformaes das reas verdes nas trs regionais em estudo;

(iii) Definio de variveis importantes para a indicao de reas prioritrias para

corredores verdes.

25

2 REVISO BIBLIOGRFICA

2.1 Urbanizao no Brasil e em So Paulo e suas con sequncias

Desde a colonizao do Brasil as cidades construdas estabeleciam uma

separao entre ambiente urbano e ambiente natural, alm de estabelecer uma atitude

utilitarista com a natureza (PILOTTO, 2003).

E, de acordo com Bolaffi (1992), o planejamento urbano no Brasil no foi alvo de

uma poltica especfica, apesar de existirem alguns planos espalhados em vrias

cidades brasileiras, at o golpe militar de 1964. Durante o perodo militar foram criados

alguns rgos para estabelecerem essa poltica e criarem a primeira poltica urbana

nacional. Entretanto, o resultado no foi bom, houve corrupo dentro desses rgos,

as metas no foram atingidas e, muitas vezes, os planos que eram criados, ficavam

apenas no papel. O prprio autor descreve como uma infeliz experincia de

planejamento urbano.

Nesta poca estudada por Bolaffi (1992), mesmo se constituindo numa das

maiores cidades do pas, So Paulo ainda no possua um planejamento de sua

urbanizao.

Camarano e Beltro (2000) estudaram o perodo de 1940 a 1996, no Brasil, que

foi caracterizado por uma grande perda de populao rural e uma acentuada

concentrao populacional nas grandes cidades, processo ocasionado, principalmente,

pela migrao. E, de acordo com este trabalho, em 1940, 80,5% dos brasileiros viviam

nas reas rurais e/ou em cidades com menos de 20 mil habitantes. Menos de 30 anos

depois, em 1996, o percentual da populao que vivia em reas urbanas saltou para

78%, sendo que 17% residiam em So Paulo ou no Rio de Janeiro. O que demonstra a

rpida urbanizao do territrio brasileiro e So Paulo se consolidando como umas das

maiores cidades brasileiras.

Por meio da anlise do processo de urbanizao brasileira, percebe-se que

foram reservados poucos espaos vazios que pudessem servir como lazer e

preservao ambiental (ALVAREZ; PENTEADO, 2006).

26

Dias (2002 apud PILOTTO, 2003), estabelece uma relao entre a expanso dos

ecossistemas urbanos e o aumento dos problemas ambientais e sociais, analisando

que essa expanso acarreta no aumento do consumo energtico, na impermeabilizao

de solos, em alteraes microclimticas, fragmentao e destruio de habitats,

poluio atmosfrica e sonora, aumento da produo de resduos slidos, lquidos e

gasosos despejados em locais no adequados.

Estudo realizado no Atlas Ambiental do Municpio de So Paulo (2010) evidencia

os problemas que se intensificaram aps a rpida e no planejada urbanizao desta

cidade. Em destaque tem-se o problema das vrzeas, que foram tomadas por asfalto e

construes, diminuindo a capacidade de infiltrao no solo devido sua

impermeabilizao e contribuindo para ocorrncias de alagamentos. Esta relao entre

urbanizao no planejada, ocupao de reas de bacias com consequentes

problemas na drenagem urbana e agravamento de enchentes tambm foi apresentada

por Cruz et al. (2007) e Tucci (2003).

Todos estes itens apresentados acarretam em impactos negativos no ambiente e

na vida da populao, e os principais transtornos causados so a criao de ilhas de

calor e inundaes, devido ao aumento das taxas de escorrimento superficial (BRYANT,

2006), dois grandes problemas vivenciados no municpio paulista.

Estes conjuntos de informaes e dados evidenciam a catica e no planejada

urbanizao e o rpido adensamento populacional da cidade de So Paulo que evoluiu

muito rapidamente de uma pequena cidade com reduzida rea urbanizada, para uma

metrpole de status mundial, e as consequncias dessa urbanizao descontrolada so

sentidas atualmente (BARBOSA, 2001; IGLECIAS, 2002).

Como exemplos do reflexo dessa ausncia de polticas pblicas adequadas para

o municpio em questo, podem-se citar problemas ocasionados tanto na esfera

econmica, quanto nas esferas social e ambiental, resultando na degradao da

qualidade de vida da populao, por meio de altos nveis de poluio, grande

quantidade de resduos, transformao de reas verdes em reas impermeabilizadas,

altos nveis de violncia e segregao social, comprometendo a sade fsica e mental

desta populao, que j no convive mais no espao de rua, visto como um espao de

criminalidade (BRAGA, 1999; PILOTTO, 2003).

27

Assim, faz-se necessria a criao de uma infra-estrutura urbana que retire essa

imagem do espao pblico como um local de violncia e seja um ambiente para o lazer

dos moradores, aumentando a qualidade de vida dos mesmos. Para que estes voltem a

viver a cidade.

Alm disso, a implantao de reas verdes na cidade, graas s funes

exercidas pelas mesmas, exploradas no prximo item, contribui com a amenizao de

diversos problemas, como ilhas de calor, enchentes e doenas respiratrias na

populao, do mesmo modo que contribui com a esttica da cidade, com o lazer e a

educao.

Quanto sustentabilidade urbana, Wheeler (2000), analisa que esta deve conter

os seguintes aspectos: preservao de reas verdes, reduo do uso do automvel,

reduo de resduos e poluio, reutilizao e reciclagem, qualidade de vida

populao, habitao acessvel, promoo de igualdade social e de oportunidades, e

desenvolvimento da economia local.

Portanto, este trabalho vai de encontro s ideias de sustentabilidade urbana, j

que pretende identificar reas insuficientes na arborizao para assim poder servir

como base para projetos e/ou polticas de incremento da arborizao urbana. Deste

modo, pretende-se que So Paulo, alm de ser reconhecida como um plo artstico,

cultural, cientfico e tecnolgico, tambm seja conhecida por suas aes em direo

sustentabilidade ambiental.

Devido ao seu tamanho e complexidade, a cidade de So Paulo organizada em

regionais (subprefeituras). Cada uma destas responsvel por um setor da cidade, isto

, responsvel por manter a organizao e melhorar a qualidade de vida e infra-

estrutura de um nmero especfico de bairros.

A cidade est organizada em 31 subprefeituras, distribudas em todas as suas

zonas (oeste, centro, leste, sul e norte), e so as seguintes: Aricanduva (SPAF);

Butant (SPBT); Campo Limpo (SPCL); Capela do Socorro (SPCS); Casa Verde

(SPCV); Cidade Ademar (SPAD); Cidade Tiradentes (SPCT); Ermelino Matarazzo

(SPEM); Freguesia/Brasilndia (SPFO); Guaianases (SPG); Ipiranga (SPIP); Itaim

Paulista (SPIT); Itaquera (SPIQ); Jabaquara (SPJA); Jaan/Trememb (SPJT); Lapa

(SPLA); MBoi Mirim (SPMB); Mooca (SPMO); Parelheiros (SPPA); Penha (SPPE);

28

Perus (SPPR); Pinheiros (SPPI); Pirituba/Jaragu (SPPJ); Santana/Tucuruvi (SPST);

Santo Amaro (SPSA); So Mateus (SPSM); So Miguel Paulista (SPMP); S (SPSE);

Vila Mariana (SPVM); Vila Maria/Vila Guilherme (SPMG); e Vila Prudente (SPVP)

(PORTAL DA PREFEITURA DA CIDADE DE SO PAULO, 2009).

Neste trabalho foram analisadas quanto presena de floresta urbana, bem

como a evoluo da mesma em trs diferentes anos, a subprefeitura da Mooca, por se

localizar na regio leste da cidade, com bairros carentes em arborizao, a

subprefeitura da S, localizada no centro, tambm uma rea carente em arborizao e

a subprefeitura de Pinheiros, localizada na regio oeste da cidade, com maiores ndices

de reas verdes que as outras duas citadas.

2.2 Corredores verdes urbanos

A presena de reas verdes nas cidades traz diversos benefcios para seus

habitantes, j que, de acordo com Pizzol (2006) a qualidade do ambiente urbano est

relacionada aos aspectos fsicos, psicolgicos e visuais da paisagem, sendo

fundamental a presena de espaos livres contendo elementos vegetativos, pois a

vegetao est intrinsecamente relacionada melhoria e manuteno da qualidade

ambiental urbana.

Por isso, os elementos vegetativos devem ser considerados como elementos

urbanos, que fazem parte da cidade, e que esta no existe sem aqueles (MADUREIRA,

2002).

Neste projeto trabalhou-se com o conceito de greenways, que, de acordo com

Frischenbruder e Pellegrino (2006), tem seu equivalente em portugus na expresso

caminhos verdes, uma rea verde que dispe de maneira linear os elementos

vegetativos. Na literatura so encontrados diversos termos para designar essa

disposio linear da vegetao, como corredores verdes, vias verdes e redes

verdes (ALVAREZ; PENTEADO, 2006; MADUREIRA, 2002; PILOTTO, 2003;

QUENTAL; SILVA; LOURENO, 2004). Optou-se por utilizar o termo corredores

verdes.

29

Esses corredores so reas verdes que mantm uma linearidade na disposio

de seus elementos, planejados para desempenhar mltiplas funes, desde ecolgicas,

como conectividade entre as reas verdes j existentes e manuteno da

biodiversidade, at funes estticas, culturais e recreativas, gerando assim um

ordenamento sustentvel do territrio (AHERN, 1995; FRISCHENBRUDER;

PELLEGRINO, 2006).

Ahern (1995) considerou cinco ideias principais presentes no conceito de

corredores verdes:

- os corredores possuem uma configurao linear, que oferece vantagens para a

movimentao de animais e troca de energia e materiais, potencializando as funes de

uma rea verde (MADUREIRA, 2002);

- conectividade, configurando-se como sistemas integrados que adquirem

propriedades sinrgicas da rede formada;

- multifuncionalidade, refletindo objetivos ecolgicos, culturais, sociais e

estticos, compatibilizando diversos usos;

- so baseados no conceito de sustentabilidade, conciliando proteo ambiental

e desenvolvimento econmico;

- constituem um sistema linear integrado e devem ser considerados como um

complemento da paisagem urbana.

Pilotto (2003) acrescenta outra caracterstica chave aos corredores verdes

presentes na rea urbana: a interdependncia existente entre o ecossistema urbano e o

ecossistema natural.

Devido a essas caractersticas inerentes aos corredores verdes, estes acarretam

em benefcios sociais, econmicos e ambientais, j que alm da funo biolgica

(proteo da biodiversidade, criao de rotas de disperso, gerenciamento das guas,

compensao dos efeitos de fragmentao da paisagem, controle da eroso e

sedimentao), possuem funo educativa, atuando na sensibilizao da populao

para a importncia de reas verdes, alm de proporcionarem oportunidades de

recreao e fortalecimento e coeso comunitria e cultural (AHERN, 1995; ALVAREZ;

PENTEADO, 2006; BRYANT, 2006; PILOTTO, 2003; WALMSLEY,1995). Portanto

integra necessidades humanas com conservao da biodiversidade (BRYANT, 2006).

30

Ahern (1995) coloca algumas questes controversas quanto utilizao de

corredores verdes e seus benefcios. O autor esclarece que ainda h dvidas entre

pesquisadores sobre a atuao dos corredores em facilitar a movimentao de

espcies; outros acreditam que os recursos escassos reservados proteo ambiental

devem ser destinados proteo de reas j existentes e no criao de novas

reas; coloca tambm que os corredores podem ser inapropriados para uso urbano e

que a ateno dada a estes pode desviar a preocupao com outras prioridades de

conservao; alm de problemas polticos para a implementao dessas reas.

Outro ponto a ser questionado a demanda da populao por essas reas. A

participao da populao crucial para o sucesso de qualquer modificao no tecido

urbano. Por isso, faz-se necessrio um programa de educao ambiental com os

moradores para que possam se sensibilizar quanto importncia de reas verdes na

cidade e assim ver surgir uma vontade real de possuir essas reas, gerando respeito e

cuidado para com as mesmas.

Alguns estudos quanto viabilidade e implementao desses corredores j

foram realizados no Brasil. possvel citar o trabalho de Alvarez e Penteado (2006),

que estudaram a viabilidade de criao de corredores verdes urbanos na cidade de

Vitria, Esprito Santo; e Pilotto (2003) apresentou um mtodo de implementao de

uma rede verde urbana para Florianpolis, Santa Catarina.

Frischenbruder e Pellegrino (2006) enumeram alguns locais no Brasil que

introduziram o conceito de espao verde linear no tecido urbano: Floresta da Tijuca e

Petrpolis (Rio de Janeiro), Londrina e Maring (Paran), Goinia (Gois), So Jos do

Rio Preto (So Paulo) e Braslia. E concluem que o melhor exemplo o da cidade de

Curitiba, no Paran, pois alm de constiturem reas que protegem corpos dgua

mantendo reas de preservao, fazem parte de um sistema pblico recreacional.

Entretanto, Bryant (2006) analisa que o potencial da utilizao de corredores

verdes na rea urbana ainda no foi devidamente explorado e que o conhecimento

sobre sistemas naturais nas cidades ainda est incompleto.

No Brasil, alm do dficit de estudos na rea ser ainda maior, como afirmam

Frischenbruder e Pellegrino (2006), ainda no existem muitos modelos de corredores

verdes a serem analisados no pas, e aqueles j existentes so recentes.

31

2.3 Sensoriamento remoto e sistemas de informao g eogrfica

Sensores so dispositivos capazes de detectar e registrar a radiao

eletromagntica em determinada faixa do espectro eletromagntico e gerar informaes

que possam ser transformadas num produto passvel de interpretao, como na forma

de imagem (MOREIRA, 2005).

Tcnicas de sensoriamento remoto e geoprocessamento so de grande auxlio

para se conseguir informaes referentes visualizao e quantificao da arborizao

urbana e sua estrutura, permitindo uma avaliao peridica das reas, constituindo-se

de um mtodo eficiente e econmico, possibilitando uma viso total das reas

estudadas (SILVA FILHO, 2004).

Para aquisio do produto final, ou seja, das propriedades espectrais dos alvos

da superfcie terrestre, existem trs nveis em que os sensores podem ser utilizados:

terrestre, suborbital e orbital (MOREIRA, 2005).

Os satlites so sensores orbitais, e, neste trabalho foram utilizadas as imagens

multiespectrais produzidas pelo satlite IKONOS, operado pela empresa Space

Imaging, do ano de 2002, que registra a radiao eletromagntica proveniente dos

alvos em vrias faixas espectrais e possui alta resoluo espacial (1m x 1m de lado de

pixel), alm de um modelo de elevao digital do terreno do municpio de So Paulo.

O satlite IKONOS caracterizado como um satlite de recursos naturais,

utilizado para coleta de dados sobre os recursos naturais renovveis e no renovveis

da superfcie terrestre (MOREIRA, 2005).

Tambm foram utilizadas imagens multiespectrais de alta resoluo do satlite

Quickbird dos anos de 2004, 2006 e 2008, desenvolvido pela DigitalGlobe. um

satlite de alta preciso que oferece imagens comerciais de alta resoluo da Terra

(QUICKBIRD, 2008). Sendo 0,61m x 0,61m de lado de pixel para as imagens

pancromticas e 2,5m x 2,5m de lado de pixel para as imagens multiespectrais.

As imagens pancromticas e multiespectrais so planejadas para dar suporte

nas aplicaes em gerenciamento de avaliao de riscos e publicaes de mapas com

nfase nas reas urbanas (QUICKBIRD, 2008).

32

O sistema coleta dados com 61 centmetros de resoluo espacial no

pancromtico e 2,5 metros no multiespectral em um vasto campo de observao,

apresenta rpida seleo de alvo e permite a gerao de pares estereoscpicos

(QUICKBIRD, 2008).

De grande valia para elaborao de mapas urbanos; mapas de arruamentos e

cadastro; cadastro urbano e rural; apoio em GPS; uso e ocupao do solo (urbano,

sobretudo); arquitetura, urbanismo, paisagismo, dentre outras so os Sistemas de

Informaes Geogrficas (SIGs) (MOREIRA, 2005).

SIGs so as ferramentas utilizadas para realizar o geoprocessamento. E

geoprocessamento a utilizao de tcnicas matemticas e computacionais para tratar

dados obtidos de objetos ou fenmenos, quando eles so observados por um sistema

sensor (MOREIRA, 2005). Com o SIG pode-se realizar entrada de dados,

gerenciamento de informaes, recuperao de informaes, manipulao e anlise,

exibio e produo de sadas, tratamento de imagens digitais. Desta forma, uma

excelente ferramenta que contribui com o planejamento urbano.

So necessrios processamentos em imagens de satlite para a extrao de

alvos urbanos das imagens de maneira satisfatria. Dentro destes processamentos

tm-se, como exemplo, processos de fuso e classificao automtica de imagens,

alm de aplicao de ndices de vegetao.

A fuso de imagens permite manter a resoluo espectral obtida com uma

imagem multiespectral com melhora de sua resoluo espacial a partir de sua imagem

pancromtica (CENTENO; RIBEIRO, 2007). Para este processo existem diferentes

mtodos.

Pinho (2005) apresenta trs tipos de fuso realizados em imagens Quickbird: as

que utilizam um modelo de domnio espacial, as de domnio espectral e aquelas que

trabalham com operaes algbricas. Este autor destacou a tcnica conhecida como

Brovey, a qual obteve como resultado imagens com uma variao de cores significativa,

variando do verde brilhante ao azul escuro e diferena de tonalidade para reas

vegetadas. Este mtodo foi utilizado neste estudo, ele opera por meio de um modelo

algbrico com funes aritmticas pixel a pixel, realizando uma normalizao de cores.

33

O processo de classificao realizado para se obter informaes da imagem

que garantam uma anlise satisfatria do territrio. Existem variados tipos de

classificao automtica, desde aquelas que necessitam de maior interveno do

usurio e a necessidade de coleta de amostras de pixels que constituem o treinador, as

classificaes supervisionadas e aquelas que apenas necessitam da definio de

alguns parmetros, as classificaes no supervisionadas.

Dentro das classificaes supervisionadas possvel citar os mtodos de

Mxima Verossimilhana (Maximum Likelihood) e Stepwise Linear. O mtodo de

Mxima Verossimilhana avalia quantitativamente a varincia e a covarincia dos

padres de respostas espectrais das amostras de pixels coletadas da imagem,

assumindo que possuem uma distribuio normal e tambm faz uso de estatsticas de

probabilidade para identificar qual a classe que determinado pixel pertence

(LILLESAND et al., 2004). Enquanto que o mtodo Stepwise Linear faz uso de anlise

linear discriminante para encontrar a classe referente a determinado conjunto de pixels

(MICROIMAGES, 2006).

Para as classificaes automticas no supervisionadas tem-se, entre outros, os

mtodos K-Means e ISODATA (Iterative Self-Organizing Data Analysis). O mtodo K-

Means agrupa os pixels na quantidade de classes definida pelo usurio, calculando o

centride de cada classe para poder distribuir esses pixels. O mtodo ISODATA

tambm utiliza o valor do centro de cada classe para agrupar os pixels, alm de aplicar

tcnicas de fuso, excluso e diviso para a classificao (LILLESAND et al., 2004).

J os ndices de vegetao auxiliam na caracterizao de elementos vegetativos

presentes na imagem. Visam normalizar efeitos de variaes no dossel, no solo e em

componentes no fotossintticos da vegetao. Diversas variaes de ndices de

vegetao so passveis de processamento em programas de geoprocessamento,

como o NDVI (Normalized Vegetation Index) e o TVI (Transformed Vegetation Index)

(JENSEN, 2007). Testes devem ser realizados para estabelecer qual o melhor ndice a

ser aplicado na imagem de trabalho.

Neste trabalho optou-se pelo uso do TVI. Este ndice evidencia a vegetao

utilizando as bandas do infravermelho prximo e do vermelho da imagem

(MICROIMAGES, 2007).

34

Com a utilizao dessas tcnicas de geoprocessamento e sensoriamento remoto

foram avaliadas as reas verdes de So Paulo, para assim ser possvel direcionar

reas que mais necessitam de elementos vegetativos, com enfoque no conceito de

corredores verdes, bem como contribuir para a literatura especfica.

35

3 MATERIAL E MTODOS

3.1 rea de estudo

3.1.1 O municpio de So Paulo

O municpio de So Paulo possui extenso de 1.530 km de rea, altitude 500m

acima do nvel do mar, localizada na latitude de 2332.0'S e na longitude de 4637.0'W,

no estado de So Paulo, regio Sudeste, Brasil (CIDADE DE SO PAULO, 2008), com

uma populao de 10.886.518 habitantes (IBGE, 2007). Caracterizado por clima

subtropical (tipo Cwa segundo Kppenn), com temperaturas mdias anuais de 19C.

Dentro desta regio foram estudadas e analisadas as subprefeituras da Mooca,

da S, e de Pinheiros, que podem ser observadas na Figura 1.

A subprefeitura da Mooca possui uma rea de 35,2 km2 e se encontra na regio

leste da cidade de So Paulo. Fazem parte desta subprefeitura os seguintes bairros:

Mooca, gua Rasa, Belm, Tatuap, Pari e Brs, com uma populao de 308.161

habitantes, de acordo com o censo demogrfico do IBGE de 2000 (PORTAL DA

PREFEITURA DA CIDADE DE SO PAULO, 2009).

Localizada no centro da cidade em estudo, a subprefeitura da S engloba uma

rea de 26,2 km2. Esta regional responsvel pelos bairros Bom Retiro, Santa Ceclia,

Repblica, S, Consolao, Bela Vista, Liberdade e Cambuci, e possui uma populao

de 373.914 habitantes, de acordo com o censo demogrfico do IBGE de 2000 (PORTAL

DA PREFEITURA DA CIDADE DE SO PAULO, 2009).

A subprefeitura de Pinheiros, localizada na regio oeste da cidade, possui uma

rea de 31,7 km2. Os bairros que fazem parte da mesma so: Alto de Pinheiros,

Pinheiros, Itaim Bibi e Jardim Paulista. Possui 272.574 habitantes, de acordo com o

censo demogrfico do IBGE de 2000 (PORTAL DA PREFEITURA DA CIDADE DE SO

PAULO, 2009).

Para o trabalho foi utilizado o Centro de Mtodos Quantitativos, do Departamento

de Cincias Florestais da Escola Superior de Agricultura Luiz de Queiroz (ESALQ),

36

Universidade de So Paulo (USP), localizado na cidade de Piracicaba, So Paulo.

Tambm foram realizadas visitas de campo nas regies estudadas.

Figura 1 - rea de estudo

3.2 Processamento das imagens

Nesta etapa fez-se uso de imagens do satlite IKONOS do ano de 2002,

ortorretificadas a partir do modelo digital de elevao, entregues em quatro bandas

espectrais, no domnio do visvel (RGB), com as bandas vermelha (Red), verde (Green)

e azul (Blue), e do infravermelho prximo, com resoluo espacial de 1 metro e

resoluo radiomtrica de 11 bits (MOREIRA, 2005).

Estas imagens foram adquiridas pelo Instituto Geolgico, pertencente

Secretaria de Meio Ambiente do Estado de So Paulo, no ano de 2003, por meio da

FUNCATE (Fundao de Cincia, Aplicaes e Tecnologias Espaciais).

37

O imageamento original foi executado pelo satlite IKONOS, operado pela Space

Imaging, em outubro de 2002, gerando imagens com ngulo de inclinao igual ou

menor que 18 (considerando o NADIR equivalente a 0); e complementado por novas

aquisies de imagens em 2003, executado para minimizar a presena de nvoas nas

imagens, perfazendo uma cobertura de imagens presena de nuvens em rea inferior

a 5% em relao totalidade da rea imageada.

Tambm foram utilizadas imagens do satlite Quickbird desenvolvido pela Digital

Globe. Adquiriram-se imagens das subprefeituras da Mooca, da S e de Pinheiros para

os anos de 2004, 2006 e 2008. Entretanto, para o ano de 2004 a imagem disponvel em

catlogo no abrangia toda a regio da subprefeitura de Pinheiros. E para o ano de

2006, a imagem disponvel em catlogo no abrangia toda a rea da subprefeitura da

S, e no havia imagem disponvel para a regio da subprefeitura de Pinheiros. As

imagens esto no sistema de coordenadas UTM (Universal Transverse Mercator), zona

23, datum WGS-84.

Tabela 1 - Caractersticas do satlite Quickbird

Sensor Bandas

Espectrais

Resoluo

Espectral

Resoluo

Espacial

Resoluo

Temporal Faixa Imageada

Quickbird

Pancromtica 450 900 nm 61 a 72 cm

1 a 3,5 dias 16,5 x 16,5 km Multiespectral

450 520 nm

2,4 a 2,8 m 520 600 nm

630 690 nm

760 900 nm

(Fonte: SISTEMAS ORBITAIS DE MONITORAMENTO E GESTO TERRITORIAL, 2009)

Para analisar as imagens obtidas foram utilizados os programas de

geoprocessamento ArcGIS 9.2, desenvolvido pela ESRI e TNTmips 2009, desenvolvido

pela Microimages.

Anlises de pixel do mosaico das regies de estudo foram elaboradas para

determinao da resoluo radiomtrica. Os valores de pixel foram desmembrados e

estudados nos espectros R (infravermelho prximo), G (vermelho) e B (parte do

azul e todo o verde).

38

3.2.1 Fuso e classificao de imagens de alta reso luo

3.2.1.1 Fuso das imagens Quickbird

As imagens Quickbird passaram por processo de fuso da imagem pancromtica

com a multiespectral, por meio de tcnicas de geoprocessamento do programa

TNTmips 2009, sendo utilizado o mtodo Brovey para tal processamento. Testes foram

realizados para saber qual combinao de bandas durante a fuso seria a mais

interessante para a anlise da cobertura arbrea da regio em estudo.

Os testes de fuso foram validados por meio dos testes de classificao

automtica supervisionada, os quais esto explicados no item 3.2.1.2. As imagens

utilizadas para os testes foram as Quickbird do ano de 2008.

Tabela 2 - Descrio das bandas presentes na imagem Quickbird

Bandas Numerao

Azul 1

Verde 2

Vermelho 3

Infravermelho prximo 4

As seguintes combinaes de bandas da imagem foram analisadas:

(i) Teste 1: utilizao das bandas do azul, vermelho e infravermelho prximo, de

numerao 1, 3 e 4, respectivamente, mais a banda pancromtica;

(ii) Teste 2: utilizao das quatro bandas multiespectrais mais a pancromtica;

(iii) Teste 3: utilizao das bandas verde, vermelha e do infravermelho prximo,

de numerao 2, 3 e 4, respectivamente, mais a banda pancromtica.

3.2.1.2 Classificao automtica de imagens de alta resoluo

Classificaes de imagens permitem a criao de classes temticas e por meio

destas possvel obter dados de rea construda, rea de cobertura de copa, reas

39

impermeveis, asfalto e demais tipologias urbanas, seguindo mtodo utilizado por Silva

Filho (2004).

Com o objetivo de conhecer qual o mtodo de classificao automtica mais

eficiente para extrair dados de cobertura arbrea de imagens de alta resoluo, foram

realizados testes de quatro diferentes mtodos de classificao nas imagens IKONOS

(2002) e nas imagens Quickbird (2008).

As classificaes testadas foram a classificao supervisionada, dentro desta o

mtodo de Mxima Verossimilhana e o mtodo Stepwise Linear. Estes foram avaliados

por anlise multivariada discreta conhecida como estatstica Kappa e interpretao

visual e comparativa; e a classificao no supervisionada, fazendo uso dos mtodos

ISODATA e K-Means. Estes foram avaliados por meio de comparao com as imagens

originais e com os outros mtodos de classificao.

A classificao supervisionada envolve duas fases distintas: o treinamento e a

classificao propriamente dita. A fase de treinamento consiste em fornecer ao sistema

um conjunto de pixels representativos de cada alvo de ocupao do solo na imagem a

ser classificada (MOREIRA, 2005). Para cada mtodo fizeram-se dois treinadores que

apresentaram resultados estatsticos vlidos.

O mtodo de Mxima Verossimilhana utiliza a teoria da probabilidade como

base para seus clculos, enquanto o mtodo Stepwise Linear aplica tcnicas de anlise

linear discriminante na anlise dos pixels.

Foi utilizada uma matriz de erro e tcnicas de anlise multivariada discreta para

determinar a concordncia da classificao (mapeamento) com a verdade terrestre. Foi

efetuada a estatstica Kappa para avaliar a concordncia entre a verdade terrestre e o

mapa temtico, que foi obtida a partir da interpretao visual das imagens e de visitas

aos locais imageados. O ndice Kappa obtido pelas form. (1), form. (2) e form. (3)

(LANDIS; KOCH, 1977).

Pc

PcPoK

=

1 (1)

N

nPo

M

iij

== 1 (2)

40

21

N

nnPc

M

iji

=++

= (3)

Onde: Po = proporo de concordncia observada; Pc = proporo de

concordncia esperada ao acaso; M = nmero de classes presentes na matriz de erro;

nij = nmero de observaes na linha i e coluna j; ni+ e nj+ = totais marginais da linha i e

da coluna j, respectivamente; e N = nmero total de unidades amostrais contempladas

pela matriz.

De acordo com Landis e Koch (1977), tem-se a seguinte interpretao desse

ndice:

Tabela 3 - Interpretao do ndice Kappa

Valores de Kappa (%) Exatido da Classificao

0 Nula

0 - 20 Pobre

21 40 Fraca

41 - 60 Moderada

61 - 80 Boa

81 - 100 tima

Para a validao dos testes de classificao supervisionada tambm foi

analisado o dendograma de cada imagem classificada.

Na classificao no supervisionada, deve-se inserir no programa uma srie de

regras para que o mesmo possa realizar tal processamento. Os mtodos K-Means e

ISODATA utilizam procedimentos de anlise e comparao dos valores de pixel para

gerar a classificao.

Foram realizadas anlises visuais das imagens classificadas, contrapondo a

imagem classificada com a fusionada, sendo seus resultados comparados com aqueles

da classificao supervisionada.

Aps realizada a classificao foi aplicado um filtro na imagem classificada,

chamado Hole-Filling, que substitui a classe de uma clula (pixel), por aquela em que

se encontra a maioria das clulas vizinhas, removendo aquelas que se encontram numa

41

classe isolada. possvel escolher qual o tamanho da rea a ser filtrada e neste

trabalho escolheu-se o tamanho 3x3.

As classes utilizadas foram: copa arbrea, relvado, asfalto, piso cimento, telha

cermica, telha cinza, telha escura, telha metlica, sombra, solo exposto e outros. Estas

so as classes utilizadas para a caracterizao do uso das terras em trabalhos j

realizados pelo Laboratrio de Silvicultura Urbana da ESALQ/USP.

Com as informaes geradas pelas classificaes das imagens, foi possvel

encontrar qual o melhor tipo de fuso de imagens Quickbird para extrao de dados de

cobertura arbrea, bem como qual o melhor mtodo de classificao para imagens

IKONOS e Quickbird, com enfoque na classe cobertura arbrea.

A partir do dendograma gerado nas classificaes supervisionadas possvel

saber qual a porcentagem de rea de cada classe presente na imagem. Desta maneira,

conseguiu-se realizar uma comparao da evoluo da rea de cobertura arbrea das

reas estudadas nos diferentes anos (2002, 2004, 2006 e 2008).

3.3 Clculo do ndice de Floresta Urbana

Para analisar a cobertura arbrea nas regies de estudo foi calculado o ndice de

Floresta Urbana (IFU) proposto por Silva Filho et al. (2005). Este um indicador para

valorizao de espaos arborizados que relaciona esses espaos com os outros

elementos presentes na paisagem urbana. obtido por meio da form. (4):

PACPAIIFU += (4)

Sendo que os ndices PAI (proporo entre Espao Arborizado e Espao Livre

Impermevel) e PAC (proporo entre Espao Arborizado e Espao Construdo) so

obtidos por meio das form. (5) e form. (6):

( )ELIELAELA

PAI+

= (5)

42

( )ECELAELA

PAC+

= (6)

Onde: ELA representa o espao livre arborizado (classe copa de rvore); ELI

representa o espao livre impermeabilizado (classes asfalto e piso cimento); EC o

espao construdo (classes telha cermica, telha metlica, telha escura e telha cinza).

O IFU varia entre os valores zero e dois, sendo que quanto maior o valor do

ndice, maior a porcentagem de cobertura arbrea em relao aos demais elementos

do tecido urbano (SILVA FILHO et al., 2005).

3.4 Definio de reas prioritrias para corredores verdes

Dois estudos diferentes foram feitos para definir quais as reas principais para

uma poltica de arborizao urbana, com enfoque no desenvolvimento de corredores

verdes.

No primeiro, informaes de declividade e de ndice de vegetao foram

analisados. O ndice de vegetao escolhido foi o TVI (Transformed Vegetation Index),

gerado a partir do programa TNTmips 2009, que ressaltou de maneira mais eficiente as

reas verdes das regies de estudo.

No segundo foram estudados pontos de alagamentos fornecidos pelo CGE

(Centro de Gerenciamento de Emergncias do Municpio de So Paulo) da regio de

estudo dos anos de 2003 a 2010, meses de novembro a maro. Esses dados foram

analisados juntamente com o resultado da classificao das imagens Quickbird do ano

de 2008. E assim foi possvel verificar se h correlao entre diminuio de pontos de

alagamentos com aumento de rea de copa arbrea e definir reas prioritrias para

arborizao urbana.

43

3.4.1 ndice de vegetao e declividade

O TVI um ndice de vegetao derivado de imagens multiespectrais. Ele utiliza

as bandas do vermelho e do infravermelho prximo para destacar as reas vegetadas

de uma imagem. obtido pela form. (7):

( ) ( )[ ]REDIRREDIRTVI ++= (7)

Onde: TVI o ndice de vegetao transformado; IR = banda do infravermelho;

RED: banda do vermelho.

O mapa de TVI foi gerado no programa TNTmips 2009, a partir das imagens do

satlite Quickbird das subprefeituras da Mooca, S e Pinheiros de 2008, e depois

trabalhado e reclassificado no programa ArcGIS 9.2.

A reclassificao consiste em transformar os valores da imagem em valores

compatveis para se realizar uma lgebra de mapas. O mapa final desse ndice de

vegetao foi composto de quatro classes, de 0 a 3. Onde o valor 0 representa uma

rea sem vegetao, e o valor 3 uma rea com o mximo de vegetao.

Para o mapa de declividade da regio foi utilizado o Modelo Digital de Elevao

do Terreno (MDT) da regio metropolitana de So Paulo gerado pela FUNCATE do ano

de 2003. O MDT possui resoluo vertical de 5m e 10m, para as reas conurbadas e

perifricas respectivamente; compatveis com as precises altimtricas das cartas

1:10.000 e 1:25.000, utilizadas para compilao das informaes sobre esta regio. O

mesmo est na projeo UTM.

Para a obteno da base altimtrica (curvas e pontos cotados) necessria para a

produo do MDT foram digitalizadas as cartas topogrficas 1:10.000 e 1:25.000 da

regio a partir de scanner com resoluo de 300 dpi.

No programa ArcGIS 9.2, a partir do MDT, foi gerado um mapa hipsomtrico

conhecido como TIN (Triangulated Irregular Network), que representa a superfcie do

terreno por meio de uma grade triangular (Figura 2).

A partir do TIN foi gerado o mapa de declividade, em porcentagem, das imagens

Quickbird das subprefeituras da Mooca, S e Pinheiros do ano de 2008. O mesmo foi

44

classificado em faixas de declive de interesse para rea urbana e depois reclassificado

em quatro classes, de 0 a 3, para a realizao da lgebra de mapas. Sendo

representadas pela classe de valor 0 regies de menor declividade e pela classe de

valor 3 as regies mais declivosas.

Com os mapas de declividade e de TVI reclassificados realizou-se uma lgebra

de mapas no programa ArcGIS 9.2 e no mapa resultante foi possvel verificar quais so

as reas com menos vegetao e com declividades maiores, reas estas indicadas

para uma poltica de arborizao voltada implantao de corredores verdes.

Figura 2 - TIN gerado a partir do MDT para a imagem Quickbird 2008 da subprefeitura da S

Realizaram-se visitas a campo nos locais de mais alta prioridade para

arborizao para observar a realidade do terreno.

3.4.2 Pontos de alagamento e imagens classificadas

Os pontos de alagamento fornecidos pelo CGE vieram em formato de tabela do

Microsoft Office Excel, com dados de localizao do ponto (logradouro e referncia) e

45

sua data de ocorrncia, num total de 2413 pontos, sendo 846 referentes subprefeitura

da S, 843 pontos referentes subprefeitura de Pinheiros e 724 pontos referentes

subprefeitura da Mooca. Os pontos se referem aos anos de 2003 a 2010, abrangendo

os meses de novembro a maro. Estes foram localizados no programa Google Earth

para serem trabalhados em programas de geoprocessamento.

Cada subprefeitura foi dividida em quadrantes de 1400m x 1400m. Para cada

quadrante foi calculado, com auxlio dos programas TNTmips 2009 e ArcGIS 9.2, a

porcentagem de rea de copa arbrea, utilizando imagens Quickbird classificadas do

ano de 2008, e a quantidade de pontos de alagamento.

Com o programa estatstico R, utilizando a correlao de Pearson, foi possvel

estabelecer se h ou no relao entre diminuio de pontos de alagamento e aumento

de rea de cobertura arbrea.

Os quadrantes que apresentaram menor porcentagem de rea de copa com

maior quantidade de pontos de alagamento foram definidos como regies prioritrias

para arborizao urbana, j que a mesma aumenta a permeabilidade do solo,

contribuindo para a diminuio do escorrimento superficial e assim diminuio de reas

alagadas.

47

4 RESULTADOS E DISCUSSO

4.1 Fuso de imagens Quickbird

A aplicao de mtodos de fuso de imagens utilizada para se obter um ganho

de anlise em imagens de satlite. Com este processamento objetiva-se potencializar a

alta resoluo espacial da banda pancromtica e a resoluo espectral das bandas

multiespectrais.

Foram ento fusionadas as bandas mutiespectrais de resoluo espacial de 2,5

metros da imagem Quickbird, em diferentes combinaes, com a banda pancromtica,

de resoluo espacial de 0,61 metros, no programa TNTmips 2009, que possui uma

funo especfica para a fuso de imagens Quickbird, sendo aplicado o mtodo Brovey.

Este mtodo combina bandas multiespectrais de baixa resoluo espacial,

representada como R (Vermelho), G (Verde) e B (Azul), de uma imagem com a banda

pancromtica, de alta resoluo espacial. Este mtodo faz uso de tcnicas aritmticas

de soma e multiplicao (VRABEL, 1996).

O Teste 1 fez uso de duas bandas do visvel (azul e vermelha) mais a banda do

infravermelho prximo, fusionadas com a banda pancromtica. O Teste 2 utilizou as

quatro bandas multiespectrais, combinadas com a banda pancromtica. J o Teste 3

fusionou a banda pancromtica com as bandas do verde, do vermelho e do

infravermelho prximo. Os resultados se encontram nas Figuras 3, 4 e 5,

respectivamente subprefeituras da Mooca, de Pinheiros e da S.

48

Figura 3 - Testes de fuso das imagens Quickbird 2008 para a subprefeitura da Mooca: a) Imagem

fusionada utilizando as bandas do azul, vermelho, infravermelho prximo e pancromtica (Teste 1); b) Imagem fusionada utilizando as quatro bandas multiespectrais, mais a banda pancromtica (Teste 2); c) Imagem fusionada utilizando as bandas do verde, vermelho, infravermelho prximo e pancromtica (Teste 3)

c

a b

49

Figura 4 - Testes de fuso das imagens Quickbird 2008 para a subprefeitura de Pinheiros: a) Imagem

fusionada utilizando as bandas do azul, vermelho, infravermelho prximo e pancromtica (Teste 1); b) Imagem fusionada utilizando as quatro bandas multiespectrais, mais a banda pancromtica (Teste 2); c) Imagem fusionada utilizando as bandas do verde, vermelho, infravermelho prximo e pancromtica (Teste 3)

a b

c

50

Figura 5 - Testes de fuso das imagens Quickbird 2008 para a subprefeitura da S: a) Imagem fusionada

utilizando as bandas do azul, vermelho, infravermelho prximo e pancromtica (Teste 1); b) Imagem fusionada utilizando as quatro bandas multiespectrais, mais a banda pancromtica (Teste 2); c) Imagem fusionada utilizando as bandas do verde, vermelho, infravermelho prximo e pancromtica (Teste 3)

A diferente combinao das bandas das imagens multiespectrais fornece

diferentes respostas espectrais, j que so diferentes combinaes de comprimentos de

onda para os mesmos alvos de uma determinada imagem. Nota-se nas Figuras 3, 4 e 5

as diferenas nas cores de cada imagem dependendo da combinao utilizada.

Com o objetivo de identificar qual combinao de bandas a mais interessante

para extrao de dados de cobertura arbrea da imagem, realizou-se a classificao

automtica supervisionada das mesmas.

Por meio da anlise visual e anlise do dendograma obtido pelo programa

TNTmips 2009, constatou-se que as diferentes combinaes de bandas multiespectrais

utilizadas para a fuso da imagem influenciam nos resultados de classificao

automtica, principalmente no que tange porcentagem de cada classe encontrada na

imagem. Para exemplificar, seguem as tabelas de porcentagem de classes da

a b

c

51

subprefeitura da Mooca com os resultados para o classificador de Mxima

Verossimilhana e para o classificador Stepwise Linear.

Tabela 4 - Porcentagem das classes para a subprefeitura da Mooca utilizando o mtodo de classificao de Mxima Verossimilhana

Classe Teste 1 (%) Teste 2 (%) Teste 3 (%)

Piscina 0,06 0,08 0,04

Copa de rvore 5,45 7,39 9,16

Solo Exposto 2,57 2,54 3,78

Asfalto 14,10 14,95 14,40

Relvado 7,06 2,40 10,07

Telha Escura 33,85 24,02 30,64

Telha Cermica 3,72 3,39 4,05

Sombra 12,81 15,85 11,96

Telha Metlica 0,25 0,23 0,60

Telha Cinza 3,84 3,79 2,40

Lago/Rio 2,17 0,01 0,42

Piso Cimento 11,71 11,66 5,90

Outros 2,41 13,70 5,58

Observa-se na classe copa de rvore, a de maior interesse nesse estudo, a

existncia de grande diferena entre os valores de porcentagem encontrados para cada

tipo de combinao de bandas. Isso evidencia a necessidade de testes para saber qual

a melhor combinao a ser utilizada para se extrair dados de uma imagem de satlite.

52

Tabela 5 - Porcentagem das classes para a subprefeitura da Mooca utilizando o mtodo de Classificao Stepwise Linear

Classe Teste 1 (%) Teste 2 (%) Teste 3 (%)

Piscina 0,04 0,04 0,04

Copa de rvore 3,13 2,50 2,58

Solo Exposto 4,51 2,52 5,24

Asfalto 20,10 14,64 20,58

Relvado 3,55 3,25 6,60

Telha Escura 27,41 36,86 23,09

Telha Cermica 2,52 2,95 3,47

Sombra 26,33 26,83 25,53

Telha Metlica 0,53 0,75 1,14

Telha Cinza 3,85 3,06 4,54

Lago/Rio 0,15 0,04 0,47

Piso Cimento 6,67 6,27 4,77

Outros 1,22 0,30 1,95

Com a diferente resposta espectral dos alvos de estudo, dependendo da fuso

realizada, verifica-se a diferena na quantidade de pixels encontrados para cada classe.

Alm disso, com a anlise do dendograma possvel avaliar o grau de

separabilidade dos alvos. Desta maneira, a combinao mais adequada de bandas, foi

aquela que mostrou menor separabilidade entre os alvos que possuem material

semelhante em sua constituio, como o caso de copa de rvore e relvado, mas que

apresentam alta separabilidade entre os diferentes alvos.

Assim, constatou-se que a fuso mais adequada para extrao de dados de

cobertura arbrea foi aquela com a combinao de bandas azul, vermelha e do

infravermelho prximo fusionadas com a banda pancromtica (Teste 1).

4.2 Obteno de dados fsicos a partir de imagens d e alta resoluo

Para a extrao de dados de cobertura arbrea de imagens dos satlites

IKONOS e Quickbird foram realizados testes de classificao automtica por meio de

classificadores supervisionados (Mxima Verossimilhana e Stepwise Linear) e de

classificadores no-supervisionados (ISODATA e K-Means).

53

4.2.1 Classificadores no supervisionados

Classificadores automticos no supervisionados no exigem a confeco de um

treinador. Os parmetros so definidos pelo usurio e o programa aplica as tcnicas

apropriadas a cada mtodo

O mtodo de classificao no supervisionado K-Means baseia-se na anlise e

comparao entre os valores numricos dos dados de entrada e determina a

localizao inicial dos centros de cada classe. Neste processo, clulas so marcadas

na classe mais prxima e novos centros so calculados. O novo centro o ponto que

minimiza a soma das distncias entre os pontos da classe e do centro da classe. A

cada iterao esse procedimento novamente realizado. O processo se repete at que

a mudana de cada centro das clulas assuma um valor abaixo do especificado ou

atinja o mximo nmero de iteraes estipulado (MICROIMAGES, 2006).

Assim, o usurio deve fornecer ao algoritmo o nmero de classes espectrais

provveis, a distncia mnima desejada entre os valores dos nveis digitais de duas

classes e o nmero de iteraes realizadas. Este mtodo faz o agrupamento de pixels

homogneos em n classes espectrais (MOREIRA, 2005). Limitou-se o algoritmo em 13

classes e 20 iteraes.

Os testes com o classificador K-Means demonstraram no ser este apropriado

para extrao de dados de elementos da paisagem urbana numa imagem de alta

resoluo, seja ela IKONOS ou Quickbird.

Verificou-se que o classificador faz confuso entre classes, como pode ser

observado na Figura 6. H reas classificadas como solo exposto (marrom) que na

realidade so telhas cinza ou piso cimento (tons de cinza). Alm de telhas

cermicas (laranja) que foram classificadas como relvado (verde claro). Telha

escura, piso cimento e asfalto foram classes no diferenciadas pelo algoritmo.

54

Figura 6 - Testes com o classificador K-Means: a) Recorte de imagem IKONOS do ano de 2002 da

subprefeitura da Mooca; b) Recorte de Imagem IKONOS classificada da subprefeitura da Mooca; c) Recorte de imagem Quickbird do ano de 2008 da subprefeitura da Mooca; d) Recorte de Imagem Quickbird classificada da subprefeitura da Mooca

Com a anlise dos dendogramas, observou-se o grau de separabilidade entre as

classes (Figura 7). Constatou-se que elementos que deveriam estar com um grau de

separabilidade menor, por serem constitudos de materiais de resposta espectral

semelhante, estavam distantes e prximos a elementos de resposta espectral

totalmente distinta.

c d

a b

55

Figura 7 - Dendograma de imagem IKONOS da subprefeitura da Mooca, classificada pelo mtodo K-

Means

A classe copa de rvore, seguindo o mesmo raciocnio, deveria estar prxima

classe relvado, porm no apresenta esse comportamento. Aproxima-se de elementos

que deveriam ter um grau de separabilidade maior, j que suas respostas espectrais

so muito diferentes, como com a classe cimento/concreto.

O mtodo de classificao no supervisionado ISODATA similar ao K-Means,

mas incorpora critrios de diviso, combinao e descarte para as classes a fim de

obter um nmero satisfatrio de classes de sada. Baseia-se na anlise de

agrupamentos onde so identificados pixels com caractersticas similares

(MICROIMAGES, 2006). Foram definidos no programa o limite de 13 classes e 20

iteraes.

Os testes com o classificador ISODATA demonstraram no ser este apropriado

para extrao de dados de elementos da paisagem urbana numa imagem de alta

resoluo, seja ela IKONOS ou Quickbird.

Verificou-se que o mesmo no consegue separar alguns elementos, como telha

cermica (laranja) e piscina (azul) e no distingue outros alvos. Na Figura 8, pode ser

observada essa confuso entre classes. Observa-se tambm uma forte mistura entre os

elementos piso cimento, telha escura e asfalto (tons de cinza), e tambm no que se

refere copa de rvore (verde escuro) e relvado (verde claro).

56

Figura 8 - Testes com o classificador ISODATA: a) Recorte de imagem IKONOS do ano de 2002 da

subprefeitura da Mooca; b) Recorte de Imagem IKONOS classificada da subprefeitura da Mooca; c) Recorte de imagem Quickbird do ano de 2008 da subprefeitura da Mooca; d) Recorte de Imagem Quickbird classificada da subprefeitura da Mooca

Esta confuso entre classes pelo mtodo ISODATA tambm foi identificada por

Valerio et al. (2008). O autor gerou mapas temticos de uso do solo e de qualidade da

gua no Reservatrio do Rio Manso em Cuiab, MT. E comparou o classificador

ISODATA com um classificador supervsionado de Mxima Verossimilhana, utilizando

imagens Landsat TM. Este ltimo classificador apresentou melhor correlao entre a

imagem original e a imagem classificada. No mapa de qualidade da gua que possua

menos elementos para serem classificados do que o mapa de uso do solo, o mtodo

ISODATA apresentou menor confuso entre as classes.

Os dendogramas dessas imagens, como no caso do classificador K-Means,

demonstraram maior separabilidade entre classes de semelhante resposta espectral, do

a

c d

b

57

que entre classes com diferente resposta espectral, como pode ser verificado na Figura

9.

Figura 9 - Dendograma de imagem IKONOS da subprefeitura da Mooca, classificada com o mtodo

ISODATA

Os elementos copa de rvore e relvado deveriam estar mais prximos na

chave. Porm copa de rvore se aproxima de piso cimento e relvado se aproxima

de uma classe onde no houve distino entre os alvos gua e piso cimento.

Imagens de alta resoluo possuem diversos alvos, com diferentes respostas

espectrais e, assim a escolha de um classificador adequado de extrema importncia.

Verificou-se que os dois classificadores no supervisionados utilizados neste estudo

no apresentaram resultados satisfatrios na classificao de elementos urbanos em

imagens de alta resoluo.

4.2.2 Classificadores supervisionados

Classificadores automticos supervisionados so aqueles que exigem a

confeco de um treinador para serem aplicados. O treinador deve coletar amostras

distribudas por toda imagem para que seja representativo.

O mtodo de Mxima Verossimilhana utiliza da teoria da probabilidade para

realizar a classificao. So determinados os centros das classes do treinador, e a

variabilidade dos valores de cada banda de entrada para cada classe. O que permite

determinar a probabilidade de cada clula no conjunto da imagem de entrada pertencer

a uma classe particular do treinador. A probabilidade depende da distncia da clula do

58

centro da classe e do tamanho e forma da classe no espao espectral (MICROIMAGES,

2006).

Os resultados obtidos com este mtodo de classificao demonstraram que o

mesmo superestima a quantidade de cobertura arbrea, j que classifica reas de

relvado e algumas reas de solo exposto como pertencentes classe copa de rvore.

Ribeiro e Centeno (2001) tambm observaram esse fato quando classificaram

imagens Landsat TM. Os autores identificaram que classes espectralmente prximas

no eram separadas no processo de classificao, exemplificando com as classes

cultura e pastagem. E concluem dizendo que uma quantidade maior de amostras no

treinamento pode gerar uma melhora do resultado.

Ouma e Tateishi (2008) em um trabalho sobre extrao de dados de cobertura

arbrea em reas urbanas, utilizando imagens Quickbird, tambm concluram que o

classificador de mxima verossimilhana superestimou a quantidade de rvores

urbanas. Os autores observaram que este algoritmo possui dificuldade em distinguir

estatisticamente pixels pertencentes s classes relvado, arbusto, rvores e sombra.

possvel observar na Figura 10 que uma parte da rea de relvado (verde

claro) classificada como copa de rvore (verde escuro). Alm disso, nota-se tambm

certa indistino entre as classes relvado e copa de rvore com telha cermica

(laranja), evidenciado no dendograma, na Figura 11.

59

Figura 10 - Testes com o classificador de Mxima Verossimilhana: a) Recorte de imagem IKONOS do ano de 2002 da subprefeitura de Pinheiros; b) Recorte de imagem IKONOS classificada da subprefeitura de Pinheiros; c) Recorte de imagem Quickbird do ano de 2008 da subprefeitura de Pinheiros; d) Recorte de Imagem Quickbird classificada da subprefeitura de Pinheiros

b

d c

a

60

Figura 11 - Dendograma de imagem Quickbird do ano de 2008 da subprefeitura de Pinheiros, classificada com o mtodo de Mxima

Verossimilhana

61

O mtodo Stepwise Linear aplica tcnicas de anlise linear discriminante para a

classificao da imagem, fazendo uso de funes discriminantes. Por meio de anlise

do treinador, escolhido o conjunto de funes discriminantes que produzem a melhor

possibilidade de separao entre as classes (MICROIMAGES, 2006).

A Figura 12 mostra um teste de classificao utilizando o mtodo Stepwise

Linear. Nota-se que h, como no mtodo de Mxima Verossimilhana, certa confuso

entre relvado (verde claro) e copa de rvore (verde escuro).

Figura 12 - Testes com o classificador Stepwise Linear: a) Recorte de imagem IKONOS do ano de 2002

da subprefeitura de Pinheiros; b) Recorte de imagem IKONOS classificada da subprefeitura de Pinheiros; c) Recorte de imagem Quickbird do ano de 2008 da subprefeitura de Pinheiros; d) Recorte de Imagem Quickbird classificada da subprefeitura de Pinheiros

b

d c

a

62

Entretanto, por meio de anlise visual dos testes realizados, verificou-se que

essa confuso menor quando comparada com as classificaes realizadas com o

mtodo de Mxima Verossimilhana.

Weber, Petropoulou e Hirsch (2005) estudaram o desenvolvimento da rea

metropolitana de Atenas, na Grcia, utilizando tcnicas de geoprocessamento. O autor

realizou uma classificao supervisionada com o mtodo Stepwise Linear em imagens

do satlite SPOT e verificou que este classificador conseguiu diferenciar os alvos

presentes na paisagem urbana, de acordo com caractersticas como presena/ausncia

de vegetao e presena/ausncia de reas construdas. Dessa maneira demonstrou

ser um classificador adequado para reas urbanas.

Os dendogramas analisados mostram uma separabilidade menor entre alvos de

semelhante resposta espectral, como copa de rvore e relvado e separabilidade

maior entre aqueles com diferente resposta espectral, exemplificado na Figura 13. O

classificador Stepwise Linear mostra-se mais fiel verdade terrestre quando se trata da

classe copa de rvore, alvo de interesse desse estudo.

Desta maneira, para a extrao de dados de cobertura arbrea das regies de

estudo foi aplicado o mtodo Stepwise Linear para a classificao das imagens de alta

resoluo.

Ressalta-se que atualmente novas tcnicas de classificao tambm so

utilizadas para imagens de alta resoluo, como a classificao orientada a objeto, a

qual utiliza diversos outros parmetros para realizar a classificao. Destaca-se ento a

importncia de trabalhos que comparem essas tcnicas e assim ter o conhecimento de

qual apresenta melhores resultados para cada tipo de estudo.

63

Figura 13 - Dendograma de imagem Quickbird da subprefeitura de Pinheiros, classificada com o mtodo Stepwise Linear

64

4.3 Quantificao de cobertura arbrea em reas urb anas

Foram utilizadas imagens de diferentes anos das reas de estudo para

quantificar a cobertura arbrea da regio. Cabe ressaltar que as imagens foram

coletadas em meses diferentes. As imagens Quickbird so de agosto de 2004,

novembro de 2006 e junho de 2008. Portanto so de diferentes pocas do ano, em que

as copas podem estar mais ou menos vigorosas, sendo assim influenciam na anlise

quantitativa da classe cobertura arbrea e essa informao deve ser cuidadosamente

considerada.

4.3.1 Subprefeitura da Mooca

A subprefeitura da Mooca composta pelos bairros: Mooca, gua Rasa, Belm,

Tatuap, Pari e Brs (PORTAL DA PREFEITURA DA CIDADE DE SO PAULO, 2009),

localizados na regio leste da cidade. Em visita aos bairros foi possvel observar as

principais caractersticas da regio.

Os bairros da Mooca, gua Rasa e Belm so marcados por construes

antigas, com um misto de residncias, comrcio e pequenas indstrias.

Tatuap era caracterizado no passado como um bairro industrial, com presena

de grandes ptios industriais. Aps a sada dessas instalaes, grandes incorporadoras

adquiriram estes terrenos e construram residncias de mdio e alto padro, sendo

considerado hoje um bairro residencial.

Pari e Brs so os bairros mais antigos da cidade de So Paulo caracterizados

por construes antigas de influncia europia. Nas reas centrais dos dois bairros h

concentrao de comrcio, principalmente de confeces, e presena de ruas antigas e

estreitas, o que desfavorece a presena de rvores, como verificado na Figura 14.

Principalmente o bairro do Brs conhecido pelo turismo de compras, como

tese juliana amorim da costa

Environment