tese juliana amorim da costa
TRANSCRIPT
-
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
-
3
Aos meus pais, Amorim e Cida, por sempre
priorizarem minha educao e de minha
irm, dedico.
-
4
-
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.
-
6
-
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
-
8
-
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
-
12
-
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
-
14
-
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 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) ......................................... 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 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) .......................................... 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
subprefeitura da Mooca ............................................................................. 68
Figura 17 - Matriz de erro de classificao da imagem Quickbird de 2006 para a
subprefeitura da Mooca ............................................................................. 68
Figura 18 - Matriz de erro de classificao da imagem Quickbird de 2008 para a
subprefeitura da Mooca ............................................................................. 69
Figura 19 - Rua Boa Vista, S ........................................................................................ 72
Figura 20 - Matriz de erro de classificao da imagem IKONOS de 2002 para a
subprefeitura da S .................................................................................... 73
Figura 21 - Matriz de erro de classificao da imagem Quickbird de 2004 para a
subprefeitura da S .................................................................................... 74
Figura 22 - Matriz de erro de classificao da imagem Quickbird de 2008 para a
subprefeitura da S .................................................................................... 74
Figura 23 - Avenida Antonio Batuira, Alto de Pinheiros .................................................. 77
Figura 24 - Matriz de erro de classificao da imagem IKONOS de 2002 para a
subprefeitura de Pinheiros ......................................................................... 78
Figura 25 - Matriz de erro de classificao da imagem Quickbird de 2008 para a
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
Figura 44 - Grfico de correlao entre rea de copa e pontos de alagamento para a
subprefeitura da S ................................................................................... 101
Figura 45 - Grfico de correlao entre rea de copa e pontos de alagamento para a
subprefeitura de Pinheiros......................................................................... 103
Figura 46 - Localizao dos quadrantes definidos como prioritrios para corredores
verdes para a subprefeitura da Mooca ...................................................... 105
Figura 47 - Localizao dos quadrantes definidos como prioritrios para corredores
verdes para a subprefeitura da S ............................................................ 106
Figura 48 - Localizao dos quadrantes definidos como prioritrios para corredores
verdes para a subprefeitura de Pinheiros .................................................. 108
-
20
-
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
Tabela 15 - Mdia dos valores de prioridade para arborizao nos bairros da
subprefeitura da S .................................................................................. 91
Tabela 16 - Mdia dos valores de prioridade para arborizao nos bairros da
subprefeitura de Pinheiros ....................................................................... 94
Tabela 17 - Valores de copa arbrea e pontos de alagamento para a subprefeitura
da Mooca .................................................................................................... 98
Tabela 18 - Valores de copa arbrea e pontos de alagamento para a subprefeitura
da S ........................................................................................................ 100
Tabela 19 - Valores de copa arbrea e pontos de alagamento para a subprefeitura
de Pinheiros ............................................................................................. 102
Tabela 20 - Quadrantes indicados como prioritrios para arborizao na
subprefeitura da Mooca ...................................................................... 105
Tabela 21 - Quadrantes indicados como prioritrios para arborizao na
subprefeitura da S ............................................................................ 106
Tabela 22 - Quadrantes indicados como prioritrios para arborizao na
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.
-
46
-
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