Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DE ALFENAS - MG
Instituto de Ciências da Natureza
Curso de Geografia - Bacharelado
JOICE DOS REIS FIÚZA
ANÁLISE MULTITEMPORAL DO USO E COBERTURA
DA TERRA NO MUNICÍPIO DE DIVINÓPOLIS – MG NO
PERÍODO DE 1986 À 2016
Alfenas - MG
2019
JOICE DOS REIS FIÚZA
ANÁLISE MULTITEMPORAL DO USO E COBERTURA
DA TERRA NO MUNICÍPIO DE DIVINÓPOLIS – MG NO
PERÍODO DE 1986 À 2016
Trabalho de Conclusão de Curso
apresentado como parte dos requisitos para
obtenção do título de Bacharel em
Geografia pelo Instituto de Ciências da
Natureza da Universidade Federal de
Alfenas - MG, sob orientação do Prof. Dr.
Rodrigo José Pisani.
Alfenas – MG
2019
Banca Examinadora
_____________________________________________
Prof. Dr. Rodrigo José Pisani
Universidade Federal de Alfenas - UNIFAL - MG
_____________________________________________
Prof. Dr. Daniel Hideki Bando
Universidade Federal de Alfenas - UNIFAL - MG
_____________________________________________
Prof. Dr. Marcelo de Oliveira Latuf
Universidade Federal de Alfenas - UNIFAL - MG
Alfenas (MG), 12/07/2019
_________________________________
Resultado
Epígrafe
“Tudo o que temos de decidir é o que fazer com o
tempo que nos é dado.”
J. R. R. Tolkien (1954) O Senhor dos Anéis – A
Sociedade do Anel
Dedicatória
Dedico especialmente aos meus pais, aos meus
familiares, amigos e professores por todo apoio,
suporte e compreensão. Sem vocês não seria
possível o fechamento desse ciclo.
Agradecimentos
Primeiramente gostaria de agradecer aos meus pais Vera e Ronan por participarem de
todos os momentos da minha vida, por quase sempre me apoiarem e me nortearem sobre as
minhas decisões. Aos meus irmãos, avós e sobrinhos por fazerem meus dias mais felizes, me
manterem próxima mesmo estando longe e por sempre terem acreditado em mim, e à todos os
parentes que de forma direta ou indireta ajudaram a construir quem eu sou hoje.
Agradeço aos amigos de infância e aos que fiz quando iniciei minha caminhada na
universidade, principalmente à Fernanda que mesmo estando à quase 1.200 km de distância
nunca esteve tão perto durante toda essa caminhada. À Viviane, por ser uma ótima colega de
sala, amiga e vizinha e ao professor Rodrigo, que além de ser um excelente professor, se
mostrou um orientador exemplar e ótimo amigo, obrigada por me apresentarem o mundo das
geotecnologias, por me aturarem nos momentos de crises existenciais, pela paciência e pela
confiança!
Obrigada a todas as moradoras da Rep. Cai&Pira e agregados por todas as conversas,
culinárias, noites de jogos, rolês aleatórios e discussões vividas, e agora, mais recentemente a
Rep. Xablau que me acolheu mesmo sabendo que logo vou embora... Enfim, obrigado por
fazerem me sentir em um lar.
Agradeço à Universidade Federal de Alfenas, aos professores do curso de Geografia
da Unifal-MG pelas oportunidades, colaboração e disponibilidade de todos, agradeço também
aos responsáveis pelo laboratório de Geoprocessamento, que acabou se tornando minha
segunda casa.
Por fim, agradeço a todos que se fizeram presentes em minha vida acadêmica até o
momento, se sintam lembrados mesmo não sendo mencionados aqui, todos tiveram
fundamental importância, proporcionando momentos de desconstrução e amadurecimento.
RESUMO
Atualmente, as mudanças do uso e cobertura da terra vêm acontecendo mais rapidamente e o
monitoramento desse tipo de fenômeno é importante para auxiliar o planejamento e
manutenção do meio físico. Nesse sentido, o uso de geotecnologias, mais especificamente do
Sensoriamento Remoto e do Processamento Digital de Imagens, implementados no ambiente
dos Sistemas de Informações Geográficas – SIG, podem colaborar de maneira efetiva no
acompanhamento das mudanças na cobertura do solo. O objetivo do presente trabalho foi
realizar uma análise multitemporal das mudanças do uso e cobertura da terra no município de
Divinópolis, localizado na região Oeste de Minas Gerais, no período de 30 anos por meio do
Sensoriamento Remoto e Processamento Digital de Imagens a partir do classificador
Battacharya e da análise visual. Para tal foram utilizadas as seguintes ferramentas: imagens
orbitais dos satélites Landsat 5 sensor Thematic Mapper e Landsat 8 sensor Object Land
Imager dos anos de 1986, 1996, 2006 e 2016; SIG ArcGIS 10.6.1 para pré e pós
processamento das imagens, SIG SPRING 5.5.0 para segmentação e classificação das
imagens, além das etapas de edição e quantificação dos mapas e tabelas. Os produtos dessa
pesquisa foram documentos cartográficos temáticos do período de 1986 à 2016 que indicam
as mudanças no uso e cobertura da terra e tabelas comparativas dessa alteração. Tais dados
auxiliaram na análise para a compreensão das mudanças do uso da terra que ocorreram no
período de estudo, há escassez de mapeamentos desse tipo disponíveis à população tanto no
município de estudo quanto nas cidades da região.
Palavras-chave: Sensoriamento Remoto, Processamento Digital de Imagens, Sistema de
Informações Geográficas, Crescimento de Regiões, Classificação Supervisionada
SUMMARY
Nowadays changes in land use and land cover have been happening at a progressively faster
rate, and the monitoring of this type of phenomenon is of great importance in assisting the
planning and maintenance of the environment. In this sense, use of geotechnologies, more
specifically Remote Sensing and Digital Image Processing, implemented in the Geographic
Information Systems (GIS) environment, can effectively collaborate in monitoring changes in
soil cover. The objective of the present research was to perform a multitemporal analysis of
land use and land cover changes in the municipality of Divinópolis, located in the western
region of Minas Gerais state, over a period of 30 years through Remote Sensing and Digital
Image Processing from the Battacharya classifier and visual analysis. The following tools
were used: orbital images of Landsat 5 satellites, Thematic Mapper sensor and Landsat 8,
Object Land Imager sensor from years 1986, 1996, 2006 and 2016; SIG ArcGIS 10.6.1 for
pre and post image processing, SIG SPRING 5.5.0 for segmentation and classification of
images, in addition to the stages of editing and quantifying maps and tables. The shed light
results of this research were thematic cartographic documents from the period of 1986 to
2016 that indicate changes in land use and coverage and were used to create comparative
tables of this shift. These data guided the analysis for understanding the land use changes that
occurred during the studied period, there is a substantial lack of this kind of mapping that are
available to the population, both in the studied municipality and in the cities around it.
Keywords: Remote Sensing, Digital Image Processing, Geographical Information System,
Growth of Regions, Supervised Classification.
Lista de figuras
Figura 01 – Localização do Município de Divinópolis - MG.................................................16
Figura 02A – Hipsometria da Área de Estudo ........................................................................18
Figura 02B – Declividade da Área de Estudo..........................................................................18
Figura 02C – Geologia da Área de Estudo .............................................................................18
Figura 02D – Pedologia da Área de Estudo.............................................................................18
Figura 03 – Fluxograma das Fases Metodológicas..................................................................27
Figura 04 – Pontos de coleta do Trabalho de Campo..............................................................31
Figura 05 –Uso e Cobertura da Terra em 1986........................................................................33
Figura 06 – Uso e Cobertura da Terra em 1996.......................................................................34
Figura 07 – Uso e Cobertura da Terra em 2006 ......................................................................35
Figura 08 – Uso e Cobertura da Terra em 2016 ......................................................................36
Figura 9A – Loteamento com Apenas um Imóvel Isolado......................................................37
Figura 9B – Mata Nativa no Loteamento................................................................................37
Figura 9C – Imóvel Construído no Loteamento......................................................................37
Figura 10A – Área Central do Município de Divinópolis - MG..............................................39
Figura 10B – Loteamento Progresso Sendo Construído..........................................................39
Figura 11A – Pastagem Próxima à Área Urbana.....................................................................40
Figura 11A – Pastagem Próxima ao Distrito de Santo Antônio dos Campos..........................40
Figura 12A – Solo Exposto em Áreas Urbanas.......................................................................41
Figura 12B – Solo Exposto em Áreas Urbanas.......................................................................41
Figura 13 – Silvicultura de Eucalipto no Município................................................................42
Figura 14A – Ponte Padre Libério em Período de Seca...........................................................43
Figura 14B – Ponte Padre Libério em Período de Cheia.........................................................43
Lista de quadros
Quadro 01 – Relação das imagens orbitais utilizadas............................................................28
Lista de tabelas
Tabela 01 – Classes do Índice Kappa......................................................................................30
Tabela 02 – Valores dos Índices Kappa e de Acertos das Imagens Classificadas...................30
Tabela 03 – Valor das Classes de Uso e Cobertura da Terra em km²......................................32
Lista de siglas
APP – Área de Preservação Permanente
BITs – Binary Digit
CAD – Computer-Aided Desing
CBERS – China-Brazil Earth-Resouces Satellite
CETEC – Centro Tecnológico Universidade de Caxias do Sul
CPRM – Companhia de Pesquisa de Recursos Minerais
ESRI – Environmental Systems Researsh Institute
FEAM – Fundação Estadual do Meio Ambiente
IBGE – Instituto Brasileiro de Geografia e Estatística
IDHM – Índice de Desenvolvimento Humano Municipal
INMET – Instituto Nacional de Meteorologia
INPE – Instituto Nacional de Pesquisas Espaciais
MAXVER – Máxima Verossimilhança
OLI – Operational Land Imager
PDI – Processamento Digital de Imagens
PIB – Produto Interno Bruto
REM – Radiação Eletromagnética
RGB – Red (Vermelho), Green (Verde), Blue (Azul)
RNA – Redes Neurais Artificiais
SIG – Sistema de Informações Geográficas
SPRING - Sistema de Processamento de Informação Georreferenciada
SR – Sensoriamento Remoto
TM – Thematc Mapper
UFLA – Universidade Federal de Lavras
UFU – Universidade Federal de Uberlândia
UNIFAL – Universidade Federal de Alfenas
Sumário
Lista de figuras...........................................................................................................................9
Lista de quadros........................................................................................................................10
Lista de tabelas..........................................................................................................................11
Lista de siglas............................................................................................................................12
1. INTRODUÇÃO.................................................................................................................. 13
2. OBJETIVOS........................................................................................................................14
2.1. Objetivo Geral .................................................................................................................14
2.2. Objetivos Específicos ......................................................................................................14
3. CARACTERIZAÇÃO DA ÁREA DE ESTUDO.............................................................15
4. REFERENCIAL TEÓRICO .............................................................................................19
4.1. Sistemas de Informações Geográficas............................................................................19
4.2. Sensoriamento Remoto ...................................................................................................20
4.3. Processamento Digital de Imagens.................................................................................21
4.4. Classificação de Imagens ................................................................................................23
4.5. Mapeamento de Uso e cobertura da Terra....................................................................25
5. MATERIAIS E MÉTODOS..............................................................................................26
5.1. Coleta de Dados e Materiais Utilizados.........................................................................27
5.2. Pré-Processamento das Imagens.....................................................................................27
5.3. Processamento das Imagens............................................................................................29
5.4. Pós-Processamento das Imagens.....................................................................................30
6. RESULTADOS E DISCUSSÕES......................................................................................32
7. CONCLUSÕES...................................................................................................................44
REFERÊNCIAS......................................................................................................................45
13
1. INTRODUÇÃO
O planejamento territorial dos municípios no Brasil nos últimos anos tornou-se
comum, porém a não implementação das políticas criadas nos Planos Diretores
Municipais acarretou uma série de problemas ambientais, econômicos e sociais. Com a
criação do Estatuto das Cidades (2001) os Planos Diretores se tornaram obrigatórios
para municípios a partir de 20.000 habitantes, esses impactos negativos vêm sendo
discutidos no âmbito municipal e, uma forma de analisar a dinâmica desse fenômeno é
utilizando das geotecnologias para a integração de dados e produção de informações.
Nesse sentido, o uso do Sensoriamento Remoto e do Processamento Digital de
imagens pode auxiliar de maneira efetiva na análise e monitoramento dos recursos
naturais e no mapeamento das classes de uso da terra. Se fazendo necessário para que o
planejamento ambiental possa ocorrer de maneira mais efetiva juntamente com o apoio
dos Sistemas de Informações Geográficas (SIGs) e do Geoprocessamento.
As vantagens no seu uso incluem: a quantificação de áreas e respectivamente a
análise de transição das classes de uso em uma perspectiva multitemporal, além da
intensidade e das direções das transições levando-se em conta as dinâmicas regionais da
área de estudo.
De acordo com Novo (2008, p. 308) o Sensoriamento Remoto é a combinação do
uso de equipamentos de processamento e de transmissão de dados, a bordo de
plataformas com o objetivo de “estudar fenômenos, eventos e processos que ocorrem na
superfície terrestre a partir do registro e análise das interações entre a radiação
eletromagnética e as substâncias que a compõem em suas mais diversas manifestações”
(NOVO, 2008, p.308).
Entre suas aplicabilidades pode-se mencionar o monitoramento do desmatamento,
avanço de malha urbana, enchentes, entre vários outros exemplos para se observar as
mudanças no uso e cobertura da terra para fins de análise e conservação do meio físico.
Divinópolis-MG, assim como muitos outros municípios teve sua primeira sede às
margens do rio Itapecerica – afluente do rio São Francisco, bacia de influência nacional
do ponto de vista da gestão dos recursos hídricos. Com o passar dos anos o
adensamento populacional próximo do mesmo foi crescendo até se tornar o que é hoje,
cortada de norte a sul pelo rio. Um dos principais problemas ambientais encontrados no
município são as enchentes na época de cheia, que quando ocorrem parte dos bairros
14
próximos às margens do rio são alagadas, gerando perdas à comunidade que reside
próximo ao rio.
A presente pesquisa teve como objetivo realizar o mapeamento multitemporal do
uso e cobertura da terra no município de Divinópolis-MG, localizado na mesorregião
Oeste de Minas Gerais, visando mapear o uso e cobertura da terra no mesmo nos anos
de 1986, 1996, 2006 e 2016, e observar suas principais características. A pesquisa pode
servir de base como valiosa ferramenta para o gerenciamento ambiental e estratégico da
área de estudo tanto para iniciativa pública quanto para a privada, também como
norteador para uma futura revisão do zoneamento na construção da Revisão do Plano
Diretor do município e para possíveis fontes de pesquisa sobre o tema, dado que não
existem fontes de dados relacionadas ao tema na área.
2. OBJETIVOS
2.1. Objetivo Geral
Realizar o mapeamento multitemporal do período de 1986 à 2016 do uso e
cobertura da terra do município de Divinópolis – MG por meio do classificador
Battacharya e da classificação visual de imagens proporcionando desse modo
instrumentos para o monitoramento e planejamento territorial da área de estudo.
2.2. Objetivos Específicos
Mapear o uso e cobertura da terra na área de estudo dos anos de 1986, 1996,
2006 e 2016 pelo classificador Battacharya e analise visual;
Comparar a evolução do uso da terra no município no período estudado;
Avaliar a exatidão dos dados gerados a partir da elaboração do Índice Kappa e
da Matriz de Confusão;
Elaborar tabelas comparativas com os valores em km² de cada classe de uso da
terra nos quatro mapas gerados;
Contribuir com dados para futuros estudos geográficos realizados na área de
estudo.
15
3. CARACTERIZAÇÃO DA ÁREA DE ESTUDO
O município de Divinópolis está localizado na mesorregião Oeste de Minas
Gerais e na microrregião que leva o mesmo nome da área de estudo, à 134 km de Belo
Horizonte e 517 km de São Paulo, e seu território possui 708,9 km². O município é
cortado pelos rios Itapecerica e Pará, sendo o Itapecerica afluente direto do rio Pará, que
por sua vez desagua no rio São Francisco (IBGE, 2010). As principais rodovias que
passam pela cidade são a MG-050, MG-242 e a BR-494, passam também pelo
município duas ferrovias, a EF-116 e a EF-262 (Figura 1) que são responsáveis pelo
transporte de carga de produtos como derivados de petróleo, cimento, calcário, trigo,
farelo de soja e soja. Os municípios que fazem limite com a área de estudo são Nova
Serrana, Perdigão, Santo Antônio do Monte, São Sebastião do Oeste, Claudio, Carmo
do Cajuru e São Gonçalo do Pará.
Estima-se que o município possui cerca de 236 mil habitantes (IBGE, 2018) e a
economia se baseia no setor têxtil, siderurgia e prestação de serviços. O Produto Interno
Bruto (PIB) per capta em 2016 era de R$24.191,34 e o Índice de Desenvolvimento
Humano Municipal (IDHM) 0,764. Tanto o PIB quanto o IDHM de Divinópolis são os
mais altos da mesorregião Oeste de Minas Gerais, porém os municípios da mesorregião
possuem valores próximos ao do município de estudo.
Dos 236 mil habitantes do município de Divinópolis, 230.500 (97,67%) são
residentes da área urbana, enquanto apenas 5.500 (2,33%) habitam na área rural o que
indica a forte ligação do município com atividades ligadas à cidade, como a indústria,
comércio em geral e prestação de serviços.
16
Figura 1 - Localização do município de Divinópolis - MG
17
Segundo a classificação de Köppen o clima do município é o Cwa - Tropical de
Altitude, caracterizado por invernos secos e verões quentes e chuvosos, a umidade
relativa do ar média no município é de 66%, a pluviosidade de cerca de 1.400 mm
anuais, e temperatura média de 22°C (INMET, 2015). A vegetação da área é
característica de Cerrado com árvores espaçadas e retorcidas e remanescentes de Mata
Atlântica pontuais.
O relevo é predominante de planaltos dissecados com serras e mares de morros
variando entre 650 à 1.100 metros de altitude (Figura 2A e 2B). As áreas mais altas se
localizam na região noroeste do município, na parte norte e no centro se localizam as
baixadas, na região central também é onde encontra-se depósitos aluviais sedimentares e
a parte urbana, na região sudeste se localizam as áreas intermediárias, com cerca de 850
metros (PREFEITURA MUNICIPAL DE DIVINÓPOLIS, 2013).
Em termos geológicos, o município se encontra situado no Complexo
Ortognáissico Divinópolis, caracterizado por rochas cristalinas como o granito e rochas
metamórficas como o gináisse, ambas do período arqueano (LANZA, 2011) próximos
ao leito de alguns trechos dos rios encontram-se depósitos aluviais (Figura 2C).
Quanto à pedologia (Figura 2D) do município, a maior parte é formada por
Argissolos que possuem textura de argilosa à super argilosa, localizado na área de
transição entre as zonas de grandes e médias declividades, esse tipo e solo possui
suscetibilidade a erosão hídrica, em caso de se localizar em regiões de declives altos, a
suscetibilidade é mais significativa. Os Cambissolos variam de textura argilosa à media
argilosa e se localizam nas áreas mais declivosas e onde se situa a cidade, assim como
os Argissolos os Cambissolos possuem pouca resistência à ação da água (UFV -
CETEC - UFLA - FEAM, 2010). Em menor proporção no município encontram-se
ainda Latossolos Vermelho - Amarelo no limite oeste do território de Divinópolis e
Latossolos Amarelo Distórfico na parte sul, onde se encontram médias altitudes e
declividades, ambos caracterizados por serem profundos e possuírem textura argilosa à
médio argilosa.
Após análise de produtos do geoprocessamento pode-se afirmar que parte
significativa do território do município é coberto com pastagens, seguido de mata
nativa, urbano e silvicultura do eucalipto.
18
Figuras 2A - Hipsometria da área de estudo; 2B - Declividade da área de
estudo; 2C - Geologia da área de estudo e 2D - Pedologia da área de estudo
19
4. Referencial Teórico
4.1. Sistemas de Informações Geográficas
Segundo Câmara (2006, p.1) um Sistema de Informações Geográficas é
constituído por um conjunto de ferramentas especializadas em adquirir, armazenar,
recuperar, transformar e criar informações espaciais.
Um SIG pode ser utilizado em estudos relativos ao meio ambiente e recursos
naturais, na pesquisa da previsão de determinados fenômenos ou no apoio a
decisões de planejamento, considerando a concepção de que os dados
armazenados representam um modelo do mundo real. (BURROUGH, 1986, p.
193 apud CÂMARA, 2006, p.2).
Aronoff (1989, p. 295 apud CÂMARA, 2006, p. 2) afirma que um SIG pode ser
definido como um sistema provido de quatro grupos de aptidões para manusear dados
georreferenciados: entrada, gerenciamento, manipulação, análise e saída. As principais
características de SIG’s são:
[...] Combinar as várias informações, através de algoritmos de manipulação,
para gerar mapeamentos derivados e consultar, recuperar, visualizar e plotar o
conteúdo da base de dados geocodificados. (CÂMARA, 2006, p. 2).
A estrutura interna de um SIG pode ser dividida em quatro componentes
principais, são eles: 1) A interface com o usuário que pode ser simples ou complexa,
dependendo da quantidade de comandos necessários para a execução das ferramentas;
2) A entrada e integração de dados, a qual o tipo de entrada mais comum é a importação
de dados digitais para o ambiente SIG; 3) Visualização e plotagem, no qual o mais
comum é a visualização disposta em janelas, e na plotagem muita das vezes o software
disponibiliza recursos altamente sofisticados para a apresentação gráfica; 4) Banco de
dados geográficos, que armazena e recupera dados em suas diferentes geometrias, bem
como atributos não espaciais, (CÂMARA, 2006, p. 3-6).
Em resumo, as principais características de SIG’s são: - Integrar, numa única
base de dados, informações espaciais provenientes de dados cartográficos,
dados de censo e cadastro urbano e rural, imagens de satélite, redes e modelos
numéricos de terreno. - Combinar as várias informações, através de algoritmos
de manipulação, para gerar mapeamentos derivados. - Consultar, recuperar,
visualizar e plotar o conteúdo da base de dados geocodificados. (CÂMARA,
2006, p.2)
20
Algumas características que diferenciam os SIG’s de sistemas CAD é a
capacidade de armazenar a tipologia de um mapa, permitindo consultas em bancos de
dados espaciais e a capacidade de utilizar de diversas projeções cartográficas para
aplicações em análises geográficas e redes, (CÂMARA, 2006, p.2).
Dentre as funcionalidades dos SIG’s estão a elaboração de diversos tipos de
mapeamento, entre eles os mapas de uso e cobertura da terra, muito úteis para o
monitoramento ambiental. Com o advento das geotecnologias, as técnicas em
geoprocessamento vêm colaborando bastante com os profissionais que trabalham com
esse tipo de estudo e estão sendo utilizadas cada vez mais.
4.2. Sensoriamento Remoto
De acordo com Novo (2008, p. 308) o Sensoriamento Remoto é a combinação
do uso de equipamentos de processamento e de transmissão de dados, a bordo de
plataformas com o objetivo de “estudar fenômenos, eventos e processos que ocorrem na
superfície terrestre a partir do registro e análise das interações entre a radiação
eletromagnética e as substâncias que a compõem em suas mais diversas manifestações”
(NOVO, 2008, p.308).
A captação de imagens por sensores remotos se dá a partir da radiação
eletromagnética (REM) emitida pelo sol, se propagando pelo espaço em diferentes
intensidades conforme o seu comprimento de onda. A radiação eletromagnética captada
pelos sensores ópticos contempla diversas faixas espectrais que compreende a região do
visível e a faixa do infravermelho. Essas faixas refletem a interação entre a radiação
eletromagnética e a superfície terrestre. (MENESES E ALMEIDA, 2012)
Nos sistemas passivos a principal fonte de radiação eletromagnética é o sol, no
qual sua energia radiante se distribui ao longo do espectro eletromagnético, se
propagando e sofrendo modificações pela atmosfera. Ao entrar em contato com o alvo, a
radiação eletromagnética sofre o processo de interação, no qual os fenômenos de
absorção, reflexão e transmissão, e finalmente, a fração de radiação emitida atravessará
novamente a atmosfera, sofrendo novas modificações até atingir o sensor na órbita da
Terra.
Segundo Florenzano (2011) é a partir das interações entre as características
biofísicas e químicas dos objetos com a radiação eletromagnética que se é possível
21
distinguir um objeto de outro, pois cada objeto apresenta uma assinatura espectral
distinta. Cada faixa espectral detectada pelo sensor é chamada de canal ou banda, sendo
que cada elemento se comportará de uma forma específica em cada faixa espectral.
A produção cartográfica vem se evidenciando com o advento dos produtos do
sensoriamento remoto
[…] a agilidade e a redução de custos na obtenção de imagens orbitais
para aplicações cartográficas vêm acompanhadas de uma qualidade cada vez
maior no que diz respeito à resolução espacial, obtidas através de sensores
multiespectrais de alta tecnologia, atendendo aos requisitos de precisão
planimétrica exigidos nos mapeamentos sistemáticos (ROSA, 2011, p. 275).
O conhecimento das formas atuais de uso e ocupação do solo em tem sido um
tema bastante discutido nos estudos desenvolvidos atualmente, tornando-se de
fundamental importância à medida que seu mau uso pode acarretar em diversas
consequências como erosões, assoreamento de cursos d’água, desflorestamento e
crescimento urbano desenfreados. Nesses casos, a utilização de produtos de
sensoriamento remoto é essencial para a obtenção e atualização dos registros de uso do
solo em zonas rurais e urbanas. Rosa (2011, p.289) afirma que a utilização desses dados
é muito ampla no planejamento municipal de diagnóstico de impactos ambientais, como
na avaliação de diversos tipos de impactos confecção de inventários.
“Os produtos de sensoriamento remoto podem ser analisados através de uma
ampla variedade de técnicas, as quais são divididas em processamento analógico
(visual) e o processamento digital de imagens.” (JENSEN, 2009, p. 410)
[...]O processamento analógico (visual) faz uso dos elementos fundamentais de
interpretação de imagens, como escala de cinza, tom, altura (profundidade),
tamanho, forma, sombra, textura, localização, associação com aspectos do
ambiente a arranjo. As evidências construídas a partir destes elementos se
convergem para identificar fenômenos nas imagens e julgar sua significância.
Com o surgimento de imagens de alta resolução, a interpretação visual na tela
do computador está em uso crescente. (JENSEN, 2011, p.410).
4.3. Processamento Digital de Imagens
As técnicas voltadas para a análise de dados multidimensionais, adquiridos por
diversos tipos de sensores recebem o nome de processamento digital de imagens,
consiste na manipulação de uma imagem por computador de modo onde a entrada e a
saída do processo são imagens, (INPE, 2010). Ou seja:
22
[...] O processamento digital de imagens consiste de inúmeros procedimentos
realizados sobre as imagens de satélite e fotografias aéreas como o pré-
processamento, o processamento fotográfico de imagens utilizando imagens
estereoscópicas, a extração de informações paramétricas, não paramétricas e
não métricas, a modelagem de imagens em abordagem SIG, entre outros.
(JENSEN, 2009, p.129-410)
Para Novo (2010, p. 279) as características importantes para o processamento
digital de imagens são: 1) a resolução espectral, que é o número de bandas e as regiões
espectrais a que se referem; 2) a resolução espacial, ou seja, o tamanho que o pixel
representa no terreno; 3) a resolução radiométrica, que é o número de elementos que
representa o nível de cinza de cada pixel, expressa em bits; 4) e os dados auxiliares, que
permitirão as correções da imagem.
As imagens digitais podem ser processadas visando o realce das mesmas apenas
manipulando o seu contraste por meio do seu histograma original, gerando uma nova
imagem que realça os objetos de interesse. Outra vantagem do processamento digital de
imagens é a possibilidade da geração de uma imagem colorida, adicionando cores
primárias e associando as bandas da imagem aos canais R (red) G (green) B (blue). A
correção de erros na imagem, como correção atmosférica, radiométrica e de geometria é
também é parte importante no processamento digital, ambas feitas em ambiente SIG.
(NOVO, 2010, p.279).
Moreira (2011, p. 250) destacou alguns fatores que contribuem para o êxito da
interpretação das imagens de satélite no processamento analógico ou digital e, entre
eles, a época de obtenção da imagem, ou seja, a aquisição em períodos cujo estágio de
desenvolvimento da cobertura vegetal facilita sua identificação, o uso do critério
multitemporal, procedimento amplamente utilizado em diversos tipos de mapeamentos
inclusive o de uso e cobertura da terra e, principalmente a experiência do fotointerprete
em distinguir os diferentes alvos na imagem.
O SPRING (Sistema de Processamento de Informação Georreferenciada) é um
exemplo de software livre de processamento de imagens desenvolvido pelo INPE que
possibilita acessar, sobrepor e integrar a imagem analisada a dados como hidrografia,
arruamento, etc. (FLORENZANO, 2008).
O processamento de imagens pode ser dividido em três partes: 1) o pré
processamento, onde podem ser feitas calibrações radiométricas na imagem, correções
de distorções e remoção e ruídos. 2) O realce, onde a qualidade da imagem é melhorada,
que auxilia na melhor detecção dos alvos presentes na imagem. 3) E a classificação, a
qual são atribuídas classes aos objetos presentes na imagem, (INPE, 2010).
23
4.4. Classificação de Imagens
Existem duas maneiras de se classificar imagens para o mapeamento do uso e
cobertura da terra, são eles a classificação visual, o qual a partir da imagem segmentada
previamente o operador de SIG cria os contextos de uso e rotula manualmente todos os
seguimentos da imagem, e a classificação automática, que se utiliza de técnicas de
classificação digital (algoritmos).
Na classificação automática existem dois tipos, a não supervisionada, que
seleciona os pixels de acordo com as suas características espectrais (clusters). Os
parâmetros utilizados para a definição dos clusters são média, variância e covariância,
constituindo os clusters, classes espectrais, (CROSTA, 1992) e a classificação
supervisionada que demanda de conhecimentos prévios sobre a área de estudo (verdade
terrestre), os quais serão utilizados como padrão de comparação no treinamento das
amostras para posterior classificação. A classificação automática é dividida em duas
etapas, na primeira o operador irá treinar o classificador por meio de amostras de
treinamento e em seguida a imagem será classificada seguindo as características dadas
na etapa de treinamento.
Para Cunha (2009) as técnicas de classificação visam o reconhecimento
automático de objetos em função de determinado critério de decisão agrupando em
classes de objetos que apresentam similaridade em suas respostas espectrais.
Os classificadores pixel a pixel utilizam apenas informação espectral,
isoladamente de cada pixel para encontrar regiões homogêneas (FREITAS e
PANCHER, 2012). É o caso dos classificadores Isodata, K-Means, Distância Mínima e
Maxver (Máxima Verossimilhança), sendo os dois primeiros de classificação não
supervisionada, enquanto os últimos se enquadram entre os algoritmos de classificação
supervisionada. Entre eles o Maxver é o classificador pixel a pixel mais comum, ele
considera a ponderação das distâncias entre médias dos níveis digitais das classes,
utilizando-se de parâmetros estatísticos (FREITAS e PANCHER 2012).
Já os classificadores por regiões, utilizam:
(...) além de informação espectral de cada "pixel", a informação espacial que
envolve a relação entre os "pixels" e seus vizinhos. Estes classificadores
procuram simular o comportamento de um fotointérprete, ao reconhecer áreas
homogêneas de imagens, baseados nas propriedades espectrais e espaciais de
imagens. A informação de borda é utilizada inicialmente para separar as regiões
24
e as propriedades espaciais e espectrais que irão unir áreas com mesma textura
(FREITAS e PANCHER, 2012, p. 11).
Entre os principais métodos de classificação está o Isoseg, que classifica por
regiões imagens previamente segmentadas. É um algoritmo de agrupamento de dados
não supervisionado, aplicado sobre um conjunto de regiões, que por sua vez são
caracterizadas por seus atributos estatísticos de média, matriz de covariância e área.
(INPE, 2010)
Dentre os classificadores por regiões que funcionam de forma supervisionada
estão o SVM (Support Vector Machine), o ClaTex e o Battacharya. Esse tipo e
classificação necessita que o operador informe a priori para o algoritmo um conjunto de
amostras para que o mesmo seja treinado com aquelas informações para classificação.
O Classificador Battacharya trabalha com a distância Battacharyana, que é
utilizada para medir a separabilidade estatística entre as classes, ou seja, mede a
distância média entre as distribuições de probabilidade dessas classes. O tipo da análise
é por regiões, ou seja ele classifica todos os pixels da região para uma mesma classe, se
baseando no valor de todos os pixels da região, ou seja, utiliza a informação espectral de
cada pixel mais a informação espectral da relação com seus vizinhos, (CUNHA, 2009).
No processo de treinamento do classificador, o usuário deve fornecer amostras
para todas as classes à serem mapeadas, as quais devem ser homogêneas. As amostras
devem conter toda a variabilidade espectral esperada para cada tema e antes da
classificação as amostras devem ser analisadas para que não aconteça de existirem
confusão entre os temas na fase de treinamento, (INPE, 2006).
Diversos trabalhos que usaram o classificador Battacharya podem ser citados,
dentre eles Cunha (2009), que utilizou imagens Lantsat - 5 e CBERS – 2B para o
mapeamento de suscetibilidade à erosão na região de Primavera do Leste-MT. Foram
usados os classificadores Isoseg, Maxver e Battacharya para a classificação das
imagens, e foi observado que as imagens que apresentaram melhor resultado na
classificação foi a do Landsat nos três algoritmos. Quanto a comparação entre os
classificadores, o que obteve melhor desempenho entre as classificações na área
estudada foi o Maxver, apresentando menor confusão entre as classes.
PORTES ET AL. (2011) avaliaram o potencial de classificadores automáticos
para mapeamento de uso e cobertura do solo sob manejo agroecológico, utilizando uma
imagem do satélite IKONOS com resolução espacial de 4 metros. Os classificadores
utilizados foram o Maxver, RNA e Battacharya e dentre eles o que apresentou melhor
25
resultado na classificação foi o Battacharya, tendo desempenho superior ao classificar
as 17 classes propostas na pesquisa e um Índice Kappa de 0,76.
Costa (2012) aplicou métodos de Sensoriamento Remoto para mapear a Área de
Preservação Permanente (APP) do lago da Usina de Itaipu, utilizando dos
classificadores Isoseg, Maxver e Battacharya e imagens do satélite Landsat 5. Após
analisar as imagens geradas o autor concluiu que o método mais eficiente para o
mapeamento de sua área de estudo foi o classificador Maxver obtendo-se melhor
desempenho na geração de dados referentes ao uso e ocupação do solo.
Para Congalton (1991) as matrizes de validação representam a precisão de um
mapeamento, evitando subestimação e superestimação de resultados. Até décadas atrás,
as mesmas eram pouco utilizadas, resultando assim, em muitos mapeamentos
imprecisos e pouco confiáveis, após entender que se era necessária uma validação dos
dados as matrizes de erro passaram por testes de precisão e hoje são consideradas etapas
fundamentais na validação de mapeamentos de uso do solo.
4.5. Mapeamento de Uso e Cobertura da Terra
As operações de Geoprocessamento realizadas em ambiente SIG visam à maior
facilidade, segurança e agilidade nas atividades humanas referentes ao monitoramento,
planejamento e tomada de decisão relativos ao espaço geográfico (ROSA, 2005). De
acordo com Rosa (2011):
[...] Os SIGs possibilitam a realização de diversos tipos de análise espacial,
entre as quais se destacam: a sobreposição de mapas de diferentes tipos de
dados que pertencem à mesma área; a pesquisa topológica, ou seja, as relações
de adjacência, coincidência e conectividade entre entidades espaciais; as
operações de buffering, ou delimitação de áreas tampão em torno de uma
determinada entidade espacial; as pesquisas monocamada e multicamada, que
utilizam um ou mais planos de informação para a realização de consultas,
análises de redes e medições de distâncias, áreas e perímetros; as operações de
Geoprocessamento, sendo as mais frequentes a junção, dissolução, corte,
intersecção e união de elementos que possuem atributos em comum; a
bmodelagem tridimensional, utilizada geralmente para fenômenos contínuos
para facilitar a visualização da superfície em diferentes perspectivas; a
interpolação, processo matemático através do qual se estima o valor de uma
característica em locais onde a mesma não foi medida; e a modelagem
cartográfica (ROSA, 2011, p 275 – 289).
De acordo com Medeiros e Câmara (2001), na perspectiva moderna de gestão do
território, toda ação de planejamento, ordenação ou monitoramento do espaço deve
26
levar em consideração os diferentes componentes do ambiente, incluindo o meio físico
biótico, ocupação humana e seu inter-relacionamento. Os Sistemas de Informação
Geográfica são amplamente utilizados em diversas dimensões dos problemas ligados
aos estudos ambientais, tais como: mapeamento temático, diagnóstico ambiental,
avaliação de impacto ambiental, ordenamento territorial e prognósticos ambientais. De
maneira genérica, podem-se dividir os diferentes métodos de estudos ambientais em
ambiente SIG em duas grandes classes: os baseados em localizações pontuais e os
baseados na definição de áreas homogêneas.
Nessa linha de pensamento destaca-se o trabalho de Pisani (2014) que avaliou de
maneira multitemporal os mapas temáticos de mudança no uso e cobertura da terra de
uma bacia hidrográfica no município de Botucatu-SP visando simular 8 cenários futuros
da mudança da paisagem, subsidiando tomadas de decisão para o planejamento
ambiental.
Delaneze (2011) na mesma perspectiva avaliou a mudança no uso e cobertura da
terra em áreas de dutos, no caso o duto Orbel, nas regiões de Duque de Caxias,
Nilópolis e Belford Roxo no estado do Rio de Janeiro, também com a proposição de
cenários prospectivos e mudanças principalmente do avanço urbano irregular próxima
às áreas de dutos.
Demarchi (2012) realizou o mesmo tipo de levantamento como apoio para o
mapeamento de áreas suscetíveis a processos erosivos hídricos em sub-bacias na região
do centro-oeste paulista. Como resultado o autor obtive vários mapas derivados, como
os de capacidade de uso da terra, potencial natural e antrópico de erosão entre vários
outros que tiveram como apoio o levantamento do uso e cobertura da terra.
5. Materiais e Métodos
A fase metodológica foi dividida em quatro principais partes: 1) coleta de dados
matriciais e vetoriais; 2) pré-processamento; 3) processamento 4) pós-processamento
(Figura 3) as quais possuem subdivisões.
27
Figura 3 - Fluxograma das Fases Metodológicas
Organização: FIÚZA, J. R. 2019.
5.1. Coleta de Dados e Materiais Utilizados
Para execução desse trabalho foram escolhidas imagens orbitais do satélite
Landsat 5 TM dos anos de 1986, 1996 e 2006 com a menor cobertura de nuvens
possível do município de Divinópolis – MG, órbita 219 ponto 074 no site do INPE –
Instituto Nacional de Pesquisas Espaciais e do satélite Landsat 8 OLI do ano de 2016 da
mesma fonte. Foi feito o download também do shapefile dos municípios do Brasil,
estados do Brasil, países do mundo, continentes, principais rodovias e ferrovias do
Brasil no banco de dados do IBGE para compor o mapa base.
Foi utilizado o SIG SPRING 5.5.0 (INPE, 2018) para o pré processamento,
análise e interpretação das imagens e o ArcMap 10.6.1 (ESRI, 2018) para pós
processamento das imagens, quantificação dos dados e elaboração dos produtos finais.
5.2. Pré-Processamento das Imagens
Após a aquisição das imagens todas foram descompactadas e importadas no
SPRING, onde se realizou os ajustes de projeção e datum das mesmas, além dos
contrastes dos histogramas das frequências radiométricas a fim de se melhorar a
acuidade visual das imagens. Em seguida foi feito o teste de composição das imagens
selecionar a que melhor atendia os objetivos do trabalho.
28
Tanto no Landsat 5, quanto no 8, as bandas utilizadas foram as R7, G4, B5
(Quadro 1). A fase de escolha da composição gerou bastante discussão, pois a maioria
das composições apresentavam principalmente na parte central do município pontos
“embaçados” e sombras, o que dificultava no entendimento do que cada feição
representava. Nas composições que continham bandas do espectro do vermelho a
parcela “embaçada” da imagem era um pouco mais suavizada, o que facilitou na
detecção do que representava cada alvo e na escolha da composição que seria utilizada.
Quadro 1: Relação das imagens orbitais utilizadas
Satélite/Sensor Bandas Utilizadas Data Órbita/Ponto Fonte
Landsat 5 TM
7 – Infravermelho
médio de ondas longas
4 – Infravermelho
próximo
5 – Infravermelho
médio de ondas curtas
16/09/1986
23/06/1996
21/07/2006
219/074
INPE
Landsat 8 OLI
7 – Infravermelho
médio de ondas longas
4 – Vermelho
5 – Infravermelho
próximo
20/02/2016
219/074
INPE
Fonte: INPE, 2019. Organização: FIÚZA, J. R. (2019)
Em seguida no ArcMap, na função Georreferencing foram adicionados pontos
de controle dispersos nas imagens de 1986, 1996 e 2006 separadamente com base na
imagem de 2016 que já vem ortorretificada para a correção do deslocamento espacial
nas imagens anteriores. A média do erro de todos os pontos foi abaixo de 45 metros, o
valor máximo permitido na dimensão do pixel para arquivos raster com resolução
espacial de 30 metros.
Por fim, foi adicionado no programa o vetor do município e com a ferramenta
Extract by Mask as imagens compostas foram recortadas com o shape, o que resultou
em quatro rasters em RGB com a área do município nos anos analisados.
29
5.3. Processamento das Imagens
No SPRING, as imagens foram importadas e quando adicionados arquivos em
RGB no programa ele automaticamente separou as imagens em bandas individuais e
sem contraste. Após habilitar as bandas 745 em RGB na interface principal, na função
“contraste” os histogramas das três imagens foram espalhados manualmente e com a
opção “sintética” habilitada foi gerado um novo arquivo raster com todas as bandas. A
imagem sintética foi utilizada apenas para a melhor visualização do operador de SIG na
etapa de coleta de amostras de treinamento das classes de uso e cobertura da terra com
base no conhecimento de campo do analista.
Em seguida, na ferramenta de segmentação foi gerado um arquivo vetor para
cada ano de análise, nessa etapa foram feitos testes para decidir qual limiar de
segmentação seria mais eficiente para a futura classificação. Após muitos testes o que
melhor segmentou as áreas de acordo com cada fragmento do uso do solo foi o limiar 2
de similaridade por 10 de área de pixels dada a escala de pesquisa e as características da
área de estudo com as áreas e distâncias das classes de uso e cobertura da terra.
Com as imagens originais de cada ano e o vetor da segmentação, na opção
“classificação” foram criados os contextos de 5 classes de uso da terra, sendo elas:
urbano, corpo hídrico, vegetação, pastagem e solo exposto, em seguida, foram
selecionadas cerca de 20 amostras de treinamento de cada classe por imagem. Após
todas as amostras terem sido coletadas e salvas foi selecionado o classificador de
crescimento de regiões Battacharya, gerando assim as imagens classificadas. Assim que
as imagens foram geradas foram identificados pontos onde as classificações poderiam
ser melhoradas, com isso, foram adicionadas ou retiradas amostras onde os resultados
estavam sendo subestimados ou superestimados. Foi também utilizada a função “pós
classificação” que utiliza um filtro de média, retirando resquícios de locais mal
classificados ou com confusão com outras classes, onde foi gerado outro arquivo, esse
agora possuindo o mínimo de confusões entre as classes.
Por fim, para a verificação dos acertos e da validação da classificação obtida foi
gerado o Índice Kappa, o qual se constitui em associar amostras na imagem base
classificada, buscando verificar possíveis erros no processo de classificação. Os valores
do índice variam até 1 (Tabela 1).
30
Tabela 1 – Classes do Índices Kappa
Índice Kappa Qualidade do Mapeamento
< 0,00
0,00 – 0,20
0,20 – 0,40
0,40 – 0,60
0,60 – 0,80
0,80 – 1,00
Péssima
Ruim
Razoável
Boa
Muito Boa
Excelente
Fonte: Adaptada de Landis e Koch (1977). Organização: FIÚZA, J. R. 2019.
O índice de todas as imagens classificadas foram classificados como excelente
(Tabela 2) segundo a escala de Congalton (1999). Na mesma ferramenta onde foi
gerado o Kappa foram gerados também o Índice de Acertos e a Matriz de Confusão,
ambos também tiveram resultados satisfatórios.
Tabela 2 – Valores dos Índices Kappa e de Acertos das imagens classificadas
Índice Kappa Índice de Acertos
1986
1996
2006
2016
0,8957
0,9193
0,9479
0,8886
0,9221
0,9432
0,9610
0,9109
Organização: FIÚZA, J. R. (2019)
5.4. Pós-Processamento das Imagens
Novamente no ArcMap, foi criado um vetor de linha, e foram vetorizadas todas
as áreas de culturas agrícolas das imagens. Durante a classificação observou-se que as
classes de mata nativa e culturas agrícolas possuíam uma resposta espectral muito
próxima, assim, confundindo os dois tipos de uso e dificultando a classificação. Após a
criação dos vetores, o arquivo de linha foi transformado para polígono, e em seguida,
convertido para raster. Por fim, com a ferramenta de mosaico foi criado um novo
arquivo que uniu a imagem reclassificada com a nova classe de culturas agrícolas,
criando assim, 6 classes de uso e cobertura da terra em todos os anos de análise, sendo
31
elas: urbano, corpo hídrico, mata nativa, culturas agrícolas, pastagem e solo exposto
onde seus valores de área foram calculados para os anos analisados.
Por fim, foi feito um trabalho de campo na área o qual foram colhidos 24 pontos
(Figura 4), onde procurou-se buscar todos os tipos de uso e cobertura da terra
classificados nos mapas da forma mais espalhada no território do município possível,
todos os pontos feitos em campo foram conferidos no mapa de 2016.
Figura 4 - Pontos de Coleta do Trabalho de Campo
32
6. RESULTADOS E DISCUSSÕES
No presente trabalho, a metodologia utilizada para mapear o uso e cobertura da
terra no município de Divinópolis mostrou-se eficiente e relativamente rápida. O limiar
utilizado para a segmentação das imagens foi a similaridade de 2 por 10 pixels. O valor
foi definido de maneira visual, testando diferentes limiares até chegar a um cuja
segmentação foi satisfatória. Ou seja, uma segmentação capaz de isolar as feições
espectralmente diferentes e juntar as regiões homogêneas.
Na fase seguinte foram criadas os contextos das classes de Urbano, Corpo
Hídrico, Mata Nativa, Pastagem e Solo Exposto no classificador e após a classificação
das imagens a classe de Culturas Agrícolas foi vetorizada manualmente para obtenção
de um mapeamento mais preciso, o que possibilitou quantificar (Tabela 3) e
diagnosticar a evolução dos processos de alteração de classe de uso e cobertura da terra
e comparar as mudanças de maneira especializada no município nos anos de 1986,
1996, 2006 e 2016 (Figuras 5, 6, 7 e 8 respectivamente).
Tabela 3 – Valor das classes de uso e cobertura da terra em km²
Classes 1986 1996 2006 2016
Corpo Hídrico 7,81 12,95 13,11 7,01
Culturas Agrícolas 53,12 16,01 31,68 48,04
Mata Nativa 152,37 296,21 231,51 263,36
Pastagem 426,01 308,41 353,43 300,60
Solo Exposto 17,15 15,15 14,47 17,00
Urbano 52,28 60,01 64,54 72,43
Fonte: FIÚZA, J. R. 2019
33
Figura 5 – Uso e Cobertura da Terra em 1986
34
Figura 6 – Uso e Cobertura da Terra em 1996
35
Figura 7 – Uso e Cobertura da Terra em 2006
36
Figura 8 – Uso e Cobertura da Terra em 2016
37
Com base nas análises da tabela e das figuras pôde-se observar que a classe de
mata nativa, apresentou aumento entre os anos de 1986 e 2016, a qual representava
21,5% do território em 1986, passando para 37,16% em 2016, cerca de 111 quilômetros
quadrados à mais do que a data inicial da pesquisa. No ano de 1996 a classe de mata
nativa chegou a representar 41,79% do território, decaindo em 2006 para 32,67% e
chegando em 37,16% em 2016.
Entre as principais hipóteses do aumento dessa classe no município, Mello
(2015) cita o significativo número de lotes não parcelados abandonados que foram
ocupados pela mata, que segundo a autora “são entendidos como estoque para
urbanização e ocupação futura, estoque que, não é necessário em Divinópolis”,
(MELLO, 2015, p. 201). Em várias partes do município se encontram loteamentos
inteiros abandonados tomados pela vegetação, há casos de loteamentos de tamanho de
bairros possuírem apenas um ou dois imóveis isolados (Figuras 9A, 9B e 9C).
Figura 9A - Loteamento com apenas um imóvel isolado; 9B – Mata Nativa
no Loteamento; 9C – Imóvel construído no loteamento
Fonte: Google Earth e Acervo Pessoal. Elaboração: FIÚZA, J. R. 2019.
38
Outro fato que colaborou no aumento da mata nativa em Divinópolis foi a
desapropriação de grande parte uma antiga propriedade rural, com cerca de 390 hectares
nomeada de Mata do Noé. Há uma proposta da criação de um parque na área caso seja
aprovado no Plano Diretor, a Mata do Noé fica localizada próxima na área urbana do
município formando um espigão de mata nativa que se inicia entre os bairros Esplanada
e Nossa Senhora das Graças, e margeia o rio Itapecerica até o ribeirão Buritis já na zona
rural, (MELLO, 2015).
As políticas de recuperação implantadas nos últimos anos provavelmente
também podem ter colaborado com o aumento vegetacional do município, observando
os mapas de uso pode-se notar que algumas áreas de pastagens vêm sendo substituídas
por floresta.
Quando se compara a classe de urbano entre os anos, observa-se que houve um
aumento de 38% de 1986 à 2016. No ano de 1986 a área correspondente à classe de
urbano equivalia à 52,28 km², enquanto no ano de 1996 esse valor subiu para 60,01km²,
aumentando em 2006 para 64,54km² e caindo novamente no ano de 2016 para
72,43km².
Em contrapartida ao crescimento urbano no município, houve uma grande
quantidade de loteamentos criados na década de 1980 os quais não foram vendidos,
resultando em várias áreas as quais foram abertas ruas e delimitadas quadras sendo
tomadas por mata. No Diagnóstico-Base criado para a revisão do Plano Diretor
participativo de Divinópolis é feito o seguinte relato:
No interior do atual perímetro urbano, verifica-se a existência de 77%
de terrenos não parcelados, o que significa um montante de aproximadamente
166 km². Esta área, se parcelada segundo os critérios da legislação vigente,
poderia produzir por volta de 276.000 novos lotes de 360 m², já descontados os
percentuais destinados a sistema viário, áreas institucionais e áreas de interesse
ambiental. Além disso, o total de lotes vagos chega a 41% do total de terrenos,
algo próximo a 53 km², território suficiente para o assentamento de
aproximadamente 221.000 habitantes, caso fosse ocupado apenas pelo uso
residencial unifamiliar com frequência de 3,18 moradores por domicílio. Esta
distorção decorre do processo descontrolado de aprovação de novos
loteamentos que ocorreu na década de 1980. (DIVINÓPOLIS, p. 23, 2013)
Ou seja, a quantidade de lotes que não ocupados no processo de vendas na
década de 1980 somados aos lotes individuais abandonados na parte urbana do
município acomodaria quase toda população atual do município, que é cerca de 236.000
habitantes (IBGE, 2018)
Apesar do significativo aumento da área urbana do município, existem novos
loteamentos sendo construídos em várias partes da cidade (Figuras 10A e 10B), porém
39
em menor velocidade comparado a recomposição florestal dos que foram abandonados
há cerca de 30 anos, além da verticalização das áreas mais próximas a região central do
município.
Figura 10A – Área central do município de Divinópolis – MG; 10B -
Loteamento Progresso sendo construído
Fonte: Portal Centro-Oeste e Acervo Pessoal. Elaboração: FIÚZA, R. J. 2019.
As áreas de pastagem do município têm decaído, apenas no ano de 2006 houve
aumento. No ano de 1986 a área que correspondia a pastagens no município era cerca de
60% da área total do mesmo, passando em 1996 para 43,5%, em 2006 49,87% e em
2016 42,41%.
Mesmo com a crescente queda, a classe de cobertura da terra predominante no
município de Divinópolis continua sendo a pastagem, na maioria das áreas estas têm
sido substituídas por mata nativa.
Por mais que a classe de pastagem seja a mais comum no município, o acesso à
maioria delas é difícil em termos logísticos, o que dificultou na realização de visita de
40
campo nas áreas, limitando a conferência de campo apenas nas pastagens próximas à
área urbana (Figura 11A e 11B).
Figura 11A – Pastagem próxima à área urbana; 11B – Pastagem próxima
ao distrito de Santo Antônio dos Campos
Fonte: Acervo Pessoal. Elaboração: FIÚZA, R. J. 2019.
A classe de solo exposto sofreu algumas alterações durante o período de estudo,
em 1986 cerca de 17 km² correspondia à solo exposto no município, passando para
15,15 km² no ano de 1996, em 2006 diminuindo para 14,5 km² e voltando para 17 km²
em 2016.
Essas pequenas alterações, podem se dar por vários motivos, entre eles pelos
ciclos de cultivo e colheita das culturas agrícolas e pelo descampo tanto na área urbana
como na zona rural, para construção de empreendimentos (Figura 12A e 12B).
41
Figura 12A E 12B – Solo exposto em áreas urbanas
Fonte: Acervo Pessoal. Elaboração: FIÚZA, R. J. 2019.
Assim como a classe de solo exposto, a classe de culturas agrícolas não sofreu
grandes variações, apenas no ano de 1996 que houve queda considerável. Em 1986 o
percentual de culturas agrícolas no município era de 7,49%, enquanto em 1996 houve
uma queda para 2,26%, seguido, em 2006 para 4,47% e em 2016 as classes de culturas
agrícolas representavam 6,78% do território divinopolitano.
Nos anos de 1994 e 1995 houve uma super safra no cenário rural brasileiro
(Folha de São Paulo, 1995), e seguido dessa super safra uma queda relativa na produção
nos anos seguintes. Fato que pode justificar a diminuição das culturas agrícolas ano de
1996 caso o município tenha passado por essa super safra nos anos de 1994 e 1995.
Outro fato que pode ter ocorrido é referente ao ciclo de cultivo e colheita, caso o
cultivo tenha acontecido próximo à data da imagem utilizada para a classificação pode
ter influenciado na diminuição desse valor. A silvicultura do eucalipto foi classificada
na classe de culturas agrícolas, e no município é o principal tipo de cultura plantada
(Figura 13), que é um tipo de árvore que leva um tempo consideravelmente grande para
42
se desenvolver, caso o cultivo ou a colheita tenha sido recente em relação à data da
imagem também pode ter influenciado no resultado final do mapa.
Figura 13 – Silvicultura do eucalipto no município
Fonte: Acervo Pessoal. Elaboração: FIÚZA, R. J. 2019.
Ao analisar a classe de corpo hídrico observou se que a mesma, nos anos de
1986 e 2016 representou cerca de 7 km² do município, enquanto em 1996 e 2006
representam entre 12 e 13km² do município. Como citado no corpo do trabalho o
município tem histórico de cheias nos períodos de verão, tanto que no ano de 1985,
1996 e 2006 aconteceram intensas enchentes no município, desabrigando parte da
população e interrompendo o abastecimento de água por vários dias. A última cheia
considerável aconteceu no ano de 2016 (Figura 14A e 14B), o que deixou as autoridades
em alerta caso a água extrapolasse o leito do rio. Em grande parte do perímetro urbano
as áreas de APP não são respeitadas, facilitando assim esse tipo de desastre.
43
Figura 14A – Ponte Padre Libério em período de seca; 14B – Ponte Padre
Libério em período de cheia
Fonte: Acervo Pessoal e Estado de Minas Gerais. Elaboração: FIÚZA, R. J. 2019.
A maior massa d’água do município, se encontra no limite entre Divinópolis e
Carmo do Cajuru, onde se localiza o lago das Roseiras. O lago foi construído para a
geração de energia elétrica para parte do município de Divinópolis e para todo o
município de Carmo do Cajuru, é também considerado ponto turístico para a população
local, por mais que o lago ofereça risco à população (já aconteceram várias mortes por
afogamentos, além do ataque de peixes no período de piracema aos banhistas), porém
permanece aberto para visitas.
44
7. CONCLUSÕES
Considerando os objetivos pretendidos no trabalho e analisando os resultados
pode-se afirmar que a pesquisa alcançou seu objetivo principal, o qual foi fazer o
mapeamento do uso e cobertura da terra no município de Divinópolis – MG no período
de 1986 à 2016, e discutir a dinâmica do município.
Os métodos de classificação das imagens por meio do Processamento Digital de
Imagens utilizados se mostraram se eficazes, podendo-se definir as 6 classes de uso e
cobertura da terra predominantes no município: Corpo hídrico, culturas agrícolas, mata
nativa, pastagem, solo exposto e urbano, permitindo analisar as principais mudanças no
uso e cobertura da terra no período analisado.
Com as etapas executadas, foi possível verificar a espacialização das classes de
uso e cobertura da terra na área de estudo, com predominância das pastagens, sobretudo
nas áreas de relevo suave. Em termos específicos, as classes de maior dificuldade para
classificar foram a de mata nativa e culturas agrícolas, que devido suas características
espectrais semelhantes gerou confusões no classificador, necessitando assim de
correções matriciais.
Devido ao bom desempenho nos resultados alcançados, essa metodologia poderá
ser aplicada em outras áreas, escalas e temporalidades, sendo uma ferramenta de
monitoramento ambiental e planejamento urbano muito valiosa. O conhecimento do
campo foi fundamental para o êxito do mapeamento, deixando-o o mais próximo
possível da realidade.
Destaca-se que o mapeamento de uso da terra serve de base para outras análises
combinadas para outros procedimentos como os mapas de fragilidade ambiental,
vulnerabilidade ambiental, capacidade de uso da terra, definição de áreas prioritárias
para recomposição florestal, entre outras finalidades.
Após e execução desse trabalho ficou claro que o município carece mais de
dados e estudos sobre o meio, como por exemplo, o estudo da evolução e tendências
futuras da mancha urbana do município e a dinâmica das enchentes, problema
recorrente no município que deixa muitos moradores de desabrigados e correndo riscos
durante os períodos de cheia. Temas para possíveis pesquisas futuras.
45
REFERÊNCIAS
BRASIL EM RELEVO – EMBRAPA. Disponível em:
<https://www.cnpm.embrapa.br/projetos/relevobr/download/>. Acesso em: Setembro de
2018.
CÂMARA, G. Sistemas de informações geográficas para aplicações ambientais e
cadastrais: uma revisão geral. INPE: São José dos Campos, 2006. p. 1-6.
CPRM – Companhia de Pesquisa de Recursos Minerais. Disponível em: <
http://rigeo.cprm.gov.br/xmlui/handle/doc/5016?show=full>. Acesso em: Junho de
2019.
Congalton, R. G.; Mead R. A. A review of assessing the accuracy of classifications of
remote sensed data. Remote Sensing of Environment. v.37, n.1, p.35-46, 1991
COSTA, J. S. Aplicação de Métodos de Sensoriamento Remoto para mapeamento
da Área de Preservação Permanente (APP) do lago da Usina de Itaipu. Trabalho de
Conclusão de Curso (Curso de Geografia), Universidade Estadual de Londrina,
Londrina, 2012.
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto.
Campinas – SP, 1992.
CUNHA, K. L. Uso de imagens Landsat e CBERS no mapeamento da
suscetibilidade a erosão na região de Primavera do Leste – MT. Universidade
Federal de Mato Grosso, Cuiabá, 2009.
DELANEZE, M. E. Modelagem Dinâmica Espacial Aplicada Na Avaliação Das
Mudanças da Cobertura da Terra no entorno de dutos utilizando Autômatos
Celulares – Estudo de Caso: Duto Orbel. 2011, 116p. Dissertação (Mestrado em
Geociências e Meio Ambiente) – Instituto de Geociências e Ciências Exatas,
Universidade Estadual Paulista, 2011.
DEMARCHI, J. C. Geotecnologias aplicadas à estimativas de perda de solo por
erosão hídrica na sub-bacia do ribeirão das Perobas, município de Santa Cruz do
Rio Pardo – SP. Dissertação (Mestrado em Agronomia: Engenharia na Agricultura) –
Instituto de Geociências e Ciências Exatas, Universidade Estadual Paulista, 2012.
46
ESRI – ENVIRONMENTAL SYSTEM RESEARCH INSTITUTE. ARC/INFO
v.10.6 Redlamds, 2013. Programa de computador. DVD-ROM
FLORENZANO, T. G. Iniciação em Sensoriamento Remoto. São Paulo – SP: Oficina
de Textos, 2011.
FOLHA DE SÃO PAULO. São Paulo: Dimensões da crise econômica – PAUL
SINGER. 1996. Acesso em: maio de 2019. Disponível em: <
https://www1.folha.uol.com.br/fsp/1996/6/02/dinheiro/4.html>.
FREITAS, M. I. C. e PANCHER, A. M. Classificação de Imagens. Disponível em: <
http://www.rc.unesp.br/igce/planejamento/download/isabel/sist_inf_geografica/Aula%2
011/classificacao_imagens.pdf>. Acesso em: maio de 2019.
GITELSON, A. A. Remote estimation of canopy chlorophyll in crops. Geophysical
Research Letters, Washington, v 32, 2005. p.1-4.
IBGE – Instituto Brasileiro de Geografia e Estatística. Dados do Censo
Demográfico. Disponível em: <www.ibge.gov.br/cidadesat>. Acesso em: maio de 2019.
IBGE – Instituto Brasileiro de Geografia e Estatística. Dados Vetoriais do Brasil.
Serviço Gráfico do IBGE. Disponível em: <https://downloads.ibge.gov.br/>. Acesso em:
setembro de 2018.
INMET – Instituto Nacional de Meteorologia. Disponível em:
<http://www.inmet.gov.br/portal/>. Acesso em: Setembro de 2018.
INPE – Instituto Nacional de Pesquisas Espaciais. Catálogo de Imagens. Disponível
em: <http://www.dgi.inpe.br/CDSR/>. Acesso em setembro de 2018.
INPE – Instituto Nacional de Pesquisas Espaciais. Introdução ao Sensoriamento
Remoto. Disponível em:
<http://www3.inpe.br/unidades/cep/atividadescep/educasere/apostila.htm>. Acesso em:
Setembro de 2018.
INPE – Instituto Nacional de Pesquisas Espaciais. SPRING v.5.5.0, 2018. Programa
de Computador.
47
JENSEN, J. R. Sensoriamento Remoto do Ambiente: Uma perspectiva em recursos
terrestres. Tradução: José Carlos Neves Epiphanio. São José dos Campos:
PARÊNTESE, 2009.
LANZA, D. S. Diagnóstico da erosão laminar na alta e média bacia do rio
Paraopeba. Universidade Federal de Minas Gerais, Belo Horizonte, 2011.
MEDEIROS, J. S; CÂMARA, G. Geoprocessamento para projetos ambientais. São José
dos Campos – SP, 2001.
MELLO, N. C. S. Divinópolis: Uma cidade média na região perimetropolitana de Belo
Horizonte – MG. Pontifica Universidade Católica de Minas Gerais, Belo Horizonte,
2015.b
MENESES, P. R; ALMEIDA, T. Introdução ao Processamento de Imagens de
Sensoriamento Remoto. Brasília – DF, 2012.
MOREIRA, M. A. Fundamentos de Sensoriamento Remoto e metodologias de
aplicação. 2Ed. São José dos Campos, INPE, 2011, p.250.
NOVO, E. M. L. M. Sensoriamento Remoto: princípios e aplicações. São Paulo:
EDGAR BLUCHER LTDA, 2008, p.308.
PISANI, R. J.; Modelagem espacial dinâmica para o monitoramento do aporte de
sedimentos na sub-bacia do Rio Capivara, município de Botucatu-SP. 2014. 162 f.
Tese (Doutorado em Geociências e Meio Ambiente) – Instituto de Geociências e
Ciências Exatas, Universidade Estadual Paulista, Rio Claro, 2014.
PONZONI, F. J; SHIMABUKURO, Y. E. Sensoriamento Remoto no estudo da
vegetação. São José dos Campos: PARÊNTESE, 2007, p.176.
ROSA, R. Análise espacial em Geografia. Revista da ANAPAGE, Fortaleza, v.7, n.1,
2011. p.275-289.
PLANO DIRETOR PARTICIPATIVO DE DIVINÓPOLIS. Prefeitura Municipal de
Divinópolis. Projeto de Lei complementar nº004/13.
48
PORTES, R. C; SCUDELLER, A. A; JUSKSCH, I; FILHO, E. I. F; CARDOSO, I. M;
GLERIANI, J. M. Avaliação do potencial de classificadores automáticos para
mapeamento de uso e cobertura do solo sob manejo agroecológico. In: Anais XIX
Simpósio Brasileiro de Sensoriamento Remoto – SBSR. Curitiba – PR, 2011.
ROUSE, J W. et. al. Monitoring the vernal advancements and retrogradation of natural
vegettation, In: NASA/GSFC. Final Report, Greenbelt. MD, USA. p.137 1974.
RSI – RESEARCH SYSTEMS INC. The Environment for Visualizing Images –
ENVI. Boulder, CO, USA, 2009.
UFV - CETEC - UFLA - FEAM. Mapa de solos do Estado de Minas Gerais. Belo
Horizonte, Fundação Estadual do Meio Ambiente, 2010. 49p. Disponível em:
<http://www.feam.br/noticias/1/949-mapas-de-solo-do-estado-de-minas-gerais> Acesso
em: maio de 2019.
UNO, Y. et al. Artificial Neural Networks to predict corn from Compact Airbourne
Spectographic Image Date. Computer and Electronics in Agriculture, Amsterdã, v.47,
2005. p.149-160