APLICAÇÃO DE SISTEMAS DE INFORMAÇÃO GEOGRÁFICA NAS DIFERENTESFASES DE UM ESTUDO ECOLÓGICO

Pedro Segurado e Bruno Jesus

Centro de Ecologia Aplicada, Universidade de Évora, Largo dos Colegiais, 2, 7002-544 Évora, PortugalTelef.: 351 (0) 66 745197Fax: 351 (0) 66 744969

E-mail: psegu@mail.telepac.pt; mop57292@mail.telepac.pt

RESUMO

1. Enquadramento Geral

Os Sistemas de Informação Geográfica (SIG) tornaram-se, ao longo desta década, numaferramenta imprescindível para um número crescente de estudos de ecologia. Actualmente éimpensável não se recorrer à construção de SIG em estudos que envolvam inputs e/ou outputsde natureza cartográfica, o que se justifica não só pelas suas capacidades gráficas, mas,sobretudo, pelas suas potencialidades analíticas. De facto, os SIG são a ferramenta ideal paraisolar, descrever relações espaciais e elaborar modelos estatisticamente testáveis (Walker,1990; Haslett, 1990).

As aplicações dos SIG em ecologia são vastas, nomeadamente em modelos preditivos dadistribuição de espécies de fauna e flora (e.g. Haslett, 1990; Walker, 1990; Pereira & Itami,1991; Gates et al., 1994; Augustin et al., 1996; Austin et al., 1996; Janet, 1998; Lechmere-Oertel, 1999), caracterização e cartografia de habitats (e.g. Palmeirim, 1985; Aspinall &Veitch, 1993; Clark et al. 1993; Andries, et al., 1994; Ripple et al., 1997; van Manen &Pelton, 1997; Mitchell, 1999), e em estudos mais directamente aplicados à conservação egestão de recursos naturais (e.g. Breininger et al., 1991; Naesset, 1997; Rempel et al., 1997;Wickham et al., 1999). Mais recentemente tem-se recorrido aos SIG para modelar asconsequências da mudança climática global (e.g. Iverson & Prasad, 1998; Iverson et al.,1999).

Esta comunicação tem como objectivo mostrar a importância do uso de um SIG em estudosecológicos, tendo como base trabalhos desenvolvidos no Laboratório de Cartografia Biológica(LCB) do Centro de Ecologia Aplicada da Universidade de Évora (CEAUE).

2. Exemplos de aplicação

2.1 Geração de variáveis

Os SIG permitem gerar e manipular informação que não seria possível de outro modo.Conforme os métodos de extracção produzem quatro tipos de variáveis: (i) variáveisresultantes da simples digitalização de temas (p.e. variáveis qualitativas como a redehidrológica, geologia e solos, rede viária, cobertura/uso do solo); (ii) variáveis resultantes detécnicas de interpolação espacial (p.e. variáveis climatológicas, modelo digital do terreno);(iii) variáveis resultantes de processos de classificação de imagem de satélite (p.e.cobertura/uso do solo); (iv) variáveis resultantes de processos de operações locais, focais ezonais e incrementais (p.e. variáveis geomorfológicas, tais como a exposição, inclinação,convexidade superficial, horas de insolação, proximidade de linhas de água; variáveis

derivadas de imagem de satélite, tais como, a complexidade e heterogeneidade da paisagem).Os dois primeiros tipos são tipicamente manipulados em ambiente vectorial, ao passo que osdois últimos são manipulados em ambientes predominantemente raster.

Caso de estudo 1: o projecto Ilhas (I)

Um dos projectos que decorrem no LCB investiga as ilhas que se irão formar na futuraalbufeira do Alqueva. Este projecto tem dois objectivos principais: elaborar um plano degestão para as ilhas e descrever a “situação zero” com vista ao estudo a médio/longo prazo dosefeitos do isolamento dessas áreas.

A B

C D

Figura 1 – Quatro tipo devariáveis geradas por quatrostipos de processos (Guadiana) (A– hidrologia, B – Modelo Digitaldo Terreno, C – Classificaçãoassistida da imagem de satélite,D – Exposição).

A construção de um SIG teve um papel preponderante neste trabalho, nomeadamente pela suacapacidade de simular realidades inexistentes. Aqui deparámo-nos com um problema de basecomplexo, que resulta do facto das ilhas não terem existência real antes do enchimento daalbufeira. Assim sendo, antes de extrair as variáveis pertinentes à caracterização das ilhas, foinecessário isolar e identificar as ilhas em ambiente SIG. É de salientar que o número de ilhas epenínsulas varia consoante a cota de enchimento. Assim, como critério, definiu-se que seriamconsideradas ilhas as áreas emergentes à cota máxima (153m) e que se mantinham à cotamédia de exploração (147m). Para isso foi necessário, com base em modelos digitais deelevação (MDE), elaborar vários cenários de enchimento por forma a identificar e delimitar asilhas que obedeciam a este critério. Na figura 2 está representada a área de regolfo da albufeirae o limite das ilhas segundo os critérios adoptados.

Para a área de estudo tinha-se disponível um Modelo Digital do Terreno, ortofotomapas com2.4m de resolução e uma imagem de satélite LANDSAT-5 TM de Agosto de 1997 (Figura 3a,3b e 3c).

Figura 2 – Área de Regolfo daalbufeira do Alqueva (cota de 150metros).

Esta informação de base foi utilizada para extrair, para cada ilha virtual, variáveis de diversanatureza. As variáveis incluíam quer informação extraída directamente do ficheiro vectorialresultante do modelo virtual da albufeira (área, forma, distância à margem, cota a partir daqual a área se isola, número de curvas de nível incluídas na ilha), quer informação derivada dafotointerpretação dos ortofotomapas (tipo de coberto e densidade de árvores) e da imagem desatélite (tipo de coberto e índices de heterogeneidade).

a) Modelo Digital do Terreno

b) Ortofotomapas

c) Imagem de satélite

Figura 3 – Informação de base

Figura 4 – resultado da classificaçãoassistida da imagem de satélite.

2.2 Delineamento experimental

Os SIG revelam-se ainda como ferramentas importantes na selecção de locais de amostragem,contribuindo para a optimização do esforço despendido no terreno. Através de técnicas deanálise multivariada, como a análise de agrupamento k-means, é possível, por exemplo,procurar regiões homogéneas, segundo variáveis (passíveis de ser cartografadas) consideradaspertinentes para o alvo biológico a modelar, por forma a possibilitar uma selecção de locaisque obedeça a uma amostragem aleatória estratificada. Após a selecção dos locais deamostragem, uma capacidade não menos importante dos SIG é a produção de cartasresultantes da sobreposição dos mapas temáticos que contribuam para a identificação in locodaqueles locais.

Caso de estudo 2: o projecto Ilhas (II)

Ainda no contexto das futuras ilhas do Alqueva, um outro problema com que o LCB sedeparou, foi como amostrar eficazmente um número elevado de ilhas. Com base nas variáveisassociadas a cada ilha e no número de ilhas máximo que se considerou possível amostrar,procurou-se, através de métodos de ordenação multivariada e de um algoritmo de locação-alocação (Densham & Rushton, 1992; Faith & Walker, 1996), seleccionar ilhas de forma amaximizar a variância amostrada. Nesta análise foram também incluídas as coordenadas x, ydos centróides das ilhas com o objectivo de maximizar as distâncias entre ilhas e,consequentemente, minimizar a autocorrelação espacial das amostras. O trabalho de camposerá apenas despendido nesta amostra representativa de ilhas.

2.3 Produção de modelos ecológicos

Os modelos

Os SIG têm vindo a adquirir uma capacidade de modelação crescente, quer através daconcepção de módulos específicos, quer por intermédio do estabelecimento de ligações comdiferentes packages estatísticos. Por exemplo, são particularmente úteis para construirmodelos ecológicos que pretendem relacionar uma determinada característica ou fenómenomedido no terreno (variável dependente) com factores ambientais (variáveis independentes)cuja variação no espaço é conhecida. O modelo pode então ser extrapolado para toda a áreageográfica que se pretende estudar. Os modelos podem ainda ser estáticos ou dinâmicosconsoante incluam ou não uma componente temporal.

Em ambiente SIG distinguem-se três tipos principais de modelos: modelos cartográficos,modelos baseados em regras e modelos estatísticos (Johnston, 1998). Os modeloscartográficos resultam da simples combinação de várias camadas de informação, recorrendoàs capacidades operativas dos SIG (Berry, 1993; Johnston, 1998), com o objectivo de localizaras áreas com as propriedades ecológicas desejadas. A modelação baseada em regras recorre asistemas periciais para o estabelecimento de regras de decisão (e.g. Walker, 1990; Pereira &Duckstein, 1993). O próprio sistema “aprende” a relação entre as camadas de informação eestabelece uma série de critérios para a modelação ecológica. Nos modelos estatísticos éestabelecida uma relação empírica entre as variáveis ambientais e determinada propriedadeecológica (variável resposta), através da estimação de parâmetros cuja validade éestatisticamente testável. Outro conjunto de modelos estatísticos baseia-se em técnicas deinterpolação espacial, caso em que a modelação geográfica duma característica ou fenómeno ébaseada exclusivamente em informação de natureza espacial (Maurer, 1994).

As escalas

Um requisito fundamental decorrente da modelação espacial é a aferição duma escala deestudo adequada ao fenómeno que se pretende estudar (Levin, 1992; May, 1994). Também nossistemas ecológicos a questão da escala é um problema central, uma vez que padrões únicosem qualquer gama de escalas terão causas e consequências biológicas únicas (Levin, 1992). Acapacidade de simulação de um SIG pode ser usado para gerar testes de hipóteses quecomparem determinados padrões resultantes da observação de um mesmo processo emdiferentes escalas espaciais. Neste contexto, é conveniente ter disponível um conjunto demodelos de crescente complexidade e detalhe, possibilitando a exploração da relevância dainformação obtida a escalas de análise mais pequenas, na descrição do padrão observado auma escala de análise maior (Levin, 1992).

Caso de estudo 3: O projecto de Monitorização da Albufeira do Alqueva

A utilidade dum SIG na exploração desta problemática é exemplificada num estudo a decorrerno LCB, onde se procura relacionar a distribuição espacial de diferentes grupos biológicoscom variáveis explicativas extraídas a várias escalas. Como objecto de estudo utilizou-se adistribuição das espécies de aves na área de influência da futura albufeira do Alqueva.

A titulo de exemplo apresenta-se aqui o resultado duma primeira análise em que se exploramos dados de distribuição de duas espécies de aves: um passeriforme, a calhandra-comum(Melanocorypha calandra), e uma estepária, o alcaravão (Burhinus oedicnemus) (Figura 5).

Figura 5 – Distribuição pontual das observações das espécies em estudo

Para testar se as variáveis disponíveis eram ou não boas descritoras da distribuição dasespécies, comparou-se a informação extraída de pontos onde a espécie foi observada com ainformação de pontos distribuídos aleatoriamente pela área de estudo. A partir de informaçãode base (elevação, exposição, declive, classificação da imagem de satélite), e considerandoáreas circulares de 25, 100, 500 e 1000 metros em redor de cada ponto de observação ealeatório (Figura 6), foram extraídas, através de operações zonais num SIG, variáveisexplicativas de diversa natureza (elevação média e desvio padrão; exposição média e desviopadrão; declive médio e desvio padrão; tipo de coberto dominante; número de classes decoberto presentes; número de parcelas no terreno; índice de diversidade de Shannon).Posteriormente, para cada escala, realizaram-se testes univariados não paramétricos (teste deMann-Whitney para variáveis contínuas e testes de χ2 para variáveis nominais) para testardiferenças entre os pontos de observação e os pontos aleatórios.

Para ambas as espécies, verificou-se que as variáveis explicativas mais importantes,simultaneamente para as quatro escalas de análise, eram o declive médio e o tipo de coberto,mostrando ambas uma preferência das espécies por áreas menos declivosas e com cobertoconstituído por estepe ou montado aberto. Já as variáveis relacionadas com a complexidadeestrutural da paisagem (número de classes, número de parcelas e diversidade) foramadquirindo importância crescente à medida que a escala se tornava mais abrangente. Comefeito, tal seria de esperar, uma vez que quanto mais fina for a escala, mais difícil se tornaextrair informação de natureza estrutural, devido a limitações relacionadas com o próprio graude detalhe da informação derivada da imagem de satélite. Também para ambas as espéciesverificou-se um maior número de variáveis significativas nas análises em que se utilizaramáreas circulares de 100 metros, concluindo-se que, para as variáveis disponíveis, esta seria aescala mais adequada para a modelação da distribuição destas espécies. Por outro lado, paracírculos de maiores dimensões ocorre uma grande sobreposição entre áreas (Figura 6), o que

Figura 6 – Aspecto de algumas áreas circulares criadas em redor de pontos de observações de alcaravão.

provoca um aumento do grau de dependência entre observações, limitando a robustez dosmodelos.

3. Conclusões

Através de uma abordagem generalista, baseada em casos de estudo, demonstrou-se a utilidadede um SIG em todas as fases de um estudo ecológico: extracção de variáveis explicativas (casode estudo 1), delineamento experimental (caso de estudo 2), produção de modelos ecológicos(caso de estudo 3).

Os SIG abrem novas perspectivas em investigação ecológica, quer ao induzir questões queantes não se colocavam, quer ao aumentar a capacidade de resposta a “questões antigas” quenunca tinham sido convenientemente respondidas devido à inexistência de uma ferramentaadequada.

O mundo virtual que a construção de um SIG implica, em tudo paralelo ao real, permite umaabordagem mais próxima da complexidade dos sistemas ecológicos que as abordagenstradicionais. A qualidade dos modelos resultantes depende em grande medida da qualidade dosmateriais de construção utilizados para edificar o SIG.

Tendo em consideração o que foi exposto, e dada a enorme evolução na capacidade analíticados SIG que se adivinha, é de esperar que nos próximos anos se verifique uma generalizaçãoda aplicação dos SIG a todas as questões ecológicas que envolvam a dimensão espacial.

AGRADECIMENTOS

Os autores agradecem ao Miguel Pereira e ao Pedro Roque pelo apoio técnico e à ManuelaFonseca e ao Paulo Pereira pela revisão final do texto.

REFERÊNCIAS

Andries, A.M., Gulinck, H., & Herremans, M. (1994). Spatial modelling of the barn owl Tyto alba habitat usinglandscape characteristics derived from SPOT data. Ecography, 17, 278-287.

Aspinall, R., & Veitch, N. (1993). Habitat Mapping from Satelite Imagery and Wildlife Survey Data Using aBayesian Modeling Procedure in a GIS. Photogrammetric Engineering & Remote Sensing , 59, 537-543.

Augustin, N.H., Mugglestone, M.A., & Buckland, S.T. (1996). An autologistic model for the spatial distributionof wildlife. Journal of Applied Ecology, 33, 339-347.

Austin, G.E., Thomas, C.J., Houston, D.C., & Thompson, B.A. (1996). Predicting the spatial distribution ofbuzzard Buteo buteo nesting areas using Geographical Information System and remote sensing.Journal of Applied Ecology, 33, 1541-1550.

Berry, J.K. (1993). Cartographic modeling: the analytical capabilities of GIS. In M.F. Goodchild, B.O. Parks, &L.T. Steyaert (Eds.), Environmental Modeling with GIS. (pp. 58-74). New York: Oxford UniversityPress.

Breininger, D.R., Provancha, M.J., & Smith, R.B. (1991). Mapping Florida Scrub Jay Habitat for Purposes ofLand-Use Management. Photogrammetric Engineering & Remote Sensing, 57, 1467-1474.

Clark, J.D., Dunn, J.E., & Smith, K.G. (1993). A multivariate model of female black bear habitat use for ageographic information system. Journal of Wildlife Management, 57, 519-526.

Densham, P.J. & Rushton, G. (1992) A more efficient heuristic for solving large p-median problems. Papers inregional science: The Journal of the RSAI, 71(3), 307-329.

Faith, D.P. & Walker, P.A. (1996). Environmental Diversity: on the best-possible use of surrogate data forassessing the relative biodiversity of sets of areas. Biodiversity and Conservation, 5, 399-415.

Gates, S., Gibbons, D.W., Lack, P.C., & Fuller, R.J. (1994). Declining farmland bird species: modellinggeographical patterns of abundance in Britain. In P.J. Edwards, R.M. May, & N.R. Webb (Eds.),Large-scale ecology and conservation biology. (pp. 153-177). London: Blackwell ScientificPublications.

Haslett, J.R. (1990). Geographic information systems: a new approach to habitat definition and the study ofdistributions. TREE, 5, 214-218.

Iverson, L.R. & Prasad, A.M. (1998) Predicting abundance of 80 tree species following climate change in theEastern United States. Ecological Monographs, 68(4), 465-485.

Iverson, L.R., Prasad, A.M. & Schwartz, M.W. (1998). Modeling potential fiuture individual tree-speciesdistribution in the eastern United States under a climate change scenario: a case study with Pinusvirginiana. Ecological Modeling, 115, 77-93.

Janet, F. (1998). Predicting the distribution of schrub species in southern California from climate and terrain-derived variables. Journal of Vegetation Science, 9, 733-748.

Johnston, C.A. (1998). Geographic Information Systems in Ecology. Oxford: Blackwell Science.

Lechmere-Oertel, R.G. & Cowling, R.M. (1999) Predicting the distribution of fynbos and succulent karoo biomeboundaries and plant communities using generalised linear models and geographic informationsystems. S. Afr. J. Bot., 65(1), 89-96.

Levin, S.A. (1992). The problem of pattern and scale in ecology. Ecology, 73(6) , 1943-1967.

Maurer, B.A. (1998). Geographical Population Analysis: Tools for the Analysis of Biodiversity. Oxford:Blackwell.

May, R.M. (1994). The effects of spatial scale on ecological questions and answers. In P.J. Edwards, R.M. May,& N.R. Webb (Eds.), Large-scale ecology and conservation biology. (pp. 1-17). London: BlackwellScientific Publications.

Mitchell, J.M. (1999) Habitat relationships of five Northern bird species breeding in Hemlock Ravines in Ohio,USA. Natural Areas Journal, 19(1), 3-11

Naesset, E. (1997). A Spatial Decision Support System for long-term Forest Management Planning by means oflinear programming and a Geographical Information System. Scand. J. For. Res., 12, 77-88.

Palmeirim, J.M. (1985). Using Landsat TM Imagery and Spatial Modeling in Automatic Habitat Evaluation andRelease Site Selection for the Ruffed Grouse (Gallifomes: Tetraonidae). Proceedings 19thInternational Symposium of Remote Sensing and Environment; 729p.

Pereira, J.M.C. & Duckstein, L. (1993). A multiple criteria decision-making approach to GIS-based landsuitability evaluation. Int J Gographical Information Systems, 7, 407-424.

Pereira, J.M.C. & Itami, R.M. (1991). GIS-based Habitat Modeling Using Logistic Multiple Regression: A Studyof the Mt. Graham Red Squirrel. Photogrammetric Engineering & Remote Sensing , 57, 1475-1486.

Rempel, R.S., Elkie, P.C., Rodgers, A.R. & Gluck, M.J. (1997). Timber-management and natural-disturbanceeffects on moose habitats: landscape evaluation. J. Wildl. Manage., 61(2), 517-524.

Ripple, W.J., Lattin, P.D., Hershey, K.T., Wagner, F.F. & Meslow, E.C. (1997). Landscape composition andpattern around Northern spotted owl nest sites in Southwest Oregon. J. Wildl. Manage. 6(1), 151-158.

van Manen, F.T.& M.R. Pelton (1997) A GIS model to predict black bear habitat use. Journal of Forestry, 8, 7-12.

Walker, P.A. (1990) Modelling wildlife distributions using a geographic information system: Kangaroos inrelation to climate. Journal of Biogeography, 17, 279-289.

Wickham, J.D., Jones, K.B., Riitters, K.H., Wade, T.G. & O’Neill R.V. (1999). Transitions in forestfragmentation: implications for restoration opportunities at regional scales. Landscape Ecology, 14, 137-145.