Avaliação do uso dos sensores remotos CBERS CCD e Landsat TM

Universidade Federal de Minas Gerais

Instituto de Ciências Biológicas

Pós-graduação em Ecologia, Conservação e Manejo de Vida Silvestre

Avaliação do uso dos sensores remotos CBERS CCD e

Landsat TM para o monitoramento de cianobactérias e m

ambientes aquáticos de grandes extensões

Gabriela von Rückert Heleno

Belo Horizonte

2009

ii

Avaliação do uso dos sensores remotos CBERS CCD e L andsat TM

para o monitoramento de cianobactérias em ambientes aquáticos de

grandes extensões

Gabriela von Rückert Heleno

Tese apresentada ao programa de Pós-

graduação em Ecologia, Conservação e

Manejo da Vida Silvestre da

Univesidade Federal de Minas Gerais,

como requisito parcial à obtenção do

título de doutor.

Orientadora: Dra. Alessandra Giani

Belo Horizonte 2009

iii

Aos meus pais, Rubens e Bernadete,

por sempre acreditarem em mim.

iv

Agradecimentos

Acredito ser este o momento mais gratificante para mim durante todo o meu

período de doutoramento. Ao tentar me lembrar de todos os que participaram de alguma

forma para a conclusão deste trabalho, vejo que nunca estive só! Apesar de ter

percorrido caminhos solitários em busca do conhecimento.

Nesses quatro anos, sei que muitos passaram por minha caminhada, entretanto

tenho certeza que não serei capaz de nomear a todos aqui. Gostaria, então, de me

desculpar e agradecer àqueles que por ventura eu não venha a citá-los, o que não os

tornaram menos importantes para a concretização deste trabalho.

Agradeço primeiro a Deus, por ter me permitido a acreditar Nele e me dado forças

para continuar nos momentos em que fraquejei.

Ao meu esposo e eterno namorado Fabrício por ter me apoiado, incentivado e

compreendido as minhas ausências, principalmente durante o meu estágio em Montreal.

À minha família (pai, mãe, irmãos, cunhados, primos e tios), que a cada dia se

torna maior, por sempre me incentivarem e me ajudarem no que foi preciso.

Principalmente, aos meus queridos pais, Rubens e Bernadete, pelo carinho, apoio e

respeito às minhas escolhas, sem os quais nada disso teria sido possível de acontecer.

Um agradecimento especial à minha mãe, por ter sido a companheira “virtual” que foi

enquanto eu estava no Canadá.

À minha orientadora, Alessandra Giani, por ter acreditado que eu seria capaz de

desenvolver este projeto. Por ter sempre me incentivado, ter facilitado a minha ida e

estadia no Canadá e me permitir fazer parte de sua equipe.

Ao Luciano Dutra, meu “co-orientador não oficial”, por ter aceitado participar desta

empreitada e ter me fornecido a base para trabalhar com sensoriamento remoto,

principalmente, quanto ao acesso aos pesquisadores e logística do INPE (Insituto

Nacional de Pesquisas Espaciais).

v

Ao meu co-orientador do estágio no exterior, David Bird, por abrir as portas de seu

laboratório na UQÀM (Université du Québec à Montreal) e ter me permitido conhecer e

trabalhar em um ambiente (lagos e instituição) da zona temperada.

Aos meus colegas do Laboratório de Ficologia, Ana Helena, Baptista, Björn,

Bruna, Camila, Cláudia, Cleber, Daniel, Elenice, Fernando, Felipe, Iola, Juliana, Lenora,

Miriam e Rafael, por tornarem tão agradável o trabalho no laboratório, ajudarem nas

coletas de campo e análises de amostras, mas, principalmente, pelo carinho especial de

alguns e por todos aturarem a minha “braveza”. Foi e sempre será um prazer tê-los em

minha companhia. Apesar de ter motivos para agradecer a cada um separadamente, irei

fazê-lo apenas a alguns pela ajuda específica em algumas etapas do meu projeto. À Ana

Helena pela revisão de texto e pelos inúmeros artigos enviados quando eu os pedia. À

Cláudia por ser a minha companheira de análise de clorofila-a. Ao meu velho amigo

Cleber, por toda ajuda prática e moral desde o início do meu doutorado, mas em especial

pelas incansáveis discussões teóricas e pela revisão do texto. É impossível não fazer

menção à minha, há anos, amiga Elenice, a quem sempre terei um grande carinho,

apesar das “puxadas de orelha” dadas uma a outra.

Aos meus colegas da UQÀM, Arash, Alexandre, Alexandrine, Brahim, Catalina,

Charles, Estelle, Kathleen, Hongmei, Jessica, Maud, Maria José, Myriam, Mark, Pierre e

Sérge, por tornarem os meus dias em Montreal mais agradáveis e por sempre me

ajudarem quando foi preciso. Em especial ao Alexandre, à Catalina e à Maud, pelo

carinho e apoio; e ao Sérge pela ajuda indispensável para a realização das análises

laboratoriais. Foi um grande prazer conhecê-los! Não posso deixar de agradecer à

professora Dolores Planas, por me permitir usufruir da estrutura de seu laboratório e aos

demais professores e estudantes do GRIL/UQÀM pela agradável acolhida. Merci

beaucoup à vous!!!

Ao pessoal do INPE. Primeiramente, ao Flávio Ponzonni por ter-me acollhido por

duas vezes em seu gabinete e me ensinado a fazer as correções radiométricas das

vi

imagens e pela prontidão em me esclarecer dúvidas à cerca do assunto. Ao Pedro

Cordeiro por ter me ajudado com a linguagem Legal do Spring para a realização da

inversão dos modelos. Ao Cláudio Barbosa e a doutoranda Flávia Martins por me

auxiliarem com a máscara para recorte da área de estudo.

Aos professores e funcionários dos Laboratórios de Fisiologia e de Interação

microorganismos-planta do Departamento de Botânica, ao professor Ricardo Motta Pinto-

Coelho e seus alunos e técnicos e à doutoranda da Biofísica Ana Paula pelo acesso a

equipamentos necessários às análises realizadas no meu projeto.

Aos funcionários da EPHF de Furnas Centrais Elétricas SA pelo apoio logístico e

financeiro via projeto P&D da ANEEL. Em especial ao Dirceu, Das Neves, Érico,

Marquinhos, Paulo e Toninho, por sempre terem feito o máximo para a realização das

coletas durante o “imutável” dia da passagem dos satélites.

Ao Charles Rezende, monitor do curso de especialização em Geoprocessamento

da UFMG, pelas dicas com o Spring.

À CAPES pelo auxílio financeiro por meio das bolsas PROF no Brasil e PDEE no

Canadá.

Ao programa de pós-graduação em ECMVS e seus funcionários pelo apoio

logístico e financeiro. Em especial, ao Elídio por sempre ter me ajudado a conseguir carro

para as coletas de campo.

Muito obrigada a todos!

vii

AS INDAGAÇÕES

A resposta certa, não importa nada: o

essencial é que as perguntas estejam

certas.

Mario Quintana (Caderno H)

viii

Resumo

O sensoriamento remoto pode ser uma ferramenta promissora para o monitoramento do

fitoplâncton, principalmente de florações como as de cianobactérias, pois ele permite a

avaliação de áreas extensas, como a superfície de um lago ou de um reservatório por

inteiro. A relação entre as concentrações de pigmentos e a reflectância das diversas

combinações de bandas medida por sensores orbitais pode permitir a estimativa da

biomassa fitoplanctônica e sua distribuição no ambiente. Análises de regressões e

modelos bio-ópticos são as ferramentas comumente empregadas para se obter tais

relações. A classificação digital, apesar de ser um dos métodos em sensoriamento

remoto rotineiramente empregado para ambientes terrestres, é pouco usada para

ambientes aquáticos. Entretanto, por ser um método bem conhecido e relativamente de

fácil aplicação, ela pode ser uma ferramenta promissora para estudos de monitoramento

de florações do fitoplâncton. A estimativa da concentração de clorofila-a a partir de dados

do sensor orbital Landsat-5 TM foi obtida a partir do modelo empírico de inversão por

regressão linear em dois ambientes continentais de grandes dimensões: reservatório da

UHE de Furnas (Brasil) e Baía de Missisquoi (EUA/Canadá). O método de classificação

digital também foi aplicado para o reservatório da UHE Furnas a partir de dados dos

sensores CBERS-2 CCD e Landsat-5 TM para a obtenção do estado trófico, com base na

concentração de clorofila-a. Localizado no sudoeste de Minas Gerais, o reservatório de

Furnas apresenta área igual a 1440 Km2 e é formado por dois rios principais (rio Grande

e rio Sapucaí), além de vários pequenos tributários. No braço do rio Sapucaí, foram

registradas concentrações de clorofila-a e de cianobactérias, incluindo a de espécies

potencialmente tóxicas, maiores do que no braço do rio Grande. A Baía de Missisquoi

(77,5 Km2) está localizada na porção nordeste do Lago Champlain na área de fronteira

entre Canadá e EUA. Florações de cianobactéria são freqüentes na Baía de Missisquoi

durante o verão. Os modelos empíricos obtidos no reservatório de Furnas apresentaram

valores de coeficiente de determinação (R2) entre 0,61 e 0,90 dependendo do período de

ix

coleta analisado. Além de bom poder preditivo, os modelos produzidos apresentaram

boa acurácia, obtida a partir da relação entre os estados tróficos oriundos de dados

medidos in situ e aqueles previstos por dados TM. O método de classificação a partir de

dados CBERS e Landsat, também apresentou boa acurácia, apesar das limitações

inerentes a este quando aplicado em ambiente aquático (imprevisibilidade da localização

de classes e fraco sinal de reflectância). Os mapas de distribuição de clorofila-a e estado

trófico produzidos a partir dos dois métodos empregados, indicaram que programas de

monitoramento do fitoplâncton que priorizam a ocorrência de cianobactérias no

reservatório de Furnas devem ser intensificados no braço do rio Sapucaí. Para a Baía de

Missisquoi, apenas em uma coleta foi possível obter dados do sensor TM, e o modelo

produzido também apresentou bom poder preditivo (R2 = 0,88) e acurácia acima de 77%.

Entretanto, a baixa profundidade da Baía de Missisquoi provavelmente produziu um ruído

no sinal de reflectância da clorofila-a, o qual limitou a aplicação do modelo para toda

extensão da baía. Logo, ambos os métodos empregados, classificação e modelo

empírico de inversão, apresentaram acurácias aceitáveis e podem ser empregados como

ferramentas de monitoramento em ambientes aquáticos continentais. Apesar das

limitações espectrais dos sensores CBERS CCD e Landsat TM para a aplicação de

modelos mais refinados para a estimativa de clorofila-a, como modelos bio-ópticos; estes

apresentam vantagens como a previsibilidade e continuidade na obtenção de dados,

ausência de custo para obtenção de imagens e boa resolução espacial (≤ 30 m) quando

comparados a outros sensores com maior resolução espectral. A partir dos dados

obtidos, pôde-se concluir que a realização de coletas de campo coincidentes com a

passagem dos sensores CBERS CCD e Landsat TM possa ser uma boa estratégia para

o monitoramento de florações de cianobactérias em ambientes aquáticos continentais,

indicando o uso potencial dos sensores remotos orbitais.

x

Palavras-chave: sensoriamento remoto, cianobactérias, florações, Reservatório da UHE

de Furnas, Baía de Missisquoi

Abstract

Remote sensing can be a promising tool for monitoring phytoplanktonic blooms, because

it makes possible monitoring large areas such as the surfaces of whole lakes or

reservoirs. The relationship between pigment concentrations and reflectance of band

combinations by orbital sensor can provide biomass estimation and environmental

distribution of phytoplankton. Regression analyses and bio-optical models are the most

commonly used tools to assess these relationships. Digital classification is not usually

applied in aquatic environment, even though it is one of the most applied remote sensing

methods in land systems. Because it is well-known and it is relatively easy to use, it can

be a useful tool to monitor and study phytoplanctonic blooms. In this study, chlorophyll-a

concentrations were estimated from data of the Landsat-5 TM orbital sensor using an

empirical linear regression inversion model in two large size inland freshwater systems:

Furnas reservoir (Brazil) and Missisquoi Bay (USA/Canada). In Furnas reservoir we also

applied a digital classification method using CBERS-2 CCD and Landsat-5 TM data to

estimate the trophic status by chlorophyll-a concentration. Furnas reservoir is a large

water body (1,440 Km2) located in southeastern of Brazil, formed by two main rivers

(Grande river and Sapucaí river) and several small tributaries. In the Sapucaí section,

chlorophyll-a and cyanobacterial concentration, including potential toxic species, were

higher than in the Grande section. The Missisquoi Bay (77.5 Km2) is located in the

northeastern portion of Lake Champlain on the Canada-USA border area. Cyanobacterial

blooms have been registered every summer in Missisquoi Bay. Coefficients of

determination (R2) between 0.61 and 0.90, according to the sampling period, were

xi

calculated in Furnas reservoir by the empirical models. They also exhibited good

accuracies beyond these good prediction powers. The accuracies were estimated by the

relationships between in situ-data and TM-data of trophic status. The results obtained by

the classification method also showed good accuracies, although the method had some

inherent limitations for its use in aquatic environments (unpredictable location of classes

and weak reflectance signal). Analysis of the maps of chlorophyll-a and trophic state

distribution produced by the two methods suggested that a phytoplankton monitoring

program, focused on cyanobacterial occurrence, should be intensified in the Sapucaí

section of Furnas reservoir. In Missisquoi Bay, the TM data were available only for one

sampling period. The model showed good predictive power (R2 = 0.88) and accuracies (>

77%). However, the shallow depth of Missisquoi Bay probably produced some noise in the

chlorophyll-a reflectance signal that reduced the model applicability over the entire bay

area. Both approaches, classifications and inversion models, showed acceptable

accuracies and could be used as monitoring tools in freshwater systems. Despite CBERS

CCD and Landsat TM sensors having spectral limitations that restrained their use for

more precise chlorophyll-a measuring models, as bio-optical models, they have some

advantages over other sensors with higher spectral resolution.These inclues a

forecastable and continuity of data acquisition, free data distribution, and good spatial

resolution (≤ 30 m). Based on the results, we believe that the coupling of field sampling

and CBERS CCD and Landsat TM overpassing could offer a valuable monitoring strategy

to cyanobacterial bloom monitoring in inland waters showing a potential use for orbital

remote sensors.

Keywords: remote sensing, cyanobacteria, bloom, Furnas Reservoir, Missisquoi Bay

xii

LISTA DE FIGURAS

Introdução geral

Figura 1 – Assinatura espectral de culturas de algas em diversas concentrações de

clorofila-a. A – Chlorophyta: clorofila-a de 0,5 a 60 µg.L-1. B – Cyanobacteria: clorofila-a

de 12.7 a 58.3 µg.L-1. As faixas de cores indicam a largura espectral das bandas do sensor TM do

satélite Landsat: TM1 (azul), TM2(verde), TM3(vermelho) e TM4 (rosa). A elipse assinala o pico de absorção

da ficocianina. Extraído e modificado de Gitelson et al. (1999)..........................................................15

Capítulo 1

Figure 1 – Furnas reservoir position and distribution of the sampling stations in the

different sections..............................................................................................................49

Figure 2 – Chlorophyll-a, total suspended matter (TSM) and inorganic suspended matter

(ISM) concentration in Furnas reservoir during the whole sampling period. .....................57

Figure 3 – Phytoplanktonic abundance (top) and relative abundance of cyanobacteria

(bottom) in some sampling stations of Furnas reservoir in two different seasons. ............58

Figure 4 – Trophic status map in Furnas reservoir at different sampling periods by OECD

criteria, according to classification method.......................................................................64

Figure 5 – Trophic status maps in Furnas reservoir at different sampling periods by the

Modified Carlson’s Trophic Index according to classification method ...............................68

Figure 6 – Relative areas covered by the trophic state classes in the entire reservoir and

in the three sections of Furnas reservoir by OECD criteria and the Modified Carlson’s

Trophic State Index (TSI) at each sampling period, according to classification method....72

Figure 7 – Chlorophyll-a and TMs multiple relations in Furnas reservoir for four data

sampling period in the three reservoir sections. ...............................................................78

Figure 8 – Scartterplot between chlorophyll-a concentration by Landsat TM-predicted and

in situ-measured in Furnas reservoir during four sampling period, and the errors type

according to trophic status chlorophyll limits by OECD criteria (dashed line) and Modified

xiii

Carlson’s Trophic Index (dash-dotted line) for ultra-oligotrophic to oligotrophic (long dash

or dash-dot-double) and for oligotrophic to mesotrophic (short dash or dash-dot) status. 80

Figure 9 – Trophic state by OECD (A) criteria and Modified Carlson’s Trophic Index (TSI)

(B) for in situ data and Landsat TM-predicted data in Furnas reservoir for four sampling

periods. UO – ultra-oligotrophic, O – oligotrophic and M – mesotrophic.............................................81

Figure 10 – Chlorophyll-a (µg.L-1) distribution map in Furnas reservoir for the entire

sampling period for Landsat data. Ellipses indicate the Capitólio (dash line) and Boa Esperança

(dotted line) dikes position. ......................................................................................................84

Figure 11 – Chlorophyll-a relative area covered in the entire Furnas reservoir and in the

three sections for each sampling period, according to the inversion models. ...................86

Figure 12 - Trophic status map in Furnas reservoir during the entire sampling period by

OECD criteria and Modified Carlson’s Trophic Index (TSI) according to the chlorophyll

inversion model................................................................................................................87

Figure 13 - Relative area covered by the trophic state classes in the entire Furnas

reservoir and in the three sections by OECD criteria and Modified Carlson’s Trophic State

Index (TSI) for each sampling period, according to the inversion models.........................91

Figure 14 – Correlation between trophic state covered area estimated by classification

and inversion model methods for both trophic classifiers: OECD criteria (empty symbols)

and Modified Carlson’s Trophic Index (filled symbols)......................................................93

Capítulo 2

Figure 1 – Missisquoi Bay location and sampling stations. ………………………………. 108

Figure 2 – Chlorophyll-a concentration in Canadian Missisquoi Bay in all sampling period

and station during the summer of 2007. Dashed line – Threshold concentration to low health risk in

recreational water use. Dotted line - Threshold concentration to alert 1 level framework in drinking water

source. Grayscale – Trophic status by OECD criteria and Carlson’s Trophic Index (TSI): white – oligotrophic,

light gray – mesotrophic, dark gray – eutrophic and black – hipereutrophic. .......................................113

Figure 3 – Phytoplanktonic biomass (A) and cellular abundance (B) in some sampling

stations in Missisquoi Bay during the summer of 2007...................................................114

xiv

Figure 4 – Cellular abundance of Cyanobacteria, total (A) and potential toxic species (B),

in some sampling stations in Missisquoi Bay during the summer of 2007. Dashed line –

Threshold abundance to low health risk in recreational water use. Dashed and dotted line – Threshold

abundance to moderate health risk in recreational water use. Dotted line - Threshold abundance to alert 1

level framework in drinking water source. ..................................................................................116

Figure 5 – Scartterplot between chlorophyll-a concentration by Landsat TM- predicted and

in situ-measured in Canadian Missisquoi Bay, and the errors type according to trophic

status by OECD criteria (dashed line) and Carlson’s Trophic Index (dash-dotted line) and

according to the values for low human health risk in recreational waters (dotted line)....120

Figure 6 – Suitable chlorophyll-a area in Missisquoi Bay by Landsat-5 TM data. Ellipses

indicate the wetland regions...........................................................................................122

Figure 7 – Chlorophyll-a (µg.L-1) distribution map in Missisquoi Bay by Landsat-5 TM

data. ..............................................................................................................................122

Figure 8 – Relative area covered for chlorophyll-a and trophic state classes by OECD

criteria and Carlson’s Trophic State Index (TSI) in Missisquoi Bay derived from Landsat-5

TM data. ........................................................................................................................123

Figure 9 – Trophic status map by Carlson’s Trophic Index (TSI) in Missisquoi Bay

according to chlorophyll-a algorithmic by Landsat-5 TM data.........................................124

Considerações finais

Figura 1 – Características de sensores orbitais utilizados na estimativa de clorofila-a em

águas continentais: número de bandas na região espectral vermelho e infravermelho

próximo, resolução temporal (A), resolução espacial (B) e largura da faixa imageada (C);

de acordo com a disponibilidade na obtenção sistemática de imagens e custo financeiro

do sistema. ....................................................................................................................133

Apêndice V

Figura 1 – Diagrama das etapas do processo de normalização radiométrica. ...............154

xv

Apêndice VI

Figura 1 – Fator de reflectância bidirecional de superfície (SBFR) em números digitais

(DN) para as bandas do Landsat 5 e concentração de clorofila a no reservatório da UHE

de Furnas em quatro períodos de coleta........................................................................158

Figura 2 – Fator de reflectância bidirecional de superfície (SBFR) para as bandas do

Landsat 5 em algumas estações de coleta nas porções da barragem (linha contínua),

Grande (linha descontínua) e Sapucaí (linha pontilhada) do reservatório da UHE de

Furnas em quatro períodos de coleta. ...........................................................................159

Figura 3 - Fator de reflectância bidirecional de superfície (BFR) para as bandas do

Landsat 5 na estação de coleta F18 no reservatório da UHE de Furnas em quatro

períodos de coleta. ........................................................................................................160

Apêndice VII

Figura 1 – Distribuição de áreas alagadas na bacia do Lago Champlain, no detalhe Baía

de Missisquoi. Modificado de Atlas do “Lake Champlain Basin Program” disponível em:

http://www.lcbp.org/Atlas/PDFmaps/nat_wetland.pdf....................................................................161

Figura 2 – Exemplos de concentração de clorofila-a derivada do Landsat-5 na área “sem

dado” na Baía de Missisquoi. A – área alagada, B – zona pelágica, C – zona litorânea.................162

xvi

LISTA DE TABELAS

Introdução geral

Tabela 1 – Resolução nominal dos dados usados para análise, uso de aquisições multi-

temporais, tipo de sensor utilizado, tipo de ecossistema estudado, processo avaliado e a

variável estudada para qualidade de água dos artigos pertencentes à edição especial do

jornal científico “Remote Sensing of Environment” - volume 112, fascículo 11 de 2008.

Extraído e modificado de Goetz et al. (2008). ...............................................................................12

Tabela 2 – Características gerais de cianotoxinas. Fonte: Chorus & Bartram (1999) e MOH (2005).

........................................................................................................................................22

Capítulo 1

Table 1 – Sampling stations number per chlorophyll-a based trophic class (O =

oligotrophic and M = mesotrophic) by OECD criteria and Modified Carlson’s Trophic State

Index (TSI), sensor and bands used for the classification on each sampling period, and

percentage of the “no data area” (clouds, clouds shadows and no image) in Furnas

Reservoir area for each sampling period. Numbers in parenthesis beside the oligotrophic

class represent ultra-oligotrophic. ....................................................................................53

Table 2 – Accuracy assessment (%) of the trophic state classification by OECD criteria

and Modified Carlson’s Trophic Index (TSI) for each sampling period in training and

testing (in italic) samples according to classification method............................................60

Table 3 - TM bands and their combinations correlated with ground reference chlorophyll-a

data by the coefficient of determination (R2). No significant values at the 95% level are not

showed (-). Collinear occurrence (‘). n = sample size.......................................................75

Table 4 – Regression equations and statistical parameters from the most successful

relationships of chlorophyll-a and TM data in Furnas reservoir for the four sampling

periods.............................................................................................................................76

Table 5 – Literature values of coefficient of determination for chlorophyll-a algorithms by

Landsat TM data..............................................................................................................76

xvii


and Modified Carlson’s Trophic Index (TSI) in each sampling period for the three trophic

classes and for the oligotrophic and mesotrophic classes (in italic), according to the

inversion model method...................................................................................................82

Capítulo 2

Table 1 – Sampling stations number, dates of sampling and satellite overpass in

Missisquoi Bay during the summer of 2007....................................................................109

Table 2 – Literature values of coefficient of determination to chlorophyll-a algorithms by

Landsat TM data............................................................................................................119

Apêndice I

Tabela 1 – Resoluções temporais (dias), espaciais (m) e espectrais (nm) dos sensores

CCD e TM dos satélites CBERS-2 e Landsat-5. ............................................................137

Apêndice II

Tabela 1 – Erro padrão quadrático médio (RMSE - Root Mean Square Error) em pixels

para as amostras de treinamento e teste (itálico) obtido no georreferenciamento de cada

imagem Landsat-5 (órbita/ponto) correspondente à área do reservatório da UHE de

Furnas nas diversas datas de coleta..............................................................................138



imagem CBERS-2 (órbita/ponto) correspondente à área do reservatório da UHE de

Furnas nas diversas datas de coleta..............................................................................138

Apêndice III

xviii

Tabela 1 – Limites de concentração de clorofila-a (µg.L-1) e valores de Índice de Estado

Trófico (IET) para diferentes níveis tróficos segundo OECD (1982), Carlson (1977, por

Kreutzer & Brezonick, 1981) e Lamparelli (2004)...........................................................139


Trófico (IET) segundo OECD (1982) e Lamparelli (2004) para cada níveL trófico

empregado no Capítulo 1 para os dados obtidos com o método de classificação.........139



empregado no Capítulo 1 para os dados obtidos com os modelos de inversão. ............139

Apêndice IV

Tabela 1 – Exemplo de matriz de erros. Modificada de Congalton (1991). ....................141

Tabela 2 – Matriz de erro das amostras de treinamento para as classes de estado trófico

segundo o critério da OECD em cada período de coleta. ..............................................144

Tabela 3 – Matriz de erro das amostras de teste para as classes de estado trófico

segundo o critério da OECD em cada período de coleta. ..............................................145

Tabela 4 – Matriz de erro das amostras de treinamento para as classes de estado trófico

segundo o Índice de Estado Trófico de Carlson modificado em cada período de coleta.

......................................................................................................................................146

Tabela 5 – Matriz de erro das amostras de teste para as classes de estado trófico

segundo o Índice de Estado Trófico de Carlson modificado em cada período de coleta.

......................................................................................................................................147

Tabela 6 – Acurácias (%) da classificação de estados tróficos baseada no Índice Trófico

de Carlson modificado para o período de coleta JUN06. ...............................................148

Apêndice V

xix

Tabela 1 – Radiância aparente mínima e máxima utilizadas na calibração do sensor

Landsat-5 para imagens adquiridas após 05 de maio de 2003 e valores de irradiância

média do sol no topo da atmosfera. Valores em W . cm-2 . sr-1 . µm-1. .......................151

Tabela 2 - Médias de reflectância de superfície em números digitais das regiões de claro

e escuro para cada banda TM e para cada período de coleta após a normalização

radiométrica...................................................................................................................156

xx

SUMÁRIO

1- Introdução geral............................................................................................................ 1

2 – Objetivos..................................................................................................................... 3

3 – Revisão bibliográfica................................................................................................... 5

3.1 - Sensoriamento remoto: princípios básicos............................................................. 5

3.1.1 - Classificação digital........................................................................................ 7

3.1.2 - Modelos empíricos ......................................................................................... 8

3.1.3 - Modelos semi-empíricos ou semi-analíticos (modelos ópticos) ...................... 9

3.2 - Sensoriamento remoto no ambiente aquático ........................................................ 9

3.3 – O uso do sensoriamento remoto para detecção do fitoplâncton...........................11

3.4 – Florações de organismos fitoplanctônicos: importância das cianobactérias .........19

3.4.1 - Cianotoxinas .................................................................................................20

3.4.2 - Efeitos de cianobactérias na cadeia trófica ...................................................21

3.4.3 - Clorofila-a, estado trófico e biomassa de Cyanobacteria...............................23

3.4.4 - Programas de monitoramento de cianobactérias ..........................................25

3.5 – O uso do sensoriamento remoto em ambientes aquáticos continentais brasileiros

.....................................................................................................................................27

Referências bibliográficas................................................................................................30

Capítulo 1:

Determination of chlorophyll-a and trophic state using CBERS-2 and Landsat-5 data in a

freshwater system (Furnas reservoir – Brazil): an evaluation of use of the orbital remote

sensing for mapping cyanobacterial bloom

Resumo ...........................................................................................................................42

Abstract ...........................................................................................................................43

1 - Introduction.................................................................................................................45

2 – Methods.....................................................................................................................48

xxi

2.1 - Study area ............................................................................................................48

2.2 - Sampling design and field measurements.............................................................48

2.3 - Satellite data ........................................................................................................51

2.3.1 - Supervised maximum likelihood classification ...............................................51

2.3.2. - Empirical inversion models...........................................................................54

3 – Results and discussion ..............................................................................................56

3.1 – Phytoplanktonic biomass......................................................................................56

3.2 – Satellite data classification ...................................................................................59

3.2.1 - Classification accuracies ...............................................................................59

3.2.2 - Trophic status maps......................................................................................63

3.3 – Satellite data inversion model ..............................................................................73

3.3.1 - Chlorophyll-a algorithms- Regressive equations ...........................................73

3.3.2 - Algorithms accuracies ...................................................................................77

3.3.3 - Chlorophyll-a maps .......................................................................................82

3.3.4 - Trophic status maps......................................................................................83

3.4 - Classification and inversion model methods correspondence ...............................92

4. Conclusion...................................................................................................................92

References ......................................................................................................................94

Capítulo 2:

The potential use of Landsat-5 Thematic Mapper for chlorophyll-a detection and for

mapping cyanobacterial blooms in inland water systems: a case study in Missisquoi Bay

(Canada-USA)

Resumo .........................................................................................................................103

Abstract .........................................................................................................................104

1 – Introduction..............................................................................................................105

2 – Methods...................................................................................................................107

xxii

2.1 - Study area ..........................................................................................................107

2.2 - Sampling design and field measurements...........................................................109

2.3 - Satellite data.......................................................................................................110

3 – Results and discussion ............................................................................................112

3.1 – Phytoplanktonic biomass....................................................................................112

3.2 – Satellite data inversion model ............................................................................117

3.2.1 - Chlorophyll-a algorithms: Regressive equation ...........................................117

3.2.2 - Algorithm accuracy......................................................................................118

3.2.2 - Chlorophyll-a and trophic status maps ........................................................120

4 - Conclusion................................................................................................................124

References ....................................................................................................................125

Considerações finais......................................................................................................132

Apêndice I – Configurações CBERS-2 e Landsat-5 .......................................................137

Apêndice II – Georreferenciamento ...............................................................................138

Apêndice III – Concentração de clorofila-a e estados tróficos ........................................139

Apêndice IV – Matriz de erro..........................................................................................141

A) Cálculos de acurácias baseados em uma matriz de erro........................................141

B) Matrizes de erro das amostras treinamento e teste obtidas pelas classificações de

estado trófico para o reservatório da UHE de Furnas. ................................................144

C) Acurácias da classificação com número de amostras balanceadas em JUN06......148

Apêndice V – Correção atmosférica e normalização......................................................149

A) Correção atmosférica .............................................................................................149

B) Normalização radiométrica.....................................................................................153

Apêndice VI – Fator de reflectância bidirecional ............................................................158

Apêndice VII – Baía de Missisquoi: áreas alagadas e áreas rasas ................................161

1

1- Introdução geral

O monitoramento de ambientes aquáticos é conduzido, principalmente, para a

detecção de alterações nas características físicas, químicas e biológicas do ambiente

decorrentes de impactos por atividades antrópicas. Tal procedimento permite que ações

de manejo e mitigação de tais impactos sejam executadas para a manutenção da biota e

garantia da qualidade da água para os diversos usos.

Diversas atividades antrópicas, como pecuária e despejo de efluentes domésticos,

levam a entrada de poluentes nos ambientes aquáticos. Tais poluentes, geralmente, ricos

em nutrientes, como fósforo e nitrogênio, proporcionam o aumento da trofia, o que resulta

na eutrofização dos corpos d’água.

Ambientes eutrofizados exibem uma alta densidade de organismos

fotossintetizantes, grande parte destes compondo o fitoplâncton. A comunidade

fitoplanctônica é composta basicamente por algas e cianobactérias, sendo que em

diversos ambientes as últimas são frequentemente favorecidas durante o processo de

eutrofização. Em situações onde a abundância fitoplanctônica torna-se muito elevada,

ocorre o que se denomina floração, que pode ser formada por uma ou mais espécies.

Florações de cianobactérias têm-se tornado freqüentes em decorrência do avanço

na deteriorização dos ambientes aquáticos. Atualmente, grande importância tem sido

dada à detecção e monitoramento destas, uma vez que estes organismos exibem a

capacidade de produzir compostos potencialmente tóxicos a biota e a seres humanos.

Ambientes de grandes extensões demandam consideráveis esforços logísticos e

financeiros para a execução de programas de monitoramento. Principalmente, quando a

variável a ser monitorada exibe alterações significativas no tempo e no espaço, como

ocorre com as cianobactérias. Desta forma, a busca por ferramentas e métodos que

contribuam para a magnificação da área a ser monitorada bem como para a minimização

do tempo gasto na obtenção de dados são desejáveis nos programas de monitoramento

ambiental.

2

Neste contexto, as técnicas de sensoriamento remoto têm-se mostrado

promissoras, principalmente, quando se emprega o uso de sensores orbitais, uma vez

que elas permitem a obtenção simultânea de dados correspondentes a grandes

extensões espaciais.

Frente aos problemas inerentes de florações de cianobactérias e do uso potencial

de sensores orbitais para o monitoramento destas, a proposta desta tese foi avaliar e

consolidar metodologias com o uso de dados de sensores orbitais para o monitoramento

do fitoplâncton, com ênfase em cianobactérias, em ambientes aquáticos continentais de

grandes extensões. Para isto utilizou-se dois sensores orbitais multiespectrais: o TM

(Thematic Mapper) do satélite Landsat-5 (Land Remote Sensing Satellite) e o CCD

(Câmera Imageadora de Alta Resolução) do satélite CBERS-2 (China-Brazil Earth

Resources Satellite). Os estudos foram conduzidos em dois ambientes onde a floração

de espécies de cianobactérias potencialmente tóxicas vêm sendo detectada:o

reservatório da UHE de Furnas (Usina Hidrelétrica de Furnas) e a Baía de Missisquoi,

localizados, respectivamente, no sudeste brasileiro (Minas Gerais) e sudeste canadense

(Quebec).

3

2 – Objetivos

Partindo-se dos pressupostos que:

a) as técnicas de SR por sensores orbitais são viáveis para o monitoramento da

comunidade fitoplanctônica de ambientes continentais de grandes extensões;

b) florações de organismos fitoplanctônicos podem ser detectadas por sensores orbitais;

c) os sensores multi-espectrais CBERS CCD e Landsat TM podem ser utilizados para o

monitoramento de clorofila-a de ambientes aquáticos continentais, pois abrangem o

espectro visível e infra-vermelho próximo e apresentam resolução espacial menor ou

igual a 30 m;

o presente estudo tem como objetivo principal desenvolver e avaliar a acurácia de uma

metodologia para a detecção quantitativa do fitoplâncton, em ambientes aquáticos

continentais de grandes extensões, utilizando os sensores CBERS-2 CCD e Landsat-5

TM.

Os objetivos específicos deste trabalho foram:

a) avaliar a acurácia do uso dos sensores CCD e TM para o mapeamento da clorofila-a

por duas técnicas distintas: classificação digital e inversão de um modelo empírico;

b) localizar as áreas de risco de ocorrência de florações de cianobactéria com o auxílio

de mapas de distribuição de clorofila-a e do estado trófico produzidos a partir de dados

de sensores orbitais (CCD e TM);

Por terem sido os estudos conduzidos em dois ambientes distintos, reservatório

da UHE de Furnas (Brasil) e Baía de Missisquoi (EUA/Canadá), este trabalho foi

subdividido em dois capítulos, cujos dados de cada ambiente serão apresentados nos

4

capítulos 1 e 2, respectivamente. No capítulo 2, referente à Baía de Missisquoi, apenas o

modelo empírico a partir de dados do sensor TM foi aplicado.

Os capítulos 1 e 2 foram produzidos em formato para publicação em jornais de

divulgação científica, desta forma ambos foram escritos na língua inglesa. No capítulo 1,

os dados relativos aos métodos de classificação digital e de modelo de inversão serão

separados a posteriori para publicação. Estes dados serão apresentados em um mesmo

capítulo neste manuscrito para facilitar a compreensão dos leitores e por se tratar do

mesmo ambiente de estudo (reservatório da UHE de Furnas). Com intuito de detalhar

aspectos metodológicos ou apresentar dados brutos ou auxiliares, os quais não caberiam

a um artigo científico, mas facilitariam a compreensão dos leitores, apêndices relativos

aos capítulos 1 e 2 foram inseridos no fim deste manuscrito.

5

3 – Revisão bibliográfica

3.1 - Sensoriamento remoto: princípios básicos

A utilização do sensoriamento remoto (SR) para o monitoramento ambiental

requer o entendimento dos princípios básicos de seu funcionamento. Novo (1992) e

Mather (2004) trazem em seus livros uma abordagem simples desta tecnologia. Nesta

seção serão transcritos os principais conceitos e princípios do SR de acordo com estes

autores.

O sensoriamento remoto foi definido por Novo (1992) como “a utilização conjunta

de modernos sensores, equipamentos para processamentos de dados, equipamentos de

transmissão de dados, aeronaves, espaçonaves, etc., com o objetivo de estudar o

ambiente terrestre através do registro e da análise das interações entre a radiação

eletromagnética e as substâncias componentes do planeta Terra em suas mais diversas

manifestações”.

A aquisição de informações sobre objetos ou fenômenos através de sensores

implica na ausência de contato direto entre estes.

A informação obtida pelo SR é adquirida por dois sistemas: sistema de coleta de

dados e o sistema de análise de dados.

O sistema de coleta de dados irá operar baseado em cinco princípios:

a. existência de fonte de radiação

b. propagação de radiação pela atmosfera

c. incidência da radiação sobre a superfície terrestre

d. ocorrência de interações entre a radiação e os objetos da superfície

e. produção de radiação que retorna ao sensor após propagar-se pela atmosfera.

6

Como pôde ser verificado, dentro do sistema de coleta de dados a base do SR é a

interação energia-matéria. Logo, a interpretação dos dados está baseada no

conhecimento desta interação.

Todo corpo com temperatura absoluta acima de 0º K pode ser considerado uma

fonte de radiação, pois a matéria nestas condições emite energia. Quando as ondas

eletromagnéticas são interceptadas por um corpo, o resultado da interação (radiação)

dependerá das propriedades elétricas e magnéticas da matéria que compõe o corpo.

A interação da radiação com o objeto é avaliada por medidas radiométricas que

informam, principalmente, sobre a quantidade de energia produzida pela fonte, a

quantidade de energia atenuada pelo meio que se interpõe entre a fonte e o objeto e a

quantidade de energia absorvida pelo objeto. Além disso, alguns aspectos qualitativos

são avaliados, como as regiões do espectro que sofreram atenuação pelo meio e quais

sofreram maior ou menor absorção pelo objeto.

O Sol é a principal fonte de energia eletromagnética disponível para o SR da

superfície terrestre. Quanto a irradiância solar na superfície terrestre, o máximo de

energia encontra-se na faixa de 400 a 700nm (região do visível).

Existem vários tipos de sensores utilizados no sensoriamento remoto, como

fotográficos, radares, radiômetros, orbitais; os quais são diferenciados quanto a fonte de

energia (passiva ou ativa), a região do espectro (região óptica e microondas) e o

comportamento espectral (imageadores ou não).

Os sensores ópticos orbitais (sensores de satélites) são considerados sensores

que detectam o comportamento espectral, ou seja, a transformação sofrida pela radiação.

São classificados como sensores de imageamento eletro-óptico. Eles operam em uma

ampla faixa do espectro eletromagnético e adquirem dados em forma de sinais

eletromagnéticos, o que permite a transmissão à distância.

Quanto à imagem formada pelos sensores, a resolução é uma das principais

características utilizadas para a escolha do sensor. A resolução é a medida da habilidade

7

que um sistema sensor possui em distinguir entre respostas que são semelhantes

espectralmente ou próximas espacialmente.

A resolução espacial é definida com a separação angular ou linear entre dois

objetos e a espectral refere-se à largura das faixas espectrais. Quanto menor a faixa

melhor será a resolução espectral. A resolução radiométrica refere-se à sensibilidade do

sistema sensor em distinguir entre dois níveis de intensidade do sinal de retorno. Além

das resoluções espaciais, espectrais e radiométrica, há também a resolução temporal no

caso de sensores operacionais, como os orbitais. A resolução temporal seria o tempo

necessário para que o sensor capture dados de uma área já visitada.

O sistema de análise de dados compreende as técnicas de pré-processamento

(ex. correções geométricas e radiométricas) e de extração de informação. Dentre as

técnicas de extração de informação de dados, a classificação digital e as modelagens

empírica e óptica serão abordadas a seguir.

3.1.1 - Classificação digital

A classificação digital é uma técnica em que classes pré-determinadas são

atribuídas a um conjunto de dados do sensor a partir de um processo de decisão

discriminatório de acordo com o comportamento espectral dos dados. Por exemplo,

quando objetiva-se o mapeamento da cobertura da vegetação, os tipos de vegetação

(floresta primária, cerrado, campo rupestre, etc.) seriam as classes e as imagens obtidas

de um sensor orbital seriam os dados espectrais. Quanto ao processo de decisão

discriminatório destes dados, existem vários algoritmos que se dividem em dois grupos

principais: classificação supervisionada e classificação não-supervisionada.

Na classificação supervisionada, amostras cuja classe é conhecida a priori são

fornecidas ao modelo. Estas amostras são denominadas “treinamento” e podem ser

definidas teoricamente, por seu comportamento espectral ou por conhecimento prático:

8

vistoria in situ, análise de fotografias, mapas anteriores, etc.. Neste tipo de classificação,

o número de classes a serem discriminadas é definido no início pelo usuário e o

classificador (algoritmo) irá associar matematicamente as classes às amostras

treinamento e depois aos demais dados similares a esta. Neste processo, o classificador

realiza a identificação das amostras ainda não classificadas, de forma que o número de

classes geradas será o mesmo daquelas definidas pelo usuário.

A classificação não-superviosionada é por sua vez baseada no processo de

agrupamento. Nesta classificação o número de classes geradas pelo classificador pode

não ser igual ao número de classes que o usuário supõe existir no conjunto de dados.

Logo, uma ou mais classes geradas podem pertencer a uma única classe de interesse do

usuário. Amostras de treinamento não são necessárias na classificação não-

supervisionada.

Para cada grupo de método de classificação existem vários algoritmos

associados, que buscam por diferentes formas um padrão de reconhecimento do objeto

alvo a partir de suas características espectrais, como também de outras características

que possam ser adicionadas ao modelo (ex.: textura). Dentre os algoritmos disponíveis, o

de máxima verossimilhança é um dos mais utilizadas na classificação supervisionada.

3.1.2 - Modelos empíricos

Os modelos empíricos visam estabelecer relações estatísticas entre a resposta

radiométrica do objeto alvo e suas propriedades, tais como a concentração do mesmo.

Tais relações são realizadas por meio de análises de regressões.

Amostras in situ da variável a ser analisada são obtidas simultaneamente ou

próximas ao momento em que o sensor adquire dados da mesma. Desta forma, relações

entre os dados in situ e do sensor podem ser obtidas. A partir da geração destas

9

relações, o modelo permite a extrapolação da concentração do objeto alvo em áreas

onde esta não foi mensurada in situ a partir dos dados do sensor.

Os modelos empíricos são amplamente utilizados com dados de sensores de

baixa resolução espectral relativa ao objeto alvo, isto é, quando estes não permitem a

discriminação de respostas espectrais de diferentes objetos em uma mesma banda.

3.1.3 - Modelos semi-empíricos ou semi-analíticos (modelos ópticos)

Os modelos semi-empíricos são aqueles onde as características espectrais do

objeto alvo são a base de sua construção. A partir das regiões espectrais que

caracterizam o comportamento espectral do objeto, pretende-se encontrar as regiões

espectrais ótimas. Estas seriam regiões do espectro onde a reflectância resultaria apenas

das características ópticas inerentes (coeficiente de absorção e de difusão) ao objeto alvo

ou onde a contribuição de outros compostos fosse mínima. As regiões espectrais ótimas

são obtidas por meio de análises estatísticas que relacionam a concentração do objeto

alvo com a reflectância. A partir das relações encontradas entre a reflectância “ótima” e a

concentração do objeto, pode-se aplicar o modelo a outras áreas não monitoradas e

extrapolar a concentração do objeto. Após a consolidação do modelo, tal extrapolação

pode ser aplicada a priori sem restrição a obtenção de dados in situ tanto na escala

espacial quanto temporal. Isto é válido, desde que as características dos dados a serem

estimados não se difiram daqueles que foram utilizados para o cálculo do modelo.

3.2 - Sensoriamento remoto no ambiente aquático

Desde quando os dados obtidos por sensores em aeronaves ou orbitais tornaram-

se disponíveis entre as décadas de 1960 e 1970, o estudo do uso do SR em ambientes

aquáticos vem sendo realizado. Vários livros que tratam do SR para o monitoramento

10

ambiental, fazem referência ao monitoramento da qualidade de água com o uso do SR

em capítulos específicos. Nesta seção, os principais aspectos teóricos desta abordagem

serão relatados com base, principalmente, nas revisões de Jensen (2000), Mertes et al.

(2004) e Mouchot et al. (1996).

A interação entre a energia eletromagnética e um corpo d’água ocorre entre o

elemento água e os demais elementos opticamente ativos presentes, dissolvidos ou

particulados. A resposta desta interação depende, portanto, das características inerentes

de tais elementos, como os coeficientes de absorção e dispersão, e da quantidade e

qualidade da energia radiante que incide sobre o corpo d’água. Como medidas de tais

interações têm-se algumas variáveis radiométricas, que são consideradas como

“propriedades ópticas aparentes”. A reflectância e o coeficiente de atenuação difusa são

as medidas mais amplamente estudadas dentre estas.

Modelos de transferência radiativa visam desmembrar a contribuição sobre as

propriedades ópticas inerentes de cada elemento presente na água. Com isto objetiva-se

estimar as concentrações de variáveis ambientais importantes a partir de dados de

sensores remotos. Neste contexto, a reflectância de um corpo d’água seria o resultado da

absorção e difusão causados por cada composto opticamente ativo presente, além do

próprio elemento água. Logo, o coeficiente de absorção e o de difusão do ambiente

aquático podem ser considerados como o somatório dos coeficientes dos principais

compostos opticamente ativos: pigmentos, “tripton” (matéria particulada não algal),

matéria orgânica dissolvida colorida (CDOM) e água. Cabe ressaltar que a reflectância na

porção do visível oriunda dos corpos d’água está restrita à zona eufótica.

Como destacado, apenas os elementos presentes na água que produzem

mudanças no espectro eletromagnético, principalmente na faixa visível e infravermelho

próximo, podem ser detectados pelos sensores. As variáveis associadas a estes

elementos que são passíveis de serem e têm sido estimadas por meio de SR são:

concentração de sólidos em suspensão, concentração de clorofila-a, profundidade do

11

disco de Secchi, matéria orgânica dissolvida colorida e o pigmento ficocianina, o qual é

indicativo da abundância de cianobactérias. Ao considerarmos que um sistema aquático

não estaria restrito à porção pelágica da coluna d’água, outras variáveis presentes

poderiam ser avaliadas por técnicas de sensoriamento remoto, como macrófitas e o

próprio leito do corpo d’água.

O fascículo especial do jornal científico “Remote Sensing of Environment” de

novembro de 2008 trouxe como tema as aplicações do SR aos programas de

monitoramento de ambientes de água doce e estuários (“Applications of Remote Sensing

to Monitoring Freshwater and Estuarine Systems”). Com base nos estudos apresentados

neste fascículo, pôde-se vislumbrar a amplitude das aplicações das técnicas de SR ao

monitoramento de ambientes aquáticos e seu entorno quanto aos processos e variáveis

estudados e às técnicas e sensores utilizados (Tabela 1). Dos 14 estudos apresentados,

3 enfocaram a ocorrência de cianobactérias ou fitoplâncton (clorofila-a) para a avaliação

da qualidade de água em lagos ou reservatórios.

Ao proporem novos métodos ou enfatizarem suas limitações, os artigos deste

fascículo evidenciaram que apesar dos estudos com SR em ambientes aquáticos veêm

sendo desenvolvidos desde a década de 70, há muito a ser fazer nesta área para que

tais técnicas se tornem rotina em programas de monitoramento.

3.3 – O uso do sensoriamento remoto para detecção d o fitoplâncton

A comunidade fitoplanctônica é composta por organismos fotoautotróficos de

diversos grupos, procariontes e eucariontes, como as algas e as cianobactérias. Tais

organismos diferenciam-se, entre outros aspectos, pela presença e ausência de diversos

12

Tabela 1 – Resolução nominal dos dados usados para análise, uso de aquisições multi-temporais, tipo de sensor utilizado, tipo de

ecossistema estudado, processo avaliado e a variável estudada para qualidade de água dos artigos pertencentes à edição especial do

jornal científico “Remote Sensing of Environment” - volume 112, fascículo 11 de 2008. Extraído e modificado de Goetz et al. (2008).

Autor principal Resolução Multi-temporal Sensor Habitat Processo Variável

Verdu Alta Sim Hiperespectral 1 Lago Qualidade de água Cyanobacteria

Randolph Ultra-fina Não Hiperespectral 1 Reservatório Qualidade de água Cyanobacteria

Siciliano Fina Sim Hiperespectral 2 Estuário Qualidade de água Nitrogênio em macrófitas

Hestir Fina Não Hiperespectral 1 Estuário Vegetação

Gilmore Fina Sim Multi-espectral 2,3 Estuário Vegetação

Nielsen Alta Sim Multi-espectral3 Áreas alagadas Vegetação

Goetz Alta Sim Multi-espectral 3 Rio Terrestre/aquático

Olmanson Alta Sim Multi-espectral 3 Lago Qualidade de água Profundidade do Secchi

Gons Moderado Não Multi-espectral 3 Lago Qualidade de água Clorofila-a

Fiedl Moderado Sim Multi-espectral 3 Áreas alagadas Quantidade de água

Lang Alta Sim SAR3 Áreas alagadas Quantidade de água

D’Ozouville Alta Não ASAR3 Rios Hidrologia/geomorfologia

Jones Fina Não LIDAR3 Rios Hidrologia/geomorfologia

Wedding Fina Não LIDAR3 Zona bêntica Batimetria

1 – sensor portátil, 2 – sensor em aeronave, 3 – sensor orbital

SAR – Synthetic-Aperture radar

ASAR - Advanced Synthetic Aperture Radar

LIDAR – Light Detection and Ranging

13

pigmentos (clorofilas, carotenóides e biliproteínas) associados ao processo de

fotossíntese (Raven et al., 2007).

Os pigmentos são responsáveis pela absorção de luz, sendo que cada tipo de

pigmento apresenta um espectro de absorção específico com picos de absorção em

determinados comprimentos de onda (Rowan, 1989). Além da absorção específica dos

pigmentos, estes compostos apresentam outras características fotométricas específicas,

como a fluorescência e a reflectância. Devido aos grupos do fitoplâncton apresentarem

diferenças quanto à composição de pigmentos (qualitativamente e quantitativamente), as

características fotométricas destes também são diferentes. Logo, por suas características

fotométricas, a comunidade fitoplanctônica pode ser monitorada por técnicas de

sensoriamento remoto, pois a energia eletromagnética solar interage com os pigmentos

resultando em radiações específicas de acordo com as espécies que compõem esta

comunidade. Florações são, desta forma, mais fáceis de serem detectadas e estudadas,

pois são compostas por poucas ou apenas uma espécie. O termo floração (“bloom”) é

utilizado para descrever o aumento excessivo da abundância fitoplanctônica comparado à

abundância média no ambiente (Oliver & Ganf, 2002). A floração resulta em alterações

na coloração da água, podendo ocorrer o acúmulo desta biomassa na superfície

(escumas), devido à flutuablidade ou mobilidade dos organismos.

Estudos têm enfocado o uso potencial de sensores para a estimativa da

abundância e discriminação dos diversos grupos fitoplanctônicos. Hunter et al. (2008),

por exemplo, encontraram que os pigmentos ficocianina-C e fucoxantina são potenciais

biomarcadores para a discriminação entre cianobactérias e bacilariófitas por sensores de

alta resolução espectral. Por outro lado, a clorofila-a, pigmento encontrado em todas as

espécies fitoplanctônicas apresentando uma relação direta com a biomassa destes

organismos, apesar de não ser específica a nenhum grupo taxonômico, vem sendo

classicamente empregada como variável óptica para a detecção de florações para os

14

diversos grupos fitoplanctônicos por meio de sensores remotos (ex.: Cyanobacteria:

Kutser, 2004, Dinophyta: Raine et al., 2001; Tomlinson et al., 2004).

As variações na resposta eletromagnética de um elemento específico dentro do

espaço espectral, medida principalmente pela reflectância, é o resultado das

propriedades ópticas deste elemento. O padrão de tais variações é chamado de

assinatura espectral. Para os diversos grupos de organismos fitoplanctônicos são

observadas assinaturas espectrais similares e associadas ao comportamento espectral

da clorofila-a (Gitelson et al., 1999). A baixa reflectância na faixa de 440nm (azul) e

670nm (vermelho – RED) é atribuída à absorção pela clorofila-a. Os picos de reflectância

na faixa de 570nm (verde) e de 700nm (infravermelho próximo – NIR) são atribuídos a

processos de dispersão pela superfície das células e à fluorescência da clorofila-a (Fig. 1

A). Para cianobactérias é observada uma baixa reflectância a 620nm devido à absorção

pelo pigmento fotossintético acessório ficocianina-C, característico destes organismos

(Fig. 1B).

Em contraste com águas oceânicas abertas, onde a variação da resposta óptica

da água é quase exclusivamente dependente da biomassa fitoplanctônica; outras fontes

de matéria em suspensão particulada orgânica e inorgânica, além da matéria orgânica

dissolvida, também afetam a resposta óptica de ambientes aquáticos continentais e

costeiros. Desta forma, discernir o sinal captado pelo sensor que seja referente apenas a

clorofila-a para se estimar a biomassa fitoplanctônica é mais complexo nestes ambientes.

Vários estudos tentam encontrar as melhores relações de dados de reflectância

de sensores com a concentração de clorofila-a (biomassa fitoplanctônica), nas quais as

interferências de outros compostos opticamente ativos presentes na água sobre o sinal

da clorofila-a sejam mínimas.

15

Figura 1 – Assinatura espectral de culturas de algas em diversas concentrações de

clorofila-a. A – Chlorophyta: clorofila-a de 0,5 a 60 µg.L-1. B – Cyanobacteria: clorofila-a

de 12.7 a 58.3 µg.L-1. As faixas de cores indicam a largura espectral das bandas do sensor TM do

satélite Landsat: TM1 (azul), TM2(verde), TM3(vermelho) e TM4 (rosa). A elipse assinala o pico de absorção

da ficocianina. Extraído e modificado de Gitelson et al. (1999).

A

B

Ref

lect

ânci

a (%

)

Comprimento de onda (nm)

Ref

lect

ânci

a (%

)


Ref

lect

ânci

a (%

)


Ref

lect

ânci

a (%

)


16

Com o objetivo de separar as respostas ópticas dos componentes da água,

Giltelson et al. (1993) propuseram modelos bio-ópticos para a concentração de clorofila-

a, matéria particulada em suspensão e matéria orgânica dissolvida. Este estudo baseou-

se em um extenso banco de dados oriundo de diversos corpos d’água europeus. Para

cada um destes compostos foi encontrada a porção do espectro que estava mais

fortemente correlacionado a eles: 680 - 710 nm para o fitoplâncton (clorofila-a), 560 - 590

nm para matéria em suspensão e 450 - 480 nm para matéria orgânica dissolvida colorida.

O valor de reflectância utilizado para cada modelo foi obtido por normalização das

reflectâncias nas porções do espectro em que estas eram mais afetada (reflectância ativa

– Ra) e menos afetada (reflectância referência – Rr) pela variação do composto em

questão. Ambas as reflectâncias deveriam estar associadas às características espectrais

do composto. Para clorofila-a foi verificado que a reflectância normalizada ideal seria a

razão entre a Ra a 700 nm e a Rr a 675 nm. Esta relação é comumente denominada

razão NIR/RED (Near Infra-Red / Red), devido à posição no espectro de tais dados

encontrarem-se na porção do infravermelho próximo (700 nm) e no vermelho (675 nm).

Para as cianobactérias em específico, a razão NIR/RED também é utilizada; entretanto, a

reflectância em RED é obtida a 620 nm por sua relação com a absorção pela ficocianina

(Gitelson et al., 1999).

O modelo da razão NIR/RED para a estimativa do fitoplâncton vêm sendo utilizado

em vários estudos, mesmo quando o melhor comprimento de onda para as reflectâncias

ativa e de referência foram um pouco diferentes dos encontrados por Gitelson et al.

(1993) (ex. Han & Rundquist, 1997; Pepe et al., 2001; Thiemann & Kaufmann, 2000). O

uso da razão NIR/RED para a estimativa da concentração de pigmentos fotossintéticos é

viável quando o sensor utilizado apresenta uma resolução espectral suficiente para

discernir entre as faixas espectrais consideradas, como os espectroradiômetros de

campo. Apenas alguns sensores orbitais, entretanto, apresentam resolução espectral

suficiente para a aplicação destas razões (ex. MERIS - Medium Resolution Imaging

17

Spectrometer -, SeaWIFS - Sea-viewing Wide Field-of-view Sensor - e Hyperion). Alguns

trabalhos como o de Härmä et al. (2001), têm demonstrado a aplicabilidade do sensor

MERIS para a estimativa da clorofila-a por meio da razão NIR/RED a partir da

reflectância das bandas 9 (708,75nm) e 7 (665nm) deste sensor. A mesma acurácia não

foi obtida ao simularem o modelo para os sensores MODIS (Moderate Resolution Imaging

Spectroradiometer) e Landsat. Penã-Martinez et al. (2003) utilizou a razão da reflectância

entre as bandas 9 e 7 do MERIS para a estimativa de clorofila-a, e a razão entre as

bandas 9 e 6 (620nm) para estimativa da ficocianina. Foi encontrada, porém, uma melhor

relação entre a concentração de zeaxantina (carotenóide não exclusivo de

cianobactérias) e a razão 9/6 comparada a concentração de ficocianina.

Estudos que visam aprimorar e validar modelos bio-ópticos para a detecção do

fitoplâncton vêm sendo conduzidos até o presente. Dall’Olmo et al.(2003) propuseram um

modelo para a estimativa de clorofila-a baseado em três bandas espectrais na faixa do

vermelho e infravermelho próximo. Neste modelo os efeitos do tripton, CDOM e água

sobre o sinal da clorofila-a foram minimizados. Para isto, as bandas selecionadas foram

aquelas que apresentassem-se: 1) mais sensível à absorção por clorofila-a, embora com

efeitos da absorção de tripton e CDOM; 2) minimamente sensível à clorofila-a, mas com a

mesma sensibilidade à absorção de tripton e CDOM e 3) minimamente sensível ao três

componentes anteriores mas que corresponde à absorção pela água. Gitelson et al.

(2008) avaliaram o uso do modelo de três bandas e sua versão menos específica, duas

bandas, para a estimativa de clorofila-a a partir dos sensores orbitais MERIS e MODIS,

respectivamente. Eles encontraram que as bandas que corresponderiam a exigências do

modelo de Dall’Olmo et al.(2003) seriam: 1) 660 – 670 nm; 2 ) 700 – 730 nm e 3) 740 –

760 nm A aplicação do modelo com dados simulados para as configurações do MERIS e

MODIS e sua validação, mostraram que ambos os sensores poderiam ser utilizados para

o monitoramento da clorofila-a em águas continentais turvas. Entretanto, o modelo de

três bandas passível de ser aplicado a dados do MERIS seria mais acurado.

18

Apesar de muitos sensores orbitais não apresentarem resolução espectral

suficiente para a utilização dos modelos bio-ópticos supracitados, a utilização destes

sensores no monitoramento de ambientes aquáticos quanto à comunidade fitoplanctônica

não é impraticável. Tais estudos utilizam, principalmente, modelos empíricos baseados

em dados de campo, que apesar de sua aplicabilidade limitada à existência de tais

dados, eles também podem promover a extrapolação de dados para todo o ambiente

estudado. Vincent et al. (2004), por exemplo, utilizaram o Landsat TM para a detecção de

florações de Microcystis no Lago Erie (EUA). Eles criaram um algoritmo para a

quantificação de ficocianina através de dados do Landsat TM, embora os sensores deste

satélite não avaliem a faixa de 620 nm, região de menor reflectância da ficocianina.

Vincent et al. argumentaram que a vantagem do uso do Landsat sobre outros sensores

com maior resolução espectral, como SeaWIFS e MERIS, seria a sua maior resolução

espacial (30 m), a qual seria mais adequada para o estudo de lagos e de regiões

costeiras. Existem vários outros exemplos de estudos recentes com aplicação de

modelos empíricos em dados de sensores orbitais com menor resolução espectral, mas

com maior resolução espacial, como os de: Duan et al. (2007) com Landsat TM e Wheller

(2006) com SPOT-5 (Satellite Pour l'Observation de la Terre) e Quickbird.

Quanto à importância da resolução espacial para a avaliação de florações do

fitoplâncton, o trabalho de Kutser (2004) traz importantes aspectos a serem

considerados. Kutser avaliou a distribuição espacial e a concentração de clorofila-a em

florações de cianobactérias no Golfo da Finlândia no Mar Báltico por meio dos sensores

orbitais hiper-espectrais Hyperion e ALI (Advanced Land Imager), ambos com resolução

espacial de 30 m. Neste estudo, ele salientou que as florações de Cyanobacteria são

muitas vezes subestimadas pelos métodos convencionais de monitoramento no campo. A

principal causa desta subestimativa seria o deslocamento das escumas pelo próprio

movimento da embarcação. Logo, o uso de sensores orbitais para o monitoramento de

florações seria mais adequado, além de permitir o monitoramento de uma área maior,

19

comparado ao monitoramento em campo. Kutser discutiu sobre a importância da

resolução espacial do sensor orbital para a “real” detecção da distribuição espacial das

florações de cianobactérias. Em seu estudo, ele demonstrou que existe uma grande

variação espacial na concentração de clorofila-a que pode não ser detectada por

sensores com baixa resolução espacial. Logo, o uso de sensores de alta resolução

espacial é mais indicado para o monitoramento de florações do fitoplâncton.

Apesar das possíveis limitações quanto às resoluções dos sensores orbitais,

como exposto por Thiemann & Kaufmann (2000), o uso destes sensores para o

monitoramento de recursos hídricos apresenta uma grande vantagem sobre as

amostragens de campo pela possibilidade da avaliação de grandes extensões em escala

multitemporal por custos mais reduzidos. Além de facilitar o monitoramento de grandes

extensões, o SR permite o monitoramento de fenômenos que apresentam uma alta

variabilidade temporal e espacial, como a densidade fitoplanctônica (Kutser, 2004).

3.4 – Florações de organismos fitoplanctônicos: imp ortância das cianobactérias

As florações podem ocorrer com espécies de vários grupos fitoplanctônicos,

entretanto espécies do Filo Cyanobacteria são, em água doce, as que causam florações

de maior porte e duração. As florações superficiais, com escumas, são geralmente

formadas por espécies de cianobactérias (Oliver & Ganf, 2002).

A dominância da comunidade fitoplanctônica por espécies de cianobactérias é

atribuída a várias características destes organismos. Chorus & Bartram (1999) e Oliver &

Ganf (2002) trazem uma revisão sobre algumas características que promoveriam

vantagens competitivas para as cianobactérias frente às outras espécies eucariontes do

fitoplâncton: 1) alta eficiência fotossintética na região do verde; 2) maior resistência a

fotoinibição; 3) crescimento alto em baixas intensidades luminosas (alta turbidez); 4)

presença de aerotopos que promovem a regulação da flutuabilidade (vantagens na

20

absorção de luz e de nutrientes); 5) alta afinidade por fósforo e nitrogênio; 6) capacidade

de fixar nitrogênio atmosférico de algumas espécies; 7) maior estabilidade populacional e

manutenção no ambiente devido as menores taxas de crescimento serem compensadas

pelo menor impacto de predação e pela capacidade de regular a flutuabilidade.

Florações de cianobactérias podem causar vários danos à qualidade da água,

como a depleção de oxigênio dissolvido e conseqüente morte de peixes, prejuízos

estéticos, e, devido à produção de cianotoxinas e outros metabólitos secundários, podem

ocorrer a impalatabilidade e/ou não potabilidade da água como também a inadequação

para uso recreacional (Carmichael, 2001; Oliver & Ganf, 2002). Como uma grande

proporção das florações de cianobactérias é tóxica (Codd, 2000), estas oferecem risco à

saúde humana e de animais. Mortes humanas e de outros animais como peixes, aves e

mamíferos já foram causadas por intoxicação por cianotoxinas (veja exemplos em Dow &

Swoboda, 2002). Um dos casos mais divulgados mundialmente foi o da morte de 50

pacientes em uma clínica de hemodiálise em Caruaru (Pernambuco, Brasil) no ano de

1996 (Jochimsen et al, 1998).

3.4.1 - Cianotoxinas

As cianotoxinas podem ser divididas em três grupos de acordo com sua estrutura

química: peptídeos cíclicos, alcalóides e lipopolisacarídeos. Entretanto, a ação tóxica de

cianotoxinas pode ir desde alguns efeitos tóxicos específicos (hepatóxico, neurotóxico e

dermatóxico) até a inibição completa da síntese protéica (Chorus & Bartram, 1999).

Dentre as cianotoxinas, as mais estudadas são as hepatoxinas e neurotoxinas. As

hepatoxinas são compostas por três grupos principais: microcistinas e nodularinas, que

são peptídeos cíclicos, e cilindropermopsina, um alcalóide. As cianotoxinas alcalóides

dos grupos anatoxinas e saxitoxinas são as principais neurotoxinas produzidas por

cianobactérias.

21

Na tabela 2 os órgãos atingidos e gêneros produtores dos principais grupos de

cianotoxinas de acordo com Chorus & Bartram (1999) e MOH (2005) são apresentados.

Além dos gêneros apresentados na tabela 2, as espécies de cianobactérias

Coelosphaerium kuetzingianum, Gloetrichia echinulata, Gomphosphaeria lacustris,

Gomphosphaeria naegliana, Hormothamnion enteromorphoides, Schizothrix calcicola,

Scytonema pseudohofinunni, Synechococcus sp e Tolypothrix byssoidea foram citadas

por Dow & Swoboda (2002) como tóxicas, mas nenhuma referência ao tipo de

cianotoxina produzida foi apresentada por estes autores.

Entre as cianotoxinas, as hepatoxinas são responsáveis pelo maior número de

registros de efeitos nocivos em usuários de água (Dow & Sowboda, 2002). A organização

mundial de saúde (OMS) estabelece o limite máximo de 1 µg/L-1 de microcistina-LR que

poderia ser consumida diariamente oferecendo um risco mínimo à saúde humana.

Além de toxinas, outros compostos não tóxicos produzidos por cianobactérias,

que alteram o odor ou gosto da água, podem comprometer a utilização da mesma para

fins recreacionais e de abastecimento.

3.4.2 - Efeitos de cianobactérias na cadeia trófica

No âmbito ecológico, as florações de cianobactérias podem alterar a cadeia trófica

e conseqüentemente a dinâmica do ambiente. As florações podem diminuir a capacidade

de forrageamento de organismos zooplanctônicos por impedimento mecânico do aparato

filtrador devido às altas concentrações (Porter et al., 1982) ou às grandes dimensões de

filamentos e/ou colônias de algumas espécies de cianobactérias (Fulton, 1988; Reynolds,

1994; Webster & Peters, 1978). As taxas de filtração do zooplâncton podem diminuir

quando há florações de cianobactérias pela ação de compostos dissolvidos na água

(Haney, 1994). A intensidade deste efeito negativo sobre o zooplâncton pode ser

diferenciada entre as espécies tóxicas de cianobactérias (ex. Lotocka, 2001). A não

22

remoção da biomassa de cianobactérias por predadores pode ocasionar a dominância

destas sobre as outras espécies fitoplanctônicas.

Tabela 2 – Características gerais de cianotoxinas. Fonte: Chorus & Bartram (1999) e MOH (2005).

Grupo Órgãos atingidos em mamíferos Gêneros com espécies tóxicas Peptídeos cíclicos

Microcistina fígado Anabaena, Anabaenopsis Aphanocapsa, Arthrospira, Haphalosiphon, Microcystis, Phormidium, Planktothrix (Oscillatoria), Pseudanabaena, Nostoc, Synechochystis

Nodularina fígado Nodularia

Alcalóides

Anatoxina-a sinapse nervosa Anabaena, Aphanizomenon, Cylindrospermum, Microcystis, Phormidium, Planktothrix (Oscillatoria)

Anatoxina-a (S) sinapse nervosa Anabaena

Aplisiatoxinas pele Lyngbya, Schizothrix, Planktothrix (Oscillatoria)

Cilindrospermopsina fígado Aphanizomenon, Anabaena, Cylindrospermopsis, Raphidiopsis, Umezakia

Lyngbyatoxina-a pele, trato gastro-intestinal Lyngbya

Saxitoxinas axônios dos neurônios Anabaena, Aphanizomenon, Cylindrospermopsis, Lyngbya, Planktothrix

Lipopolisacarídeos irritação de qualquer tecido exposto

todos

Alguns estudos têm evidenciado que o efeito destes compostos, e possivelmente

das cianotoxinas, sobre a capacidade de forrageamento e conseqüente manutenção do

organismo no ambiente também seria diferenciado entre os grupos e mesmo entre

23

espécies de mesmo gênero de organismos zooplanctônicos (ex. DeMott & Moxter, 1991;

DeMott, 1999; Futton, 1988).

Além do efeito de cianotoxinas, a baixa qualidade nutricional de algumas

cianobactérias pode desfavorecer a manutenção do zooplâncton, principalmente em

ambientes onde florações são recorrentes ou duradouras. Pinto-Coelho et al. (2003,

2005), demonstraram que o desaparecimento do cladócero Daphnia laevis na Lagoa da

Pampulha (Minas Gerais - Brasil) pode ter sido ocasionado pelo baixo valor nutricional do

alimento (Microcystis), principalmente pela diminuição do teor de lipídeos destes em

períodos de floração da cianobactéria. Logo, a florações de cianobactérias podem alterar

não apenas a composição das espécies fitoplanctônicas, mas inclusive a de seus

predadores.

Outros organismos, como peixes e moluscos, também se alimentam do

fitoplâncton e conseqüentemente de cianobactérias. Alguns estudos com moluscos

filtradores têm indicado a utilização de cianobactérias (ex. Barker et al., 1998; von

Rückert et al., 2004), enquanto outros evidenciam a alteração da comunidade

fitoplanctônica por rejeição destas pelos mesmos (ex. Vanderploeg et al. 2001).

Independente da seleção ou não de cianobactérias na dieta alimentar de moluscos e

peixes, em eventos de florações estas são inevitavelmente ingeridas. Logo, o eventual

acúmulo de cianotoxinas nos tecidos destes organismos pode ocorrer (ex. Deblois et al.,

2008). Entretanto, o efeito deletério de cianotoxinas na saúde de peixes ainda não é

muito bem compreendido (Dow & Sowboda, 2002). Em moluscos, a bioacumulação é

proporcionalmente maior do que em peixes, por serem estes aparentemente menos

resistentes aos potenciais efeitos nocivos das cianotoxinas (Vasconcelos, 1999).

3.4.3 - Clorofila-a, estado trófico e biomassa de Cyanobacteria

24

A concentração de clorofila-a tem sido relacionada à estimativa da biomassa

fitoplanctônica, por este pigmento atuar diretamente no processo fotossintético e estar

presente em todas as espécies.

O processo de eutrofização nos ambientes aquáticos está diretamente

relacionado ao aumento da biomassa fitoplanctônica e, por sua vez, ao aumento das

concentrações de clorofila-a. Desta forma, a concentração de clorofila-a tem sido

amplamente utilizada na avaliação do estado trófico dos corpos d’água. Vários estudos

têm definido os níveis de concentração de clorofila e outras variáveis, como a

concentração de fósforo total, para a classificação dos estados tróficos: oligotrófico,

mesotrófico e eutrófico e suas variações (ex. Dillon & Rigler, 1974; OECD, 1982; Salas &

Martino, 2001).

A publicação da OECD (Organization for Economic Cooperation and

Development) de 1982 é freqüentemente utilizada para a classificação do estado trófico

de corpos d’ água, pois foi baseada em dados de uma ampla rede de monitoramento.

Carlson (1977) inovou o uso de sistemas de classificação de estado trófico por

tentar obter índices de trofia que pudessem ser baseados em uma única variável. Para

ele a biomassa fitoplanctônica seria o fator chave para descrição dos estados tróficos. A

base de seu índice foi a medida da profundidade do disco de Secchi. Entretanto, foram

criadas também equações independentes para o cálculo do índice de trofia baseadas em

clorofila-a e em fósforo total.

Variações das equações de índice de Carlson têm sido propostas, uma vez que

os dados utilizados na criação do índice de trofia de Carlson foram oriundos de

ambientes temperados. No Brasil, Toledo et al. (1983 e 1990) e mais recentemente

Lamparelli (2004), propuseram novas equações para o índice de trofia de Carlson, as

quais foram baseadas em dados de reservatórios tropicais no Brasil.

Além da avaliação do estado trófico, a concentração de clorofila-a também vem

sendo utilizada como uma das variáveis na classificação de corpos d’água quanto aos

25

riscos de toxicidade por cianotoxinas pela Organização Mundial de Saúde (OMS). Nesta

abordagem, para os dois usos principais dos recursos hídricos, recreação e fonte de

água potável, os limites de clorofila-a dentro dos níveis de riscos são diferentes.

Para o uso recreacional, os níveis de risco para a saúde humana por contato

direto ou ocasional ingestão são sugeridos pela OMS como baixo, moderado e alto. A

formação de escumas é o limiar para o nível alto. Para os níveis de risco baixo e

moderado, a concentrações de clorofila-a limites seriam: < 10 µg.L-1, 10 – 50 µg.L-1,

respectivamente (Chorus & Bartram, 1999).

Para o uso da água como fonte de água potável, a OMS estipula um trabalho de

monitoramento que possui orientações de medidas a serem tomadas de acordo com a

quantidade e grau de toxicidade das cianobactérias presentes na fonte de água. Neste

guia, há três níveis de alerta: vigilância, alerta 1 e alerta 2; estipulados de acordo com o

risco de ocorrência de florações tóxicas. O nível de vigilância é alcançado quando há a

detecção de pelo menos uma colônia ou menos que 5 filamentos de cianobactéria em 1

mL. Os níveis de alerta 1 e 2 são alcançados quando a abundância de cianobactéria é

igual ou maior a 2000 cel.mL- e 100000 cel.mL-1, respectivamente. Quando em alerta 2,

técnicas avançadas de tratamento de água para a remoção de toxinas ou mesmo o uso

de outra fonte de água devem ser implementados. A concentração de clorofila-a pode ser

utilizada como medida indireta da biomassa de cianobactéria, quando estas são

dominantes na comunidade fitoplanctônica, para a determinação do nível de risco. Os

valores de 1 µg.L-1 e 50 µg.L-1 são os limites para os níveis de vigilância e alerta 1,

respectivamente (Chorus & Bartram, 1999).

3.4.4 - Programas de monitoramento de cianobactérias

Com base nos vários aspectos expostos anteriormente, pode-se verificar que para

o manejo dos recursos hídricos, o conhecimento da quantidade e distribuição de

26

cianobactérias é essencial. A detecção de florações, principalmente em estágio inicial,

permite implementar medidas de controle nas regiões afetadas. O monitoramento da

comunidade fitoplantônica quanto à sua estrutura taxonômica e abundância é

convencionalmente realizado por meio de contagens com o uso de microscópio. Tal

técnica é laboriosa e relativamente dispendiosa. Se considerarmos ambientes aquáticos

de grandes extensões, onde uma extensa rede de estações de coletas é necessária para

avaliar a qualidade da água, o monitoramento convencional pode se tornar inviável

logística e financeiramente, o que o tornaria ineficiente.

As técnicas envolvendo o sensoriamento remoto, principalmente por sensores

orbitais, facilitam o estudo de processos de grande escala e de áreas de difícil acesso. O

uso destas técnicas na detecção e quantificação de florações pode, desta forma,

contribuir para a maior eficiência de medidas de controle, como também tornar mais

evidente quais áreas devem ser controladas dentro de um corpo d’água de grandes

extensões.

No Brasil o número de estudos à cerca de cianobactérias vem aumentando desde

a década de 90, estimulados, principalmente, pelo trágico episódio de mortes humanas

em Caruaru no ano de 1996. Além de incentivar a pesquisa com cianobactérias, tal

episódio propulsionou a normatização dos limites de abundância de tais organismos

quanto aos diversos usos da água (Brasil, 2005) e mais especificamente para fins de

potabilidade (Brasil, 2000).

Além dos diversos estudos de monitoramento da ocorrência e variação espacial e

temporal de cianobactérias e cianotoxinas (ex. Costa et al, 2006; Yunes et al. 1996),

estudos abordando a aplicação de técnicas de biologia molecular para a detecção e

quantificação destas (ex. Anjos et al., 2006; Moraes, 2007) e visando a identificação de

espécies tóxicas e de tipos de cianotoxinas (ex. Domingos et al, 1999; Sant’Anna et al.

2008; Yunes et al, 2003) vêem sendo amplamente conduzidos. Entretanto, a utilização de

27

técnicas de sensoriamento remoto como ferramenta para a detecção e monitoramento de

cianobactérias encontra-se ainda em estágio inicial de desenvolvimento no Brasil.

Apesar da carência de estudos especificamente com cianobactérias, outros

estudos em ambientes aquáticos continentais e entorno vêm sendo realizados no Brasil

com base em dados de sensores remotos, como apresentado no tópico a seguir.

3.5 – O uso do sensoriamento remoto em ambientes aq uáticos continentais

brasileiros

No Brasil, o grupo de Evlyn M. L. M. Novo vem trabalhando desde a década de

80 com a aplicação de técnicas de SR para estudo e manejo de recursos hídricos. Vários

projetos e publicações foram realizados, dos quais se pode destacar quanto ao

monitoramento do fitoplâncton por sensores orbitais a aplicação de modelos empíricos

(ex. Novo et al., 1993) e, mais recentemente, a aplicação de modelos lineares de mistura

em lagos amazônicos (ex. Novo et al., 2006).

Além dos estudos de Novo e sua equipe, outros pesquisadores também têm

avaliado aspectos relativos à qualidade da água a partir de dados de SR em lagoas

costeiras brasileiras. No litoral norte do Estado do Rio Grande do Sul, Pereira (2007)

avaliou o uso dos sensores CBERS CCD e Landsat TM para a estimativa de variáveis

relacionadas ao estado trófico da água (clorofila-a, profundidade do disco de Secchi e

turbidez). Por meio de modelagem empírica via regressões lineares, ela encontrou que

apenas a turbidez apresentou uma correlação significativa e forte (R2 = 0,83) com os

valores de refletância da banda 4 do CBERS. Também aplicando modelos empíricos,

Martini et al. (2006) avaliou a distribuição da clorofila-a na Lagoa da Conceição (Santa

Catarina) usando as relações desta variável com as reflectâncias das bandas 1 e 2 do

Landsat TM. Na Lagoa de Araruama (Rio de Janeiro), Braga et al. (2003) encontraram

correlações significativas e fortes com o resultado da análise de componentes principais

28

das reflectâncias das bandas 1, 2 e 3 do Landsat TM e os valores de clorofila-a e disco

de Secchi. Entretanto, estes autores relataram que a estimativa de tais variáveis seriam

restritas a porções da lagoa onde o fundo não interferisse no sinal captado pelo sensor,

ou seja, porções com profundidade maior que 3,5 m.

Além dos modelos empíricos e linear de mistura, o método de classificação digital

também já foi aplicado em estudos de ambientes aquáticos brasileiros. Batista & Araújo

Neto (1994) avaliaram a distribuição da profundidade do disco de Secchi no Lago

Paranoá (Distrito Federal) a partir da classificação das bandas 1, 2 e 3 do sensor SPOT.

A classificação digital é rotineiramente empregada para o mapeamento da

cobertura e uso do solo. Em estudos que visam a compreensão da interação entre os

ambientes aquáticos e terrestres, esta técnica vem sendo aplicada para o mapeamento

do sistema terrestre no entorno do corpo d’água em questão. Maillard & Santos (2008),

por exemplo, utilizaram a classificação digital sobre imagens do sensor ETM (Landsat-7)

para obterem a distribuição das classes de uso e cobertura do solo da bacia hidrográfica

do Rio das Velhas (Minas Gerais). Estes autores correlacionaram as proporções de cada

classe com variáveis de qualidade de água para identificarem a largura da zona ripária e

quais classes produziriam um maior efeito sobre a qualidade da água.

O número de estudos em ambientes aquáticos e seu entorno a partir de técnicas

de SR tendem a aumentar no Brasil. Isto é verdadeiro, visto que nos últimos anos o

Governo do Brasil tem aumentado o investimento em ciência e tecnologia nesta área de

conhecimento. O resultado concreto de tal atitude é a consolidação do programa CBERS

(China-Brazil Earth Resources Satellite).

O Programa CBERS foi implementado em 06 de Julho de 1988 com um acordo de

parceria entre os governos do Brasil e da China. Este programa é desenvolvido pelo

INPE (Instituto Nacional de Pesquisas Espaciais) e pela CAST (Academia Chinesa de

Tecnologia Espacial) e tem como objetivo o desenvolvimento de satélites avançados de

sensoriamento remoto.

29

Dos três satélites lançados, CBERS-1, CBERS-2 e CBERS-2B, apenas o último

continua em operação. Há, entretanto, a previsão de lançamento de mais dois satélites,

CBERS-3 (2009) e CBERS-4 (2011). Os satélites CBERS produzidos possuem três

sensores imageadores: WFI (Imageador de Amplo Campo de Visada), CCD (Câmera

Imageadora de Alta Resolução) e IRMSS (Imageador por Varredura de Média

Resolução). O sensor CCD fornece dados de 5 bandas espectrais na faixa do visível e

infra-vermelho, com resoluções espacial e temporal de 20 m e 26 dias, respectivamente.

Devido às suas características, a CCD pode auxiliar em estudos nas escalas municipais e

regionais. Dentre as indicações de uso da CCD para o estudo de recursos aquáticos têm-

se a identificação de limites continente-água, os estudos e gerenciamento costeiros e o

monitoramento de reservatórios (INPE, 2009a).

As imagens dos territórios brasileiro e chinês, oriundas dos sensores do CBERS-

2, são distribuídas gratuitamente pela rede mundial de computadores desde 2004. Este

benefício foi expandido para os demais países sul-americanos e aos países africanos, em

2006 e 2007, respectivamente.

Um simpósio para avaliar o uso do CBERS em diversos setores foi realizado em

2005, sendo que as informações sobre este evento encontram-se disponíveis no sítio do

INPE (INPE, 2009b). Órgãos do Governo Brasileiro têm utilizado os dados dos sensores

CBERS para o aprimoramento de dados ou a implementação de novos estudos à cerca

do meio ambiente. Estudos como a delimitação de área de reservatórios conduzidos pela

ANA (Agência Nacional das Águas), delimitação de áreas de desmatamento conduzidos

pelo IBAMA (Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais) e a

atualização de cartas temáticas (solos, geomorfologia, vegetação, geologia) do Brasil na

escala 1:250.000 e a classificação do uso da terra conduzidos pelo IBGE (Instituto

Brasileiro de Geografia e Estatística) foram destacados no evento. Todos estes órgãos

enfatizaram a maior facilidade de conduzirem os seus estudos devido à gratuidade e ao

fácil acesso das imagens CBERS.

30

Alguns estudos em ambientes aquáticos continentais e seu entorno estão sendo

desenvolvidos com o uso de dados do CBERS. A partir de trabalhos apresentados no

último Simpósio Brasileiro de Sensoriamento Remoto, realizado em 2007, pode-se

visualizar o atual avanço destes estudos no Brasil. Tais trabalhos empregaram diferentes

métodos sobre os dados CBERS que variaram desde a simples vetorização do contorno

do ambiente aquático (ex. Bielenki Júnior et al., 2007) até a estimativa de cobertura e uso

do solo da bacia hidrográfica (ex. Sartor et al., 2007) e a avaliação da qualidade da água

(ex. Pereira et al., 2007; Wachholz et al., 2007).

Referências bibliográficas

Anjos, F.M., Bittencourt-Oliveira, M.C., Zatac, M.P., Hillen, S., Christian, B., Erler, K.,

Luckas, B., Pinto, E. (2006) Detection of harmful cyanobacterial and their toxins by

both PCR amplification and LC-MS during a bloom event. Toxicon, 48, 239-245.

Baker, S.M., Levinton, J.S., Kurdziel, J.P. & Shumway, S.E. (1998). Selective feeding and

biodeposition by zebra mussels and their relation to changes in phytoplankton

composition and seston load. The Journal of Shellfish Research, 17, 1207-1213.

Batista, G.M.M., & Araújo Neto, M.D. (1994). O processo de eutrofização artificial no Lago

Paranoá, Brasília, DF. Geonomos, 2, 31-39.

Bielenki Júnior, C., Hauschild, R.M.P.R., Godinho, J.M., Scherer-Warren & M., Quirino,

W.S. (2007). Mapeamento de reservatórios no nordeste usando imagens CBERS II.

Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, 785-790. Disponível em:

http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.14.21.04/doc/785-790.pdf

31

Braga, C.Z.F., Vianna, M.L. & Kjerfve, B. (2003). Environmental characterization of a

hypersaline coastal lagoon from Landsat-5 Thematic Mapper data. International

Journal of Remote Sensing, 24, 3219–3234.

Brasil. Portaria 1469 do Ministério da Saúde, de 29 de dezembro de 2000.

Brasil. Resolução CONAMA nº 357, de 17 de março de 2005.

Carlson, R.E. (1977). A trophic state index for lakes. Limnology and Oceanography, 22,

361-369.

Carmichael, W.W. (2001). Health effects of toxin-producing cyanobacteria: ‘‘The

CyanoHABs’’. Human and Ecological Risk Assessment, 7, 1393–1407.

Chorus, I., Bartram, J. (Eds.) (1999). Toxic Cyanobacteria: A guide to their public health

consequences monitoring and management. 400p. London: E & FN Spon.

Codd, G.A. (2000). Cyanobacterial toxins, the perception of water quality, and the

prioritisation of eutrophication control. Ecological Engineering, 16, 51–60Dow, C.S. &

Swoboda, U.K. (2002). Cyanotoxins. In B.A. Whitton & M. Potts (Eds), The Ecology of

Cyanobacteria (pp. 613-632). Netherlands: Kluwer Academic Publishers.

Costa, I.A.S., Azevedo, S.M.F.O., Senna, P.A.C., Bernardo, R.R., Costa, S.M.DA,

Chellappa, N.T. (2006). Occurrence of toxin producing cyanobacteria blooms in a

Brazilian semiarid reservoir. Brazilian Journal of Biology, 66, 29-41.

Dall'Olmo, G., Gitelson, A. A., & Rundquist, D. C. (2003). Towards a unified approach for

remote estimation of chlorophyll-a in both terrestrial vegetation and turbid productive

waters. Geophysical Research Letters, 30, 1038. doi:10.1029/2003GL018065.

32

Deblois, C., Aranda-Rodriguez, R., Giani, A. & Bird, D. F. (2008) Microcystin accumulation

in liver and muscle of tilapia in two large Brazilian hydroelectric reservoirs. Toxicon, 51,

435-448.

Demott, W. R. (1999). Foraging strategies and growth inhibition in five daphnids feeding

on mixtures of a toxic cyanobacterium and a green algae. Freshwater Biology, 42, 263-

274.

DeMott, W.R. & Moxter, F. (1991). Foraging Cyanobacteria by copepods: responses to

chemical defense and resource abundance. Ecology, 72, 1820-1834.

Dillon, P.J., & Rigler, F.H. (1974). The phosphorus-chlorophyll relationship in lakes.

Limnology and Oceanography, 19, 767-773.

Domingos, P., Rubin, T.K., Molica, R.J.R., Azevedo, S.M.F.O., Carmichael, W.W. (1999).

First report of microcystin production by picoplanktonic cyanobacteria isolated from a

Northeast Brazilian drinking water supply. Environmental toxicology, 14, 31-35.

Dow, C.S. & Swoboda, U.K. (2002). Cyanotoxins. In B.A. Whitton & M. Potts (Eds), The

Ecology of Cyanobacteria (pp. 613-632). Netherlands: Kluwer Academic Publishers.

Duan, H., Zhang, Y., Zhang, B., Song, K., & Wang, Z. (2007). Assessment of chlorophyll-a

concentration and trophic state for Lake Chagan using Landsat TM and field spectral

data. Environmental Monitoring and Assessment, 129, 295–308.

Fulton, R.S. (1988). Grazing on filamentous algae by herbivorous zooplankton.

Freshwater Biology, 20, 263-271.

Gitelson, A., Szilagyi, F. & Mittenzwey, K.H. (1993). Improving quantitative remote

sensing for monitoring of inland water quality. Water Research, 27, 1185-1194.

33

Gitelson, A.A., Schalles, J.F., Rundquist, D.C., Schiebe, F.R. & Yacobi, Y.Z. (1999).

Comparative reflectance properties of algal cultures with manipulated densities.

Journal of Applied Phycology, 11, 345–354.

Gitelson, A.A., Dall'Olmo, G., Moses, W., Rundquist, D.C., Barrow, T., Fisher, T.R., Gurlin,

D. & Holz, J. (2008). A simple semi-analytical model for remote estimation of

chlorophyll-a in turbid waters: Validation. Remote Sensing of Environment, 112, 3582–

3593.

Goetz, S.J.,Gardiner, N. &. Viers, J.H. (2008). Monitoring freshwater, estuarine and near-

shore benthic ecosystems with multi-sensor remote sensing: An introduction to the

special issue. Remote Sensing of Environment, 112, 3993–3995.

Haney, J. F., Forsyth, D. J., James, M. R. (1994). Inhibition of zooplankton filtering rates

by dissolved inhibitors produced by naturally occurring cyanobacteria. Archiv für

Hydrobiologie, 132, 1-13.

Han, L. & Rundquist, D.C. (1997). Comparison of NIR/RED ratio and first derivative of

reflectance in estimating algal-chlorophyll concentration: A case study in a turbid

reservoir. Remote Sensing of Environment, 62, 253-261.

Härmä, P., Vepsäläinen, J., Hannonen, T., Pyhälahti, T., Kämäri, J., Kallio, K., Eloheimo,

K., & Koponen, S. (2001). Detection of water quality using simulated satellite data and

semi-empirical algorithms in Finland. The Science of the Total Environment, 268, 107-

121.

Hunter. P.D., Tyler, A.N., Présing, M., Kovács, A.W. & Preston, T. (2008). Spectral

discrimination of phytoplankton colour groups: The effect of suspended particulate

matter and sensor spectral resolution. Remote Sensing of Environment, 112, 1527–

1544.

34

INPE. São José dos Campos, Instituto Nacional de Pesquisas Espaciais. Contém

informações institucionais, técnicas e notícias sobre o Programa CBERS. Disponível

em: http://www.cbers.inpe.br. Acesso em 12/02/2009.

a) http://www.cbers.inpe.br/?content=aplicacoes e

b) http://www.cbers.inpe.br/?content=bib_ppt_seminario2005.

Jensen, R.J. (2000). Remote sensing of the environment – an Earth resource perspective.

(pp. 388-392) New Jersey: Upper Saddle River, Prentice Hall.

Jochimsen, E.M., Carmichael, W.W., An, J.S., Cardo, D.M., Cookson, S.T., Holmes, C.E.,

Antunes, M.B., de Melo Filho, D.A., Lyra, T.M., Barreto, V.S., Azevedo, S.M., Jarvis,

W.R. (1998). Liver Failure And Death Following Exposure To Microcystins Toxins At A

Hemodialysis Center In Brazil. The New England Journal of Medicine, 338, 873-878.

Kutser, T. (2004). Quantitative detection of chlorophyll in cyanobacterial blooms by

satellite remote sensing. Limnology & Oceanography, 49, 2179-2189.

Lamparelli, M.C. (2004). Grau de trofia em corpos d’água do Estado de São Paulo:

Avaliação dos métodos de monitoramento. Tese de doutorado. Universidade de São

Paulo, Instituto de Biociências da Universidade de São Paulo, Departamento de

Ecologia, São Paulo. São Paulo, Brasil. 235p. Disponível em:

http://www.teses.usp.br/teses/disponiveis/41/41134/tde-20032006-075813/

Lotocka, M. (2001). Toxic effect of cyanobacterial blooms on the grazing activity of

Daphnia magna Straus. Oceanologia, 43, 441–453.

Maillard, P. & Santos, N.A.P. (2008). A spatial-statistical approach for modeling the effect

of non-point source pollution on different water quality parameters in the Velhas river

watershed – Brazil. Journal of Environmental Management, 86, 158–170.

35

Mather, P.M. (2004). Computer processing of remotely-sensed images: An introduction.

3ª edição. 324p. West Sussex: John Wiley & Sons.

Martini, L.C.P., Mattos, D.S., Barbosa, D.F.P. & Rech, A.I.B. (2006). Uso de

sensoriamento remoto orbital para avaliação da distribuição espacial de clorofila-a na

Lagoa da Conceição - Florianópolis, SC. Engenharia Sanitária e Ambiental, 11, 318-

324.

Mertes, L.A.K., Dekker, A.G, Brakenridge, G,R., Birkett, C. M. & Létourneau, G. 2004.

Rivers and Lakes. In S.L. Ustin (Ed) & A.N Rencz. (Ed chief), Manual of remote

sensing. Volume 4: Remote sensing for natural resource management and

environmental monitoring (pp 345- 400). New York: John Wiley & Sons.

MOH - Ministry of Health. (2005). Draft Guidelines for Drinking-water Quality

Management for New Zealand 2005, Capítulo 9: Cyanobacterial Compliance. 2ª

Edição. Wellington: Ministry of Health. Disponível em :

http://www.moh.govt.nz/moh.nsf/0/5A25BF765B400911CC25708F0002B5A8/$File/09-

cyanobacteriacompliance.pdf

Moraes, B. P. B. (2007). Detecção de microcistina no reservatório de São Simão/CEMIG

através da reação da polimerase em cadeia (PCR). Dissertação de mestrado.

Universidade Federal de Minas Gerais, Instituto de Ciências Biológicas, Programa de

Pós-graduação em Biologia Vegetal. Belo Horizonte, Minas Gerais, Brasil. 72p.

Mouchot, M., Grenier, M. & Létourneau, G. (1996). Télédétection de la quantité de l’éau.

In F. Bonn (Ed) Précis de télédétection, Volume 2 : Applications thématiques (pp 393 –

426). Sainte-Foy: Presses de l’Université du Québec/AUPELF.

Novo E.M.L.M. (1992). Sensoriamento remoto: princípios e aplicações. 2ª edição. 308p.

São Paulo: Edgard Blücher Ltda.

36

Novo, E.M.L.M., Braga, C.Z.F. & Tundisi, J.G. (1993). Remote sensing estimation of total

chlorophyll pigment distribution in Barra Bonita Reservoir, Brazil. In Straskraba, M.,

Tundisi, J.G. & Duncan, A. (Eds.), Comparative reservoir limnology and water quality

management (pp. 147-152). Netherlands: Kluwer Academic Publishers.

Novo, E.M.L.M., Barbosa, C.C.F., Freitas, R.M., Shimabukuro, Y.E., Melack, J.M. &

Pereira Filho, W. (2006). Seasonal changes in chlorophyll distributions in Amazon

floodplain lakes derived from MODIS images. Limnology, 7, 153–161.

OECD - Organization for Economic Cooperation and Development. (1982). Eutrophication

of water: monitoring, assessment and control. 154p. Paris: OECD.

Oliver, R.L., & Ganf, G.G. (2002). Freshwater blooms. In B.A. Whitton & M. Potts (Eds),

The Ecology of Cyanobacteria (pp. 149-194). Netherlands: Kluwer Academic

Publishers.

Pepe, M., Giardino, C., Borsani, G., Cardoso, A. C., Chiaudani, G., Premazzi, G., Rodari,

E. & Zilioli, E. (2001). Relationship between apparent optical properties and

photosynthetic pigments in the sub-alpine Lake Iseo. The Science of the Total

Environment, 268, 31-45.

Penã-Martinez, R., Domínguez-Gómez, J. A., Hoyos, C. & Ruiz-Verdu, A. (2003).

Mapping of photosynthetic pigments in Spanish reservoirs. Proceedings of the MERIS

User Workshop, 10 a 13 de novembro, ESA-ESRIN, Frascati, Italy. Disponível em:

http://envisat.esa.int/workshops/meris03/participants/203/paper_30_pena.pdf.

Pereira, R. (2007). Aplicabilidade de métodos de sensoriamento remoto na avaliação e

monitoramento do estado trófico de lagoas costeiras do Rio Grande do Sul – Brasil.

Dissertação de mestrado. Universidade Federal do Rio Grande do Sul, Instituto de

37

Biociências, Programa de Pós-Graduação em Ecologia, Porto Alegre. Rio Grande do

Sul, Brasil. 63p. Disponível em:

http://www.lume.ufrgs.br/bitstream/handle/10183/11996/000611246.pdf?sequence=1

Pereira, R., Schäfer, A.E., Würdig, N.L. (2007). Aplicabilidade de métodos de

sensoriamento semoto na avaliação e monitoramento do estado trófico de lagoas

costeiras do Rio Grande do Sul (RS). Anais XIII Simpósio Brasileiro de Sensoriamento

Remoto, 3513-3520. Disponível em:


Pinto-coelho, R.M., Bezerra-Neto, J.F., Giani, A., Macedo, C.F., Figueredo, C.C., &

Carvalho, E.A. (2003). The collapse of a Daphnia laevis (Birge, 1878) population in

Pampulha reservoir, Brazil. Acta Limnologica Brasiliensis, 15, 53-70.

Pinto-Coelho, R. M., Giani, A., Morais-Jr., C. A., Carvalho-Jr., E. R., Bezerra-Neto, J. F.

(2005). The nutritional status of zooplankton in a tropical reservoir: effects of food

quality and community structure. Brazilian Journal of Biology, 65, 313-324.

Porter, K.G., Gerritsen, J. & Orcutt Jr., J.D. (1982). The effect of food concentrations on

swinning patterns, feeding behavior, ingestion, assimiliation, and respiration by

Daphnia. Limnology & Oceanography, 27, 935-949.

Raine, R., O’Boyle, S., O’Higgins, T., White, M., Patching, J., Cahill, B. & McMahon, T.

(2001). A satellite and field portrait of a Karenia mikimotoi bloom off the south coast of

Ireland, August 1998. Hydrobiologia, 465, 187–193.

Raven, P. H., Evert, R. F. & Eichhorn, S.E. (2007). Biologia Vegetal. 7ª edição. 830p. Rio

de Janeiro: Guaanabara Koogan.

38

Reynolds, C.S. (1994). The ecological basis for the successful biomanipulation of aquatic

communities. Archiv für Hydrobiologie, 130, 1-33.

Rowan, K. S. (1989). Photosynthetic pigments of algae. 334p. New York: Cambridge

University Press.

Salas, H.J., & Martino, P. (2001). Metologías simplificadas para evaluacíon de

eutroficacion en lagos tropicales. 60p, Lima: CEPIS. Disponível em:

http://www.bvsde.paho.org/bvsaca/e/fulltext/eutrof/eutrof.pdf

Sant’Anna, C.L., Azevedo, M.T.P., Werner, V.R., Dogo, C.R., Rios, F.R. & Carvalho, L.R.

(2008). Review of toxic species of Cyanobacteria in Brazil. Algological studies, 126,

251-265.

Sartor, S.C.B., Wachholz, F., Pereira Filho, W. (2007). Relação das variáveis TSS e

transparência da água com o uso da terra na área de captação das sub-bacias do

Reservatório Rodolfo Costa e Silva/CORSAN – RS. Anais XIII Simpósio Brasileiro de

Sensoriamento Remoto, 3549-3551. Disponível em:


Thiemann, S., & Kaufmann, H. (2000). Determination of chlorophyll content and trophic

state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg

Lake District, Germany. Remote Sensing of Environment, 73, 227–235.

Toledo, Júnior, A. P. (1990). Informe preliminar sobre os estudos para obtenção de um

índice para a avaliação do estado trófico de reservatórios quentes tropicais. São

Paulo: CETESB. Relatório Interno.

Toledo, Júnior, A. P., Talarico, M., Chinez, S.J. & Agudo, E.G. (1983). A aplicação de

modelos simplificados para a avaliação de processos de eutrofização em lagos e

39

reservatórios tropicais. In: Anais do 12º Congresso Brasileiro de Engenharia Sanitária,

1-34.

Tomlinson M.C., Stumpf R.P., Ransibrahmanakul V., Truby E.W., Kirkpatrick G.J.,

Pederson B.A., Vargo G.A. & Heil C.A. (2004). Evaluation of the use of SeaWiFS

imagery for detecting Karenia brevis harmful algal blooms in the eastern Gulf of

Mexico. Remote Sensing of Environment, 91, 293–303.

Vanderploeg, H. A., Liebig, J.R., Carmichael, W.W., Agy, M.A., Johengen, T.H.,

Fahnenstiel, G.L. & Nalepa, T.F. (2001). Zebra mussel (Dreissena polymorpha)

selective filtration promoted toxic Microcystis blooms in Saginaw Bay (Lake Huron) and

Lake Erie. Canadian Journal of Fisheries and Aquatic Sciences, 58, 1208-1221.

Vasconcelos, V. M. (1999) Cyanobacterial toxins in Portugal: effects on aquatic animals

and risk for human health. Brazilian Journal of Medical and Biological Research, 32,

249-254.

Vincent, R.K., Xiaoming, Q., McKay, R.M.L., Miner, J., Czajkowski, K., Savino, J. &

Bridgeman, T. (2004). Phycocyanin detection from LANDSAT TM data for mapping

cyanobacterial blooms in Lake Erie. Remote Sensing of Environment, 89, 381-392.

von Rückert, G., Campos, M.C.S. & Rolla, M.E. (2004). Alimentação de Limnoperna

fortunei (Dunker 1857): taxas de filtração com ênfase ao uso de Cyanobacteria. Acta

Scientiarum Biological Sciences, 26, 421-429.

Wachholz, F., Breunig, F.M., Fonseca, L.M.G., Sartor, S.C.B. & Pereira Filho, W. (2007).

Identificação de compartimentos aquáticos com imagens CBERS-2 CCD, Landsat TM5

e dados de campo no reservatório Rodolfo Costa e Silva-RS. Anais XIII Simpósio

Brasileiro de Sensoriamento Remoto, 3607-3614. Disponível em:

40

http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.15.11.55.58/doc/3607-

3614.pdf

Watzin, M.C., Miller, E.B., Shambaugh, A.D., Kreider, M.A. (2006). Application of the

WHO alert level framework to cyanobacteria monitoring on Lake Champlain, Vermont.

Environmental Toxicology, 21, 278–288.

Webster, K.E. & Peters, R.H. (1978). Some size-dependent inhibitions of larger

cladoceran filterers in filamentous suspensions. Limnology & Oceanography, 23, 1238-

1245.

Wheeler, S.M. (2006). An evaluation of the utility of remote sensing for monitoring

cyanobacteria in Lake Champlain (VT-NY-PQ). Dissertação de mestrado. The

University of Vermont, The Faculty of the Graduate College. Burlington, USA.

Yunes, J.S., Perry, S.M., Matthiensen, A., Beattie, K., Codd, G.A., Raggett, S. (1996).

Toxic blooms of cyanobacteria in the Patos Lagoon Estuary, Southern Brazil. Journal

of Aquatic Ecosystem Health, 5, 223-239.

Yunes, J.S., Cunha, N.T., Proenca, L. A. O., Barros, L. P. C., Monserrat, J. M. (2003).

Cyanobacterial neurotoxins from Southern Brazilian Freshwaters. Comments On

Toxicology, 9, 103-115.

41

CAPÍTULO 1:

Determination of chlorophyll-a and trophic state using

CBERS-2 and Landsat-5 data in a freshwater system (Furnas

reservoir – Brazil): an evaluation of the use of orbital remote

sensing for mapping cyanobacterial bloom

42

Determination of chlorophyll -a and trophic state using CBERS-2 and Landsat-5 data

in a freshwater system (Furnas reservoir – Brazil): an evaluation of the use of

orbital remote sensing for mapping cyanobacterial b loom

Resumo

A entrada de nutrientes oriundos da agricultura e de esgoto doméstico em corpos d’água

continentais tem causado um aumento do processo de eutrofização dos mesmos, o que

tem levado à freqüente ocorrência de florações de cianobactérias. Visto que estes

ambientes também são utilizados como fontes de água potável, a toxicidade potencial de

cianobactérias torna-se um risco para a saúde humana. Logo, a detecção de florações

desde o seu início é uma importante tarefa. As técnicas de sensoriamento remoto podem

fornecer ferramentas para uma rápida detecção e quantificação de florações, uma vez

que permitem o monitoramento de áreas extensas, como um lago ou reservatório por

inteiro. Localizado no sudeste brasileiro, o reservatório de Furnas apresenta grandes

dimensões (1440 Km2) e é formado por dois rios principais (rio Grande e rio Sapucaí),

além de vários pequenos tributários. No braço do rio Sapucaí foi registrada as maiores

concentrações de clorofila-a e de cianobactérias. Além disto, espécies de cianobactérias

potencialmente tóxicas foram mais abundantes nesse braço do que naquele formado pelo

rio Grande. Neste estudo, os sensores orbitais CBERS-2 e Landsat-5 foram utilizados

para estimar o estado trófico e a distribuição de clorofila-a no reservatório de Furnas.

Para isto foram aplicados dois métodos, ambos baseados nos dados de clorofila-a. O

primeiro método empregado foi o amplamente utilizado “modelo empírico de inversão”. O

segundo foi a classificação supervisionada por máxima verosimilhança. Apesar desse

método ser rotineiramente empregado em estudos de ambientes terrestres, ele

praticamente não é utilizado em ambientes aquáticos. Nossa proposta foi mapear as

áreas de risco de ocorrência de cianobactérias no reservatório de Furnas. Os braços do

rio Grande e do rio Sapucaí apresentaram diferentes estados tróficos, sendo que o

43

segundo exibiu maior eutrofização e concentrações de clorofila-a mais elevadas. Logo, os

programas de monitoramento do fitoplâncton que priorizam a ocorrência de

cianobactérias no reservatório de Furnas devem ser intensificados no braço do rio

Sapucaí. Ambos os métodos empregados, classificação e modelo de inversão,

apresentaram acurácias aceitáveis e podem ser empregados como ferramentas de

monitoramento em ambientes aquáticos continentais. Entretanto, o modelo de inversão

mostrou-se mais sensível do que a classificação, produzindo mapas com um maior

detalhamento dos estados tróficos. Como conclusão, nós acreditamos que a realização

de coletas de campo coincidentes com a passagem de satélite possa ser uma

interessante estratégia para o monitoramento de ambientes aquáticos, confirmando o uso

potencial dos sensores orbitais.

Abstract

External nutrient inputs, from agriculture and sewage, are causing an increase of

eutrophication in freshwater systems and cyanobacterial blooms are becoming frequent.

Since some of these systems are also used as source for drinking water, cyanobacterial

potential toxicity can be a threat for human health and the early detection of a bloom is

critical. Remote sensing provides a tool for rapid detection and quantification of blooms,

because it allows monitoring large areas like a whole lake or reservoir. Furnas reservoir is

a large water body (1,440 Km2) located in southeastern of Brazil, formed by two main

rivers (Grande river and Sapucaí river) and several small tributaries. In the Sapucaí

section, higher chlorophyll-a and cyanobacterial concentration were observed.

Additionally, potential toxic species were more abundant in this section compared to the

Grande river. In this study, we used the CBERS-2 and Landsat-5 orbital sensors to

estimate the trophic status and chlorophyll-a distribution in Furnas reservoir, by two

approaches based on chlorophyll-a data. The first one was the widely used empirical

44

inversion model, and the second was the supervised maximum likelihood classification.

Although, the latter is routinely employed in terrestrial studies, it is almost never applied in

aquatic systems. Our purpose was to map the potential risk area for occurrence of

cyanobacterial bloom in Furnas reservoir. The Grande and Sapucaí sections showed

different trophic states, and the last exhibited higher eutrophication and higher chlorophyll-

a concentrations. Thus, in Furnas reservoir, a phytoplankton monitoring program focused

on cyanobacterial occurrence should be intensified in the Sapucaí section. Both

approaches, classifications and inversion models, showed acceptable accuracies and can

be used as monitoring tools in freshwater systems. However, the empirical inversion

models were more sensitive than the classifications, providing more detailed maps of the

trophic status. In conclusion, we believe that the coupling of field sampling data and

overpassing satellite can provide an interesting monitoring strategy to aquatic systems

confirming a potential use for satellite sensors.

45

1 - Introduction

Monitoring freshwater systems is crucial for the management and improvement of

their water quality in order to ensure the maintenance of the biota and the basic standard

parameters for human use (Ritchie et al., 2003). The artificial eutrophication process has

increased in the last decades as a consequence of the anthropogenic input of nutrients

(Smith et al. 1999). The main sources are agriculture and domestic sewage. Although the

chronic phosphorus overuse is the main cause of eutrophication in freshwater (Bennet et

al., 2001), nitrogen input is also important. Thus the reduction and control strategies of

both nutrients are required to eutrophication management in aquatic systems (Conley et

al. 2009).

One of the first consequences of eutrophication is the significantly higher biomass

of phytoplankton and more frequent cyanobacterial blooms. Blooms of cyanobacteria are

related to several problems in water quality as dissolved oxygen depletion, taste and odor,

inadequacy to recreational activities and unsafe drinking water due to the presence of

cyanotoxins (Carmichael, 2001; Oliver & Ganf, 2002). Codd (2000) stressed out the high

proportion of toxic in contrast to non-toxic cyanobacterial blooms. Thus, the occurrence of

these organisms became a human health hazard. Since many freshwater systems are

also drinking water supplies, cyanobacterial bloom detection is critical for their use.

Relationships between eutrophication and phytoplanktonic biomass and

chlorophyll-a concentration have been well documented in several limnological studies.

Chlorophyll-a concentration, for instance, has been widely used to assess the trophic

condition of an aquatic system (e.g. Dillon & Rigler, 1974; OECD, 1982; Salas & Martino,

2001). Carlson (1977) proposed the use of algal biomass as the key descriptor of water

trophic status. He created a trophic state index calculated on chlorophyll-a concentration.

As a result chlorophyll-a could be used to estimate phytoplanktonic biomass in water

quality monitoring programs.

46

Several components of the suspended and dissolved organic and inorganic matter

in the water are optically active and can therefore be measured by remote sensing

techniques. Additionally, some of these components, as chlorophyll, total suspended

solids, Secchi disk depth and turbidity, are important variables that have been used in the

operational classification of water bodies (Koponen et al., 2002). The development of

remote sensing methods for the assessment of water quality based on its optical

components began in the 70’s (e.g. Ritchie et al., 1976; Smith & Baker, 1978). Orbital

imaging sensors have been used in water quality monitoring programs since the first

satellite Landsat-MSS started its official operation (Thiemann & Kaufmann, 2000).

Monitoring chlorophyll by remote sensing can be very useful for bloom detection (e.g.

Kutser, 2004; Tomlinson et al., 2004) and trophic status studies (e.g. Duan et al. 2007;

Thiemann & Kaufmann, 2000). However, to monitor inland water systems and bloom

distribution the satellite sensor has to have a spatial resolution of at least 30m (Kutser,

2004; Vincent et al., 2004), since in these environments signal noises can be to produced

by the terrestrial surrounding and the blooms exibithed a high spatial variation in their

concentration of their cells. Because it allows monitoring large areas of an aquatic system

or many lakes simultaneously within a relatively short temporal scale, orbital remote

sensing can provide a tool for rapid detection and quantification of phytoplankton,

especially blooms (Koponen et al., 2002; Kutser, 2004; Thiemann & Kaufmann, 2000).

In the last decades many large reservoirs were built in southeastern of Brazil to

provide sufficient power supply to the region. However, eutrophication is increasing in

these systems and cyanobacterial blooms have been frequently observed.

Furnas reservoir is one of the largest reservoirs in Brazil and cyanobacteria may

occur during the whole year at varying cell densities. Several potential toxic species were

recorded, like for example Cylindrospermopsis raciborskii, Lyngbya hieronymusii,

Microcystis spp (M. aeruginosa, M. novaceckii, M. panniformis and M. protocystis) and

Planktothrix planctonica.

47

In this study, we used data originating from the orbital sensors Landsat-5 TM

(Land Remote Sensing Satellite / Thematic Mapper) and CBERS-2 CCD (China-Brazil

Earth Resources Satellite / High Resolution CDD Camera) coupled with chlorophyll-a

concentration to map the potential risk area for occurrence of cyanobacterial blooms in

Furnas reservoir.

In remote sensing studies, the sensor characteristics and performance are crucial

for their applicability to environmental studies. As stressed earlier, the fine spatial

resolution is an important characteristic for the sensor choice for inland water studies.

Besides the spatial resolution, the temporal and the spectral resolutions must be

considered for the sensor choice according to the environmental variable that will be

evaluated. Additionally, the sensor overpass and the image record should be forecastable

and continuous to be used in monitoring programs, i.e., they have to constitute

operational systems that provide a systematic imaging.

For this study, we chose the Landsat-5 TM and the CBERS-2 CCD sensors due to

two main reasons: their characteristics (see Apêndice I) and their use in previous studies.

Both satellites, Landsat-5 and CBERS-2, provide systematic imaging, therefore they can

be employed in monitoring programs. Their sensors have spatial resolutions adequate for

inland water studies: Landsat-5, 30 m, and CBERS-2, 20 m. They have similar

multispectral resolutions for visible and near infrared bands, and their spectral range can

be used for chlorophyll-a assessment. The sensor data of the Landsat program have been

frequently employed in environmental studies since the program started. It can be

considered the most well-known and the most used orbital sensor by governmental and

scientific users. Even if the use of Landsat sensor data is a good choice for monitoring

programs, it is uncertain that the Landsat program will be maintained. The Sino-Brazilian

program, CBERS, will be kept for the next years. It started with the CBERS-1 launching in

1999. Actually, one satellites is running, CBERS-2B, and two others will be launched in

20011 and 2013. A priori the CBERS data can be used as a substutive to Landsat ,

48

because their sensors have similar configurations. Unlike Landsat, there are not many

studies using the CBERS data are , and they have been carried out mainly in terrestrial

systems. This study is one of the few studies using the CBERS data in an inland water

system.

2 – Methods

2.1 - Study area

Furnas reservoir is located in southeastern Brazil (20o40’S; 46o19’W, Fig.1). It is a

large reservoir (1,440 Km2; 20.95 billions m3) and it is formed by two major rivers, Grande

and Sapucaí, and several small tributaries. The watershed is mainly occupied by livestock

and agricultural activities, but there also are many small to medium cities growing on its

shores, that performed a total of 34 municipalities with 855 millions habitants. Their waters

are use mainly for irrigation, recreation, domestic supply and sewage dilution.

2.2 - Sampling design and field measurements

Twenty sampling stations, spatially distributed, were established in Furnas

reservoir. We assembled the sampling stations according to their distribution in the

reservoir in three groups: near to dam (DAM) - F01 and F02; Grande river section (GR) -

F03, F04, F05, F06, F07, F08, F09 and F10; and Sapucaí river section (SP) - F11, F12,

F13, F14, F15, F16, F17, F18, F19 and F20 (Fig. 1). The deepest (57 – 67 m) and

49

Figure 1 – Furnas reservoir position and distribution of the sampling stations in the different sections.

50

shallowest (6 – 13 m) depths were recorded in F02 and F16 stations respectively. The

number of stations sampled varied from 10 to 20 among sampling campaigns. We started

the studies with 20 stations, but because of the similarity of the chlorophyll-a

concentration among some of them, this number was reduced to 10. Fourteen sampling

campaigns were completed from April 2005 to April 2008, performing a total of 191

samples. The geographic position of each station was recorded by a portable global

positioning system (e-trex Garmin) at every sampling period.

The sampling always occured during a three day interval, trying included the day

when the satellite was passing over the region, since we looked for to synchronize the

water sampling and the satellite data acquisition. Exceptionally in two sampling periods,

SEP07 and APR08, the time lag between the overpass and the sampling was longer than

one day, however never surpassing four days.

The water samples were taken using a Van-Dorn sampler bottle at the Secchi disk

depth. The deepest (6.9 m) and shallowest (0.5 m) Secchi disk depths were recorded at

F01 in April 2008 and F09 in December 2006.The optic active water variables

(chlorophyll-a, total suspended matter and color -dissolved matter-) and the

phytoplanktonic community structure and biomass were measured, but only chlorophyll-a

(chl-a) was used for satellite data relationships. Chl-a was estimated by

spectrophotometric method with 90% hot ethanol extraction (Nush, 1980). Phytoplankton

estimative was performed by inverted microscope technique (Utermöhl, 1958), and the

algal species volumes were calculated from single cells or colonies according to

geometrical models (Hillebrand et al., 1999; Rott, 1981; Sun & Liu, 2002). Suspended

solids were measured as described in APHA (1995) and color measurements were

performed by Cuthbert and del Giorgio (1992) methodology, though the color values in

Furnas reservoir were negligible and they will not be used in the present work.

51

2.3 - Satellite data

The Landsat-5 and CBERS-2 images were acquired from DGE/INPE Data Center

(National Institute for Space Research - Brazil). The images comprised both path and row

219-74 and 219-75 for Landsat-5, and 154-123 and 154-124 for CBERS-2. Of the

fourteen sampling periods, only four Landsat-5 and four CBERS-2 predominantly cloud-

free scenes were available (Table 1). All suitable images were obtained for the drier and

colder season – April to September, but none was available during the wetter and hotter

season – October to March (Table 1).

The images were processed using the Spring software (Camara et al., 1996), a

software package available at no cost from the INPE website

(http://www.dpi.inpe.br/spring/). The geo-referencing was carried over a CBERS-2 scene

from April 13th, 2005. We registered and rectified the scene using ground control points.

Later, this geo-referenced scene was used to correct all the others scenes using the

“image to image” method. The entire geo-referencing process was done according to the

Universal Transverse Mercator coordinate system, Zone 23 South, South American

Datum of 1969, and it was based on the first-order polynomial method and the nearest

neighbor image re-sampling algorithm. Errors of the geo-referencing process were

measured by the RMSE (Root Mean Square Error), and was smaller than 2.5 pixels for all

scenes (see Appendix II).

The satellite data were related to chl-a concentration by two approaches: the

image classification method (section 2.3.1) and the empirical inversion model (section

2.3.2).

2.3.1 - Supervised maximum likelihood classification

52

The supervised classification was performed using a maximum likelihood algorithm

for every sampling period that had suitable satellite images. For Landsat-5 data, we input

the 1, 2, 3 and 4 TM bands, and for CBERS-2 data the 2, 3 and 4 CDD bands (Table 1).

The CDD 1 from CBERS-2 was not used because the sensor was damaged. The chl-a

mapping was done for each sampling scene separately. Thus, atmospheric correction and

radiometric normalization processes were unnecessary (Song et al., 2001).

The chl-a classes were set by the water trophic status (oligotrophic, mesotrophic

and eutrophic). The setting was based on two approaches: OECD criteria (OECD, 1982)

and Modified Carlson’s Trophic State Index (TSI) by Lamparelli (2004) (see Appendix III).

Each sampling station was categorized according to its chl-a concentration. Only

oligotrophic and mesotrophic classes were obtained (Table 1).

Two other extra stations were selected close to each sampling station and were

placed as the same trophic class of the station sampled in the field. We ran the

classification using two samples data sets: training and testing. The first one produced the

classification results to be used, i.e., it trained the classifier. The second was used to

verify the classification confiability by comparing the accuracies from the training and

testing samples, since they were based in two different data sets. The field sampling and

one extra station were used as training data, and the other extra station as testing. Each

training and testing data matched a 3 x 3 pixel window where, for the sampling station, its

geo-coordinate was located in the middle.

The classification accuracies were assessed by the error matrix for each scene

classified. The descriptive statistics: overall accuracy, user’s and producer’s accuracies

and the Kappa coefficient were estimated according to Congalton (1991). Overall

accuracy was estimated by dividing the total correct pixels by the total number of pixels in

the error matrix. User’s and procucer’s accuracies were calculated for each trophic class.

They correspond to the commission (inclusion) and the omission (exclusion) errors,

53

Table 1 – Sampling stations number per chlorophyll-a based trophic class (O = oligotrophic and M = mesotrophic) by OECD criteria and

Modified Carlson’s Trophic State Index (TSI), sensor and bands used for the classification on each sampling period, and percentage of the

“no data area” (clouds, clouds shadows and no image) in Furnas Reservoir area for each sampling period. Numbers in parenthesis beside

the oligotrophic class represent ultra-oligotrophic.

Class

OECD TSI

Sample Time Sensor No data Band O M O M

APR05 04.13.2005 CCD/CBERS 4.0 2,3 and 4 5 10 6 9

APR06 04.12.2006 CCD/CBERS 9.3 2,3 and 4 8 (5) 3 9 (5) 2

JUN06 06.10.2006 TM/LANDSAT 10.6 1,2,3 and 4 8 (3) 6 12 (4) 2

JUL06 07.25.2006 CCD/CBERS 3.7 2,3 and 4 14 (6) 4 17 (7) 1

SEP06 09.14.2006 TM/LANDSAT 0.0 1,2,3 and 4 15 (5) 2 17 (9) 0

SEP06’ 09.15.2006 CCD/CBERS 9.5 2,3 and 4 15 (5) 2 17 (9) 0

SEP07 09.01.2007 TM/LANDSAT 1.0 1,2,3 and 4 6 (4) 5 8 (4) 3

APR08 04.28.2008 TM/LANDSAT 0.0 1,2,3 and 4 4 6 6 4

54

respectively. Kappa coefficient can provide information about a single matrix as well to

compare matrices. It compares the accuracy of the classifications to that of a random pixel

classification. Moreover, it is a powerful descriptor because it adds the omission and

commission errors that are not considered in the overall accuracy (see Appendix IV-A for

details).

A land mask was applied on all scenes to separate the reservoir water body from

the surrounded land considering each reservoir sections (Dam, Grande and Sapucaí).

This mask was generated based on SEP06 Landsat-5 scene, when the water reservoir

was at its lowest level (763m at the dam) during the study period. Therefore, we were sure

that the classification was performed only in the aquatic environment.

CBERS images of path 154 (in the same day) did not cover the whole reservoir

area. Thus, a mask for the reservoir area with no image was done for the CBERS scenes.

Reservoir areas covered by clouds and shadows of clouds were also masked for each

scene. These masks (no image, clouds and their shadows) were considered as a no data

class (see Table 1).

2.3.2. - Empirical inversion models

Only Landsat-5 images were used for the inversion models, thus this approach

was carried out for JUN06, SEP06, SEP07 and APR08 sampling periods (Table 1).

For inversion modelling, correction of atmospheric data is mandatory. This process

was done for the SEP06 scene by the 6S radiative transference model (Second

Simulation of the Satellite Signal in the Solar Spectrum; Vermote et al., 1997) considering

the tropical atmospheric model and the continental aerosol model (see Apêndice V- A).

The radiometric normalization was carried out by the method proposed by Hall et al.

(1991) for all others images, always using the SEP06 atmospherically corrected scene of

SEP06 as basis. In this way, the scene data were converted from digital number to

55

surface bidirectional reflectance factor, which became comparable among all sampling

periods, i.e., they had a common radiometric response (see Apêndice V- B).

Data obtained by surface bidirectional reflectance factors (SBRF) from Landsat

Thematic Mapper bands (TM) were extracted, based on the correspondent position of

each sampling station. For this purpose, we used the SBRF average of a 3 x 3 pixel

window, the same used for the classification method. The SBRF values were transformed

to percentile.

The best algorithm for the determination of chl-a concentration was found

empirically by deriving a regression model, which showed the highest coefficient of

determination (R2). Moreover, we considered the significance of the model at 95% level (p

≤ 0.05) and the absence of collinear variables for multiple models, which was measured

by the variance inflation factor considering a threshold value of 10. For regression models

that exhibited the same R2 value, we chose the one with smaller number of variables.

Linear and stepwise multiple regressions were run on TM data for the visible and near

infrared bands for all sampling period data together (All period) and for each sampling

period (JUN06, SEP06, SEP07 and APR08). Some band combinations for Landsat data

found in previous studies (Baban, 1999; Brivio et al., 2001; Duan et al., 2007; Giardino et

al., 2001) were also carried out including the well-known TM4 and TM3 ratio. The

regressions were run with raw and logarithmic transformed data for both independent (TM

data) and dependent (chl-a) variables. The best models were used to produce the chl-a

concentration maps for Furnas reservoir. Based on this chl-a determination, the trophic

status was assessed using the OECD criteria and the Modified Carlson’s Trophic State

Index (TSI) by Lamparelli. For the Lamparelli trophic state classification, the

supereutrophic and hipereutrophic classes were put together as hipereutrophic (see

Apêndice III).

The accuracy of the inversion models was evaluated by the correlation with the

ground truth and the TM predicted chl-a data using the trophic state by OECD and TSI.

56

The trophic state classification accuracies were measured from a matrix error (Congalton

1991) considering the ground data as reference.

The same land mask from the classification approach was used for the maps

produced by the inversion models. The areas covered by clouds and shadow of clouds

were also considered as no data.

3 – Results and discussion

3.1 – Phytoplanktonic biomass

Chl-a concentration was higher in the Sapucaí stations (frequently > 2 µg.L-1) in

comparison to the rest of the reservoir (Fig. 2). The major mesotrophic sampling stations

classified according to OECD and Modified Carlson’s Trophic State Index (Table 1), were

found in the Sapucaí section. Rull (2001) observed eutrophic conditions in the Sapucaí

section of the reservoir using the OECD model to define trophic status. She also found a

positive relationship between chl-a concentration in the water and watershed occupation

(cattle, agriculture and urbane population).

Fig. 3 shows the phytoplanktonic and cyanobacterial abundance and structure for

two different seasons (JUN06 – cold and dry season, and MAR07 – hot and wet season)

in some sampling stations of Furnas reservoir.

The enhancement of cyanobacterial growth at higher temperature is well known

(Bormans et al., 2005; Grover & Chrzanowski, 2006). We could verify a subtle response of

the cyanobacterial abundance because of the temperature fluctuations between seasons

(Fig. 3 top graphics). A noticeably spatial pattern of phytoplanktonic and cyanobacterial

distributions, however, could be observed in Furnas reservoir, characterized by higher

57

TS

M (

mg.

L-1)

0

2

4

6

8

10Dam Grande Sapucaí

F01

F02

F03

F04

F05

F06

F07

F08

F09

F10

F11

F12

F13

F14

F15

F16

F17

F18

F19

F20

ISM

(m

g.L-1

)

0

2

4

6

8Dam Grande Sapucaí

APR05 JUN05 APR06 JUN06 JUL06 SEP06 DEC06 MAR07 APR07 JUN07 SEP07 OCT07 DEC07 FEB08 APR08

Chl

-a (

µg.

L-1)

0

2

4

6

8

10

12

1418

20 Dam Grande Sapucaí

Figure 2 – Chlorophyll-a, total suspended matter (TSM) and inorganic suspended matter

(ISM) concentration in Furnas reservoir during the whole sampling period.

58

BaccilariophytaChlorophytaChrysophytaCryptophytaCyanobacteriaDinophytaEuglenophyta

JUN06

103

µm

3 . L

-1

0

5000

10000

15000

20000

25000

30000

F01 F06 F09 F12 F14 F16 F20

% b

iovo

lum

e

0

20

40

60

80

100

small colonieslarge coloniessmall trichomeslarge trichomesisolated cells

MAR07

F01 F06 F09 F12 F14 F16 F20

Dam DamGrande GrandeSapucaí Sapucaí

Figure 3 – Phytoplanktonic abundance (top) and relative abundance of cyanobacteria

(bottom) in some sampling stations of Furnas reservoir in two different seasons.

abundance in the Sapucaí stations (Fig. 3 top). Likewise, the three sections in Furnas

reservoir exhibited differences in phytoplanktonic and cyanobacterial biomass. They also

had different species composition of cyanobacteria, which resulted in different

distributions of morfological groups (Fig. 3 bottom). Small colonies and trichomes, that

included species from Aphanocapsa, Cyanodyctyon, Planktolyngbya and Pseudanabaena

genera, showed a higher relative abundance in the dam and Grande stations. Otherwise,

large colonies and trichomes, including Anabaena, Cylindrospermopsis, Lyngbya and

Microcystis genera, were more abundant in the Sapucaí section. The last four genera

have been reported as potentially toxic (Dow & Swoboda, 2002). Even if the abundance of

the larger cyanobacterial species was high in the F09 station (Grande section), the total

cyanobacterial abundance was not as elevated as in the Sapucaí.

59

As a result , chl-a and phytoplanktonic biomass showed that in the Sapucaí section

water quality problems can be more frequent than in the other sections of the reservoir.

3.2 – Satellite data classification

3.2.1 - Classification accuracies

Table 2 shows the accuracy assessment for the two trophic state classifiers during the

whole sampling period (see Apendice IV-B). The training and testing accuracies were

similar for all data set. The overall accuracies were higher than 70%, except for testing

sample data in APR08 by OECD. Only some Kappa values were higher than 70%, and in

some sampling periods they were inferior to 50%. Data of APR05 presented the higher

accuracy, overall and Kappa, if we considered the data set, when the two trophic classes

(oligo and mesotrophic) were found.

Except for APR08 data, the sampling periods that showed lower Kappa values

also exhibited low user’s accuracies and high producer’s accuracies to mesotrophic class,

this means that some oligotrophic reference data were classified as mesotrophic, but

almost all mesotrophic reference data were correctly classified. When we analysed which

sampling stations were incorrectly classified for these sampling periods, we found that

they were located in the Sapucaí section. Though these Sapucaí sampling stations had

chl-a concentrations categorized as oligotrophic, these values were close to the threshold

that separate the oligo and mesotrophic classes even if they had higher chl-a values than

the dam and the Grande sections. In SEP06 for instance, the Sapucaí F12, F14, F16, F17

and F19 sampling stations were classified as oligotrophic by the OECD criteria.

Nevertheless, they were classified as mesotrophic by maximum likelihood classifier. The

chl-a values in these stations were approximately 2 µg.L-1, and they were higher than in

the Grande and the dam stations, where the values were around 1 µg.L-1 (Fig. 2).

60

Table 2 – Accuracy assessment (%) of the trophic state classification by OECD criteria and Modified Carlson’s Trophic Index (TSI) for each

sampling period in training and testing (in italic) samples according to classification method.

OECD TSI APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08 APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08

User’s acuracy

Oligotrophic 87.9 82.0

94.8 91.4

95.1 94.4

96.5 97.7

99.0 96.7

97.3 92.1

79.7 77.4

58.6 53.1

100 100

97.8 97.2

98.6 97.1

99.6 99.2

100 100

100 100

95.1 96.7

88.8 84.0

Mesotrophic 98.3 95.5

73.4 72.4

68.7 70.8

51.2 46.0

33.3 42.2

58.0 53.9

86.7 83.8

93.7 92.3

100 100

57.1 57.1

30.9 28.6

34.0 26.7 - - 64.0

64.1 68.1 70.0

Producer’s accuracy


88.2 88.9

67.4 70.8

75.4 68.3

74.8 85.9

92.2 95.6

90.7 88.9

94.4 94.4

100 100

83.3 85.2

64.8 63.0

89.2 85.6

100 100

100 100

81.2 80.6

73.1 77.8


87.0 77.8

95.4 94.4

90.3 94.4

94.4 77.8

80.6 38.9

72.2 68.9

55.6 44.4

100 100

92.3 88.9

94.4 88.9

94.4 88.9 - - 88.9

92.6 86.1 77.8

Overall accuracy 94.5 90.6

87.9 85.9

79.4 81.0

78.7 74.1

77.1 85.0

90.8 88.9

82.3 79.8

71.1 64.4

100 100

85.1 85.9

69.0 66.7

89.5 85.8

100 100

100 100

83.3 83.8

78.3 77.8

Kappa coefficient 87.9 79.2

71.1 65.2

59.8 62.7

51.6 45.5

38.6 46.8

62.3 39.2

63.9 58.6

45.4 34.4

100 100

61.3 60.9

31.9 27.6

45.6 35.5 - - 62.5

64.2 56.8 54.5

61

The unbalanced numbers of sampling stations for each trophic class (Table 1) may

have affected the mesotrophic more than the oligotrophic user’s accuracies, producing

lowest Kappa values. A balanced sampling size (Congalton, 1991) and an adequate

sampling design, meant to guarantee that all classes are satisfactorily exemplified (Foody,

2002), are both desirable. However, the statements for classification sampling design

have been mainly based on land cover, where the land features are relatively stable and

fixed in space. Therefore, in the aquatic environment, we cannot know a priori which class

the sample represents before we sampled it. We performed a test, running a new

classification on JUN06 TSI data set with balanced sampling size for each class (see

Apêndice IV-C). To do this, we removed all the extra stations for oligotrophic data and

added some extra stations for mesotrophic data. The overall accuracy was slightly higher,

but the Kappa coefficient almost doubled: 31.9 versus 59.3%. The mesotrophic user’s

accuracy was significantly higher: 30.9 versus 72.9%. However, we did not use this

sampling size balance for our data set nor as final result, because extrapolated sampling

stations are not really sampled stations.

The classifications based on APR08 data, even categorized by OECD or by TSI,

showed low overall and Kappa accuracies. But, unlike the others sampling periods, the

low user’s accuracies to mesotrophic class were not the main cause of this outcome. In

APR08 data, both oligotrophic and mesotrophic reference sampling stations were

misclassified. Total suspended matter was higher than 2.5 mg.L-1 and the inorganic

fraction was higher than 60% in all stations in APR08. Values higher than 7.5 mg.L-1 were

found in the upstream stations in the Grande (F10) and the Sapucaí (F20) sections (Fig.

2). Therefore, we could presume that suspended matter other than phytoplankton, mainly

from inorganic sources, affected the chl-a reflectance signal resulting in a significant

uncertainty on the satellite data classification. It is well documented the effect of

suspended matter on the chl-a signal that makes difficult the discrimination of chl-a in

systems with high suspended matter concentration when using broad wavelength spectral

62

data, as the Landsat-5 TM and CBERS-2 CDD sensors (Hunter et al., 2008; Ritchie et al.,

2003). However, studies using high spectral resolution sensors have been able to avoid

the suspended matter effect on chl-a detection. Generally, they employed the well-known

two-band model (a ratio of near infrared to red reflectance), the three-band model or some

derivative reflectance in a specific wavelength in the green spectrum (e.g. Gitelson et al.,

2008; Han & Rundquist, 1997; Simis et al., 2005). Another possible general cause of the

low accuracies is the weak reflectance signal in aquatic environments, inasmuch as the

water itself absorbs a great part of the optical electromagnetic energy. Thus, we can

expect a less clear signal, i.e., lowest accuracies in water comparing with land

environments. Additionally, the relative low chl-a concentrations in Furnas reservoir can

contribute to the misclassifications.

Based on the difficulties for running a balance sampling design and in the less

clear signal of the compounds, as chl-a, in aquatic environments, we can consider lower

accuracies values using image classification methods in studies of these systems when

we want map them.

The distinction between the Sapucaí and the other sections in Furnas reservoir

made by the satellite data classifier were consistent with the field data (Fig. 2).

Consequently, we considered the satellite classification results as correct and we decided

to use them in order to analyze the trophic state distribution in Furnas reservoir, except in

APR08, when the higher concentration of suspended matter produced a trophic

misclassification based on chlorophyll. Thiemann and Kaufmann (2000) used the

maximum likelihood and other remote sensing methods for chl-a assessment in several

lakes in Germany. Even if they proposed the use of the linear spectral unmixing method,

they did not criticize the maximum likelihood classification results. In Brazil, Batista and

Araújo Neto (1994) produced a map for the Secchi disk depth distribution in Lake Paranoá

/DF using the same algorithm classifier (ML), though they did not present any discussion

about the accuracies.

63

3.2.2 - Trophic status maps

Figs. 4 and 5 show the trophic status cover maps for all sampling periods by the

two trophic classifiers, OECD and TSI respectively. For all classifications, the maps by

OECD produced a larger mesotrophic class area compared to TSI data set. Both

methods, OECD and TSI, pointed to more mesotrophic conditions in APR05 than at other

sampling periods. In general, the reservoir exhibited a larger cover of the oligotrophic

class. But, when we considered the three reservoir sections, we could verify that the

Sapucaí section showed an increasing mesotrophic status (Fig. 6). This mesotrophic

cover occurred more frequently in the upstream regions (Figs. 4 and 5). Based on satellite

data classification (Figs. 4, 5 and 6) and on the phytoplanktonic biomass and structure

(Fig. 3), we can suggest that an intensive cyanobacterial monitoring program should be

done in the Sapucaí section, mainly in the region of the F18 and F20 sampling stations.

The low availability of images of suitable quality due to the cloud cover was

previously related as a disadvantage for limnological monitoring programs using remote

sensing data (Clark, 1983; Novo et al., 1994). However, even if in this study no

predominant cloud-free- images were available in the wet and hot season (October to

March), this did not invalidate the potential use of remote sensing for phytoplankton

monitoring in Furnas reservoir. In this system the spatial cyanobacterial distribution

seemed as important as or even more important than their seasonal patterns (Fig. 3) and

the sensors were able to clearly detect this spatial arrangement.

64

0 15 30 Km

APR05 APR06

no data mesotrophicoligotrophic

Figure 4 – Trophic status map in Furnas reservoir at different sampling periods by OECD criteria, according to classification method.

65

0 15 30 Km

JUN06 JUL06


Figure 4 – (continued).

66

0 15 30 Km

SEP06 SEP06’



67

0 15 30 Km

SEP07 APR08



68

0 15 30 Km

APR05 APR06


Figure 5 – Trophic status maps in Furnas reservoir at different sampling periods by the Modified Carlson’s Trophic Index according to

classification method.

69

0 15 30 Km

JUN06 JUL06


Figure 5 – (continued

70

0 15 30 Km

SEP06 SEP06’



71

0 15 30 Km

SEP07 APR08



72

Figure 6 – Relative areas

covered by the trophic state

classes in the entire

reservoir and in the three

sections of Furnas reservoir

by OECD criteria and the

Modified Carlson’s Trophic

State Index (TSI) at each

sampling period, according

to classification method.

AP

R 0

6

% K

m2

0

20

40

60

80

100

OECD%

Km

2

0

20

40

60

80

100

AP

R 0

8

Res

ervo

ir

Dam

Gra

nde

Sap

ucaí

% K

m2

0

20

40

60

80

100

no data

JUN

06

% K

m2

0

20

40

60

80

100

JUL

06

% K

m2

0

20

40

60

80

100

AP

R 0

5S

EP

06

% K

m2

0

20

40

60

80

100

SE

P 0

6'

%

Km

2

0

20

40

60

80

100

mesotrophic

SE

P 0

7

% K

m2

0

20

40

60

80

100

oligotrophic

0

20

40

60

80

100

TSI

0

20

40

60

80

100

0

20

40

60

80

100

0

20

40

60

80

100

0

20

40

60

80

100

0

20

40

60

80

100

0

20

40

60

80

100

Res

ervo

ir

Dam

Gra

nde

Sap

ucaí

0

20

40

60

80

100

73

3.3 – Satellite data inversion model

3.3.1 - Chlorophyll-a algorithms- Regressive equations

The results about single band correlations were weaker than the combined band

correlations (Table 3). The band combinations previously tested in the literature did not

show higher values of coefficient of determination (R2) or not even significant results. The

relationships for the "all period" data set showed lower R2 values than for the individual

sampling period data sets. Thus, it seems more appropriate to use each sampling period

algorithms to run the chl-a inversion model.

In several regressions, logarithmic data exhibited higher R2, and for APR08 only

the transformed data had significant models (Table 3). An increase in the model fitness by

logarithmic transformation of variables was already noticed in previous studies (e.g. Duan

et al., 2007; Härmä et al., 2001).

The resulting algorithms and their parameters for the best significant relationships

(the highest R2) are presented in Table 4 for each data set. The most successful

regression to retrieve chl-a concentration was obtained with the four visible and near

infrared TM bands for JUN06 and SEP06. For SEP07 and APR08, only two bands were

enough to provide a good relationship. JUN06 had the highest R2 value and SEP06 had

the lowest, 0.90 and 0.61, respectively. In SEP06, the chl-a values were the lowest

measured in the entire data set and they did not exceed 3 µg.L-1 (Fig. 2), thus the weaker

reflectance response registered at this time probably resulted in lower R2. The higher root

mean square error (RMSE) - 0.92 µg/L-1 – was found with SEP07. When compared to the

others sampling periods, in SEP07, we observed the highest range of chl-a values (from

0.66 to 4.61 µg/L-1), and a higher variation of the inorganic and organic proportion of

suspended matter among sampling stations (Fig. 2). This heterogeneity in the sampling

stations probably produced a less uniform spectral response for SEP07 data set that gave

a little less precision to the model. However, the relative random uncertainty across the

74

data set did not surpass 25% (NRMS equal to 23% in SEP07) in this study. Hence,

despite the relatively low chl-a values found in Furnas reservoir that probably produced a

weaker chl-a optical signal (see Appendix VI), the models resulted in good to very good

relationships (R2 > 0.60). Our R2 values were similar to those obtained in others studies,

even when they were carried out in more productive waters (Table 5).Therefore, we could

use these algorithms to estimate the chlorophyll-a concentration for the entire Furnas

reservoir.

Chlorophyll-a, as others pigments, has a typical spectral signature, exhibiting

absorption peaks at 440 nm (blue range) and 670 nm (red range). Due to the cell internal

scattering, reflectance maxima occurs in the green range near 570nm, and in the red-

infrared edge near 700nm. There is a strong correlation between the concentration of

chlorophyll-a and the sharpness of the reflectance peaks, mainly at 700 nm (Gitelson et

al., 1999). Based on the chlorophyll features, we can expect correlations between chl-a

and the TM reflectance data for Landsat-5 in the visible and near infrared bands. The chl-

a absorption -apeaks would affect the TM1 and TM3, and the reflectance peaks the TM2

and TM3-TM4. We should also not forget to consider the non-algal suspended particulate

matter, which would produce an increase in TM2 reflectance due to backscattering; and

the strong water absorption at the end of TM4 (Brivio et al., 2001).

In this study, we found good relationships between chl-a and TM bands, but the

regression equations had different variables and coefficients (Table 4) for each data set.

Different algorithms or coefficients for data taken at different times estimate the

chlorophyll-a concentration were previously achieved, as for instance by Brivio et al.

(2001) in Lake Garda (Italy) and by Allee and Johnson (1999) in Bull Shoals reservoir

(USA), both using Landsat TM data; and by Kallio et al. (2001) in Finland lakes using an

AISA airborne imaging spectrometer. This lack of a unique and time independent model

would be expected for broad wavelength sensors and for inland water environments. As

75

Table 3 - TM bands and their combinations correlated with ground reference chlorophyll-a data by the coefficient of determination (R2). No

significant values at the 95% level are not showed (-). Collinear occurrence (‘). n = sample size

All period (n = 51) JUN06 (n = 13) SEP06 (n = 17) SEP07 (n = 11) APR08 (n = 10)

Variables raw ln raw ln raw ln raw ln raw ln

TM1 - - 0.46 0.54 0.29 0.32 - - - -

TM2 0.11 - 0.43 0.68 - - - 0.36 - -

TM3 0.17 0.13 - - - - 0.61 0.50 - -

TM4 0.09 0.08 - 0.46 - - 0.42 0.41 - 0.49

TM1, TM2, TM3 and TM4 0.28’ 0.29’ 0.88’ 0.90 0.60 0.61 0.79’ - - -

TM1, TM2 and TM3 0.28’ 0.28 0.87’ 0.85 0.59 0.60 0.77’ 0.66 - -

TM1, TM3 and TM4 0.28 0.29 0.79 0.64 0.60 0.60 0.69 0.67’ - 0.72

TM1, TM2 and TM4 0.23 0.22 - 0.70 0.45 0.50 - - - 0.72

TM2, TM3 and TM4 0.19’ 0.17’ 0.84’ 0.87 - - 0.76’ - - 0.72

TM1 and TM2 1 0.21 0.19 0.47’ 0.69 - 0.34 - - - -

TM1 and TM3 0.28 0.27 0.78 0.59 0.59 0.60 0.64 0.61 - -

TM1 and TM4 - - 0.46 0.56 0.42 0.45 - - - 0.64

TM2 and TM3 0.20 0.15 0.82’ 0.76 - - 0.71 - - -

TM2 and TM42 0.12 - - 0.70 - - - - - 0.72

TM3 and TM4 0.17 0.13 - 0.47 - - 0.64 - - 0.67

TM4/TM3 3 0.08 - - - - - - - - 0.60

TM3/TM1 4 0.26 0.16 - - 0.46 - 0.46 - - -

(TM1+TM3)/TM2 5 - - - - - - - - - - Previous studies: 1 - Brivio et al. (2001) , Giardino et al. (2001) and Martini et al. (2006); 2 – Novo et al. (1993); 3- Duan et al. (2007) and others; 4 - Baban (1999) and 5 - Brivio et al. (2001).

76

Table 4 – Regression equations and statistical parameters from the most successful relationships of chlorophyll-a and TM data in Furnas

reservoir for the four sampling periods.

Time R2 RMSE NRMS Regression equation

JUN06 0.90 0.22 13 11.26 (± 1.84) - 3.69 (± 2.11) lnTM1 - 7.93 (± 1.68) lnTM2 + 6.83 (± 1.66) lnTM3 - 2.01 (± 0.96) lnTM4

SEP06 0.61 0.33 21 1.44 (± 0.78) - 1.52 (± 0.49) lnTM1 - 0.06 (±0.89) lnTM2 + 0.84 (± 0.46) lnTM3 - 0.14 (± 0.39) lnTM4

SEP07 0.71 0.92 23 -6.19 (± 2.70) – 1.78 (± 1.03) TM2 + 5.20 (±1.50)TM3

APR08 0.72 0.22 22 2.40 (± 0.97) - 1.59 (±0.67) lnTM2 + 2.56 (± 0.61) lnTM4

R2 - coefficient of determination, RMSE - root mean square error (µg.L-1), NRMS - normalized root mean square error (%) Table 5 – Literature values of coefficient of determination for chlorophyll-a algorithms by Landsat TM data.

Site R2 Chl-a (µg.L-1) Reference

Furnas reservoir - Brazil 0.90

0.61

0.71

0.72

0.84 – 4.54

0.62 – 3.00

0.66 – 4.61

1.57 – 4.21

This study

Barra Bonita reservoir - Brazil 0.86 3.96 – 6.15 Novo et al. (1993)

Conceição Lagoon - Brazil 0.96 2.5 – 7.6 Martini et al. (2006)

Lake Chagan - China 0.67

0.75

10.68 – 28.68 Duan et al. (2007)

Lake Erken - Sweden 0.93 2.1 – 27.4 Östlund et al. (2001)

Lake Garda - Italy 0.82

0.67

3.01 – 6.01

1.90 – 2.20

Brivio et al. (2001)

Lake Iseo - Italy 0.99 5.5 – 7.7 Giardino et al. (2001)

77

stressed by Jensen (2000), freshwater algorithms developed through satellite images data

have shown to have a restricted local utilization. Inasmuch, in these systems many

dissolved and particulate non-algal compounds affect the water optical properties, which

does not occur in the ocean, especially at some distance from the coast.

Unlike the other sampling periods, regressions done for APR08 resulted in

significant relationships only for logarithmic data and when TM4 was included and the

more successful model was obtained when TM4 and TM2 were both included (Table 3).

As discussed above for the classification method, the bandset configuration of Landsat

TM data does not permit a complete distinction between chlorophyll-a and others non-

algal suspended matter. Thus, even if APR08 showed good correlations of chlorophyll-TM

data, we believe that the distinct spectral response from this sampling period compared

with the others was due to the its higher inorganic suspended matter concentration on the

first (Fig. 2).

3.3.2 - Algorithms accuracies

Fig. 7 shows the sampling stations dispersion for chlorophyll-a and some TM

bands that showed good relations among them (see Table 3). Regardless of the spectral

response difference for each sampling period discussed above, the phytoplanktonic (chl-

a) distinction between the Sapucaí and the others Furnas reservoir sections could be

detected by Landsat TM data, except in APR08. In this sampling period, only the Dam

section was different, otherwise Sapucaí and Grande sections were similar. This could be

expected, since the non-algal suspended matter had a great effect in reflectance

response and in the Dam section the sedimentation process would be greater, resulting in

lower suspended matter concentration, i.e., low reflectance values (Fig. 2, see Appendix

VI - Fig. 2).

78

0.0

1.0

2.0

3.0

4.0

5.0

3.0

3.2

3.4

3.6

3.8

3.0

3.5

4.0

4.5

chla

µg.

L-1

TM1

TM3

JUN06

0.0

0.5

1.0

1.5

2.0

2.5

3.0

1.5

2.0

2.53.0

3.54.0

0.0

0.8

1.6

2.4

3.2

chla

µg.

L-1

TM1

TM3

SEP06

Sapucaí

0.0

0.5

1.0

1.5

2.0

1.0

1.5

2.0

2.5

0.00

0.25

0.50

0.75

chla

µg.

L-1

TM2

TM4

APR08

Grande

0.0

1.0

2.0

3.0

4.0

5.0

4.55.0

5.56.0

6.57.0

7.5

3.2

3.6

4.0

chla

µg.

L-1

TM2

TM3

SEP07

Dam

Figure 7 – Chlorophyll-a and TMs multiple relations in Furnas reservoir for four data

sampling period in the three reservoir sections.

79

Fig. 8 is a cross-validation plot for chl-a concentration measured in situ and derived from

Landsat TM algorithms for each sampling period (Table 4). The lines of the thresholds chl-

a concentrations for trophic status limits are dividing the plot and showing the error type

quadrants. Type I and IV indicate those sampling stations where the measured and

predicted classification of chl-a trophic state did not fit, thus the chl-a values prediction

were a priori wrong. Type II and III indicate the correspondence between trophic state

classifications made by in situ chl-a and by Landsat TM data, showing that the prediction

model was right. For instance, in F18 station in JUN06 we measured 4.54 µg.L-1 of

chlorophyll-a and the Landsat TM model predicted 5.52 µg.L-1. According to OECD and

TSI classifiers, this sampling station exhibited a mesotrophic condition for both chl-a

values, the measured and the predicted, that is the type III right prediction. On the other

hand, F08 in the same sampling period had a chl-a concentration of 1.17 and 1.04 µg.L-1,

measured and predicted, respectively. In this case, even if the two values were very close,

the measured value was classified as oligotrophic and the predicted as ultra-oligotrophic

by the two trophic state classifiers. Consequently, we had a type II wrong prediction. We

could verify that few stations were inside the type I or IV quadrants for all observed trophic

status (ultra-oligotrophic, oligotrophic, and mesotrophic) and for each sampling period.

Thus, the model was good to predict trophic state in Furnas reservoir.

If we consider the number of sampling station into each trophic state, there was

not a great difference between the measured and the predicted values (Fig. 9). However,

the predicted chl-a values showed a tendency to oligotrophic state, mainly if the ultra-

oligotrophic and oligotrophic classes are grouped together. The overall accuracies

estimated by the matrix error (Table 6) had values greater than 73%, except for JUN06

and SEP07 by OECD that showed 54% and 64% of overall accuracy for each period,

respectively. Nevertheless, concerning only the oligotrophic and mesotrophic classes

(Table 6 - in italic), these values improved by more than 20% and the overall accuracy

was not less than 76%. Some Kappa values were less than 55%, but for the two trophic

80

classes approach (oligo and mesotrophic) this occurred only in APR08 by the TSI

classification. As previously stressed for the results of the supervised classification

method; the unbalanced numbers of sampling stations for each trophic class (Table 1)

affected more the mesotrophic than the oligotrophic user’s accuracies. This effect

persisted even when we used the two trophic classes approach (Table 6).

in situ-measured chl-a (µg.L-1)

0 1 2 3 4 5 6

Land

sat T

M-p

redi

cted

chl

-a (

µg.

L-1)

0

1

2

3

4

5

6

Type I

Type II

Type III

Type IV

JUN06 SEP06 SEP07 APR08

Figure 8 – Scartterplot between chlorophyll-a concentration by Landsat TM-predicted and

in situ-measured in Furnas reservoir during four sampling period, and the errors type

according to trophic status chlorophyll limits by OECD criteria (dashed line) and Modified

Carlson’s Trophic Index (dash-dotted line) for ultra-oligotrophic to oligotrophic (long dash

or dash-dot-double) and for oligotrophic to mesotrophic (short dash or dash-dot) status.

81

APR08SEP07SEP06JUN06

0

3

6

9

12

15

A

UO O MUO O MUO O MUO O M

num

ber

of s

ampl

ing

poin

ts

0

3

6

9

12

15

B

in situ Landsat TM-predicted

Figure 9 – Trophic state by OECD (A) criteria and Modified Carlson’s Trophic Index (TSI)

(B) for in situ data and Landsat TM-predicted data in Furnas reservoir for four sampling

periods. UO – ultra-oligotrophic, O – oligotrophic and M – mesotrophic.

Based on the user and producer’s accuracies for ultra-oligotrophic class, we could

observe that the ultra-oligo and the oligotrophic classes gave confused results. Moreover,

several ultra-oligotrophic stations were predicted as oligotrophic by Landsat TM. When the

two trophic classes approach was used, these accuracies were considerably improved

(Table 6).

Therefore, we can consider that chlorophyll-a inversion models by Landsat TM

data showed good accuracies and can be used for retrieving chl-a or trophic status for the

entire Furnas reservoir. However, the sensor is not able to discern between the lowest

chl-a values, as it was observed for ultra-oligo and oligotrophic classes.

82


and Modified Carlson’s Trophic Index (TSI) in each sampling period for the three trophic

classes and for the oligotrophic and mesotrophic classes (in italic), according to the

inversion model method.

OECD TSI JUN06 SEP06 SEP07 APR08 JUN06 SEP06 SEP07 APR08

User’s acuracy

Ultra-oligotrophic 66.7 60.0 25.0 -

66.7 55.6 50.0 -

Oligotrophic 50.0 100

100 100

100 100

75.0 75.0

75.0 100

100 100

100 100

100 100


50.0 50.0

80.0 80.0

100 100

100 100 - 66.7

66.7 50.0 50.0

Producer’s accuracy

Ultra-oligotrophic 50.0 100 100 -

50.0 100 100 -


76.9 93.8

33.3 85.7

100 100

85.7 100

66.7 100

57.1 88.9

75.0 75.0

Mesotrophic 100 100

100 100

100 100

85.7 85.7

100 100 - 100

100 100 100

Overall accuracy 53.8 76.9

82.4 94.1

63.6 90.9

90.0 90.0

76.9 100

76.5 100

72.7 90.9

80.0 80.0

Kappa coefficient 32.2 51.9

64.1 63.8

48.2 81.4

78.3 78.3

100 100

54.1 -

58.2 74.4

54.5 54.5

3.3.3 - Chlorophyll-a maps

The chl-a map distribution in Furnas reservoir predicted by Landsat TM data is

shown in Fig. 10. Fig. 11 represents the relative covered area different classes of chl-a

concentration in each section of the reservoir. In SEP06, most of the chl-a values were

lower or equal than 2 µg.L-1. In contrast, APR08 showed higher cover of chl-a

concentration higher than 2 µg.L-1, and many values were above 4 µg.L-1.

83

However, we cannot disregard the possible effect of the non-algal suspended

matter in the water optical response, since at this sampling period we found higher

inorganic suspended matter concentration (Fig. 2). In the same way in SEP07, values

higher than 5 µg.L-1 were found mainly in tributaries upstream, where a larger

concentration of non-algal suspended matter is expected. As discussed in the

classification method, we believe that this non-algal compounds, when more abundant,

could be affecting the chl-a signal. Additionally, in these two sampling periods the best

relationships with the TM bands were found for only two bands, including TM2, which

shows a strong correlation with non-algal matter.

Regardless of the temporal differences in chl-a values, we could verify a spatial

pattern of higher chl-a values in the Sapucaí section and lower at the Dam (Fig. 11). The

Grande section showed lower concentrations of chl-a than the Sapucaí. However, we can

observe that two recreational and lenthic regions inside the Grande section generally

exhibited higher chl-a values, in the same range found in the Sapucaí section (Fig. 10).

Some tributaries in Furnas reservoir have dikes that sometimes during the rainy season

can be flooded by water from the main reservoir, as these two regions in the Grande

section. These dikes are located close to the cities of Capitólio and Boa Esperança. They

are recreational sites and play an important role in the local tourism. Thus, such as in the

Sapucaí section, Capitólio and Boa Esperança dikes need monitoring programs to

periodically detect cyanobacterial blooms.

3.3.4 - Trophic status maps

Fig. 12 shows the trophic status cover maps for all sampling periods by the two

trophic classifiers, OECD and TSI, according to the inversion model method. Here the

ultra-oligotrophic and oligotrophic classes were grouped together, because of the less

sensitive Landsat TM response to very low chl-a values. The trophic state distribution

84

JUN06 SEP06

Figure 10 – Chlorophyll-a (µg.L-1) distribution map in Furnas reservoir for the entire sampling period for Landsat data. Ellipses indicate the

Capitólio (dash line) and Boa Esperança (dotted line) dikes position.

no data

0 - 11 - 22 - 33 - 44 - 5> 5 µg.L-1

0 15 30 Km

85

SEP07 APR08


no data

0 - 11 - 22 - 33 - 44 - 5> 5 µg.L-1

0 15 30 Km

86

JUN06

% K

m2

0

20

40

60

80

100

SEP06

0

20

40

60

80

100

APR08

Reservoir Dam Grande Sapucai0

20

40

60

80

100SEP07

Reservoir Dam Grande Sapucai

% K

m2

0

20

40

60

80

100

no data

0 - 11 - 22 - 33 - 44 - 5> 5

Figure 11 – Chlorophyll-a relative area covered in the entire Furnas reservoir and in the

three sections for each sampling period, according to the inversion models.

predicted by the inversion model by the classifiers, OECD and TSI (Fig. 12 and 13),

showed similar general distribution and covered area as observed by the classification

method (Fig. 4, 5 and 6). The oligotrophic conditions exhibited larger coverage

considering the whole reservoir, and the Sapucaí section showed more eutrophic

conditions, mainly in the upstream direction. In the inversion model however, eutrophic

and hipereutrophic conditions were also found, although they did not have an expressive

coverage. As said before, the dikes of Capitólio and Boa Esperança showed trophic

conditions similar to the ones recorded in the Sapucaí section (Fig. 12). Thus, as verified

by the results of the classification method, we can suggest that an intensive

cyanobacterial monitoring program should be done in the Sapucaí section, mainly in the

regions close to the sampling stations F18 and F20, and including the dikes of Capitólio

and Boa Esperança.

87

OECD TSI JU

N06

Figure 12 - Trophic status map in Furnas reservoir during the entire sampling period by OECD criteria and Modified Carlson’s Trophic Index

(TSI) according to the chlorophyll inversion model.

0 15 30 Km

eutrophic hipereutrophicmesotrophic

ultra-oligo to oligotrophic no data

88

S

EP

06

Figure 12 – (continued)

OECD TSI

0 15 30 Km



89

OECD TSI S

EP

07


0 15 30 Km



90

OECD TSI A

PR

08


0 15 30 Km



91

0

20

40

60

80

100

ultra-oligo to oligotrophicno data

mesotrophic eutrophic hipereutrophic

JUN

06

OECD%

Km

2

0

20

40

60

80

100

SE

P 0

7

% K

m2

0

20

40

60

80

100

TSI

0

20

40

60

80

100

SE

P 0

6

% K

m2

0

20

40

60

80

100

0

20

40

60

80

100

AP

R 0

8

Res

ervo

ir

Dam

Gra

nde

Sap

ucai

% K

m2

0

20

40

60

80

100

Res

ervo

ir

Dam

Gra

nde

Sap

ucai

0

20

40

60

80

100

Figure 13 - Relative area covered by the trophic state classes in the entire Furnas

reservoir and in the three sections by OECD criteria and Modified Carlson’s Trophic State

Index (TSI) for each sampling period, according to the inversion models.

92

3.4 - Classification and inversion model methods co rrespondence

We evaluated the trophic status correspondence between classification and

inversion model methods. For this purpose, we considered the cover area for each trophic

state. The mesotrophic, eutrophic and hipereutrophic classes obtained by the inversion

method were grouped together to allow comparison with the mesotrophic class obtained

by the classification method. Fig. 14 shows this correlation for both trophic status

classifiers: OECD and TSI.

The relationships were very good for the both classifiers and showed that the use

of satellite sensor data by the two approaches led to similar results. However, for the

same data set, the inversion model method allowed predicted chl-a values higher or even

lower than the measured in situ. This estimation of chl-a concentration is not possible by

the classification method, because the data are introduced as classes. Thus, the inversion

model can promote the assessment of sites with possible bloom occurrences that were

not monitored in situ.

4. Conclusion

Although the CBERS-2 and Landsat-5 sensors are designed (resolutions and

signal sensibility) for terrestrial studies, they can be useful in monitoring programs of large

freshwater systems, like Furnas reservoir, using the supervised classification method and

the inversion model. These two approaches can be used even if the chlorophyll-a

concentration is low. However, it is necessary that the water optical components are

dominated by phytoplanktonic pigments and not by other compounds, since the non-algal

particulate matter could affect the water reflectance response, mainly in the green band

(TM2 and CCD2). Probably, the data obtained from the CBERS-2 sensor would show

responses to the inversion model similar to the ones found in this study for Landsat-5.

This could not be verified here because the CDD1 sensor was missing, but for the new

93

sensors in the CBERS’s program, like CBERS-2B, it could be done. The Landsat program

is already concluded, but the CBERS program is expected to continue during the next

years. Additionally, the CBERS images have free distribution in Brazil, China and in

South-American and African countries. Thus, the CBERS sensors can be a functional and

accessible tool for phytoplankton monitoring.

classification (%Km2)

0 20 40 60 80 100

inve

rsio

n (%

Km

2 )

0

20

40

60

80

100

R2 = 0.84

R2 = 0.97

JUN06SEP06SEP07APR08

Figure 14 – Correlation between trophic state covered area estimated by classification

and inversion model methods for both trophic classifiers: OECD criteria (empty symbols)

and Modified Carlson’s Trophic Index (filled symbols).

In Furnas reservoir, the phytoplankton monitoring programs focused on

cyanobacterial occurrence should be intensified in some regions of the Grande section

(dikes of Capitólio and Boa Esperança) and in the whole Sapucaí section.

The accuracies estimated in the matrix error in aquatic environments are probably

lower than in terrestrial surroundings. Nevertheless, this can not invalidate the potential

use of the classification methods by remote sensing for freshwater systems. Even if the

94

classification method cannot produce maps with many details as the inversion model

method, it does not demand an a priori data calibration. Thus, it can be used more easily

and faster.

The Landsat-5 retrieval algorithms for chlorophyll-a must be done for each

sampling period, i.e., field sampling is needed. This is also true for the classification

method. Regardless of this field demand, the advantage of using satellite data coupled

with field data in large areas monitoring programs is the enhancement of the covered area

at relatively low cost compared to traditional field sampling programs. Even if clouds

coverage in the image is frequent, coupling of field sampling and overpassing satellite can

provide a good monitoring strategy showing an interesting potential use for satellite

sensors. The use of the Landsat-5 and CBERS-2 images can in this way contribute for the

monitoring of cyanobacterial blooms occurrence and for evaluation of their extension in

the Furnas reservoir.

References

APHA - American Public Health Association. (1995). Standard methods for the

examination of water and wastewater, 19th edn. Washington DC: American Public

Health Association Publications.

Allee, R.J.,& Johnson, J.E. (1999). Use of satellite imagery to estimate surface chlorophyll

a and Secchi disc depth of Bull Shoals Reservoir, Arkansas, USA. International Journal

of Remote Sensing, 20, 1057- 1072.

Baban, S.M.J. (1999). Use of remote sensing and geographical information systems in

developing lake management strategies. Hydrobiologia, 395/396, 211–226.

95

Batista, G.M.M., & Araújo Neto, M.D. (1994). O processo de eutrofização artificial no Lago

Paranoá, Brasília, DF. Geonomos, 2, 31-39.

Bormans, M., Ford, P.W., & Fabbro, L. (2005). Spatial and temporal variability in

cyanobacterial populations controlled by physical processes. Journal of Plankton

Research, 27, 61-70.

Brivio, P.A., Giardino, C., & Zilioli, E. (2001). Validation of satellite data for quality

assurance in lake monitoring applications. The Science of the Total Environment, 268,

3−18.

Camara G., Souza, R.C.M., Freitas, U.M., & Garrido, J. (1996). SPRING: Integrating

remote sensing and GIS by object-oriented data modelling. Computers & Graphics, 20,

395−403.




361-369.

Clark, W.J. (1983). Cloud cover as a factor in the utilization of Landsat data for

limnological research. Remote Sensing of Environment, 13, 453–460.


prioritisation of eutrophication control. Ecological Engineering, 16, 51–60.

Congalton, R.G. (1991). A review of assessing the accuracy of classification of remotely

sensed data. Remote Sensing of Environment, 37, 35–46.

96

Conley, D.J., Paerl, H.W., Howarth, R.W., Boesch, D.F., Seitzinger, S.P., Havens, K.E.,

Lancelot, C. & Likens, G.E. (2009). Controlling eutrophication: nitrogen and

phosphorus. Science, 323, 1014-1015.

Cuthbert, I.D., & del Giorgio, P. (1992). Toward a standard method of measuring color in

freshwater. Limnology and Oceanography, 37, 1319-1326.



Dow, C.S. & Swoboda, U.K. (2002) Cyanotoxins. In B.A. Whitton & M. Potts (Eds), The





Foody, G.M. (2002). Status of land cover classification accuracy assessment. Remote

Sensing of Environment, 80, 185–201.

Giardino, C., Pepe, M., Brivio, P.A., Ghezzi, P., & Zilioli, E. (2001). Detecting chlorophyll,

Secchi disk depth and surface temperature in a sub-alpine lake using Landsat imagery.

The Science of the Total Environment, 268,19-29.


D., & Holz, J. (2008). A simple semi-analytical model for remote estimation of


3593.

97




Grover, J. P., & Chrzanowski, T.H. (2006). Seasonal dynamics of phytoplankton in two

warm temperate reservoirs: association of taxonomic composition with temperature.

Journal of Plankton Research, 28, 1-17.

Hall, F.G., Strebel, D.E., Nickeson, J.E., & Goetz, S.J. (1991). Radiometric rectification:

toward a common radiometric response among multidate, multisensor images. Remote


Han, L., & Rundquist, D.C. (1997). Comparison of NIR/RED ratio and first derivative of

reflectante in estimating algal-chlorophyll concentration: A case study in a turbid

reservoir. Remote Sensing of Environment, 62, 253-261.




121.

Hillebrand, H., Dürselen, C., Kirschtel, D., Pollingher, U., & Zohary, T. (1999). Biovolume

calculation for pelagic and benthic microalgae. Journal of Phycology, 35, 403–424.

Hunter, P.D., Tyler, A.N., Présing, M., Kovács, A.W. & Preston, T. (2008). Spectral

discrimination of phytoplankton colors groups: The effect of suspended particulate

matter and sensor spectral resolution. Remote Sensing of Environment, 112, 1527–

1544.

98

Jensen, R.J. (2000). Remote Sensing of the environment – an Earth resource

perspective. (pp. 388-392) New Jersey: Upper Saddle River, Prentice Hall.

Kallio, K., Kutser, T., Hannonen, T.,Koponen, S., Pulliainen, J., Vepsäläinen, J., &

Pyhälahti, T. (2001). Retrieval of water quality from airborne imaging spectrometry of

various lake types in different seasons. The Science of the Total Environment, 268, 59-

77.

Koponen, S., Pulliainen, J., Kallio, K., & Hallikainen, M. (2002). Lake water quality

classification with airborne hyperspectral spectrometer and simulated MERIS data.

Remote Sensing of Environment, 79, 51–59.


satellite remote sensing. Limnology and Oceanography, 49, 2179-2189.


Avaliação dos métodos de monitoramento. PhD Thesis. Universidade de São Paulo,

Instituto de Biociências da Universidade de São Paulo, Departamento de Ecologia,

São Paulo. São Paulo, Brazil. Available on:





324.





99

Novo, E.M.L.M., Lobo, F., & Calijuri, M.C. (1994). Remote sensing and geographical

information system application to inland water studies. In J.G.Tundisi, C.E.M. Bicudo &

T. Matsumura Tundisi (Eds.), Limnology in Brazil (pp. 283–303). Rio de Janeiro:

ABC/SBL.

Nusch, E.A. (1980). Comparison of different methods for chlorophyll and phaepigment

determination. Archiv für Hydrobiologie, Ergebnisse de Linmologie, Beiheft, 14, 14–36.





Publishers.

Östlund , C., Flink , P., Strömbeck , N., Pierson , D., & Lindell, T. (2001). Mapping of the

water quality of Lake Erken, Sweden, from Imaging Spectrometry and Landsat

Thematic Mapper. The Science of the Total Environment, 268, 139-154.

Ritchie, J.C., Schiebe, F.R., & McHenry, J.R. (1976). Remote sensing of suspended

sediment in surface water. Photogrammetric Engineering & Remote Sensing, 42, 1539-

1545.

Ritchie, J.C., Zimba, P.V., & Everitt, J.H. (2003). Remote sensing techniques to assess

water quality. Photogrammetric Engineering & Remote Sensing, 69, 695–704.

Rott, E. (1981). Some results from phytoplankton counting intercalibrations.

Schweizerische Zeitschrift für Hydrologie, 43, 34–62.

Rull, L.M.A. (2001) Gradiente trófico no Rio Sapucaí (Reservatório de Furnas – MG):

Relações com a distribuição do zooplâncton e os usos do solo. M.S. Thesis.

100

Universidade Federal de Minas Gerais, Instituto de Ciências Biológicas, Belo

Horizonte, Brazil.


eutroficacion en lagos tropicales. 60p, Lima: CEPIS. Available on:


Simis, S.G.H., Peters, S.W.M., & Gons H.J. (2005). Remote sensing of the cyanobacterial

pigment phycocyanin in turbid inland water. Limnology and Oceanography, 50, 237–

245.

Smith, R.C., & Baker, K.S. (1978). The bio-optical state of ocean waters and remote

sensing. Limnology and Oceanography, 23, 247-259.

Smith, V.H., Tilman, G.D., & Nekola, J.C. (1999). Eutrophication: impacts of excess

nutrient inputs on freshwater, marine, and terrestrial ecosystems. Environmental

Pollution, 100, 179-196.

Song, C., Woodcock, C.E., Seto, K.C., Lenney, M.P. & Macomber, S.A. (2001).

Classification and change detection using Landsat TM data: When and how to correct

atmospheric effects? Remote Sensing of Environment, 75, 230–244.

Sun, J., & Liu, D. (2002). Geometric models for calculating cell biovolume and surface

area for phytoplankton. Journal of Plankton Research, 25, 1331–1346.

Tomlinson, M.C., Stumpf, R.P., Ransibrahmanakul, V., Truby, E.W., Kirkpatrick, G.J.,

Pederson, B.A., Vargo, G.A., & Heil, C.A. (2004). Evaluation of the use of SeaWiFS



101




Utermöhl, H. (1958). Zur Vervollkommnung der quantitativen Phytoplankton-Methodik.

Mitteilungen der Internationale Vereinigung für Theoretische und Angewandte

Limnologie, 9, 1–38.

Vermote, E.F., Tanre, D., Deuze, J.L., Herman, M., & Morcrette, J.J. (1997). Second

simulation of the satellite signal in the solar spectrum, 6S: An overview. IEEE

Transactions on Geoscience and Remote Sensing, 35, 675–686.

Vincent, R. K., Xiaoming, Q., McKay, R.M.L., Miner, J., Czajkowski, K., Savino, J., &


cyanobacterial blooms in Lake Erie. Remote Sensing of Environment, 89, 381–392.

102

CAPÍTULO 2:

The potential use of Landsat-5 Thematic Mapper for

chlorophyll-a detection and for mapping cyanobacterial

blooms in inland water systems: a case study in Missisquoi

Bay (Canada-USA)

103

The potential use of Landsat-5 Thematic Mapper for chlorophyll -a detection and for

mapping cyanobacterial blooms in inland water syste ms: a case study in

Missisquoi Bay (Canada-USA)

Resumo

O aumento da eutrofização em águas continentais tem levado a uma maior freqüência de

ocorrência de florações de cianobactérias. Tais florações podem impactar a água e

ameaçar seu uso seguro como fonte de água potável e para recreação devido a potencial

ocorrência de cianotoxinas. A detecção e mapeamento da distribuição de florações é uma

importante tarefa para os programas de monitoramento. Todavia, esses são limitados por

aspectos logísticos e econômicos que resultam em desenhos amostrais de campo

restritos a alguns pontos amostrais discretos, o que diminui a abrangência da área

monitorada. As técnicas de sensoriamento remoto podem fornecer ferramentas para uma

rápida detecção e quantificação de florações, uma vez que permitem o monitoramento de

áreas extensas, como um sistema aquático por inteiro. No Lago Champlain são

registradas freqüentes florações de cianobactéria durante o verão, principalmente em

algumas baías, como a Baía de Missisquoi. Esta baía esta localizada na porção nordeste

do Lago Champlain na área de fronteira entre Canadá e EUA. A água da Baía de

Missisquoi é usada como fonte de água potável e para atividades de recreação. Neste

estudo, nós avaliamos o uso do sensor orbital Landsat-5 TM para mapear a distribuição

de cianobactérias na Baía de Missisquoi. A concentração de clorofila-a medida em

amostras de campo foi relacionada à reflectância do sensor TM por meio de um modelo

de regressão empírico. O modelo apresentou um bom poder preditivo (R2 = 0.88) e boa

acurácia. Entretanto, a baixa profundidade da Baía de Missisquoi provavelmente produziu

um ruído no sinal de reflectância da clorofila-a, o qual limitou a aplicação do modelo para

toda extensão da baía. Apesar disto, nós acreditamos que a realização de coletas de

104

campo coincidentes com a passagem de satélite possa ser uma boa estratégia para o

monitoramento de águas continentais, permitindo o uso potencial dos sensores orbitais.

Abstract

The increase of eutrophication in inland waters has resulted in more frequent

cyanobacterial bloom occurrence. Such blooms can degrade water quality and threaten

drinking supplies and recreational uses, due to the development of potentially toxic

cyanobacteria. The detection and mapping of bloom distribution is critical for monitoring

programs. Nevertheless, monitoring is constrained by logistical and economic realities that

result in a field-sample design limited to a few discrete sampling points, so that bloom

coverage is limited. Remote sensing can provide a tool for detection and quantification of

blooms, because it makes possible monitoring large areas such as whole aquatic system.

In Lake Champlain frequent cyanobacterial blooms are registered every summer, primarily

in bays receiving agricultural runoff, such as Missisquoi Bay. This bay is located in the

northeastern portion of Lake Champlain in the Canada-USA border area. Missisquoi Bay

water is used as a drinking supply and for recreational activities. In this study, we

evaluated the use of the Landsat-5 TM orbital sensor to map the cyanobacterial

distribution in Missisquoi Bay. The chlorophyll-a concentration measured from field

samples was related to reflectance TM data by an empirical regression model. The model

resulted in good prediction power (R2 = 0.88) and good accuracy. However, the shallow

depth of Missisquoi Bay probably produced some noise in the chlorophyll-a reflectance

signal that reduced the the model applicability over the entire bay area. Despite this, we

believe that the coupling of field sampling and overpassing satellite could offer a valuable

monitoring strategy in inland waters showing a potential use for orbital remote sensors.

105

1 – Introduction

Many freshwater systems have been undergoing eutrophication due to

anthropogenic input of nutrients, coming mainly from agriculture and domestic sewage.

This nutrient enrichment has increased in the recent decades (Smith et al. 1999) mainly

due to chronic phosphorus overuse (Bennet et al., 2001) and this process has become

more common. The nitrogen input is also important and for a suscessfull eutrophication

management the reduction and control of both nutrients, N and P, is required (Conley et

al. 2009). A consequence of the eutrophication process is the excessive growth of

phytoplankton, in particular cyanobacteria, which can have detrimental effects on water

quality.

Blooms of cyanobacteria are related to several problems in water quality as

dissolved oxygen depletion, taste and odour, inadequacy to recreational activities and

unsafe drinking water due to the presence of cyanotoxins (Carmichael, 2001; Oliver &

Ganf 2002). Codd (2000) stressed out the high proportion of toxic in contrast to non-toxic

cyanobacterial blooms. Thus, the occurrence of these organisms becomes a human

health hazard, causing impact on the drinking water supplies and on the recreational use

of freshwater systems. Consequently, the detection of cyanobacterial blooms is critical for

human health. The monitoring of freshwater systems, including cyanobacterial detection,

is crucial for the management and improvement of the water quality in order to ensure the

maintenance of the biota and the basic standard parameters for human use (Ritchie et al.,

2003).

Relationships between eutrophication, phytoplanktonic biomass and chlorophyll-a

concentration have been well documented in several limnological studies. Chlorophyll-a

concentration, for instance, has been widely used to assess the trophic condition of a

water body (e.g. Dillon & Rigler, 1974; OECD, 1982; Salas & Martino, 2001). Carlson

(1977) proposed the use of phytoplanktonic biomass as the key descriptor of water trophic

status. He created a trophic state index calculated on chlorophyll-a concentration. The

106

chlorophyll-a concentrations are also used as indicator of cyanobacteria abundance,

setting limits for safe water use by the World Health Organization (WHO) (Chorus &

Bartram, 1999). As a result, chlorophyll-a could be used to evaluated phytoplanktonic and

cyanobacterial abundance in water quality monitoring programs.

Traditional monitoring programs analyze the water quality of selected locations

inside a water body. The number of sampling stations is limited by logistic and economic

aspects. These sampling designs cannot represent the overall system condition , since

water variables, including phytoplankton and cyanobacteria, can exhibit a patchy

distribution. In this way, remote sensing, mainly by orbital sensors, can provide a tool for

water monitoring because it allows analysing large areas of an aquatic system or many

lakes simultaneously within a relatively short temporal scale rather than the traditional

monitoring done in few sampling stations (Koponen et al., 2002; Kutser, 2004; Thiemann

& Kaufmann, 2000).

Only optically active elements can be monitored by remote optical sensors. Thus in

water bodies only some components of the suspended and dissolved organic and

inorganic matter could be measured by remote sensing techniques. Fortunately, some of

these components, as chlorophyll, total suspended solids, Secchi disc depth (that

indirectly is the response to the presence of compounds) and turbidity, are important

variables for the operational classification of water bodies (Koponen et al., 2002).

Since the 70’s remote sensing methods have been used for water quality

assessment (e.g. Ritchie et al., 1976; Smith & Baker, 1978), and the orbital imaging

sensors have been employed since when the first satellite Landsat-MSS started its official

operation (Thiemann & Kaufmann, 2000). Studies related to chlorophyll-a concentration

and sensor data have demonstrated the potential use of remote sensing tools for bloom

detection (e.g. Kutser, 2004; Tomlinson et al., 2004) and trophic status assessment (e.g.

Duan et al. 2007; Thiemann & Kaufmann, 2000) in aquatic environments. However, a fine

spatial resolution (at least 30 m) of the satellite sensor is essential to monitor inland water

107

systems (Vincent et al., 2004) and bloom distribution (Kutser, 2004). Thus, the

characteristics and performance of sensors are crucial for their applicability to

environmental studies. Besides the spatial resolution, the temporal and the spectral

resolutions must also be considered for the sensor choice according to the environmental

variable that will be evaluated. Additionally, the sensor overpass and the image record

should be forecastable and continuous for monitoring program use, i.e., it should be an

operational system that provides systematic imaging.

Lake Champlain is a great lake located on the border between USA and Canada

that consists of several basins with distinct chemical and physical properties.

Cyanobacteria has been observed in Lake Champlain, and since 1999 potential toxic

species, as Anabaena spp., Aphanizomenon flos-aquae, and Microcystis aeruginosa,

have bloomed (Rosen et al., 2001) and these species have dominated the phytoplankton

(Watzin et al., 2005). In Missisquoi Bay, near Phillipsburg in the Canadian shoreline, a

cyanobacterial bloom, producing microcystin above the 1 µg.L-1 (limit recommended by

WHO, Chorus & Bartram, 1999), was detected in the summer of 2001 (Boyer et al., 2004)

and subsequent years (Watzin et al., 2005).

In this study, we evaluated the use of data from Landsat-5 TM (Land Remote

Sensing Satellite / Thematic Mapper) coupled with chlorophyll-a concentration to map the

cyanobacteria distribution in Missisquoi Bay. Landsat-5 TM was chosen due to its

characteristics (multispectral, high spatial and temporal resolution and continuous image

recording - see Appendix I) and its frequent application in environmental studies.

2 – Methods

2.1 - Study area

The Missisquoi Bay is located in the northeastern portion of Lake Champlain and is

108

divided by the Canada-USA borderline, where the north portion is located in the Canadian

Province of Quebec and the south in the American State of Vermont (Fig. 1). The bay is

an area of 77.5 Km2 with a maximum depth of 4.3 m and an average depth of 2.4 m

(Wheeler, 2006). Three major tributaries drain into the Missisquoi Bay. The Missisquoi

River flows into the bay from the south, the Pike River from the north and the Rock River

from the east. In the Missisquoi Bay watershed, 70% of the area is located in Canada and

30% in USA. About 34,000 people live in this watershed and the predominant human

activity is the intensive agriculture, which corresponds to 27% of the occupied area

(Watzin et al. 2005).

Figure 1 – Missisquoi Bay location and sampling stations.

109

2.2 - Sampling design and field measurements

We choose ten sampling stations spatially distributed in the Canadian Missisquoi

Bay (Fig.1). For the first and second sampling periods, the number of stations sampled

was less than 10. We did five sampling campaigns during the summer of 2007, collecting

a total of 42 samples (Table 1). We recorded the geographic position of each station by a

portable global positioning system (e-trex Garmin) at every sampling period.

The sampling always occurred during the day in when the satellite was passing

over the region, except for the sampling in 22AUG, when the satellite overpassed in

August 20th (Table 1).

Table 1 – Sampling stations number, dates of sampling and satellite overpass in

Missisquoi Bay during the summer of 2007.

Sample Code Stations Sampling date Landsat-5 overpass date

19JUL 8 07.19.2007 07.19.2007

04AUG 4 08.04.2007 08.04.2007

22AUG 10 08.22.2007 08.20.2007

05SEP 10 09.05.2007 09.05.2007

21SEP 10 09.21.2007 09.21.2007

Water samples were collected by a Van-Dorn sampler. The sample was taken

integrating the water column from the surface to the Secchi disk depth. We measured

chlorophyll-a, total suspended matter and dissolved matter, color (optic active water

variables) and the phytoplanktonic community structure and biomass. However, we used

only chlorophyll-a (chl-a) for related with satellite data. Chl-a was estimated by

spectrophotometric method with 90% hot ethanol extraction (Nush, 1980). Phytoplankton

abundance was estimated by inverted microscope technique (Utermöhl, 1958), and the

110

volumes of the phytoplanktonic species were calculated from single cells or colonies

according to geometrical models (Hillebrand et al., 1999; Root, 1981; Sun & Liu, 2002).

Cyanobacterial species were classified as potentially toxic or non-toxic according to the

toxic gender listed by Chorus & Bartram (1999), Dow & Swoboda (2002) and MOH

(2005).

We used the chl-a concentrations to evaluate the water trophic status (ultra-

oligotrophic, oligotrophic, mesotrophic, eutrophic and hipereutrophic). The setting was

based on two approaches: OECD criteria (OECD, 1982) and Carlson’s Trophic State

Index –TSI (Carlson, 1977) (see Appendix III).

2.3 - Satellite data

We acquired the images of Landsat-5 TM from USGS/EROS, Sioux Falls, SD

(United State Geological Survey/Earth Resources Observation and Science Center).

For the Missisquoi Bay area, the images comprised the path and row 14-29. Of

five sampling periods, only one predominant cloud-free scene was available on

September 5th. The low availability of images of suitable quality due to the cloud cover

was previously related as a disadvantage for limnological monitoring programs using

remote sensing data (Clark, 1983; Novo et al., 1994). However, we believe that this

should not invalidate the potential use of remote sensing for phytoplankton monitoring.

The Spring software package (Camara et al., 1996), that is available at no cost

from the INPE website (http://www.dpi.inpe.br/spring/), was used to process the image.

For geo-reference, a Landsat-7 ETM image from July 21st, 1999, previously registered

and rectified by GLCF/ESDI (Global Land Cover Facilities – Earth Science Data Interface

of University of Maryland/USA), was used to correct the Landsat-5 image from September

5th, 2007 by “image to image” method. We geo-referenced the image to the Universal

Transverse Mercator coordinate system, Zone 18 North, Word Global System of 1984,

111

and we used the first-order polynomial method and the nearest neighbor image re-

sampling algorithm. The geo-reference error (root mean square error) was smaller than

0.45 pixels for training and test points.

We performed the atmospheric correction of the satellite image by the 6S radiative

transference model (Second Simulation of the Satellite Signal in the Solar Spectrum;

Vermote et al., 1997) considering the mid-latitude summer atmospheric model and the

urban aerosol model (see Appendix V-A). By this methodology, the scene data was

converted from digital number to surface bidirectional reflectance factor (ρ).

We used the correspondent position of each sampling station into the image to

extract the ρ value from Landsat Thematic Mapper bands (TM). For this, we used the ρ

average of a 3 x 3 pixel window where the geo-coordinate of sampling station was located

in the middle. The sampling station 8 was not used, because it is located near to the

shores and its reflectance signal may suffer terrestrial influence.

Chl-a concentration was related to the satellite data from 05SEP by an empirical

inversion model. We found empirically the best algorithm for the determination of chl-a

concentration by deriving a regression model. For this, we considered the higher

coefficient of determination (R2) and the model significance at 95% (p ≤ 0.05). We run

linear and multiple regressions on TM data for the visible and near-infrared bands. We

also carried out some band combinations for Landsat data found by previous studies

(Baban, 1999; Brivio et al., 2001; Duan et al., 2007; Giardino et al., 2001) including the

well-known TM4 and TM3 ratio. We used raw and logarithmic transformed data for both

independent (TM data) and dependent (chl-a) variables for running the regressions. The

best model was used to produce the chl-a concentration maps for Missisquoi Bay. Based

on this chl-a determination, we assessed the trophic status using the OECD criteria and

the Carlson’s Trophic State Index (TSI).

We evaluated the accuracy of the inversion model correlating the ground truth

(field-measured) and the TM predicted chl-a data using the trophic status and the chl-a

112

limit for low risk to human health in recreational waters by WHO. The classification

accuracies, overall and Kappa coefficient, were measured from an error matrix (Congalton

1991 – see Appendix IV-A) considering the field data as reference.

We applied a land mask on the scene to separate the water body from the

surrounded land to use for further maps production by the inversion model.

3 – Results and discussion

3.1 – Phytoplanktonic biomass

Chl-a concentration decreased during the summer in all sampling stations, except

in 4 and 8 stations on 21SEP, in Canadian Missisquoi Bay (Fig. 2). However, chl-a

concentration was always higher than 5 µg.L-1, which is the threshold concentration for

alert 1 level for monitoring framework of drinking water supplies in Lake Champlain

(Watzin et al., 2006). In some sampling stations and periods, mainly in the early summer,

chl-a was higher than 10 µg.L-1, the threshold concentration for low human health risk in

recreational water (Chorus & Bartram, 1999). Rogalus & Watzin (2008) recorded the chl-a

concentrations from 29 sampling stations (offshore and shoreline) during the summers of

2003 and 2004 in USA Missisquoi Bay. In their study,chl-a values lower than 50 µg.L-1

represented 75% of all data, 70% of which were lower than 25 µg.L-1, and the highest

value recorded was around 230 µg.L-1. In our study we did not measure chl-a

concentrations higher than 46.3 µg.L-1, but our data showed the same trends of these

previous results.

The measured chl-a-a values configured the Canadian Missisquoi Bay as

mesotrophic to eutrophic, and sometimes hipereutrophic in sampling station 8 and 3,

according to OECD and Carlson’s Trophic State Index (Fig.2).

113

19 JUL 04 AUG 22 AUG 05 SEP 21 SEP

chl-a

(µ

g . L

-1 )

0

5

10

15

20

25

3045

50

1 2 3 4 5 6 7 8 9 10

OE

CD

TS

I

Figure 2 – Chlorophyll-a concentration in Canadian Missisquoi Bay in all sampling period

and station during the summer of 2007. Dashed line – Threshold concentration to low health risk in

recreational water use. Dotted line - Threshold concentration to alert 1 level framework in drinking water

source. Grayscale – Trophic status by OECD criteria and Carlson’s Trophic Index (TSI): white – oligotrophic,

light gray – mesotrophic, dark gray – eutrophic and black – hipereutrophic.

Fig. 3 shows the phytoplanktonic and cyanobacterial abundance and structure in

some sampling stations of Canadian Missisquoi Bay. Although the chl-a concentrations

decreased in late summer (05 and 21SEP) (Fig. 2), we could verify an increase of

cyanobacterial biomass (Fig. 3A), as identified by previous studies in Lake Champlain

(see Watzin et al., 2005). Cyanobacterial colonies or trichomes were visually observed in

the water in all sampling stations on 05SEP and 21SEP, but they were concentrated at

the surface as scums only in station 8 on 21SEP.

Beside the higher biomass concentration during late summer, cyanobacteria also

dominated by cellular abundance (Fig. 3B), representing a human health risk. The

cyanobacterial cellular abundance was always higher than the threshold values for alert 1

level for monitoring of drinking water in Lake Champlain and for low health risk in

recreational water, 4000 cel.mL-1 (Watzin et al., 2006), 20000 cel.mL-1 (Chorus & Bartram,

114

1 3 4 6 8 10

04 AUG

mm

3 .

L-1

0

5

10

15

20

25

A

1 3 4 6 8 10

21 SEP

1 3 4 6 8 10

22 AUG

1 3 4 6 8 10

05 SEP

B

1 3 4 6 8 10

cel.

mL-1

0

50000

100000

150000

200000

1 3 4 6 8 101 3 4 6 8 10 1 3 4 6 8 10

EuglenophytaBaccilariophytaChlorophyta

ChrysophytaCryptophyta

CyanobacteriaDinophyta

Figure 3 – Phytoplanktonic biomass (A) and cellular abundance (B) in some sampling stations in Missisquoi Bay during the summer of 2007.

115

1999) respectively (Fig. 4A). Nevertheless, if we consider the potential toxic and non-toxic

genera, we could verify that in general the highest cellular abundance of cyanobacteria

was represented by potentially non-toxic species (Aphanothece clathrata brevis,

Chroococcus spp, Merismopedia spp and Woronichinia naegeliana) (Fig. 4A). The toxic

cyanobacteria (Anabaena spp, Aphanocapsa spp, Aphanizomenon spp, Coelosphaerim

spp, Lyngbya limnetica, Microcystis aeruginosa and Oscillatoria spp) were dominated

mainly by Aphanocapsa delicatissima, except in station 8 on 21SEP, where Anabaena

crassa and Anabaena flos-aquae were the most abundant (Fig. 4B).

We also detected a change in species composition of potential toxic cyanobacteria

during the summer. Trichomes, including the species as Anabaena crassa and Anabaena

flos-aquae, became more abundant than the colonial species Microcystis aeruginosa (Fig.

4B). Although Aphanizomenon spp (A. flos-aquae and A. gracile), potential toxic trichome

species, showed an evident abundance increase in 2006 (Watzin et al., 2007), they were

detected in few samples in our study and never surpassed 1% of the toxic cyanobacterial

cellular abundance.

In Missisquoi Bay, the concentrations of microcystin and anatoxin were monitored

and they were frequently higher than in the others sections of Lake Champlain and also

higher than the WHO limits (Boyer et al., 2004; Watzin et al., 2005; Watzin et al., 2007).

Additionally, anatoxin-a produced by Anabaena flos-aquae was probably the cause of the

two dog deaths that occurred in Lake Champlain during the summer of 2000 (Rose et al.,

2001).

We could not detect any spatial pattern of phytoplankton or cyanobacteria distribution in

the Canadian Missisquoi Bay, though higher concentrations were recorded during all

sampling period in sampling station 8, located near the water treatment intake for the

municipalities of Bedford and Philipsburg in Canada (Mimeault & Manley, 2004) and at a

pier used by boats and fishermen. This shows a high

116

A

1 3 4 6 8 10

cel.

mL-1

0

5000

10000

15000

2000040000

60000

B

1 3 4 6 8 101 3 4 6 8 101 3 4 6 8 10

1 3 4 6 8 10

21 SEP

1 3 4 6 8 10

05 SEP

1 3 4 6 8 10

22 AUG

1 3 4 6 8 10

04 AUG

cel.

mL-1

0

30000

60000

90000

120000

150000

180000

toxic non-toxic

colonieMicrocystistrichome

Figure 4 – Cellular abundance of Cyanobacteria, total (A) and potential toxic species (B), in some sampling stations in Missisquoi Bay during

the summer of 2007. Dashed line – Threshold abundance to low health risk in recreational water use. Dashed and dotted line – Threshold abundance to moderate

health risk in recreational water use. Dotted line - Threshold abundance to alert 1 level framework in drinking water source.

117

potential risk of cyanotoxin contamination by the water users, whether the use is for

recreation or drinking purposes (Fig. 4A and B).

3.2 – Satellite data inversion model

3.2.1 - Chlorophyll-a algorithms: Regressive equation

All photosynthetic pigments have a typical spectral signature. The spectral

signature of chlorophyll-ais characterized by absorption peaks at 440 (blue range) and

670 nm (red range). Because of the cell internal scattering, reflectance peaks occur near

570 nm (green range) and 700 nm (red and near infrared boundary). Gitelson et al. (1999)

found a strong correlation between chlorophyll concentration and the peak sharpness for

the two reflectance peaks. Based on the chlorophyll features, we can expect correlations

between chl-a-a and the TM reflectance data for Landsat-5 in the visible and near infrared

bands. TM1 and TM3 would be affected by the absorption peaks, and TM2 and TM3-TM4

by the reflectance peaks. Nevertheless, the non-algal suspended particulate matter must

be considered, because it produces an increase in TM2 reflectance due to backscattering;

additionally, a strong water absorption at the end of TM4 also occurs (Brivio et al., 2001).

Thus, due to the broad spectral configuration of the Landsat sensor, the relationship

between chl-a and the TM bands cannot be clearly and completely understood by the chl-

a spectral signature.

The logarithmic relationship between the four Landsat-5 bands and chl-a

concentration was the only regressive relationship that resulted in a significant and

powerful model. Correlations using single band, others band combinations and the band

combinations previously found in literature did not resulted in significant regressive

models, neither for raw or logarithmic data. Previous studies have also outlined the

118

increasing in the goodness of fit for the model by the logarithmic transformation of

variables (e.g. Duan et al., 2007; Härmä et al., 2001).

The resulting algorithm for chl-a retrieval in the Canadian Missisquoi Bay in

September 5th 2007 was:

( ) ( ) ( ) ( )76.0ln88.287.0ln95.218.1ln21.361.0ln96.20.95)(11.3 ln 4321 ±+±+±−±−±= ρρρρchla

where “ln chla” is the logarithm of the chlorophyll-a concentration in µg.L-1, “ln ρI” is the

logarithm of the superficial bidirectional reflectance factor in the “i” Landsat-5 TM band.

Into the parentheses is represented the standard error of each parameter.

The R2 was 0.88 and the root mean square error of the model was 0.15 µg.L-1, that

resulted in a normalized root mean square error of 16%. Thus, this algorithm showed a

high power of determination with a relatively small error. This performance was similar to

those recorded by others studies using the Landsat TM sensor (Table 2) and also by the

study made by Wheeler (2004) in Lake Champlain using the SPOT-5 and QuickBird

sensors (R2 equal 0.54 and 0.75, respectively).

3.2.2 - Algorithm accuracy

The cross-validation plot (Fig. 5) for chl-a concentration measured in situ and

derived from Landsat TM data showed a correspondence between the data. The lines are

the thresholds chl-a concentrations for trophic status and low human health risk in

recreational waters. They divide the plot and show the error type quadrants. Type I and IV

indicate those sampling stations which measured and predicted water status did not fit,

thus the chl-a values prediction were a priori wrong. Type II and III indicate the

correspondence between water status calculated from in situ chl-a and from Landsat TM

data, i.e., the prediction model was right. We could verify that only two stations were

119

inside the type I or IV quadrants for the trophic status limits. One station resulted in an

error type I by the OECD criteria and TSI, another one resulted in an error type IV by TSI.

All stations were corrected by the chl-a limit for low human health risk in recreational

waters, i.e., they are inside the quadrants II or III.

Table 2 – Literature values of coefficient of determination to chlorophyll-a algorithms by

Landsat TM data.

Site TM variables R2 Chl-a (µg.L-1) Reference

Missisquoi Bay –

Canada/USA

TM1,TM2,TM3

and TM4 multiple

relation

0.88 5.08 – 12.87 This study

Barra Bonita reservoir -

Brazil

TM2 and TM4 0.86 3.96 – 6.15 Novo et al. (1993)

Conceição Lagoon -

Brazil

TM1 and TM2 0.96 2.5 – 7.6 Martini et al. (2006)

Lake Chagan - China TM4/TM3 0.67 10.68 – 28.68 Duan et al. (2007)

Lake Erken - Sweden TM2 0.93 2.1 – 27.4 Östlund et al. (2001)

Lake Garda - Italy (TM1+TM3)/TM2

TM1 and TM2

0.82

0.67

3.01 – 6.01

1.90 – 2.20

Brivio et al. (2001)

Lake Iseo - Italy TM1 and TM2 0.99 5.5 – 7.7 Giardino et al. (2001)

The overall accuracy and the Kappa coefficient estimated by the matrix error were

equal to 100% for the TSI trophic status and for the human health risk chl-a limit in

recreational waters. These values are 89% and 77%, respectively, for the OECD trophic

status criteria. Thus, we could consider that chlorophyll-a inversion model derived from

Landsat TM data showed a very good accuracy and could be used for retrieving chl-a or

trophic status for the entire Missisquoi Bay.

120

in situ-measured chl-a (µg.L-1)

0 2 4 6 8 10 12 14 16

Land

sat T

M-p

redi

cted

chl

-a (

µg.

L-1)

0

2

4

6

8

10

12

14

16Type I

Type II

Type III

Type IV

Figure 5 – Scartterplot between chlorophyll-a concentration by Landsat TM- predicted and

in situ-measured in Canadian Missisquoi Bay, and the errors type according to trophic

status by OECD criteria (dashed line) and Carlson’s Trophic Index (dash-dotted line) and

according to the values for low human health risk in recreational waters (dotted line).

3.2.2 - Chlorophyll-a and trophic status maps

We applied the chl-a algorithm to assess the chl-a concentration in the entire

Missisquoi Bay. We observed very high chl-a values (> 1000 µg.L-1) near the wetland area

(see the Wetland map from the Lake Champlain Basin Program - Appendix VII), mainly

near the entrance of the major tributaries - Missisquoi, Pike and Rock rivers. Additionally,

high chl-a values (> 300 µg.L-1) were detected even inside the pelagic zone next to much

lower values of chl-a, and in other shoreline regions where wetland does not occur (see

Appendix VII). Probably these very high chl-a values were due to an interference on the

signal of chl-a reflectance by other elements. Because of the wetland extension and of the

121

low depth in Missisquoi Bay, we believe that the interference were macrophytes and the

lake bottom. The interference from the lake bottom on the signal of chl-a reflectance by

Landsat TM was already related in a Brazilian shallow lagoon (Martini et al. 2006).

Therefore, we decided to consider as suitable results the chl-a concentrations below 50

µg.L-1 and as no data the concentrations above 50 µg.L-1 (Fig. 6). We chose this value

based on two reasons: 1) chl-a concentrations below 50 µg.L-1 have higher chance to

occur since 75% of the chl-a data registered during the summers of 2003 and 2004 in

USA Missisquoi Bay was less than 50 µg.L-1 (Rogalus & Watzin, 2008); and 2) 50 µg.L-1 is

the threshold value to alert 2 level for monitoring framework in drinking water and for a

moderate health risk in recreational water. Thus, the values below 50 µg.L-1 can be

considered representative of the Missisquoi Bay and they can be considered suitable to

evaluate the water status relative to its trophy and the potentially cyanobacterial health

risk.

These shoreline regions, which were not considered in our analyses, could be

important areas to monitor for cyanobacterial development. First because the users

contact is probably higher here than in the pelagic zone, and second since many

cyanobacteria species are buoyant, they can accumulate in the shoreline in downwind

side of a lake due to the wind action (Webster, 1990).

Fig. 7 shows the chl-a map distribution in Missisquoi Bay estimated from Landsat

TM data and in Fig. 8, we can see the relative cover area of every concentration class.

Chl-a concentrations up to 10 µg.L-1 covered most of the area in Missisquoi Bay, around

74%, which 69% were below 5 µg.L-1. Thus, on 05SEP only 26% of the water in the bay

offered a moderate risk to human health by recreational use (10 – 50 µg.L-1 chl-a) and

31% configured the water bay inside the alert 1 level for monitoring framework in drinking

water (5 – 50 µg.L-1 chl-a).

122

Figure 6 – Suitable chlorophyll-a area in Missisquoi Bay by Landsat-5 TM data. Ellipses

indicate the wetland regions.

Figure 7 – Chlorophyll-a (µg.L-1) distribution map in Missisquoi Bay by Landsat-5 TM data.

0 - 10

no data

10 - 30

30 - 50

no data

< 50 µg.L-1

123

We could verify some spot regions of higher chl-a values in the bay. They were

located near the shoreline, mainly in southeastern portion of the Missisquoi river entrance

and in the north of the bay (Fig. 7). However, none clear spatial pattern of chl-a

distribution (phytoplanktonic and cyanobacterial biomass) was detected.

The trophic status by OECD criteria and Carlson’s Trophic Index resulted in similar

conditions for all sampling period and for entire Missisquoi Bay area in 05SEP by

predicted Landsat TM data (Fig. 2 and Fig. 8). According to the TM model in 05SEP, the

mesotrophic and eutrophic status covered most of the area in Missisquoi Bay, 33% and

27% by OECD, and 33% and 22% by TSI, respectively. The hipereutrophic status covered

less than 15% and ultragotrophic plus oligotrophic around 30% of the area in the bay for

both trophic classifiers, OECD and TSI.

Chl-a Carlson OECD

% K

m2

0

20

40

60

80

100

40 - 50 or hipereutrophic30 - 40 or eutrophic20 - 30 or mesotrophic10 - 20 or oligotrophic 0 - 10 or ultra-oligotrophic

Figure 8 – Relative area covered for chlorophyll-a and trophic state classes by OECD

criteria and Carlson’s Trophic State Index (TSI) in Missisquoi Bay derived from Landsat-5

TM data.

We put together the trophic classes ultraoligotrophic and oligotrophic as

oligotrophic class, and eutrophic and hipereutrophic as eutrophic class in Fig. 9. As

observed in chl-a map, we could not detect a clear spatial pattern of trophic class in

124

Missisquoi Bay. But in the same spot regions of higher chl-a values, the more trophic

conditions also occur (meso and eutrophic) in the bay (Fig. 7 and 9).

Figure 9 – Trophic status map by Carlson’s Trophic Index (TSI) in Missisquoi Bay

according to chlorophyll-a algorithmic by Landsat-5 TM data.

4 - Conclusion

The high accuracy of chl-a prediction by the model found in this study showed that

empirical retrieving algorithms by Landsat-5 data can be useful in cyanobacterial

monitoring programs in large freshwater systems, as Missisquoi Bay in Lake Champlain.

Even if there is a field demand to apply an empirical model in remote sensing data, the

advantage of using satellite data coupled with field data in monitoring programs is the

enhancement of the covered area at relatively low costs compared to traditional field

sampling programs for the same area.

Oligotrophic

no data

Mesotrophic

Eutrophic

125

Some important areas of cyanobacteria occurrence as shoreline region could not

give a reliable evaluation because of their low depth, which probably affected the chl-a

reflectance signal. Thus, despite the high model accuracy, the use of Landsat-5 for

phytoplankton monitoring program in Missisquoi Bay, and in other shallow water systems,

can be limited. Nevertheless, the lake bottom noise could be minimized or cancelled when

surface scums occur, i.e., high cyanobacterial abundance. Therefore, coupling field

sampling campaigns with overpassing satellite could be a good monitoring strategy, even

in shallow water systems, if there is a heavy cyanobacterial bloom. But the lake bottom

and other noise elements as wetland have to be considered in the analyses.

References

Baban, S.M.J. (1999). Use of remote sensing and geographical information systems in

developing lake management strategies. Hydrobiologia, 395/396, 211–226.

Bennett, E.M., Carpenter, S.R & Caraco, N.F. (2001). Human impact on erodable

phosphorus and eutrophication: a global perspective. BioScience, 51, 227-234.

Boyer, G.L., Watzin, M.C., Shambaugh, A.D., Satcwell, M.F., Rosen, B.H. & Mihuc, T.

(2004). The occurrence of cyanobacterial toxins in Lake Champlain. In T.O. Manley, P.

L. Manley & T. B. Mihuc (Eds.), Lake Champlain: Partnerships and Research in the

New Millennium (pp. 241 - 258). New York: Kluwer Academic/Plenum Publishers.

Brivio, P.A., Giardino, C., & Zilioli, E. (2001). Validation of satellite data for quality

assurance in lake monitoring applications. The Science of the Total Environment, 268,

3−18.

126



395−403.


361-369.



Chorus, I., Bartram, J. (Eds.) (1999). Toxic Cyanobacteria: A guide to their public health

consequences monitoring and management. 400p. London: E & FN Spon.

Clark, W.J. (1983). Cloud cover as a factor in the utilization of Landsat data for

limnological research. Remote Sensing of Environment, 13, 453–460.


sensed data. Remote Sensing of Environment, 37, 35–46.


prioritisation of eutrophication control. Ecological Engineering, 16, 51–60.

Conley, D.J., Paerl, H.W., Howarth, R.W., Boesch, D.F., Seitzinger, S.P., Havens, K.E.,

Lancelot, C. & Likens, G.E. (2009). Controlling eutrophication: nitrogen and

phosphorus. Science, 323, 1014-1015.



Dow, C.S. & Swoboda, U.K. (2002). Cyanotoxins. In B.A. Whitton & M. Potts (Eds), The


127







121.

Hillebrand, H., Dürselen, C., Kirschtel, D., Pollingher, U., & Zohary, T. (1999). Biovolume

calculation for pelagic and benthic microalgae. Journal of Phycology, 35, 403–424.

Giardino, C., Pepe, M., Brivio, P.A., Ghezzi, P., & Zilioli, E. (2001). Detecting chlorophyll,

Secchi disk depth and surface temperature in a sub-alpine lake using Landsat imagery.

The Science of the Total Environment, 268,19-29.




Koponen, S., Pulliainen, J., Kallio, K., & Hallikainen, M. (2002). Lake water quality

classification with airborne hyperspectral spectrometer and simulated MERIS data.

Remote Sensing of Environment, 79, 51–59.


satellite remote sensing. Limnology and Oceanography, 49, 2179-2189.



128


324.

Mimeault, M. & Manley, T.. (2004). Missiquoi Bay – an international parthership towards

restoration. In T.O. Manley, P. L. Manley & T. B. Mihuc (Eds.), Lake Champlain:

Partnerships and Research in the New Millennium (pp. 1 - 8). New York: Kluwer

Academic/Plenum Publishers.

MOH - Ministry of Health. (2005). Draft Guidelines for Drinking-water Quality

Management for New Zealand 2005, Capítulo 9: Cyanobacterial Compliance. 2nd

Edition. Wellington: Ministry of Health. Available on:

http://www.moh.govt.nz/moh.nsf/0/5A25BF765B400911CC25708F0002B5A8/$File/09-

cyanobacteriacompliance.pdf





Novo, E.M.L.M., Lobo, F., & Calijuri, M.C. (1994). Remote sensing and geographical

information system application to inland water studies. In J.G.Tundisi, C.E.M. Bicudo &

T. Matsumura Tundisi (Eds.), Limnology in Brazil (pp. 283–303). Rio de Janeiro:

ABC/SBL.

Nusch, E.A. (1980). Comparison of different methods for chlorophyll and phaepigment

determination. Archiv für Hydrobiologie, Ergebnisse de Linmologie, Beiheft, 14, 14–36.



129



Publishers.

Östlund , C., Flink , P., Strömbeck , N., Pierson , D., & Lindell, T. (2001). Mapping of the

water quality of Lake Erken, Sweden, from Imaging Spectrometry and Landsat

Thematic Mapper. The Science of the Total Environment, 268, 139-154.

Ritchie, J.C., Schiebe, F.R., & McHenry, J.R. (1976). Remote sensing of suspended

sediment in surface water. Photogrammetric Engineering & Remote Sensing, 42, 1539-

1545.

Ritchie, J.C., Zimba, P.V., & Everitt, J.H. (2003). Remote sensing techniques to assess

water quality. Photogrammetric Engineering & Remote Sensing, 69, 695–704.

Rogalus, M.K. & Watzin, M.C. (2008). Evaluation of sampling and screening techniques

for tiered monitoring of toxic cyanobacteria in lakes. Harmful Algae, 7, 504–514.

Rott, E. (1981). Some results from phytoplankton counting intercalibrations.

Schweizerische Zeitschrift für Hydrologie, 43, 34–62.

Rosen, B.H., Shambaugh, A., Ferber, L., Watzin, M.C., Eliopoulos, C. & Stangel. P.

(2001). Evaluation of Potential Blue-Green Algal Toxins in Lake Champlain (2000).

Lake Champlain Basin Program Tech. Rep. 39 29p. Available on:

http://www.lcbp.org/techreportPDF/39_BGA_Toxins_2000.pdf


eutroficacion en lagos tropicales. 60p, Lima: CEPIS. Available on:


130

Smith, R.C., & Baker, K.S. (1978). The bio-optical state of ocean waters and remote

sensing. Limnology and Oceanography, 23, 247-259.

Smith, V.H., Tilman, G.D., & Nekola, J.C. (1999). Eutrophication: impacts of excess

nutrient inputs on freshwater, marine, and terrestrial ecosystems. Environmental

Pollution, 100, 179-196.

Sun, J., & Liu, D. (2002). Geometric models for calculating cell biovolume and surface

area for phytoplankton. Journal of Plankton Research, 25, 1331–1346.




Tomlinson, M.C., Stumpf, R.P., Ransibrahmanakul, V., Truby, E.W., Kirkpatrick, G.J.,

Pederson, B.A., Vargo, G.A., & Heil, C.A. (2004). Evaluation of the use of SeaWiFS



Utermöhl, H. (1958). Zur Vervollkommnung der quantitativen Phytoplankton-Methodik.

Mitteilungen der Internationale Vereinigung für Theoretische und Angewandte

Limnologie, 9, 1–38.

Vermote, E.F., Tanre, D., Deuze, J.L., Herman, M., & Morcrette, J.J. (1997). Second



Vincent, R. K., Xiaoming, Q., McKay, R.M.L., Miner, J., Czajkowski, K., Savino, J., &


cyanobacterial blooms in Lake Erie. Remote Sensing of Environment, 89, 381–392.

131

Watzin, M.C., Smyth, R.L., Cassell, E.A., Hession, W.C., Manning, R.E. & Rubenstein,

D.W. (2005). Ecosystem indicators and an environmental score card for the Lake

Champlain Basin Program. Lake Champlain Basin Program Tech. Rep. 46 192p.

Available on:

http://www.lcbp.org/techreportPDF/46_Ecological_Indicators_May_2005.pdf

Watzin, M.C., Miller, E.B., Shambaugh, A.D., Kreider, M.A. (2006). Application of the

WHO alert level framework to cyanobacteria monitoring on Lake Champlain, Vermont.

Environmental Toxicology, 21, 278–288.

Watzin, M.C., Fuller, F., Rogalus, M., Levine, M., Couture, S., Crawford, K. & May, C.

(2007). Monitoring and Evaluation of Cyanobacteria in Lake ChamplainI- Summer

2006. Lake Champlain Basin Program Tech. Rep. 55 25p. Available on:

http://www.lcbp.org/techreportPDF/55_BGA_2006.pdf

Webster, I. T. (1990). Effect of wind on the distribution of phytoplankton cells in lakes.


Wheeler, S.M. (2006). An evaluation of the utility of remote sensing for monitoring

cyanobacteria in Lake Champlain (VT-NY-PQ). Ms. Thesis. The University of Vermont,

The Faculty of the Graduate College. Burlington, USA.

132

Considerações finais

Nos dois ambientes estudados, Reservatório de Furnas e Baía de Missisquoi,

florações de cianobactérias potencialmente tóxicas foram detectadas., o que demonstra a

importância do monitoramento contínuo dos mesmos, uma vez que ambos apresentam

usos da água que geram risco de ingestão e contato primário com humanos. Por outro

lado, a extensão espacial elevada destes dois ambientes, leva a limitações na abragência

espacial dos pontos de monitoramento in situ.

O uso dos sensores remotos Landsat TM e CBERS CDD mostrou-se promissor

para o monitoramento da concentração de clorofila-a e estado trófico, bons indicadores

da presença de cianobactérias, uma vez que estes apresentaram modelos e

classificações com boas acurácias, o que permitiu a extrapolação de dados a áreas não

monitoradas in situ. Entretanto, algumas limitações foram detectadas, principalmente,

quanto à influência de substâncias opticamente ativas de origem não-algal, como sólidos

em suspensão inorgânicos, fundo do ambiente e macrófitas. Tais limitações evidenciam a

limitação espectral dos sensores em questão.

Modelos bio-ópticos para a estimativa de clorofila-a por sensores remotos são a

priori mais precisos do que modelos empíricos e classificação digital. Gitelson et al.

(2008) evidenciaram a alta acurácia na estimativa de clorofila-a pelo modelo bio-óptico de

três bandas. Entretanto, a aplicação deste modelo estaria restrita a sensores com

moderada a alta resolução espectral, como o MERIS. Apesar de os sensores utilizados

neste trabalho (CCD e TM) não permitirem a total discriminação da reflectância da

clorofila-a com a de outros componentes ópticos presentes na água, o uso destes para a

estimativa da clorofila-a não se mostrou inviável.

Para a melhor compreensão das vantagens e desvantagens do uso dos sensores

CCD (CBERS) e TM (Landsat) para o monitoramento de florações do fitoplâncton, os

sensores MODIS, MERIS, Hyperion e Quickbird foram avaliados juntamente com estes,

quanto às suas configurações (Fig. 1). Estes sensores foram escolhidos para

133

Figura 1 – Características de

sensores orbitais utilizados

na estimativa de clorofila-a

em águas continentais:

número de bandas na região

espectral vermelho e

infravermelho próximo,

resolução temporal (A),

resolução espacial (B) e

largura da faixa imageada

(C); de acordo com a

disponibilidade na obtenção

sistemática de imagens e

custo financeiro do sistema.

0 5 10 15 20 25 30 35

dias

0

5

10

15

20

25

30

sistemático com acesso gratuitosistemático com acesso pagonão-sistemático com acesso pago

B

0 3 6 9 12 15 30 35

m

0

50

100

150

200

250

30010001200

CCD

TM

MODIS

MERIS

Hyperion

QuickBird

CCD

TM

MODISMERIS

Hyperion

QuickBird

A

nº de bandas

0 5 10 15 20 25 30 35

Km

0

50

100

150

2001000

1500

2000

2500

3000

CCD

TM

MODIS

MERIS

HyperionQuickBird

C

134

representarem a amplitude do universo de configurações de sensores orbitais disponíveis

e por terem sido anteriormente utilizados na estimativa de clorofila-a em ambientes

aquáticos. Para que programas de monitoramento ambiental com o uso de sensores

remotos se tornem viáveis, aspectos como a previsibilidade e continuidade na obtenção

de dados do sensor e o valor financeiro destes dados devem ser considerados. Neste

contexto, sensores com imageamento sistemático e que apresentem um baixo custo na

compra de imagens que abranjam toda a área de estudo seriam mais indicados.

Todos os sensores avaliados, devido às suas resoluções espectrais, permitem o

monitoramento mensal, sendo que os sensores MODIS, MERIS e Quickbird permitem um

monitoramento mais intensivo com avaliações periódicas em intervalos menores que 5

dias (Fig. 1A). Os sensores MODIS, MERIS e Hyperion apresentam maior resolução

espectral na faixa do vermelho e infra-vermelho próximo (Fig. 1A, B, C). Os dados dos

dois últimos sensores permitem a utilização do modelo bio-óptico de três bandas e os

dados do sensor MODIS do modelo de duas bandas (veja Gitelson et al., 2008). Os

sensores CCD, TM e Quickbird, apesar de suas menores resoluções espectrais,

apresentam, juntamente com o Hyperion, resolução espacial menor ou igual 30 m (Fig.

1B). Tais resoluções seriam adequadas ao monitoramento de ambientes aquáticos

continentais e de florações do fitoplâncton, como discutido por Vincent et al. (2004) e

Kutser (2004). Apesar de suas altas resoluções espectrais e espaciais, o sensor Hyperion

possui uma faixa imageada de apenas 7,7 Km (Fig. 1C) com custo de cerca de 700

dólares americanos a imagem. Desta forma, o custo do uso deste sensor pode ser

impraticável para programas de monitoramento ambiental. Além disso, o Hyperion não

realiza imageamento sistemático, o que compromete o seu uso em programas de

monitoramento de longo prazo. Comparados aos outros sensores disponíveis, os

sensores CCD e TM, apesar de sua limitação espectral para a aplicação de modelos bio-

ópticos refinados para a estimativa da clorofila-a fitoplanctônica, podem oferecer

135

vantagens quanto à sua viabilidade econômica, previsibilidade na obtenção de dados

(sistemáticos) e boa resolução espacial.

Com base nos resultados obtidos neste trabalho para os dois ambientes

estudados, reservatório da UHE de Furnas e Baía de Missisquoi, tratados nos capítulos 1

e 2, respectivamente; pode-se verificar o uso viável dos sensores dos satélites CBERS-2

e Landsat-5 para o monitoramento da biomassa fitoplanctônica a partir da clorofila-a. A

possibilidade de se estimar a clorofila-a para todo o sistema aquático em questão, a partir

de dados de sensores orbitais e dados in situ de algumas estações de coletas pontuais, é

uma grande vantagem desta abordagem sobre as redes de amostragem convencionais

para o monitoramento ambiental.

Como enfatizado por Goetz et al. (2008), deve ser encorajado o uso de técnicas e

aplicações de sensoriamento remoto para estudos de ambientes aquáticos mesmo entre

pessoas que não são especialistas em sensoriamento remoto, como aquelas

responsáveis por manejo e conservação destes ambientes. Logo, a realização deste

trabalho teve uma importante contribuição para a formação de um ecólogo/limnólogo na

área de sensoriamento remoto.



D. & Holz, J. (2008). A simple semi-analytical model for remote estimation of


3593.

Goetz, S.J., Gardiner, N. &. Viers, J.H. (2008). Monitoring freshwater, estuarine and near-

shore benthic ecosystems with multi-sensor remote sensing: An introduction to the

special issue. Remote Sensing of Environment, 112, 3993–3995.

136


satellite remote sensing. Limnology & Oceanography, 49, 2179-2189.

Vincent, R.K., Xiaoming, Q., McKay, R.M.L., Miner, J., Czajkowski, K., Savino, J. &


cyanobacterial blooms in Lake Erie. Remote Sensing of Environment, 89, 381-392.

137

Apêndice I – Configurações CBERS-2 e Landsat-5

Tabela 1 – Resoluções temporais (dias), espaciais (m) e espectrais (nm) dos sensores

CCD e TM dos satélites CBERS-2 e Landsat-5.

satélite sensor dias metros nm

CBERS-2 1 CCD 26 20 450 - 520 (1 / azul)

520 - 590 (2 / verde)

630 - 690 (3 / vermelho)

770 - 890 (4 / infravermelho próximo)

510 – 730 (5 / pan)

Landsat-5 2 TM 16 30 450 - 520 (1 / azul)

520 - 600 (2 / verde)

630 - 690 (3 / vermelho)

760 - 900 (4 / infravermelho próximo)

1550 - 1750 (5 / infravermelho médio)

2080 – 2350 (7 / infravermelho distante)

Fontes: 1 INPE: http://www.cbers.inpe.br/?content=cameras1e2e2b 2 USGS: http://eros.usgs.gov/products/satellite/tm.php

http://eros.usgs.gov/products/satellite/band.html

138

Apêndice II – Georreferenciamento



imagem Landsat-5 (órbita/ponto) correspondente à área do reservatório da UHE de

Furnas nas diversas datas de coleta.

Data 219/74 219/75

10.06.2006 1,005

1,024

1,157

1,269

14.09.2006 0,975

1,243

1,487

1.491

01.09.2007 1,061

0,887

0,984

0,716

28.04.2008 0,990

0,817

1,001

1,099



imagem CBERS-2 (órbita/ponto) correspondente à área do reservatório da UHE de

Furnas nas diversas datas de coleta.

Data 154/123 154/124

13.04.2005 2.470

2.402

1.915

4.362

12.04.2006 1,049

1,096

1,162

1,074

25.07.2006 0,902

1,173

1,099

1,413

15.09.2006 1,379

0,942

0,978

1,021

139

Apêndice III – Concentração de clorofila -a e estados tróficos


Trófico (IET) para diferentes níveis tróficos segundo OECD (1982), Carlson (1977, por

Kreutzer & Brezonick, 1981) e Lamparelli (2004).

OECD Carlson Lamparelli

µg.L-1 µg.L-1 IET µg.L-1 IET

Ultra-oligotrófico ≤ 1 ≤ 0,35 ≤ 20 ≤ 1,17 ≤ 47

Oligotrófico 1 - 2,5 0,36 – 2,49 21 - 40 1,17 - 3,24 48 - 52

Mesotrófico 2,5 - 8 2,50 – 7,62 41 - 50 3,25 - 11,03 53 - 59

Eutrófico 8 - 25 7,63 – 19,09 51 - 60 11,04 - 30,55 60 - 63

Supereutrófico 30,56 - 69,05 64 - 67

Hipereutrófico ≥ 25 ≥ 19,10 ≥ 61 > 69,05 >67



empregado no Capítulo 1 para os dados obtidos com o método de classificação

OECD Lamparelli

µg.L-1 µg.L-1 IET

Oligotrófico ≤ 2,5 ≤ 3,24 ≤ 52

Mesotrófico 2,5 - 8 3,25 - 11,03 53 - 59

Eutrófico > 8 >11,03 > 60



empregado no Capítulo 1 para os dados obtidos com os modelos de inversão.

OECD Lamparelli

µg.L-1 µg.L-1 IET

Ultra-oligotrófico ≤ 1 ≤ 1,17 ≤ 47

Oligotrófico 1 - 2,5 1,17 - 3,24 48 - 52

Mesotrófico 2,5 - 8 3,25 - 11,03 53 - 59

Eutrófico > 8 11,03 – 30,54 60 - 63

Hipereutrófico ≥ 25 > 30,55 >64

140



361-369.


Avaliação dos métodos de monitoramento. Tese de doutorado. Universidade de São

Paulo, Instituto de Biociências da Universidade de São Paulo, Departamento de

Ecologia, São Paulo. São Paulo, Brazil. 235p. Available on:


Kratzer, C.R. & Brezonick, P.L.A. (1981). A Carlson type trophic state index for nitrogen in

Florida lakes. Water Resources Bulletin, 17, 713-714.



141

Apêndice IV – Matriz de erro

A) Cálculos de acurácias baseados em uma matriz de erro

Como pode ser visto no exemplo da Tabela 1, a matriz de erros é uma

representação em colunas e linhas, onde o número de unidades amostradas, pixels por

exemplo, é associado às categorias (A, B, C e D) definidas no processo de classificação.

Em geral, as colunas são associadas aos dados de referência (dados de campo,

mapas de referência, etc.) e as linhas aos dados gerados pelo algoritmo de classificação.

Os valores na diagonal representam as amostras coincidentes entre os dados de

referência e do classificador, ou seja, àqueles que podem ser considerados como

classificados corretamente.

Tabela 1 – Exemplo de matriz de erros. Modificada de Congalton (1991).

Dados de referência

A B C D Total linha

A 65 4 22 24 115

B 6 81 5 8 100

C 11 11 83 19 115

D 4 7 3 90 104

Dad

os g

erad

os

Total coluna 75 103 115 141 434

Vários tipos de acurácias podem ser obtidas por meio de uma matriz de erro,

como as acurácias total, do produtor, do usuário e o coeficiente Kappa.

A acurácia total (overall accuracy) é a mais simples e nos dá uma idéia do quão

grande foi o acerto da classificação. Ela é calculada como o número de amostras corretas

dividido pelo número de amostras totais. Com os dados da tabela abaixo, o cálculo da

acurácia total seria conforme a equação 1.

.

142

Equação 1

As acurácias do usuário (user’s accuracy) e do produtor (producer’s accuracy) nos

indicam os erros de inclusão ou comissão e de exclusão ou omissão, respectivamente.

Elas podem ser calculadas para cada classe conforme as equações 2 e 3. A acurácia do

usuário nos permite avaliar o quanto se pode confiar na área de cobertura gerada para

uma dada classe. A acurácia do produtor, por outro lado, nos permite avaliar o quanto o

classificador é capaz de discernir as classes.

O coeficiente Kappa (Kappa coefficient) é uma medida que considera os acertos

(diagonal), mas também incorpora os erros (elementos fora da diagonal). Desta forma,

ele é utilizado como uma medida que avalia se a acurácia da classificação gerada seria

74,0434

321

º==

°=

totalpixelsden

corretospixelsdenTotalAcurácia

87,075

65

º

==

°=

AclassedausuáriodoAcurácia

classenareferênciadedadosdostotalpixelsden

classenacorretospixelsdenusuáriodoAcurácia

Equação 2

Equação 3 57,0115

65

º

==

°=

AclassedaprodutordoAcurácia

classenageradosdostotalpixelsden

classenacorretospixelsdenprodutordoAcurácia

143

maior do que um resultado aleatório (Kappa = 0), tal como um teste estatístico. Logo, ele

é utilizado para comparar diferentes matrizes de erros. O coeficiente Kappa,

representado por K̂ é calculado segundo aequação 4, que para a matriz de erro da

tabela 1, Kappa seria igual a 0,70.

Equação 4

onde r é o número de linhas na matriz, xii é o número de observações na linha i e coluna

i, xi e x+i são os totais marginais da linha i e coluna i, respectivamente, e N é o

número total de observações (pixels).

Em geral, as acurácias aqui descritas são apresentadas em forma de percentual.



sensed data. Remote Sensing Environment 37, 35–46.

( ) ( )( ) 70,0

1466413225103008625168100

1466413225103008625321410ˆ

1

2

1 1 =+++−

+++−⋅=⋅−

⋅−=

∑

∑ ∑

=+

= =+

r

iii

r

i

r

iiiii

xxN

xxxN

K

144

B) Matrizes de erro das amostras treinamento e teste obtidas pelas classificações de estado trófico para o reservatório da UHE de Furnas.

Tabela 2 – Matriz de erro das amostras de treinamento para as classes de estado trófico segundo o critério da OECD em cada período de

coleta.

Dados observados (campo)

APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08

O M O M O M O M O M O M O M O M

Oligotrófico (O) 87 12 127 7 97 5 190 7 202 2 249 7 98 25 68 48

Mesotrófico (M) 3 171 17 47 47 103 62 65 68 34 21 29 10 65 4 60

Total coluna 90 183 144 54 144 108 252 72 270 36 270 36 108 90 72 108

Total linha 99 174 134 64 102 150 197 127 204 102 256 50 123 75 116 64

Total 273 198 252 324 306 306 198 180

Dad

os g

erad

os (

clas

sific

ação

)

Total correto 258 174 200 255 236 278 163 128

145

Tabela 3 – Matriz de erro das amostras de teste para as classes de estado trófico segundo o critério da OECD em cada período de coleta.




Oligotrófico (O) 41 9 64 6 51 3 86 2 116 4 129 11 48 14 34 30

Mesotrófico (M) 4 84 8 21 21 51 40 34 19 14 6 7 6 31 2 24

Total coluna 45 93 72 27 72 54 126 36 135 18 135 18 54 45 36 54

Total linha 50 88 70 29 54 72 88 74 120 33 140 13 62 37 64 26

Total 138 99 126 162 153 153 99 90

Dad

os g

erad

os (

clas

sific

ação

)

Total correto 125 85 102 120 130 136 79 58

146

Tabela 4 – Matriz de erro das amostras de treinamento para as classes de estado trófico segundo o Índice de Estado Trófico de Carlson

modificado em cada período de coleta.




Oligotrófico (O) 108 0 135 3 140 2 273 1 306 0 306 0 117 6 79 10

Mesotrófico (M) 0 165 27 36 76 34 33 17 0 0 0 0 27 48 29 62

Total coluna 108 165 162 39 216 36 306 18 306 0 306 0 144 54 108 72

Total linha 108 165 138 63 142 110 274 50 306 0 306 0 123 75 89 91

Total 273 201 252 324 306 306 198 180

Dad

os g

erad

os (

clas

sific

ação

)

Total correto 273 171 174 290 306 306 165 141

147

Tabela 5 – Matriz de erro das amostras de teste para as classes de estado trófico segundo o Índice de Estado Trófico de Carlson modificado

em cada período de coleta.




Oligotrófico (O) 54 0 69 2 68 2 131 1 153 0 153 0 58 2 42 8

Mesotrófico (M) 0 84 12 16 40 16 22 8 0 0 0 0 14 25 12 28

Total coluna 54 84 81 18 108 18 153 9 153 0 153 0 72 27 54 36

Total linha 54 84 71 28 70 56 132 30 153 0 153 0 60 39 50 40

Total 138 99 126 162 153 153 99 90

Dad

os g

erad

os (

clas

sific

ação

)

Total correto 138 85 84 139 153 153 83 70

148

C) Acurácias da classificação com número de amostras balanceadas em JUN06

Tabela 6 – Acurácias (%) da classificação de estados tróficos baseada no Índice Trófico

de Carlson modificado para o período de coleta JUN06.

Desbalanceada Balanceada Acurácia do usuário Oligotrófico 98,6 92,1 Mesotrófico 30,9 72,9 Acurácia do produtor Oligotrófico 64,8 64,8 Mesotrófico 94,4 94,4 Acurácia total 69,0 79,6 Coeficiente Kappa 31,9 59,3

149

Apêndice V – Correção atmosférica e normalização

A conversão de números digitais (ND) para valores de parâmetros físicos, como

reflectância, se faz necessária quando objetiva-se a caracterização espectral do objeto de

estudo em imagens de sensores. Isto é válido, uma vez que ND não são comparáveis

entre bandas e/ou diferentes imagens, mesmo para um mesmo sensor (Pozoni &

Shimabukuro, 2007). Para a conversão de ND em valores de reflectância de superfície

faz-se necessário, então, a correção atmosférica da imagem. Além disso, quando

objetiva-se eliminar qualquer interferência oriunda de variações na sensibilidade do

sensor ao longo do tempo, ou seja, tornar comparáveis imagens de diferentes datas, a

normalização radiométrica é um dos procedimentos mais aceitáveis para tal fim (Pozoni &

Shimabukuro, 2007).

Neste estudo, foram realizados os procedimentos de conversão de ND para

reflectância de superfície para as cenas Landsat-5 de SEP06 do reservatório da UHE de

Furnas e de 05SEP da Baía de Missisquoi, como também a normalização das cenas

Landsat-5 de JUN06, SEP06, SEP07 e APR08 do reservatório de Furnas. A maior parte

dos procedimentos foi realizada no programa Spring, por meio da ferramenta LEGAL

(Camara et al., 1996). A descrição de tais procedimentos pode ser subdividida em dois

tópicos: correção atmosférica e normalização radiométrica.

A) Correção atmosférica

A correção atmosférica foi realizada para a cena de SEP06 (reservatório de

Furnas) e 05SEP (Baía de Missisquoi) de acordo com o modelo 6S (Second Simulation of

the Satellite Signal in the Solar Spectrum; Vermote et al., 1997a) de transferência

radiativa, o qual considera os efeitos de espalhamento e de absorção da radiação

eletromagnética pela atmosfera. Desta forma, dados de níveis digitais foram

150

transformados para fator de reflectância bidirecional de superfície (SBRF - ρ). Para isto

foram realizados alguns procedimentos, descritos abaixo.

O primeiro procedimento constituiu em transformar os dados das cenas de ND

para reflectância aparente de acordo com os parâmetros de calibração do sensor

Landsat-5. Os parâmetros utilizados foram os valores de radiância aparente mínima

(Lmin) e máxima (Lmax) utilizados de acordo com Chander & Markham (2003) para

imagens adquiridas após 5 de maio de 2003 (Tabela 1). Para a conversão de radiância

aparente (L0) para reflectância aparente (ρa), do número digital a ser convertido (QCAL)

utilizou-se a transformação proposta por Markham & Baker (1986). Nesta, além de Lmin e

Lmax para cada banda, considera-se o número digital máximo do sensor (QCALmax), a

distância entre o Sol e a Terra (d), a irradiância média do sol no topo da atmosfera para

cada banda (Esun) e o ângulo solar zenital (θ). A conversão foi feita de acordo com as

equações 1 e 2:

Para o sensor Landsat-5 o valor de QCALmax é de 255 e os valores de Esun para

cada banda TM encontram-se na tabela 1. A distância d em unidades astronômicas é

igual a 1. O ângulo solar zenital foi obtido a partir da relação com o dado de elevação do

Sol (e) no momento da aquisição da imagem, como descrito pelas equações 3 e 4. O e

utilizado para as cenas do reservatório de Furnas foi o valor médio do e das imagens

219/74 e 219/75.

( )( )max*minmaxmin QCALQCALLLLLo −+= Equação 1

θπρ

cos*

** 2

Esun

dLa o= Equação 2

151

Tabela 1 – Radiância aparente mínima e máxima utilizadas na calibração do sensor

Landsat-5 para imagens adquiridas após 05 de maio de 2003 e valores de irradiância

média do sol no topo da atmosfera. Valores em W . cm-2 . sr-1 . µm-1.

Banda TM Lmin Lmax Esun

1 -0,152 19,30 195,2

2 -0,284 36,50 182,7

3 -0,117 26,40 155,0

4 -0,151 22,10 104,0

Apesar de permitir a realização de operações aritméticas entre diferentes bandas

espectrais, mesmo para datas ou sensores diferentes, dados em reflectância aparente

ainda possuem interferência da atmosfera. Isto impossibilita a realização de análises

quantitativas por meio da aplicação de relações entre os dados dos sensores e as

variáveis geofísicas ou biofísicas, como clorofila-a (Pozoni & Shimabukuro, 2007).

Para eliminar ou minimizar os efeitos da atmosfera sobre os valores de

reflectância, foi realizada a correção atmosférica pelo modelo de transferência radiativa

6S (Vermote et al. 1997a). Esta nos permite a transformação de dados em reflectância

aparente para reflectância de superfície. Para a aplicação do modelo 6S sobre as cenas

foi utilizado um programa desenvolvido pela CEPAGRI / UNICAMP (Centro de Pesquisas

Meteorológicas e Climáticas Aplicadas à Agricultura / Universidade Estadual de

Campinas).

O modelo 6S considera três aspectos principais: a absorção por gases

atmosféricos (O2, CO2, CH4, N2O, H2O e O3), o espalhamento por moléculas e aerossóis

e a interação entre este dois processos. Vários modelos e pressupostos, relativos ao

13057.2957795eelevação= Equação 3

( )elevação-13057.295779590=θ Equação 4

152

comportamento de absorção e dispersão dos compostos presentes na atmosfera, ao tipo

reflectância de acordo com a superfície, à localidade, entre outros, são adotados no 6S

(veja Vermote et al. 1997a e Vermote et al. 1997b).

Dentro da plataforma 6S, alguns dados relativos à imagem e ao local precisam ser

informados, como também à escolha de alguns modelos deve ser realizada para cada

banda espectral a ser corrigida em termos atmosféricos. A data de aquisição, coordenada

central em decimais, altitude e número de pixels da imagem são dados relativos à

imagem e ao local em que esta se encontra. Quanto aos modelos, têm-se três

parâmetros que devem ser definidos: modelo atmosférico, modelo de aerossol e

concentração de aerossol.

No que se refere à absorção gasosa, existem 9 opções para o modelo

atmosférico: sem absorção, tropical, verão em latitude média, inverno em latitude média,

verão no subártico, inverno no subártico, US62 (atmosfera padrão norte-americana em

1962), particular (o usuário fornece os dados), particular US62 (usuário fornece apenas

os dados de vapor d’água e ozônio e aceita o padrão US62 para os demais gases).

Quanto aos tipos de aerossóis encontrados, também há 9 opções para o modelo

de aerossol: sem aerossol, continental, marítimo, urbano, desértico, biomassa,

estratosférico, particular usando componentes básicos e particular usando distribuição de

tamanho. Quanto à concentração de aerossóis, existem duas opções, nas quais se pode

informar a espessura óptica ou a visibilidade.

Neste estudo, considerou-se o modelo atmosférico do tipo tropical e o modelo de

aerossol do tipo continental para a cena do reservatório de Furnas. Para a cena da Baía

de Missisquoi, os modelos atmosférico e de aerossol utilizados foram verão em latitude

média e urbano, respectivamente. Para visibilidade foi escolhido o valor arbitrário de

50Km.

153

B) Normalização radiométrica

O processo de normalização radiométrica permite que valores de reflectância de

imagens em diferentes tempos de aquisição possam ser comparáveis. Visto que a

influência de variações não lineares da sensibilidade de um sensor ao longo do tempo,

além de variações na geometria da iluminação da cena imageada, que afetam a

reflectância não são corrigidas apenas pela correção atmosférica (Pozoni &

Shimabukuro, 2007).

Neste estudo, a normalização radiométrica foi realizada de acordo com o proposto

por Hall et al. (1991). Neste tipo de transformação, dois processos são considerados: 1)

definição de uma série radiométrica de controle e 2) determinação de coeficientes a partir

de dados de referência para transformação linear das imagens a serem normalizadas.

Para o primeiro processo, alvos que não sofrem variações ou que se apresentam

estáveis ao longo do tempo são selecionados e subdivididos em objetos escuros e claros.

Para o segundo processo, uma cena em uma determinada data de aquisição é definida

como referência.

O processo de normalização radiométrica utiliza a transformação “tasselled cap”

de Kauth & Thomas (1976, apud Mather, 2004). Nesta transformação de dados, um novo

sistema de coordenadas é gerado a partir da rotação e escalonamento de um espaço

quadri-dimensional, obtido a partir de quatro diferentes bandas espectrais. Este novo

sistema de coordenadas possui eixos (brightness, greenness, yellowness e nonesuch)

que permitem um maior grau de diferenciação entre objetos, principalmente entre o solo e

a vegetação. No processo de normalização radiométrica aplicado neste estudo, utiliza-se

apenas os eixos brightness e greenness.

A normalização das imagens é realizada em várias etapas que podem ser

visualizadas no diagrama apresentado na Fig. 1.

,

154

Figura 1 – Diagrama das etapas do processo de normalização radiométrica.

Escolha da cena referência com correção atmosférica (dados em reflectância de superfície)

Conversão para reflectância aparente das cenas a serem normalizadas

Geração de imagens brightness e greeness para todas as cenas

Identificação de série radiométrica de controle da cena referência e das demais cenas (alvos claros e escuros)

Aplicação das equações de normalização para a geração de cenas normalizadas

Obtenção da intersecção dos alvos claros e dos alvos escuros entre as imagens brightness e greeness

1

2

3

4

5

6

7

8

Determinação dos valores médios claros e escuros nas cenas normalizadas e validação contra àqueles da cena referência

Cálculo dos valores médios da série radiométrica (coeficientes) de controle para todas as bandas espectrais

155

Neste estudo, a cena corrigida em termos atmosféricos de SEP06 foi selecionada

como referência para a normalização radiométrica das demais cenas Landsat-5: JUN06

SEP07 e APR08. Estas foram transformadas previamente para valores de reflectância

aparente conforme descrito anteriormente. A cena de SEP06 foi escolhida por

apresentar-se praticamente sem nuvens.

Os alvos claros e escuros “invariantes” selecionados (etapa 4 – Fig. 1) foram,

respectivamente, regiões de mineração de pedra São Tomé (quartzito) e regiões do

reservatório próximas à barragem para as imagens brightness. Para as imagens

greenness foram selecionadas regiões de rodovias e regiões do reservatório próximas à

barragem como alvos claros e escuros, respectivamente. Foram escolhidas regiões do

reservatório próximas à barragem como alvos escuros devido ao fato de que para o

objeto água estas exibiram os menores valores de reflectância, ou seja, que mais se

aproximavam à água límpida.

A normalização propriamente dita (etapa 7 – Fig. 1) consiste na aplicação da

transformação linear das cenas a serem corrigidas a partir da cena referência. Esta é

realizada de acordo com a equação:

biximiTi += * Equação 5

Onde,

Ti = fator de reflectância da imagem normalizada

xi = fator de reflectância da imagem a ser normalizada (original)

mi e bi são obtidos pelas seguintes equações:

156

Após o processo de normalização das imagens, as médias de claros e escuros de

cada banda espectral da cena referência e das cenas normalizadas são obtidas e

comparadas (etapa 8 – Fig. 1). Considera-se que houve sucesso no processo quando a

diferença das médias entre a cena referência e as normalizadas seja de no máximo, 1. A

tabela 2 contém as médias de claros das cenas referência e normalizadas deste estudo,

onde se pode verificar que o processo de normalização foi bem sucedido.

Tabela 2 - Médias de reflectância de superfície em números digitais das regiões de claro

e escuro para cada banda TM e para cada período de coleta após a normalização

radiométrica.

SEP06 (referência)

JUN06 SEP07 APR08

claro escuro claro escuro claro escuro claro escuro

1 20.0 7.8 19.5 7.3 19.5 7.4 19.5 7.2

2 34.7 13.1 34.1 12.6 34.2 12.5 34.2 12.7

3 49.6 8.2 49.2 7.7 49.2 7.8 49.1 7.6

4 76.2 4.5 75.7 3.8 75.7 4.4 75.7 4.2

( ) ( )DsiBsiDriBrimi −−= Equação 6

( ) ( )DsiBsiBriDsiBsiDribi −−= ** Equação 7

Onde,

Bri = média do conjunto de referência clara

Dri = média do conjunto de referência escura

Bsi = média do conjunto claro a ser normalizado

Dsi = média do conjunto escuro a ser normalizado

i = banda do sensor

157




395−403.

Chander, G., & Markham, B.L. (2003). Revised Landsat-5 TM radiometric calibration

procedures and postcalibration dynamic ranges. IEEE Transactions on Geoscience

and Remote Sensing, 41, 2674-2677.

Hall, F.G., Strebel, D.E., Nickeson, J.E., & Goetz, S.J. (1991). Radiometric rectification:

toward a common radiometric response among multidate, multisensor images. Remote


Markham, B.L., & Baker, J.L. (1986). Landsat MSS and TM post-calibration dynamix

ranges, exoatmospheric reflectances and at-satellite temperatures. EOSAT Technical

Notes, 1, 3-5.

Mather, P.M. (2004). Computer processing of remotely-sensed images. 3ª edição. 324p.

Chichester: John Wiley & Sons, Ltd.

Ponzoni, F.J., & Shimabukuro, Y.E. (2007). Sensoriamento remoto no estudo da

vegetação. 150p. São José dos Campos: Parêntese.

Vermote, E.F., Tanre, D., Deuze, J.L., Herman, M., & Morcrette, J.J. (1997a). Second



Vermote, E.F., Tanre, D., Deuze, J.L., Herman, M., & Morcrette, J.J. (1997b). Second

simulation of the satellite signal in the solar spectrum (6S): 6S User Guide Version 2.

54p. Disponível em:

http://geog.tamu.edu/klein/geog661/handouts/6s/6smanv2.0_P1.pdf

158

Apêndice VI – Fator de reflectância bidirecional

JUN06

SB

RF

* 2

55

0

4

8

12

16

20

24

0

1

2

3

4

5

SEP06

0

4

8

12

16

20

24

chla

µg.

L-1

0

1

2

3

4

5

SEP07

TM1 TM2 TM3 TM4 chla

SB

RF

* 2

55

0

4

8

12

16

20

24

0

1

2

3

4

5

APR08

TM1 TM2 TM3 TM4 chla0

4

8

12

16

20

24

chla

µg.

L-1

0

1

2

3

4

5

Figura 1 – Fator de reflectância bidirecional de superfície (SBFR) em números digitais

(DN) para as bandas do Landsat 5 e concentração de clorofila a no reservatório da UHE

de Furnas em quatro períodos de coleta.

159

SEP06

0

1

2

3

4

5

SEP07

TM1 TM2 TM3 TM4

SB

RF

0

1

2

3

4

5

6

7

APR08

TM1 TM2 TM3 TM40

1

2

3

4

5

6

7

8

JUN06S

BR

F

0

1

2

3

4

5

6

7

F12

F16

F18

F20

F01

F04

F06

F09

Figura 2 – Fator de reflectância bidirecional de superfície (SBFR) para as bandas do

Landsat 5 em algumas estações de coleta nas porções da barragem (linha contínua),

Grande (linha descontínua) e Sapucaí (linha pontilhada) do reservatório da UHE de

Furnas em quatro períodos de coleta.

160

TM1 TM2 TM3 TM4

SB

RF

0

1

2

3

4

5

6

7

JUN06 SEP06 SEP07 APR08

Figura 3 - Fator de reflectância bidirecional de superfície (BFR) para as bandas do

Landsat 5 na estação de coleta F18 no reservatório da UHE de Furnas em quatro

períodos de coleta.

161

Apêndice VII – Baía de Missisquoi: áreas alagadas e áreas rasas

Figura 1 – Distribuição

de áreas alagadas na

bacia do Lago

Champlain, no detalhe

Baía de Missisquoi.

Modificado de Atlas do “Lake

Champlain Basin Program”

disponível em:

http://www.lcbp.org/Atlas/PDF

maps/nat_wetland.pdf

0 30 Km

Áreas alagadas

Lagos ou outros corpos d’água

Dados não disponíveis

10 0 10 20 Km

162

Figura 2 – Exemplos de concentração de clorofila-a derivada do Landsat-5 na área “sem

dado” na Baía de Missisquoi. A – área alagada, B – zona pelágica, C – zona litorânea.

sem dado

< 50 µg.L-1

A B

C

A

B

C

Documents

Avaliação do uso dos sensores remotos CBERS CCD e Landsat TM