Upload
dinhthuan
View
217
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE DE ÉVORA
CURSO DE BIOLOGIA
Elaboração de um SIG para Modelação Ecológica
da Águia de Bonelli
Trabalho de Fim de Curso realizado por:
PEDRO MIGUEL NETO ROQUE
ÉVORA
2000
Este trabalho não inclui as
observações feitas pelo júri.
AGRADECIMENTOS
Desejo em primeiro lugar agradecer à minha mãe, Maria Gertrudes Roque, a quem
este trabalho é dedicado, pela paciência e apoio que demonstrou, não só durante todo o
decorrer da licenciatura em Biologia na Universidade de Évora, mas também durante
toda a minha vida.
Desejo também agradecer a toda a equipe do Laboratório de Cartografia Biológica
do Centro de Ecologia da Universidade de Évora (LCB / CEA-UE), nomeadamente ao
Paulo Pereira, ao Miguel Pereira, ao Pedro Segurado, à Manuela Correia e à Manuela
Fonseca, por toda a ajuda técnica disponibilizada ao longo do decorrer de todo o estágio
naquela entidade, assim como ao Prof. Diogo Figueiredo pela sua preciosa colaboração
em alguns aspectos mais burocráticos do decorrer do trabalho.
Deixo aqui também uma nota de agradecimento à minha namorada, Cecília
Malveiro, pelo apoio moral durante as fases mais críticas do desenvolvimento deste
trabalho.
- i -
RESUMO
Assistimos periodicamente ao aparecimento de novos avanços científicos e
tecnológicos que catalisam o desenvolvimento da ecologia. Os Sistemas de Informação
Geográfica (SIG), ferramentas baseadas em hardware e software para a análise e
visualização de dados distribuídos espacialmente, constituem este tipo de avanço
tecnológico (Johnston, 1998).
O estudo do meio que nos rodeia e dos mais variados fenómenos que nele se
manifestam pode ser grandemente facilitado pela utilização dos SIG como ferramentas;
encarar os SIG como um fim em si próprio é redutor. A integração de informação das mais
variadas fontes e a sua análise conjunta são mais valias que não podem ser ignoradas.
O objectivo deste trabalho é precisamente o estudo e aprendizagem de algumas
destas novas ferramentas, usando como estudo de caso a Águia de Bonelli.
Este trabalho metodológico pode ser interpretado como um guia de base para futuros
estudos de carácter ecológico em Sistemas de Informação Geográfica, nos quais se
pretenda aprofundar a aplicação dos métodos e ferramentas aqui utilizados. Deu-se
especial atenção à descrição das metodologias aplicadas, às ferramentas utilizadas e à
síntese de alguns conhecimentos necessários para a iniciação de trabalhos deste âmbito.
Os problemas encontrados durante a execução do trabalho incentivaram a procura de
resoluções adequadas que, por sua vez, levaram a um conhecimento mais profundo sobre o
funcionamento das várias aplicações utilizadas. A pesquisa de novas ferramentas para
complementar as limitações dos programas utilizados foi também uma componente
importante deste trabalho.
- ii -
ÍNDICE GERAL
1 - INTRODUÇÃO ............................................................................................... 1
1.1 - ÂMBITO E OBJECTIVOS DO ESTUDO............................................................ 1
2 - REVISÃO BIBLIOGRÁFICA ....................................................................... 3
2.1 - O ESTUDO DE CASO: A ÁGUIA DE BONELLI................................................ 3
2.2 - OS SISTEMAS DE INFORMAÇÃO GEOGRÁFICA (SIG) .................................. 8
2.2.1 - Definição .......................................................................................... 8
2.2.2 - Recolha de Informação..................................................................... 8
2.2.3 - Representação da Informação........................................................... 9
2.2.3.1 - Modelo Raster............................................................................ 9
2.2.3.2 - Modelo Vectorial ..................................................................... 10
2.2.3.3 - Informação Alfanumérica ........................................................ 12
2.3 - DETECÇÃO REMOTA ................................................................................ 13
2.3.1 - Imagem de Satélite ......................................................................... 13
2.3.1.1 - Tratamento e interpretação de imagens de satélite .................. 15
2.4 - MÉTODOS ESTATÍSTICOS ......................................................................... 17
2.4.1 - Análise de Agrupamentos (Cluster analysis) ................................. 17
2.4.2 - Análise de Componentes principais (ACP) .................................... 18
2.4.3 - Regressão Múltipla ......................................................................... 19
3 - MATERIAIS E MÉTODOS......................................................................... 22
3.1 - MATERIAIS .............................................................................................. 22
3.1.1 - Recursos de Hardware .................................................................... 22
3.1.2 - Software utilizado........................................................................... 23
3.1.2.1 - IDRISI...................................................................................... 23
3.1.2.2 - O ArcView GIS ....................................................................... 23
- iii -
3.1.2.3 - Extensões ao ArcView............................................................. 25
3.1.2.3.1 - Extensões e scripts de caracter geral .......................................................26
3.1.2.3.2 - A extensão “Animal Movement” ............................................................28
3.1.2.4 - Troca de dados entre Idrisi e ArcView .................................... 30
3.1.3 - Origem dos dados ........................................................................... 30
3.2 - INTEGRAÇÃO DA INFORMAÇÃO NO SIG ................................................... 31
3.2.1 - Digitalização................................................................................... 31
3.2.2 - Vectorização ................................................................................... 34
3.2.3 - Informação alfanumérica................................................................ 35
3.3 - IMAGEM DE SATÉLITE .............................................................................. 36
3.3.1 - Georreferenciação........................................................................... 36
3.3.1.1 - Definição.................................................................................. 36
3.3.1.2 - Processo seguido...................................................................... 37
3.3.1.2.1 - Corte........................................................................................................37
3.3.1.2.2 - Recolha de pontos de controlo ................................................................38
3.3.1.2.3 - Mudança de Sistema ...............................................................................39
3.3.2 - Classificação da imagem ................................................................ 42 3.3.2.1.1 - Imagens Compostas ................................................................................43
3.3.2.1.2 - Análise de Componentes Principais (ACP).............................................45
3.3.2.1.3 - Utilização do NDVI ................................................................................50
3.3.2.1.4 - Criação de Agrupamentos (“Clusters”)...................................................52
3.4 - O SIG BONELLI – ESTRUTURAÇÃO EM ARCVIEW................................... 56
3.4.1 - Temas integrados no SIG ............................................................... 56
3.4.1.1 - Enquadramento geográfico ...................................................... 57
3.4.1.1.1 - Divisões administrativas .........................................................................57
3.4.1.1.2 - Informação de carácter militar ................................................................59
3.4.1.2 - Estrutura e elementos da paisagem.......................................... 61
3.4.1.3 - Temas do estudo de caso ......................................................... 65
- iv -
3.4.1.4 - Modelos Digitais de Terreno (MDT’s).................................... 68
3.4.1.5 - Extensão “Animal Movement”................................................ 69
3.5 - DESENVOLVIMENTO DE APLICAÇÕES....................................................... 72
4 - TRATAMENTO DE DADOS PROVENIENTES DO SIG ....................... 75
4.1 - CRIAÇÃO DE NOVOS TEMAS ..................................................................... 75
4.2 - EXTRACÇÃO DE INFORMAÇÃO PARA TRATAMENTO ESTATÍSTICO............. 78
4.3 - TRATAMENTO ESTATÍSTICO ..................................................................... 82
4.3.1 - Análise Univariada - Regressão Simples........................................ 82
4.3.2 - Análise Multivariada – Regressão Múltipla ................................... 83
5 - APRESENTAÇÃO E APRECIAÇÃO DE RESULTADOS...................... 87
5.1 - O SIG BONELLI....................................................................................... 87
5.2 - ANÁLISES UNIVARIADAS......................................................................... 87
5.3 - ANÁLISE DE REGRESSÃO MÚLTIPLA........................................................ 90
6 - CONCLUSÃO................................................................................................ 92
7 - BIBLIOGRAFIA ........................................................................................... 94
ANEXOS
ANEXO I - LEGENDA DO INVENTÁRIO CARTOGRÁFICO DO “CORINE LAND COVER”
ANEXO II - VARIÁVEIS GERADAS COM INTERESSE PARA ANÁLISE ESTATÍSTICA
ANEXO III - SUMÁRIOS DAS ANÁLISES UNIVARIADAS ÀS VARIÁVEIS GERADAS
ANEXO IV – SCRIPTS DESENVOLVIDOS EM LINGUAGEM AVENUE
- v -
ÍNDICE DE FIGURAS
Figura 1 – Hieraaetus fasciatus – Adulto e, por trás, juvenil (in Brunn, 1995). ................................ 3
Figura 2 – Adulto de Hieraaetus fasciatus visto de cima (esquerda) e de baixo (direita) (in Cramp,
1998). .................................................................................................................................. 4
Figura 3 - Hieraaetus fasciatus - sub-adulto (em cima) e juvenil (em baixo), vistos de baixo (in
Cramp, 1998). ..................................................................................................................... 5
Figura 4 – Distribuição espacial da Águia de Bonelli (in Cramp, 1998), com indicação
aproximada da zona de estudo. .......................................................................................... 6
Figura 5 – Formatos do modelo vectorial – da esquerda para a direita, pontos, linhas e polígonos
(adaptado de Congalton, 1992). ....................................................................................... 11
Figura 6 – Representação raster (à esquerda) e vectorial original (à direita) de um mesmo objecto
(adaptado de Congalton, 92). ........................................................................................... 12
Figura 7 - Resposta típica de alguns elementos encontrados na superfície terrestre à reflectância
num intervalo do espectro electromagnético (in Lillesand, 1994). .................................. 14
Figura 8 – Pormenor de elementos vectorizados (linhas e pontos coloridos) com base em
elementos matriciais – carta militar em formato raster, a preto e branco....................... 35
Figura 9 – Banda 5 da imagem original, representada a escala de cinzento, com delimitação
aproximada da zona de corte inicial. ............................................................................... 37
Figura 10 – Janela do módulo RESAMPLE em Idrisi, com os parâmetros utilizados na
transformação................................................................................................................... 40
Figura 11 – Janela da operação “Ressample” do Idrisi, onde é possível ver o RMS dos pontos de
controle e o RMS Total. .................................................................................................... 41
Figura 12 – Classificação não supervisada – sequência de operações............................................ 43
Figura 13 – Imagem “real” composta a partir das 3 primeiras bandas cortadas do Landsat TM
(sem o mar). ...................................................................................................................... 44
Figura 14 – Posição das bandas em relação às primeiras componentes da 1ª ACP........................ 47
Figura 15 – Máscara obtida para eliminação dos píxeis do mar..................................................... 49
Figura 16 - Posição das bandas em relação às primeiras componentes da 2ª ACP. ....................... 50
- vi -
Figura 17 – Pormenor do NDVI obtido através da utilização das bandas 3 e 4, cortadas pelo limite
(zonas mais verdes –vegetação; zonas castanhas – ausência de vegetação). .................. 51
Figura 18 – Imagem composta com as duas primeiras componentes da ACP e o NDVI. ................ 52
Figura 19 – Janela da operação do módulo “Cluster” em Idrisi, com os parâmetros utilizados.... 53
Figura 20 – Histograma da imagem resultante da operação de clusters – output de Idrisi. ........... 53
Figura 21 – Histograma da imagem resultante da operação “Cluster” com restrição a 8 classes. 54
Figura 22 – Pormenor da classificação final da imagem de satélite por grupos (à esquerda) e
versão suavizada com a moda (à direira)......................................................................... 55
Figura 23 - Enquadramento geral da área de estudo, com o limite geográfico de Portugal e com os
concelhos que interceptam a área (classificados por distrito). ........................................ 58
Figura 24 - Freguesias e respectivas sedes (pontos cinzentos) de uma parte da área de estudo,
classificadas através da cor por concelho........................................................................ 59
Figura 25 – Limite de Portugal continental com a delimitação de algumas cartas militares
1:25000. ............................................................................................................................ 60
Figura 26 – Subdivisão das cartas militares em “quartos” e quadrículas Gauss a azul................. 60
Figura 27 – “Quartos” de carta militar escolhidos para pedido de informação ao IGeoE. ........... 62
Figura 28 - Detalhe da informação vectorizada dentro dos buffers de 1,5 km à volta dos ninhos:
curvas de nível (espaçamento de 10m), pontos cotados, rede viária e hidrográfica, casas
e locais)............................................................................................................................. 64
Figura 29 – Localização dos ninhos de Águia de Bonelli, enquadrados com as curvas de nível
provenientes do Atlas do Ambiente (espaçamento de 100 m)........................................... 65
Figura 30 - Observações de casais de Hieraaetus fasciatus na área de estudo. ............................. 66
Figura 31 - Pombais inventariados dentro da área de estudo......................................................... 67
Figura 32 – Áreas propostas para protecção (a castanho), com limite circular de um buffer de 1,5
km à volta dos pontos centrais – ninhos – e algumas observações à volta. ..................... 67
Figura 33 – Modelo Digital de Terreno (MDT), em formato TIN, de uma zona com 1,5 Km de raio
à volta de um dos ninhos, com sobreposição da rede viária (linhas a verde) e rede
hidrográfica (azul), visualizado em 3 dimensões (perspectiva). ...................................... 69
Figura 34 – Pormenor dos elementos poligonais obtidos através da função “Minimum Convex
polygons”(a azul), com sobreposição de ninhos e observações....................................... 70
- vii -
Figura 35 – Polígonos do Kernel Home Range para as observações dos casais de Bonelli, com
ninhos sobrepostos e imagem de satélite “real” em fundo. ............................................. 71
Figura 36 – Janela de customização de botões do ArcView, com parâmetros utilizados para a
implementação dos “scripts” criados. ............................................................................. 73
Figura 37 – Detalhe do MDT (à esquerda) e Aspect (à direita), ao qual foi aplicado a função
coseno (orientação Norte[vermelho]/Sul[Azul]. .............................................................. 76
Figura 38 – Polígonos de probabilidades originais do tema “Kernel Home Range” (à esquerda –
graduação branco[5%] a vermelho [95%]) e tema final “100-KernelHR”, em formato
raster (à direita, com igual notação), ambos com sobreposição de ninhos e observações.79
Figura 39 – Pormenor do tema raster “100-KernelHR 20” na zona de um ninho, com imagem de
satélite em fundo e sobreposição de [Observações+Ninhos]........................................... 81
Figura 40 – Variação dos valores coeficiente de determinação múltiplo (R2 Múltiplo) à medida que
se vão eliminando as variáveis do modelo multivariado. ................................................. 84
Figura 41 – Valores previstos pela regressão face aos valores observados - output do Statistica
(StatSoft, 1996). ................................................................................................................ 86
Figura 42 - Gráfico com os dados da variável DPMB_MD obtidos para as 20 classes de
probabilidades, com sobreposição de uma recta de regressão linear (fórmula em cima, à
esquerda, com o respectivo coeficiente de determinação) ............................................... 88
- viii -
ÍNDICE DE QUADROS
Quadro 1 – Bandas espectrais do sensor Thematic Mapper (TM) (in Eastman, 1997).................... 14
Quadro 2 – Formato de um ficheiro “World File” para georreferenciação de imagens................. 33
Quadro 3 – Informação recolhida para cada um dos pontos de controlo. ....................................... 38
Quadro 4 – Parâmetros do ficheiro de referência utilizado para o sistema Hayford-Gauss. .......... 39
Quadro 5 – Estrutura de um ficheiro de correspondência (.cor)...................................................... 39
Quadro 6 – Resultados da ACP inicial às 7 bandas georreferenciadas e cortadas – output do
Idrisi.................................................................................................................................. 46
Quadro 7 - Resultados da 2ª ACP às bandas sem mar – output do Idrisi. ....................................... 49
Quadro 8 – Classificação genárica adoptada para os agrupamentos criados para a imagem de
satélite............................................................................................................................... 55
Quadro 9 – Exemplo de dos dados obtidos pela aplicação da função “Summarize Zones” a um dos
temas de proximidade (Distância a Pombais). ................................................................. 80
Quadro 10 – Resultados da retro-regressão – output do Statistica (StatSoft, 1996)........................ 84
Quadro 11 – Modelo final de regressão múltipla – output do Statistica (StatSoft, 1996). ............... 85
- ix -
____________________________________________________________________ INTRODUÇÃO
1 - INTRODUÇÃO
A ecologia é a ciência que estuda como os organismos vivos, incluindo o homem,
interagem com o seu meio ambiente. Em adição ao desafio puramente intelectual de
compreender os sistemas ecológicos, hoje em dia há que ter em conta os muitos problemas
ambientais com que nos deparamos, que exigem cada vez mais uma melhor compreensão
do nosso próprio papel e impacto. Os Sistemas de Informação Geográfica (SIG) são
ferramentas que se apresentam hoje à nossa disposição e que nos podem ajudar a alcançar
esses objectivos.
A Detecção Remota e os SIG são métodos cada vez mais utilizados em todo o mundo
para estudar a distribuição de populações ao longo do espaço geográfico. Um SIG com os
dados e modelos apropriados pode ajudar na organização, interpretação e comunicação de
informação de âmbito ecológico de uma forma eficaz e eficiente. A aplicação conjunta
destas metodologias ao estudo da distribuição de espécies animais pode permitir explicar a
influencia exercida por determinados factores geográficos, climáticos e biológicos na sua
distribuição espacial. A posterior utilização dos resultados assim obtidos pode revelar-se de
grande valor para a gestão e conservação dessas espécies.
1.1 - Âmbito e objectivos do estudo
Este estudo está integrado num projecto para conservação da Águia de Bonelli num
contexto mediterrânico, abarcando áreas como a ecologia, demografia e genética das
populações.
- 1 -
____________________________________________________________________ INTRODUÇÃO
Este projecto, financiado pela FCT1 / Praxis XXI, está a cargo do IMAR2 e foi
desenvolvido em parceria com o LCB3, CEA4 e FCUP5.
Este trabalho tem como objectivo central a elaboração de um SIG (Sistema de
Informação Geográfico) para a Modelação Ecológica da Águia de Bonelli. Para atingir este
objectivo considerou-se que seria necessário:
1) A realização de uma revisão bibliográfica relativa aos SIG e detecção remota
aplicados à ecologia;
2) Caracterização da espécie a estudar, de forma a optimizar a construção do SIG;
3) A aprendizagem, domínio e aplicação das técnicas mais utilizadas em Detecção
Remota e SIG. Aprendizagem relativa à utilização de pacotes de software de
Sistemas de Informação Geográfica; desenvolvimento de ferramentas (incluindo
programação para resolução de problemas específicos) para a modelação “raster” e
vectorial;
4) Efectuar um levantamento de aplicações integradas já existentes para o(s) software(s)
de SIG a usar assim como análise da aplicabilidade das mesmas ao estudo de caso;
5) Inserir toda a informação de campo disponibilizada, proveniente do referido projecto,
num Sistema de Informação Geográfica (SIG), de maneira a facilitar uma posterior
análise dos dados;
6) Analisar, estatística e graficamente, os resultados obtidos, com vista à determinação
de variáveis que mais influenciam a ocorrência e abundância da espécie na área de
estudo.
1 Fundação para a Ciência e Tecnologia 2 Instituto do Mar 3 Laboratório de Cartografia Biológica da Universidade de Évora 4 Centro de Ecologia Aplicada da Universidade de Évora 5 Faculdade de Ciências / Universidade do Porto
- 2 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
2 - REVISÃO BIBLIOGRÁFICA
2.1 - O estudo de caso: a Águia de Bonelli
Tendo este trabalho uma forte componente ecológica, considerou-se ser útil
apresentar uma descrição mais detalhada da espécie sobre o qual o estudo incidiu.
Figura 1 – Hieraaetus fasciatus – Adulto e, por trás, juvenil (in Brunn, 1995).
A Águia de Bonelli é uma ave de rapina diurna, pertencente à ordem dos
Accipitriformes, cujo nome específico é Hieraaetus fasciatus. É uma espécie pertence à
fauna Portuguesa e tem estatuto de espécie rara (Brunn, 1995).
Características fisionómicas:
Tem de comprimento entre 60 a 66 centímetros e de envergadura (de asa a asa) chega
a atingir 165 centímetros, pesando entre 1600 a 2500 g (Cramp, 1998). Os sexos são
semelhantes, mas a fêmea é geralmente maior (Brunn, 1995). Pairam frequentemente ao
- 3 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
longo das escarpas, onde geralmente se parecem com uma Águia Real, no comportamento
e na silhueta. Distinguem-se no entanto pelas asas bastante largas mas com “dedos”
comparativamente menos profundos, assim como pela cauda relativamente mais comprida
(Brunn, 1995).
Figura 2 – Adulto de Hieraaetus fasciatus visto de cima (esquerda) e de baixo (direita) (in Cramp, 1998).
O adulto é característico pelo abdómen esbranquiçado e subalares geralmente
escuras. As pequenas subalares são esbranquiçadas e as bases das rémiges são cinzentas,
parecendo no entanto mais escuras pelo contraste com o abdómen. Apresentam uma cauda
cinzenta-acastanhada com uma barra terminal longa e escura. As partes superiores são de
uma tonalidade de castanho escuro com uma mancha branca na parte superior do dorso
(Brunn, 1995).
- 4 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
O juvenil é muito claro por baixo, com o abdómen, supra e subalares alaranjadas, e
com rémiges e rectrizes branco-acinzentadas (com riscas muito finas e sem qualquer barra
terminal), contrastando com os “dedos” pretos. Normalmente apresentam uma “vírgula”
escura na parte terminal das subalares primárias. Nos juvenis mais velhos é frequente uma
zona diagonal mais escura através da parte inferior da asa, entre as subalares e as rémiges.
A mudança da plumagem do juvenil para o adulto demora vários anos (Brunn, 1995) e
varia consideravelmente com a idade (Cramp, 1998).
Figura 3 - Hieraaetus fasciatus - sub-adulto (em cima) e juvenil (em baixo), vistos de baixo (in Cramp, 1998).
Habitat:
A distribuição desta ave está virtualmente confinada à zona Mediterrânica,
geralmente em condições medianamente quentes e secas, desde o nível do mar até cerca de
1500 m de altitude. Caça sobre a maioria dos terrenos, excepto zonas desérticas ou
- 5 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
florestas cerradas, preferindo especialmente estepes desérticas, estepes, savanas, cultivos
marginais e zonas com um certo grau de inclinação onde predomine vegetação arbustiva
vária. É mais incidente em zonas de floresta e as suas deslocações de caça fazem-se, no
mínimo, a distâncias de 5 a 6 Km do ninho podendo, excepcionalmente, ir até cerca de 25
Km (Cramp, 1998).
Distribuição:
Pode-se encontrar esta rapina desde Espanha e noroeste de África até ao sul e sudeste
da Ásia. A maioria da população europeia encontra-se na Península Ibérica, em particular
em Espanha (Brunn, 1995).
Figura 4 – Distribuição espacial da Águia de Bonelli (in Cramp, 1998), com indicação aproximada da zona de estudo.
Movimentação:
A Águia de Bonelli é uma ave essencialmente residente e dispersiva. Os adultos
estão presentes durante todo o ano numa vizinhança da zona de procriação, embora estejam
menos apegados ao território entre Julho e Novembro (Cramp, 1998).
- 6 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
Alimentação:
Esta espécie tipicamente predadora tem uma dieta que consiste principalmente de
mamíferos de pequeno a médio porte (por exemplo, coelhos) e aves (especialmente
perdizes e pombos (Brunn, 1995)), podendo ocasionalmente variar a alimentação com o
consumo de répteis (Cramp, 1998).
Caça da copa das árvores apanhando frequentemente aves logo assim que levantam
voo. A maioria das presas é no entanto apanhada no chão ou em arbustos e, mais
raramente, na água (Cramp, 1998).
Padrão social e comportamento:
A Águia de Bonelli é uma espécie tipicamente solitária, principalmente durante a
fase juvenil. Os casais adultos são monogâmicos, provavelmente permanentes, mantendo
uma relação de parceria muito próxima durante todo o ano. Fora da época de acasalamento
apresentam uma deslocação mais vasta, mas normalmente centrada no ninho (Cramp,
1998).
A caça é normalmente uma actividade individual; no entanto por vezes os pares
caçam em conjunto, partilhando as suas capacidades e habilidades (Cramp, 1998).
Acasalamento:
A postura ocorre entre o fim de Janeiro e o fim de Fevereiro. O período de incubação
vai de 37 a 40 dias e os juvenis são alimentados durante 60 a 65 dias (Cramp, 1998).
O ninho está normalmente localizado em escarpas rochosas, árvores largas e, menos
frequentemente, em edifícios. Nas árvores o ninho encontra-se normalmente entre 10 a 40
metros acima do chão e consiste numa estrutura massiva de ramos de variados tamanhos,
com um diâmetro médio de cerca de 180 cm e 60 cm de altura (Cramp, 1998).
- 7 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
2.2 - Os Sistemas de Informação geográfica (SIG)
O universo dos Sistema de Informação Geográfica permitem-nos um sem número de
aplicações em áreas tão distintas como a agricultura, botânica, informática, economia,
matemática, monitorização, zoologia, geografia, aplicações com carácter militar (que estão
na origem de muito do software existente), etc.
A utilização dos SIG, além de permitir a gestão de grandes volumes de informação,
permite ainda a sua localização no espaço geográfico. A análise da informação de base,
normalmente associada a uma base de dados, conjuntamente com a sua distribuição
espacial, pode contribuir para uma melhor compreensão dos fenómenos naturais e dos
factores que sobre estes influem (Casaca, 2000).
2.2.1 - Definição
Um Sistema de Informação Geográfica pode ser definido como um sistema para
introduzir, guardar, manipular, analisar e visualizar dados geográficos ou espaciais
(Congalton, 1992).
2.2.2 - Recolha de Informação
Um dos elementos fundamentais para a elaboração de um SIG é a informação gráfica
e alfanumérica. É imperativo analisar a informação já existente, seja ela em formato digital
ou analógico, para planear a sua integração no SIG, e também verificar qual a informação
de que será necessário produzir. (Aronoff, 1995)
- 8 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
As ferramentas e métodos a aplicar devem então estar associadas ao tipo de fontes
informativas disponíveis:
• Fontes de dados Primárias: Consistem na recolha directa de dados e
implicam a produção de informação de base.
• Fontes de dados Secundárias: Consistem no tratamento de informação pré-
-existente, seja ela em forma de mapas ou tabelas com informação
alfanumérica.
No entanto, é de assinalar que nem toda a informação que existe tem qualidade
suficiente para servir de input válido na construção de um SIG. É necessário analisar essa
informação e decidir, consoante os outputs esperados, sobre quais os melhores métodos
para atingir os objectivos finais (Casaca, 2000).
2.2.3 - Representação da Informação
Os sistemas de informação geográfica mais utilizados estão divididos em duas
famílias de modelos (vector e raster), que não se excluem, mas antes se complementam.
Apesar da forma de tratamento dos dados não ser idêntica, ambos os modelos assentam
num princípio comum – o ponto (Tomlin, 1990).
Em função da análise a realizar, devemos optar pelo modelo vectorial, raster, ou
ainda decidir por uma opção mista.
2.2.3.1 - Modelo Raster
Uma imagem raster é um tipo de dado espacial baseado em linhas e colunas, onde
uma unidade única de informação é guardada em cada pixel (ou célula). É no entanto
possível, em certos sistemas, a associação de tabelas e bases de dados a essa informação,
permitindo uma maior flexibilidade no tratamento dos dados associados ao modelo
(Tomlin, 1990).
- 9 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
Principais características do modelo raster (Tomlin, 1990):
• Espaço dividido numa grelha de células de dimensões fixas, que preenche todo o
espaço.
• A localização de uma entidade territorial é realizada mediante o cruzamento
existente das linhas e colunas – na célula. As células contêm apenas um valor.
• Relata o que ocorre em todo o local.
• Permite a utilização de imagem de satélite e fotografia aérea como fontes primárias
de informação.
• Os ficheiros são normalmente de grandes dimensões.
Principais tipos de ficheiros utilizados (ESRI, 1996):
• JPEG, TIFF e TIFF comprimido – Formatos muito utilizados em vários tipos de
aplicações e sistemas, sem informação de georreferenciação incluída no próprio
ficheiro. São passíveis de ser referenciados num sistema de coordenadas através de
ficheiros com informação adicional ou através da sua conversão a outros formados.
• BIL, GeoTIFF, GRID, IMG e MrSID – Formatos mais específicos que incluem no
próprio ficheiro informação s.obre a sua localização no espaço num dado sistema
de referenciação. Podem ser ficheiros individuais ou estruturas de directorias com
vários ficheiros.
2.2.3.2 - Modelo Vectorial
As entidades são representadas mediante o ponto (elemento com 0 dimensões), a
linha, ligação de dois ou mais pontos (1 dimensão) e áreas ou polígonos, quando o último
ponto é simultaneamente o primeiro e forma uma unidade fechada (2 dimensões)
(Congalton, 1992). Estes elementos estão referenciados num sistema de coordenadas.
- 10 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
Figura 5 – Formatos do modelo vectorial – da esquerda para a direita, pontos, linhas e polígonos (adaptado de Congalton, 1992).
Principais características do modelo vectorial (Congalton, 1992):
• O espaço pode não estar completamente preenchido;
• Cada entidade pode ter associada uma grande quantidade de informação
alfanumérica;
• O ponto, a sua unidade fundamental, relata com precisão onde tudo ocorre;
• Permite uma visualização mais real e precisa do objecto espacial.
Principais tipos de ficheiros utilizados (ESRI, 1996):
• DWG, DXF e DGN – Formatos originários de programas de CAD,
georreferenciados num sistema de coordenadas e normalmente sem informação
alfanumérica associada.
• SHP e TAB – Ficheiros ou conjuntos de ficheiros, próprios de programas de SIG’s,
normalmente com informação numérica associada.
• TIN (Triangulated Irregular Network)– Conjunto de ficheiros organizado numa
directoria (em ArcView), que consiste num modelo de triângulos unidos entre si,
com informação normalmente numérica e variável ao longo de todo o espaço.
Muito utilizado para a construção de Modelos Digitais de Terreno (MDT’s); no
entanto, ao contrário dos MDT’s em formato raster em que a distribuição da
- 11 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
informação é constante, o TIN permite uma distribuição diferencial da informação,
consoante o grau de pormenor desejado (McDonnel, 1995).
Figura 6 – Representação raster (à esquerda) e vectorial original (à direita) de um mesmo objecto (adaptado de Congalton, 92).
A Figura 6 mostra como um mesmo objecto seria representado no formato raster e
vectorial. Pode-se observar que a imagem raster perdeu alguma da sua forma inicial. Neste
exemplo foi usada uma grelha de células grandes para enfatizar as diferenças entre os dois
formatos (Congalton, 1992).
2.2.3.3 - Informação Alfanumérica
Ambos os modelos, raster e vectorial, permitem a associação de informação a
elementos referenciados num dado sistema de coordenadas.
No caso do modelo raster, a informação é normalmente numérica, única e associada
à célula (Tomlin, 1990). É no entanto possível relacionar mais informação pela ligação da
informação numérica a tabelas de bases de dados, podendo estas incluir vasta informação
alfanumérica (ESRI, 1996).
O modelo vectorial pode, pela sua estrutura de base, incluir directamente uma grande
quantidade de informação alfanumérica, referente aos elementos individuais que o
constituem (ESRI, 1996).
- 12 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
2.3 - Detecção Remota
Das várias fontes de informação usadas nos SIG, uma das mais importantes é, sem
dúvida, a proveniente de detecção remota. Através do uso de satélites, temos agora um
programa contínuo de aquisição de dados para o mundo inteiro, com espaçamento
temporal a variar entre algumas semanas e algumas horas. Mais importante ainda, temos
agora acesso aos dados de detecção remota em formato digital, permitindo uma rápida
integração dos mesmos num SIG (Eastman, 1997).
Detecção Remota pode ser definido como qualquer processo de aquisição de
informação sobre um objecto, área ou fenómeno, sem entrar em contacto com o mesmo. É
possível recolher informação sobre o que nos rodeia medindo a quantidade de e a natureza
da reflectância obtida a partir de uma fonte de luz externa (por ex., o sol). O termo
“detecção remota” ficou mais associado à medição das interacções entre os materiais da
superfície terrestre e a energia electromagnética (Lillesand, 1994).
Na interpretação visual de imagens obtidas por detecção remota podem ser
interpretadas e consideradas várias características: cor (ou tom), textura, tamanho, forma,
padrão, contexto, etc.. No entanto, na interpretação assistida por computador, a
característica mais frequentemente usada é a cor (isto é, o padrão de resposta espectral). É
por esta motivo que é dado um ênfase elevado à utilização de imagens provenientes de
sensores multi-espectrais (ou seja, sensores capazes de reconhecer e registar dados em
várias zonas do espectro) (Eastman, 1997).
2.3.1 - Imagem de Satélite
Existem hoje vários sistemas de satélite no activo que recolhem informação sob a
forma de imagens. Cada tipo tem a sua resolução espacial e espectral específica. A
- 13 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
resolução espacial refere-se ao tamanho de uma área que é sumariada por um único valor
na imagem (pixel); a resolução espacial refere ao número e dimensão (em matéria de
comprimentos de onda) das bandas espectrais registadas pelo sensor (Tomlin, 1990).
Os satélites da série LANDSAT são hoje frequentemente utilizados para detecção
remota e aplicação em Sistemas de Informação Geográfica. Estes satélites transportam dois
sensores multi-espectrais: o primeiro é o Multi-Spectral Scanner (MSS) que adquire
imagens em 4 bandas espectrais: azul, verde, vermelho e infravermelho próximo; o
segundo é o Thematic Mapper (TM), que regista 7 bandas espectrais:
Banda 1 Azul (0,45-0,52 µm) Banda 2 Verde (0,52-0,60 µm) Banda 3 Vermelho – V (0,63-0,69 µm) Banda 4 Infravermelho próximo – IVP (0,76-0,90 µm) Banda 5 Infravermelho médio (1,55-1,75 µm) Banda 6 Infravermelho térmico (10,4-12,5 µm) Banda 7 Infravermelho médio (2,08-2,35 µm)
Quadro 1 – Bandas espectrais do sensor Thematic Mapper (TM) (in Eastman, 1997).
Os distintos componentes da superfície terrestre vão ter então um comportamento
diferencial relativamente a cada banda, consoante a zona do espectro:
Figura 7 - Resposta típica de alguns elementos encontrados na superfície terrestre à reflectância num intervalo do espectro electromagnético (in Lillesand, 1994).
- 14 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
O MSS tem uma resolução especial de 80 m, em contraste com a do TM que é de 30
m (excepto na banda 6, cuja resolução espacial é de 120 m). Ambos os sensores têm uma
zona de varrimento de 185 Km, voltando ao mesmo ponto a cada 16 dias (Lillesand, 1994).
2.3.1.1 - Tratamento e interpretação de imagens de satélite
Com a crescente disponibilização de dados de detecção remota muitos foram os
métodos desenvolvidos para tirar um melhor partido dessa informação, Apresentam-se
aqui alguns desses métodos, utilizados durante o decorrer do trabalho:
i) Melhoramento de imagens – Processos de modificação das bandas originais, com
o objectivo de as adaptar às capacidades da visão humana (Aronoff, 1995). Inclui
procedimentos para modificação do contraste, aplicação de filtros digitais, criação de
imagens compostas a partir de 3 bandas iniciais, etc..
ii) Classificação de imagens – Processo através do qual se interpreta os dados
provenientes de detecção remota com a ajuda de um computador (Eastman, 1997). A
classificação pode ser supervisada ou não supervisada. Na primeira, a classificação é feita
com a ajuda de classes previamente definidas, para as quais se fornece uma descrição
gráfica e estatística da maneira como se espera que as classes devem aparecer; é então
usado um processo para avaliar a probalidade de cada pixel pertencer a cada uma das
classes. A classificação não supervisionada, por sua vez, não requer qualquer
conhecimento prévio da área de estudo; em vez disso são utilizados processos estatísticos
para examinar os dados existentes e dividi-los em agrupamentos com resposta espectral
semelhante (ver Análise de Agrupamentos) (Eastman, 1997). Os grupos assim formados
correspondem a classes espectrais e não a classes de informação – a sua classificação
posterior é imperativa.
- 15 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
iii) Transformações de imagens:
a) Índices de Vegetação - Existe um variado número de índices de vegetação
que foram desenvolvidos para ajudar à monitorização da mesma. A grande
maioria baseia-se nas diferentes interacções entre a vegetação e a energia
electromagnética nos comprimentos de onda do vermelho (V) e
infravermelho próximo (IVP) (Eastman, 1997). Com base nesta lógica, um
dos índices mais utilizados é o NDVI (Normalized Difference Vegetation
Index), que tem a particularidade de minimizar os efeitos topográficos,
produzindo uma escala linear de vegetação. Esta escala varia entre –1 e 1,
sendo 0 o valor aproximado para a o qual a vegetação é nula; os valores
negativos representam então objectos ou superfícies não vegetais. Este
índice pode ser calculado da seguinte maneira:
( )( )VIVP
VIVP+
NDVI −= (Eastman, 1997).
b) Análise de Componentes Principais – É uma técnica de transformação
linear que, dado um certo número de bandas originais produz novas
imagens (componentes) independentes entre si e ordenadas segundo a
quantidade de variância explicada do conjunto original de bandas. A ACP
foi tradicionalmente usada como método de compactação de dados. Para um
conjunto de imagens (bandas) multi-espectrais, é comum chegar à
conclusão que as primeiras duas ou três componentes são capazes de
explicar a maioria da variância encontrada no conjunto das bandas originais.
As outras componentes tendem a ser dominadas por efeitos de ruído -
rejeitando estas últimas, o volume de dados é consideravelmente reduzido
sem perdas significativas de informação.
- 16 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
2.4 - Métodos estatísticos
Pretende-se aqui descrever os principais métodos estatísticos utilizados na criação e
análise de dados do SIG, sem dar ênfase em demasia aos procedimentos matemáticos que
estes envolvem, devido à utilização de pacotes informáticos para a aplicação dos mesmos.
2.4.1 - Análise de Agrupamentos (Cluster analysis)
Os homens tentaram, desde sempre, classificar os objectos animados e inanimados
que o rodeiam. A classificação de objectos em categorias colectivas é um pré-requisito à
atribuição de nomes a esses objectos. Tal procedimento requer o reconhecimento de
subconjuntos descontínuos num ambiente que por vezes é discreto, mas mais
frequentemente é contínuo.
Agrupar é reconhecer que certos objectos são suficientemente similares para serem
incluídos num mesmo grupo, e também ser capaz de reconhecer as distinções ou
separações entre grupos.
Dado um número significativo de objectos, os métodos de agrupamento devem ser
capazes de reconhecer grupos de objectos similares, ignorando os poucos intermediários
que muito frequentemente persistem entre os grupos. O resultado deste processo é
frequentemente designado por “tipologia” (isto é, um sistema de tipos). Neste caso, o
objectivo do processo é identificar vários tipos de objectos que podem ser usados para
descrever a estrutura do contínuo (Legendre, 1998).
Definição:
Análise de agrupamentos é uma operação de análise multidimensional que consiste
na partição de uma colecção de objectos do estudo. Uma partição é uma divisão de um
conjunto (colecção) em subconjuntos, de maneira a que cada objecto ou descritor pertença
- 17 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
a um, e apenas um, subconjunto para essa partição. A classificação de objectos (ou
descritores) que resulta deste processo pode incluir uma partição única ou várias partições
hierarquicamente organizadas (Legendre, 1998).
“SINGLE Linkage Clustering”
O algoritmo deste método é sequencial, aglomerativo e hierárquico. O seu ponto de
partida é uma matriz de associação (similaridade ou distância) entre os objectos ou
descritores a serem agrupados (Legendre, 1998).
“Partição por K-Means”
O processo de partição consiste em descobrir uma única partição num conjunto de
objectos. O algoritmo K-Means é um tipo de análise de agrupamentos que tem como
objectivo maximizar a variância entre grupos e minimizar a variância dentro de cada
grupo, com a particularidade de ser o utilizador a definir, à partida, o número de grupos a
criar (Legendre, 1998).
2.4.2 - Análise de Componentes principais (ACP)
A Análise de Componentes Principais (do inglês, Principal Component Analysis -
PCA) é um método estatístico de envolve a elaboração de componentes principais, isto é, a
criação de novas variáveis aleatórias especificadas pelos eixos de uma rotação do sistema
de coordenadas original. As componentes principais contêm então a posição dos objectos
originais no novo sistema de coordenadas. Os componentes principais sucessivos assim
gerados correspondem a fracções da variância total progressivamente mais reduzidas
(Legendre, 1998).
- 18 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
A ACP fornece a informação necessária para a compreensão do papel dos descritores
na formação dos componentes principais. Pode também mostrar a relação entre os
descritores originais num espaço reduzido (Legendre, 1998).
Implicações da ACP:
1) Como qualquer matriz de dispersão é simétrica, os seus eixos são ortogonais
entre si. Por outras palavras, correspondem a direcções linearmente
independentes na elipsóide de concentração da distribuição dos objectos.
2) Os valores próprios de uma matriz de dispersão mostram a quantidade de
variância explicada pelos eixos principais sucessivos.
3) Devido às duas propriedades anteriores, a análise de componentes principais
pode muitas vezes sumariar, em poucas dimensões, a maioria da variabilidade
de uma matriz de dispersão e um número elevado de descritores. Esta método
fornece também uma medida da variância explicada por este número reduzido
de eixos principais independentes (Legendre, 1998).
2.4.3 - Regressão Múltipla
Hair (1995) descreve a regressão múltipla como uma método de análise multivariada
apropriado quando o problema a resolver envolve uma única variável métrica dependente
que se presume estar relacionada com uma ou mais variáveis métricas independentes. O
objectivo da análise de regressão múltipla é então prever as alterações na variável
dependente em resposta a modificações nas várias variáveis independentes (Hair, 1995).
A análise multivariada requer que as assunções em que se baseiam as técnicas
estatísticas sejam testadas duas vezes: um primeiro lugar para as variáveis individuais,
através de testes univariados, e em segundo, para o modelo multivariado, que age
- 19 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
colectivamente para as variáveis independentes e tem, por isso, que ir ao encontro das
mesmas assunções estipuladas para cada uma das variáveis independentes (Hair, 1995).
Para a selecção de variáveis que vão entrar no modelo final existem dois métodos
principais:
1) Retro-Eliminação (Backward Elimination) – É um procedimento essencialmente
de tentativa/erro para encontrar as melhores estimativas de regressão. Envolve a
computação de uma equação de regressão com todas as variáveis independentes,
à qual são sucessivamente eliminadas variáveis que para ela não contribuam
significativamente (Hair, 1995).
2) Estimativa passo-a-passo (Stepwise Estimation) – É talvez o método sequencial
mais popular para a escolha de variáveis. Esta aproximação permite examinar a
contribuição de cada variável explicativa (independente) para o modelo de
regressão. Ao contrário do método anterior, para cada variável é ponderada a
entrada na equação, havendo ainda a possibilidade de serem adicionadas ou
removidas variáveis em cada passo (Hair, 1995).
Os propósitos da regressão múltipla são (Sokal, 1995):
1) Estabelecer uma equação linear que permita uma melhor previsão do
comportamento de uma variável dependente do que seria possível com apenas
uma única variável independente. A equação encontrada deve ter o formato:
Y kykyy XbXbXba ×++×+×+= ....ˆ2211
2) Estimar e ajustar um modelo estrutural para “explicar” a variação nas observações
da variável dependente em termos das variáveis independentes.
- 20 -
___________________________________________________________ REVISÃO BIBLIOGRÁFICA
A interpretação da validade do modelo final (esquação de regressão) e a análise do
seu poder predictivo pode ser ajudada através do cálculo de alguns índices e pela
observação de alguns valores dele resultantes. Destacam-se (Sokal, 1995):
a) Coeficiente de Determinação (R2)- Mede a proporção (expressa em
percentagem) da variância da variável dependente que é explicada pela variável
independente. Quanto maior o valor de R2 maior será o poder explicativo da
equação de regressão.
b) Coeficiente de Determinação Múltiplo Ajustado (R2 Múltiplo) – Medida
modificada do coeficiente anterior, aplicada à totalidade de um modelo de
regressão múltipla. Tem em conta o número de variáveis predictivas incluídas na
equação de regressão.
c) Coeficiente de Correlação Parcial (bx) – Mede a força da relação entre a
variável dependente e uma única variável independente, quando todas as outras
são mantidas constantes. Valores negativos denotam uma relação inversa entre as
duas.
d) Significância Estatística (p-level)– Este índice é uma medida que estima até que
ponto uma assunção é verdadeira (no sentido de ser representativa da realidade).
Mais tecnicamente o valor do p-level representa um índice decrescente do grau de
confiança do resultado obtido. Quanto maior o seu valor, menos se pode confiar
que a relação observada entre as variáveis amostradas seja um indicador da sua
variação real na população (StatSoft, 1996). Tipicamente, em muitas ciências,
resultados com um p-level < 0,05 são considerados estatisticamente significativos
e estimativas com valores inferiores a 0,005 são consideradas como sendo
“altamente significativos” (StatSoft, 1996).
- 21 -
____________________________________________________________ MATERIAIS E MÉTODOS
3 - MATERIAIS E MÉTODOS
3.1 - Materiais
3.1.1 - Recursos de Hardware
Os programas de Sistemas de Informação Geográficos disponíveis são, na sua
generalidade, muito exigentes no que se refere a recursos de hardware, ou seja, recursos
físicos que nos permitam armazenar, transformar e analisar a informação existente
(Casaca, 2000).
Um SIG tem uma componente de hardware que pode ser desenvolvida em torno de
um computador pessoal, de uma estação gráfica ou mesmo de um mainframe, e deve
incluir (Casaca, 2000):
i) Periféricos de input, tais como mesas de digitalização vectorial e dispositivos de
digitalização em formato matricial (raster);
ii) Periféricos de output, tais como plotters e impressoras a cores;
iii) Unidades de interface e memória auxiliar com servidores e unidades de disco
óptico para leitura e escrita.
No decurso deste trabalho foi utilizado um computador pessoal de gama média, e
vários dispositivos de input e output, muitos deles comuns à maioria deste tipo de sistemas
(monitor, rato, teclado, impressora, etc.). Destaca-se a utilização de um scanner de grande
formato (A0), com capacidade de digitalização de imagens a 400 dpi6 a escala de cinzentos
e de uma plotter com elevada resolução gráfica, a cores, também com capacidade de
impressão em formato A0.
6 Do inglês “dots per inch” – pontos por polegada.
- 22 -
____________________________________________________________ MATERIAIS E MÉTODOS
3.1.2 - Software utilizado
3.1.2.1 - IDRISI
O IDRISI7 é um sistema de informação e um software de processamento de imagens
desenvolvido pela Graduate School of Geography, na Clark University. É um sistema
largamente difundido e, provavelmente, o programa mais utilizado para processamento de
imagens raster resultantes da detecção remota. Apresenta como principais funcionalidades
a classificação e melhoramento de imagens, mas tem também capacidades de utilização de
bases de dados (com as funcionalidades normalmente a estas associadas) e modelação
espacial,. São incluídas algumas ferramentas especiais para monitorização ambiental e
gestão de recursos naturais, incluindo análises de séries temporais, análises de incertezas e
modelação simulada (Eastman, 1997).
O IDRISI está disponível em duas plataformas – MS-DOS e Windows8 – e consiste
numa colecção de 150 módulos integrados num mesmo ambiente de trabalho, que
fornecem ferramentas para a introdução, visualização e análise de dados geográficos
(Eastman, 1997).
3.1.2.2 - O ArcView GIS
O ArcView9 integra-se nos sistemas de DeskTopMap. Pode-se dizer estes sistemas
estão a meio caminho entre os programas de CAD (Computer Aided Design), muito
utilizados para produção de informação vectorial de base, e os sistemas dedicados para
SIG, que incluem todo um conjunto de módulos que permitem organizar e executar um
7 IDRISI é uma marca registada da Clark University. 8 MS-DOS e Windows são marcas registadas da Microsoft Corporation. 9 ArcView é uma marca registada da Environmental Systems Research Institute, Inc.
- 23 -
____________________________________________________________ MATERIAIS E MÉTODOS
trabalho do princípio ao fim (incluem dentro do mesmo ambiente de trabalho ferramentas
de CAD, ferramentas cartográficas específicas, módulos para georreferenciação e
tratamento de imagens digitalizadas, tratamento de imagens de satélite, edição e tratamento
estatístico, processamento de dados, associação a bases de dados relacionais, topologia
vertical, programação raster e sobreposição de informação (overlay), para além de outras
funcionalidades menos importantes) (Esri, 1996). O ArcView, sendo um software
intermédio, permite realizar algumas funções básicas de CAD e outras próprias dos
sistemas integrados para SIG, podendo satisfazer a maioria dos utilizadores nos
procedimentos mais comuns. No entanto, para a realização de certas operações, poderá ser
necessário recorrer a programas externos (por exemplo, para tratamento estatístico).
Estes sistemas permitem performances razoáveis em hardware de recursos medianos,
mas implicam a existência de plotters ou impressoras de grande qualidade para permitirem
extrair todas as potencialidades das suas capacidades em produzir outputs gráficos.
Principais vantagens dos sistemas DeskTopMap:
Facilidade de manuseamento e o rápido processo de aprendizagem.
Grande integração com outros pacotes de software existentes no mercado
(OpenGIS), com os quais é possível uma fácil permuta de dados.
Permitem algumas funções básicas de CAD.
Por permitirem algumas funções espaciais, bem como funções de ligação a bases de
dados (SQL), são considerados por muitos como ferramentas suficientes para o
desenvolvimento de projectos em Sistema de Informação Geográfica.
A visualização de informação alfanumérica é normalmente simples e em ambiente
aberto à maior parte dos motores de bases de dados, permitindo ainda ligações
dinâmicas a estas.
Está mais desenvolvido para o formato vector; no entanto, a aquisição de módulos
adicionais possibilita o tratamento raster com grandes potencialidades.
Permitem o desenvolvimento de aplicações simples de programação respondendo a
necessidades específicas de utilizadores mais exigentes.
- 24 -
____________________________________________________________ MATERIAIS E MÉTODOS
Os outputs gráficos, bem como o seu tratamento, são de grande qualidade.
Principais desvantagens dos sistemas DeskTopMap:
× Grande quantidade de ficheiros que normalmente lhe estão associados, o que
implica uma gestão complexa; a rotura de um ficheiro pode levar a perdas de
informação considerável.
× O tempo de acesso e processamento em ficheiros muito extensos e com muita
informação pode ser muito elevado e, no caso da utilização de hardware com
menos potencialidade, pode mesmo não ser possível a realização de muitas
operações.
A sua característica de OpenGIS permite que uma variedade de programadores
possam contribuir para uma dada operacionalização; no entanto, as operações que
efectuam e a metodologia utilizada nem sempre são as mais claras, podendo mesmo
conduzir a erros de execução (ESRI, 1996).
3.1.2.3 - Extensões ao ArcView
O ArcView é um software que apresenta uma alta integração de ambiente SIG,
capacidade de trabalhar com uma vasta gama de formatos de dados espaciais,
compatibilidade com muitas plataformas de computadores e a capacidade de utilização de
uma linguagem de programação orientada a objectos – o Avenue. A capacidade desta
linguagem em carregar e descarregar completamente porções de código desenvolvidas para
funções específicas (extensões e/ou scripts) é, seguramente, um benefício adicional
(Hooge, 1997). Estas funções são normalmente adicionadas sob a forma de novos botões,
ferramentas e/ou itens de menus, que ficam disponíveis sob o ambiente gráfico do
ArcView.
O uso de Avenue tem tanto custos como benefícios: a implementação de funções
através de uma linguagem própria pode tornar a execução de certos procedimentos
- 25 -
____________________________________________________________ MATERIAIS E MÉTODOS
significativamente mais lenta do que se fosse código compilado, mas a relativa facilidade
de uso e a capacidade de integração das novas funcionalidades com todas as outras já
existentes (ou adicionadas) ao ArcView torna o uso desta linguagem uma mais valia
inestimável.
Durante o decurso do trabalho muitas foram as extensões e pequenas porções de
código (scripts) utilizadas, principalmente para resolver problemas específicos ou para
facilitar a entrada de dados no SIG. Estes valiosos recursos foram pesquisados inicialmente
na página oficial da ESRI (Environmental Systems Research Institute) através da Internet.
Não seria viável apresentar uma descrição de todos os pequenos recursos utilizados
ao longo da elaboração do projecto. No entanto vale a pena salientar algumas das
principais ferramentas que contribuíram para um melhor e mais fácil decorrer do processo
de criação do SIG, assim como a posterior gestão e análise dos dados através dele obtidos.
3.1.2.3.1 - Extensões e scripts de caracter geral
3D Analyst - Inclui funções para criação, visualização e análise de temas vectoriais
em 3 dimensões, permitindo a criação de TIN’s e sua posterior análise. Autor:
ESRI (comercial).
CAD Reader - Módulo de importação de informação proveniente de programas de
CAD. Autor: ESRI (incluído com o ArcView).
CAD Tools Extension - Conjunto de ferramentas para a manipulação de informação
proveniente dos programas de CAD mais comuns. Autor: Adena Schutzberg,
1998.
Edit Tools - Conjunto de funções que permitem a manipulação de elementos
vectoriais com elevada precisão. Autor: Lanko Tchoukansk, 2000.
Extension Builder – Ferramenta que ajuda à criação de extensões próprias,
implementando automaticamente os processos necessários ao carregamento e
remoção dos objectos e funções criados. Autor: ESRI, 1998.
- 26 -
____________________________________________________________ MATERIAIS E MÉTODOS
Geoprocessing - Permite a elaboração de várias operações entre vários temas em
simultâneo. Inclui ferramentas para união, corte e intercepção de temas, assim
como agregação de informação por relação espacial e dissolução de elementos
vectoriais por atributo. Autor: ESRI (incluído com o ArcView).
Improved Graticule and Grid Extension - Ferramenta útil na elaboração de
outputs de elevada qualidade gráfica, que insere barras de escala laterais e
outros elementos que ajudam a localizar a informação no espaço geográfico.
Autor: ESRI, 2000.
Multiple Theme Auto-Labeler - Semelhante à ferramenta de etiquetagem do
ArcView, mas com capacidades acrescidas, maior facilidade de escolha do
formato pretendido e possibilidade de etiquetagem de vários temas em
simultâneo. Autor: Desconhecido.
Patch Analyst - Consiste num conjunto de scripts implementados em linguagem
Avenue e C para calcular estatísticas espaciais e estruturais de elementos
vectoriais ou matriciais. Autores: Philip C. Elkie, Roberts S. Rempel e Angus P.
Carr, 1999.
Spatial Analyst - Conjunto de funções que permitem a visualização, tratamento e
interpretação de imagens em formato raster no ArcView. São também incluídas
algumas ferramentas de análise espacial. Autor: ESRI (comercial).
Spatial Tools 3.3 - Colecção de rotinas que implementam muitas funções do
Spatial Analyst que não estão disponíveis para acesso directo através de
ferramentas ou menus. Da extensão lista destacam-se rotinas para
georreferenciação de imagens, corte e agregação de temas em formato raster e
utilização de filtros para melhoramento dos mesmos. Autor: Spatial Tools,
1998.
Register and Transform - Ferramenta para georreferenciação de temas com
elementos em formato vectorial. Autor: William Huber, 2000.
TIFF 6.0 Image Support - Módulo de importação de imagens em formato
TIFF/GeoTIFF. Autor: ESRI (incluído com o ArcView).
X Tools - Colecção de funções de carácter geral para edição em formato vectorial,
com cálculos automático de propriedades dos elementos dos temas (área,
- 27 -
____________________________________________________________ MATERIAIS E MÉTODOS
perímetro, etc) e utilização de gráficos para interacção com temas de vários
tipos. Autor: Mike DeLaune, 2000.
3.1.2.3.2 - A extensão “Animal Movement”
Esta extensão ao ArcView consiste numa colecção de cerca de 30 funções
especialmente orientadas para ajudar à análise de dados de movimentação de animais. Das
muitas funções integradas na extensão, 4 revelaram-se particularmente úteis para o estudo
de caso:
1) “Minimum Convex Polygon Home Range” – Calcula e desenha num novo tema o
polígono convexo mínimo10 (PCM) das observações registadas (tema pontual). A
possibilidade de escolher um identificador da tabela de um tema como base para a
elaboração de polígonos distintos (disponibilizado pelo uso de processamento
sequencial – Batch Processing) apresenta-se como uma mais valia, permitindo
realizar vários polígonos constrangidos pelos pontos com determinado
identificador. A utilização de 100% dos pontos de amostragem tem sido
largamente usado para definir áreas vitais (Kenward, 1996). É, pois um método
útil para comparação, embora a área resultante seja fortemente influenciada pelos
pontos mais externos (outliers). É possível criar e delimitar territórios centrais
pela delimitação de PCM’s com remoção de percentagens decrescentes
consecutivas dos pontos de amostragem totais (Kenward, 1996).
2) “Kernel Home Range” – Esta função implementa o cálculo da Distribuição de
Utilização em estudos de áreas vitais, tal como descrito por Worton (1989) e
Silverman (1986). Como outputs esta função apresenta:
10 Polígono Convexo Mínimo – Polígono cujos os ângulos externos são superiores a 180º.
- 28 -
____________________________________________________________ MATERIAIS E MÉTODOS
e) Uma Distribuição de Utilização baseada num conjunto de probabilidades
seleccionadas, em formato raster (grid, em ArcView), com limites do
tema e tamanho das células seleccionáveis.
f) Um tema vectorial em formato de polígono, contendo a delimitação das
probabilidades individuais seleccionadas. Cada polígono tem, na tabela de
atributos associada, campos relativos à probabilidade da distribuição de
utilização e de área englobada.
g) Uma caixa de diálogo contendo cálculos estatísticos globais sobre cada
probabilidade seleccionada.
3) “Jennrich-Turner Home Range” – Este procedimento implementa o “Bivariate
Normal Home Range” (Jennrich, 1969). Este método apresenta falhas sérias
devido à sua dependência numa distribuição normal bivariada das localizações,
mas é valioso devido à falta de sensibilidade com o tamanho da amostragem
(Hooge, 1997), simplicidade de elaboração de teorias de probabilidade,
possibilidade de obtenção de limites de confiança das estimativas e pelo facto de
derivar o eixo principal das coordenadas de localização. A maior utilidade deste
método reside na elaboração de estatísticas simples sobre o modelo resultante e
na fácil comparação com outros estudos que utilizem este mesmo método
(Hooge, 1997).
4) “Outlier Removal” – Procedimento que remove (desselecciona) pontos de
amostragem pela sua maior média harmónica, recalculando os valores após cada
remoção (Hooge, 1997). A percentagem de pontos externos a remover é definida
pelo utilizador.
- 29 -
____________________________________________________________ MATERIAIS E MÉTODOS
3.1.2.4 - Troca de dados entre Idrisi e ArcView
O intercâmbio de dados em formato raster entre os dois programas foi conseguido
através da utilização de dois pequenos programas, executados sobre uma janela de
emulação do sistema operativo MS-DOS. São eles IDR2GRID.EXE, usado para conversão
de ficheiros .img de Idrisi para formato raster de ArcView (grid), e GRID2IDR.EXE para
realizar a operação inversa. Os referidos programas foram obtidos directamente na página
oficial da ESRI na Internet, sendo desconhecido o seu autor.
3.1.3 - Origem dos dados
Principais fontes de informação utilizados para a construção do SIG:
• Informação pontual, previamente recolhida no campo, referente à
localização dos ninhos, observações dos casais e pombais. Esta informação foi
disponibilizada, para a elaboração do SIG, em formato analógico, sob a forma
de cartas militares com as marcações no espaço geográfico e respectiva
identificação pontual.
• Base de dados em formato analógico com dados alfanuméricos referentes
aos pombais da zona de estudo.
• Cartas militares em formato analógico da Série M888, à escala 1:25000.
• Informação vectorial em formato digital, cedida pelo Instituto Geográfico
do Exército (IGeoE), correspondente à altimetria de 12 quartos de cartas
militares previamente escolhidos (limite este imposto pelo próprio contrato de
cedência gratuita de informação).
• Informação vectorial em formato digital, proveniente do “Atlas do
Ambiente 3.0”, e disponibilizada gratuitamente pela Direcção Geral do
- 30 -
____________________________________________________________ MATERIAIS E MÉTODOS
Ambiente ao público em geral e disponível a partir da página oficial do SNIG11
na Internet.
• Informação vectorial em formato digital, sobre usos de solo do “Corine
Land Cover”, disponibilizada gratuitamente na Internet na página do SNIG.
• Informação vectorial em formato digital, previamente elaborada e tratada
no Laboratório de Cartografia Biológica (LCB) do Centro de Ecologia Aplicada
(CEA) da Universidade de Évora (UE).
• Imagem de satélite da área de estudo, datada de 1992, em formato digital,
sem informação de georreferenciação.
3.2 - Integração da informação no SIG
A integração da informação é um dos passos mais importantes para a construção de
um SIG. Requer um conhecimento prévio das ferramentas a utilizar, assim com das suas
possibilidades e limitações e, como tal, foi necessário estudar todo o funcionamento dos
pacotes de software utilizados.
3.2.1 - Digitalização
Processo também conhecido por “rasterização”, que consiste em transformar a
informação existente noutro formato (por exemplo, analógico ou vectorial) numa matriz de
linhas e colunas com informação relevante (formato raster), seja ela puramente gráfica ou
numérica. O processo de digitalização envolve a utilização de periféricos de input, sendo
os mais comuns os scanners e as mesas de digitalização vectorial.
11 SNIG - Sistema Nacional de Informação Geográfica.
- 31 -
____________________________________________________________ MATERIAIS E MÉTODOS
Para o presente trabalho foi utilizado um scanner de formato A0, capaz de digitalizar
imagens a 300 dpi a escalas de cinzento.
A utilização deste dispositivo restringiu-se ao processo de digitalização de cartas
militares à escala 1:25000, para as quais se concluiu (após vários testes) que uma resolução
de 300 dpi seria suficiente para manter e, visualmente, aumentar o pormenor do suporte
original. Verificou-se também que a diferença de tamanho entre uma imagem obtida a
escalas de cinzento (graduação de 255 valores) e uma apenas a preto e branco (duas cores)
era bastante significativa, interferindo a primeira de forma bastante acentuada na
disponibilidade de memória física do computador e no tempo despendido para
visualização. Optou-se então pelo segundo modelo de imagem, a preto e branco, que
demonstrou não perder grandes potencialidades visuais face ao primeiro, poupando muitos
recursos físicos e tempo. O formato escolhido para guardar as imagens foi o TIFF, pois a
sua utilização em ArcView é relativamente directa (requer o uso da extensão TIFF 6.0
Image Support).
Após a obtenção da imagem foi necessária a sua georreferenciação, para a sua
inclusão no SIG em ArcView. Dois métodos podem ser usados para tal processo:
1) Uso da extensão Spatial Tools:
Esta extensão contém um conjunto de ferramentas que podem ser utilizadas para a
georreferenciação de imagens. O processo é relativamente simples: usando duas vistas
temáticas, uma com a imagem digitalizada (origem) e outra com elementos vectoriais ou
matriciais (destino) já referenciados no sistema final desejado (Hayford-Gauss), o módulo
do Spatial Tools cria uma tabela em que são recolhidos os valores de pontos de controlo;
estes pontos são escolhidos visualmente na vista temática de origem e, em seguida, na de
destino. Utilizando esta lista de pontos pode-se então aplicar uma função de adaptação da
- 32 -
____________________________________________________________ MATERIAIS E MÉTODOS
imagem original aos pontos de destino (“Warp”), utilizando uma função polinomial de
grau à escolha.
Para o caso específico das cartas militares verificou-se ser suficiente a recolha de 3 a
4 pontos de controlo e a utilização de uma função de grau 1 (linear), dado que a imagem
digitalizada não apresenta, teoricamente, qualquer tipo de distorção. A imagem final
resultante da função “Warp” é guardada em formato raster do ArcView – Grid, podendo
depois ser cortada (usando por exemplo a função “Clip Grid” do Spatial Tools) e
convertida de novo para formato TIFF, desta vez com informação de referenciação
incorporada (função “Grid to Image”, Spatial Tools).
2) Utilização de “World Files”
Este método requer a utilização de um programa de edição de imagem com
capacidades gráficas elevadas (neste caso foi utilizado o Photoshop12 5.5, pois somente
este programa permitia a rotação de imagens em menos de 1 grau). A imagem
originalmente obtida pela digitalização é submetida a operações de rotação até que esteja
completamente direita, sendo depois cortada pelo limite de interesse. É então criado um
ficheiro de texto, com o mesmo nome do ficheiro de imagem, mas com a extensão .wld (ou
então com a primeira e última letra da extensão do ficheiro original, com um “w” no fim).
Os valores presentes nesse ficheiro (alguns dos quais têm de ser calculados) devem ser os
seguintes (linha a linha):
Dimensão de um píxel no eixo dos xx's (=Nº pixeis horizontais/Total de Unidades em Gauss)Rotação (não utilizado; igual a 0)Rotação (não utilizado; igual a 0)- Dimensão de um píxel no eixo dos yy's (=Nº pixeis verticais/Total de Unidades em Gauss)Coordenada do eixo dos xx's, em Gauss, do canto superior esquerdoCoordenada do eixo dos yy's, em Gauss, do canto superior esquerdo
Quadro 2 – Formato de um ficheiro “World File” para georreferenciação de imagens.
12 Photoshop é uma marca registada da Adobe Systems Incorporated.
- 33 -
____________________________________________________________ MATERIAIS E MÉTODOS
3.2.2 - Vectorização
Consiste na transformação de informação existente em outro formato para o formato
vectorial.
Para este trabalho a vectorização foi um processo útil para criação de elementos
vectoriais a partir de informação presente em cartas militares à escala 1:25000, quer
fizessem parte da carta em si, quer estivessem sobre elas anotadas (cartas em formato
analógico).
Dois foram os processos utilizados para a vectorização destes elementos:
1) Vectorização com base em imagens raster:
É um dos métodos mais utilizados hoje em dia pois permite uma elevada qualidade
precisão e pode ser utilizado para qualquer tipo de tema. Baseia-se na presença de uma
imagem raster de base a partir da qual são extraídos os elementos de interesse (através da
vectorização de linhas e pontos) e guardados num tema vectorial apropriado.
2) Recolha de coordenadas:
Este método só deve ser utilizado no caso de informação de carácter pontual. As
coordenadas dos pontos de interesse são lidas directamente sobre o suporte analógico com
a ajuda de um estirador e uma régua de escalas (podendo também ser recolhidos no campo
com ajuda, por exemplo, de dispositivos de posicionamento global - GPS). Os dados assim
obtidos são inseridos ou importados para o ArcView, sendo depois criado um “Event
Theme” (função de ArcView), isto é, um unidade temática em que os dados posicionais
dos elementos vectoriais (pontos) que o constituem provêm directamente da sua própria
tabela.
- 34 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 8 – Pormenor de elementos vectorizados (linhas e pontos coloridos) com base em elementos matriciais – carta militar em formato raster, a preto e branco.
3.2.3 - Informação alfanumérica
A integração de informação alfanumérica de dados puramente geográficos no SIG é
uma componente fundamental do processo da criação do mesmo.
A escolha de qual a informação a incluir cabe ao utilizador e é feita consoante os
objectivos que se pretendem alcançar.
Em ArcView, as unidades de estruturação de informação mais básicas são os temas
– conjuntos de elementos georreferenciados num sistema de coordenadas, com o mesmo
formato físico e aos quais está associada informação numérica e/ou alfanumérica
(consoante o modelo).
Cada modelo de tema pode ter vários tipos de informação associada. No caso dos
temas em formato matricial (raster), apesar da informação neles contida ser puramente
numérica, é possível associar tabelas para caracterizar os valores presentes em cada um dos
píxeis que constituem a matriz. Os temas vectoriais são criados de base com uma tabela de
- 35 -
____________________________________________________________ MATERIAIS E MÉTODOS
atributos associada, em que a cada elemento gráfico corresponde uma entrada na mesma;
os campos a incluir e o seu respectivo formato são decididos pelo utilizador.
Esta informação pode posteriormente ser usada para classificar visualmente
(legendar) os elementos constituintes do tema, de maneira a mais facilmente se interpretar
os dados nele contidos.
3.3 - Imagem de satélite
Para o tratamento inicial da imagem de satélite o software escolhido foi o Idrisi. A
escolha recaiu sobre este pela sua capacidade comprovada para efectuar este tipo de
tratamentos e pelas muitas ferramentas modulares disponibilizadas para a resolução de
certos problemas não existentes noutros pacotes de software.
A imagem utilizada, proveniente do sensor TM, data do ano de 1992 e não estava
georreferenciada. A imagem foi provavelmente recolhida pouco depois do nascer do sol
(na área de estudo), apresentando um número significante de sombras (principalmente nas
zonas mais montanhosas) que dificultaram em muito os processos normalmente seguidos
para o tratamento deste tipo de informação.
Apresentam-se em seguida os passos que conduziram à georreferenciação e à
classificação final da imagem.
3.3.1 - Georreferenciação
3.3.1.1 - Definição
A georreferenciação refere-se à maneira como as localizações de elementos
vectoriais ou matriciais se relacionam com localizações na superfície da terra (Hooge,
1997). Para o caso específico da imagem de satélite pode-se definir georreferenciação
como a transformação aplicada à mesma que a obriga a se ajustar a um sistema de
- 36 -
____________________________________________________________ MATERIAIS E MÉTODOS
coordenadas conhecido; desta maneira é possível relacionar a informação nela contida com
outras provenientes de outras fontes mas que estejam no mesmo sistema de referência.
3.3.1.2 - Processo seguido
3.3.1.2.1 - Corte
O tratamento em Idrisi começou logo à partida por uma redução (corte) da imagem
inicial, de maneira a restringir o posterior tratamento apenas à área de interesse. Este
procedimento teve de ser aplicado também porque o Idrisi não se demonstrou capaz de
aplicar certas funções devido ao elevado número de dados. Outra vantagem deste
procedimento é que reduzindo a quantidade de informação reduz-se também o tempo
despendido no tratamento e pode-se focalizar a análises numa zona mais específica.
Figura 9 – Banda 5 da imagem original, representada a escala de cinzento, com delimitação aproximada da zona de corte inicial.
- 37 -
____________________________________________________________ MATERIAIS E MÉTODOS
A classificação obtida neste extracto da imagem original tem mais sentido, dado que
as classes obtidas correspondem às classes dominantes da área de estudo e não a classes
que caiem fora da mesma. O corte efectuado foi realizado utilizando a função
“Reformat/Window”, resultando uma nova imagem, quadrangular (limite imposto pelo
Idrisi), da zona de estudo.
3.3.1.2.2 - Recolha de pontos de controlo
Para a recolha de pontos de controlo foi necessário escolher uma das bandas cortadas
que fornecesse um contraste gráfico elevado e que permitisse identificar facilmente
elementos na imagem. A banda escolhida foi a 5 (infravermelho médio), à qual foi
aplicado um aumento de contraste pela utilização da função “Stretch”, com saturação de
1% (alargamento do espectro numérico presente na imagem).
O passo seguinte consistiu na procura de pontos comuns, facilmente identificáveis,
entre a imagem de satélite e as cartas militares 1:25000 do IGeoE. Estes pontos incidiram
principalmente em pontos de linha de costa, cruzamentos de estradas, bifurcações e pontos
chaves de rios e ribeiras, ou outros elementos de maior dimensão facilmente identificáveis,
tornando inequívoca a sua identificação nos dois suportes.
Apesar das dificuldades encontradas foram recolhidos 296 pontos de controlo. Para
cada um deste pontos foi obtida a seguinte informação:
ID Identificador único de cada ponto
Xinicial Valor da coluna, reportado pelo Idrisi, referente à localização do pixel seleccionado.
Yinicial Valor da linha, reportado pelo Idrisi., referente à localização do pixel seleccionado.
Xfinal Coordenada, no eixo dos x’s, referente ao mesmo ponto no sistema de destino (Gauss).
YFinal Coordenada, no eixo dos y’s, referente ao mesmo ponto no sistema Gauss.
Quadro 3 – Informação recolhida para cada um dos pontos de controlo.
- 38 -
____________________________________________________________ MATERIAIS E MÉTODOS
Para a recolha dos valores em Gauss foram utilizados 2 métodos:
1) Leitura directa nas cartas militares, em formato analógico, das coordenadas
do ponto, com a ajuda de um estirador e uma régua de escalas.
2) Caso a carta militar estivesse já em formato digital (georreferenciada para o
sistema Gauss) os valores foram recolhidos em ArcView por leitura directa
das coordenadas no interface gráfico.
3.3.1.2.3 - Mudança de Sistema
Para a mudança de sistema foi necessário criar um ficheiro de referência que
traduzisse os parâmetros do sistema de destino. Para o sistema Hayford-Gauss, em
Portugal, os parâmetros utilizados foram:
Projecção: Transverse MercatorDatum: Lisboa
Delta W GS84: -306Elipsóide: Internacional
M aior s-ax: 6.378.388.000M enor s-ax: 6.356.911.946
Longitude Original: 8.751.862Origem Latitude: 39.40
Origem x: - 200 000Origem y: - 300 000
Factor de escala: 1Unidades: M
Parâmetros: 0
Quadro 4 – Parâmetros do ficheiro de referência utilizado para o sistema Hayford-Gauss.
O passo seguinte consistiu na criação de um ficheiro de correspondência para
utilização em Idrisi. Este ficheiro de texto, com extensão “.cor” consiste numa lista dos
pontos de controlo anteriormente recolhidos, com o seguinte formato:
Z (Nº total de pontos)
Xinicial1 Yinicial1 Xfinal1 Yfinal1
Xinicial2 Yinicial2 Xfinal2 Yfinal2
... ... ... ...
Xinicialz Yinicialz Xfinalz Yfinalz
Quadro 5 – Estrutura de um ficheiro de correspondência (.cor).
- 39 -
____________________________________________________________ MATERIAIS E MÉTODOS
Uma vez definidos o sistema de referência e o ficheiro de correspondência podemos
então proceder à mudança de sistema em si; em Idrisi esta operação é executada através do
módulo “Resample”. Esta função requer ainda a definição de uma zona de corte da nova
imagem, expressa em coordenadas do novo sistema de referência e o número de linhas e
colunas que se deseja obter. Implicitamente, podem-se calcular estes valores para uma
dada resolução final desejada (tamanho de um pixel); neste caso foi utilizada uma
resolução espacial de 25m, com 4480 colunas e 4800 linhas, ficando a imagem limitada a
um rectângulo que engloba todas as cartas militares da área de estudo.
Figura 10 – Janela do módulo RESAMPLE em Idrisi, com os parâmetros utilizados na transformação.
Esta operação tem que ser aplicada a cada uma das 7 bandas da imagem original
(processo que pode ser programado pela utilização de macros13 em Idrisi).
Um dos parâmetros a ter em conta ao utilizar o módulo de “Resample” é a função de
ajuste. Esta pode ser linear, quadrática ou cúbica – quanto maior for o grau do polinómio a
utilizar maior a tendência para um ajuste dos pontos de controle a esta, mas também maior
13 Macros – Sequências de operações traduzidas numa linguagem específica ao programa utilizado.
- 40 -
____________________________________________________________ MATERIAIS E MÉTODOS
será a distorção que a imagem final apresentará. Assim, como existia à partida um número
muito elevado de pontos de controle a função escolhida inicialmente foi a linear.
Outro factor a ter em conta é o método de atribuição dos valores para os novos píxeis
– o método escolhido foi o vizinho mais próximo pois, ao contrário do bilinear, mantém
os valores originais dos píxeis. Este processo toma os pontos de controlo como centróides,
não alterando os valores originais e atribuindo a cada pixel na imagem final o valor do
pixel mais próximo na imagem original. A operação de interpolação bilinear é mais
indicada para dados contínuos, onde a transformação dos dados originais não altera
significativamente a informação original.
Durante a operação de “Resample” o Idrisi fornece uma lista dos pontos utilizados,
com os valores individuais de erro (Figura 11); este erro expressa o desajuste dos pontos de
controle à função encontrada para a mudança de sistema; é calculado a partir da distância,
em metros (unidade de referência) dos pontos de controlo relativamente à sua posição no
novo sistema de referência e é expressado por RMS (“root mean square”). É então
possível remover, um a um, os pontos com maior RMS e refazer os cálculos de ajuste de
cada ponto que sobra a uma nova função.
Figura 11 – Janela da operação “Ressample” do Idrisi, onde é possível ver o RMS dos pontos de controle e o RMS Total.
- 41 -
____________________________________________________________ MATERIAIS E MÉTODOS
O Idrisi não se demonstrou capaz de tratar o elevado número de pontos inicialmente
recolhidos; foram inicialmente utilizados 255 pontos (limite máximo) e, após a eliminação
de um número suficiente de pontos com maior RMS a operação foi novamente repetida
para o conjunto de pontos que sobrou mais os pontos que tinham inicialmente ficado de
fora.
Dos 296 pontos de controlo iniciais foram utilizados 196 pontos (aqueles com menor
RMS) que levaram a um ajuste à função linear com RMS médio de 0,99152200.
3.3.2 - Classificação da imagem
Para uma melhor compreensão dos processos que acontecem no nosso meio
ambiente tendemos a definir fronteiras e fazer agregações de fenómenos que na realidade,
a maioria das vezes, funcionam como processos contínuos. Só desta maneira podemos
classifica-los, esperando ter um entendimento mais global sobre os fenómenos que nos
rodeiam.
No caso da imagem de satélite a realidade é muito simplificada. O terrenos é dividido
em quadrículas (píxeis) com determinada resolução espacial e o espectro contínuo é
interpretado por 7 bandas (3 no visível, 3 no infravermelho e 1 no térmico), em que os
comprimentos de onda reflectidos são traduzidos numa gama de valores digitais que varia
entre 0 e 255. É importante, durante o processo de interpretação desta informação, manter
o mais possível a informação original. Com a utilização de novos programas (com grande
capacidade de processamento e análise de dados) podem-se minimizar as perdas de
informação, simplificando a realidade e maximizando os resultados obtidos.
O olho humano não tem capacidade para distinguir os 255 possíveis valores de
reflectância obtidos pela utilização da imagem de satélite, pelo que os dados originais têm
que ser transformados e agrupados por forma a serem mais facilmente interpretados.
- 42 -
____________________________________________________________ MATERIAIS E MÉTODOS
Lillesand (1994) dividiu as técnicas de classificação de imagem em 4 grupos:
- Reconhecimento do comportamento espacial;
- Reconhecimento do comportamento temporal;
- Classificação supervisada;
- Classificação não supervisada.
Para este estudo, dado não existiram quaisquer dados de campo disponíveis para
auxiliar o processo, o método de classificação seguido foi a classificação não
supervisada. Os passos a seguir podem-se descrever da seguinte maneira:
ACP
Escolha de 3 bandas
COMPOSIT
Classificaçãosatisfatória?
S
N
CLUSTERS
CLASSIFICAÇÂOFINAL
Figura 12 – Classificação não supervisada – sequência de operações.
3.3.2.1.1 - Imagens Compostas
O Idrisi tem uma função que permite a criação de uma nova imagem composta a
partir de 3 imagens iniciais.
A fórmula utilizada, aplicada utilizando como parâmetros cada um dos píxeis
correspondentes entre imagens (álgebra de mapas ou imagens), pode traduzir-se por:
- 43 -
____________________________________________________________ MATERIAIS E MÉTODOS
Imagem Composta = BLUE + ( GREEN x 6) + (RED x 36)
Nesta fórmula, BLUE, GREEN e RED são as bandas (imagens) utilizadas para a
operação. Para a criação de uma imagem “real”, semelhante ao que se veria do espaço,
pode-se usar nesta fórmula as bandas a que inicialmente se refere:
BLUE = Banda 1 do Landsat TM
GREEN = Banda 2 do Landsat TM
RED = Banda 3 do Landsat TM
A imagem resultante, utilizando o módulo “Composit” e aplicando um aumento de
contraste (Strech = 1%) foi a seguinte:
Figura 13 – Imagem “real” composta a partir das 3 primeiras bandas cortadas do Landsat TM (sem o mar).
- 44 -
____________________________________________________________ MATERIAIS E MÉTODOS
No entanto, esta imagem tem interesse puramente visual. Para a análise da
informação contida nas variadas bandas do satélite, com o objectivo de obter uma
classificação com interesse ecológico, o processo a seguir não é tão simples, como
veremos a seguir.
3.3.2.1.2 - Análise de Componentes Principais (ACP)
A processo de criação de imagens compostas está limitado à utilização de apenas 3
bandas. Como será necessário a utilização de uma imagem composta para a criação de
grupos paisagísticos (como veremos adiante), a chave desta fase será descobrir de que
forma se poderá manter a maior quantidade possível de informação original, reduzindo o
número de bandas a utilizar (pois muitas vezes a informação é redundante entre elas).
É então necessário ter a maior quantidade de variância explicada no menor número
de dados possível. Este processo pode ser atingido pelo uso da análise de componentes
principais (ACP) aplicada às 7 bandas de satélite originais. Como resultado teremos um
conjunto de 7 novas bandas linearmente independentes, chamadas componentes, ordenadas
pela quantidade de variância explicada.
Foi então inicialmente realizada uma ACP, em Idrisi, com a ajuda do módulo
“PCA”. Como output esta função apresenta, além das 7 novas bandas (componentes), um
resumo estatístico do processo realizado:
- 45 -
____________________________________________________________ MATERIAIS E MÉTODOS
VAR/COVAR Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 6 Banda 7Banda 1 83,56 39,13 48,43 51,49 102,19 148,48 53,61Banda 2 39,13 23,61 33,23 40,62 85,28 58,66 44,19Banda 3 48,43 33,23 52,92 63,32 144,49 60,93 75,63Banda 4 51,49 40,62 63,32 127,98 224,55 66,74 103,93Banda 5 102,19 85,28 144,49 224,55 533,41 104,23 261,48Banda 6 148,48 58,66 60,93 66,74 104,23 355,36 51,63Banda 7 53,61 44,19 75,63 103,93 261,48 51,63 135,52
COR M ATRX Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 6 Banda 7Banda 1 1 0,88095 0,72822 0,49794 0,48401 0,86163 0,50374Banda 2 0,88095 1 0,94022 0,73898 0,76002 0,64044 0,78138Banda 3 0,72822 0,94022 1 0,76933 0,85996 0,44429 0,89305Banda 4 0,49794 0,73898 0,76933 1 0,85941 0,31293 0,78912Banda 5 0,48401 0,76002 0,85996 0,85941 1 0,23939 0,97251Banda 6 0,86163 0,64044 0,44429 0,31293 0,23939 1 0,23525Banda 7 0,50374 0,78138 0,89305 0,78912 0,97251 0,23525 1
COMPONENT C 1 C 2 C 3 C 4 C 5 C 6 C 7% var. 2,48 1,51 0,37 0,18 0,04
eigenval. 898,99 353,02 32,60 19,87 4,91 2,39 0,58eigvec.1 0,21483 0,30257 -0,17543 0,55706 -0,62992 -0,28820 -0,20334eigvec.2 0,14414 0,06681 -0,08374 0,37283 0,07384 0,15729 0,89362eigvec.3 0,22388 0,00155 -0,18539 0,50697 0,45938 0,53783 -0,39774eigvec.4 -0,08855 0,88191 0,23027 0,12568 -0,18594 -0,03786eigvec.5 -0,34936 -0,10839 -0,35181 -0,33860 0,29332 0,02041eigvec.6 0,31557 0,86363 0,04297 -0,34173 0,18199 0,05269 0,00682eigvec.7 -0,16804 -0,36944 0,00975 0,47239 -0,69250 -0,00197
LOADING C 1 C 2 C 3 C 4 C 5 C 6 C 7Banda 1 0,70465 0,62191 -0,10958 0,27165 -0,15274 -0,04876 -0,01692Banda 2 0,88952 0,25835 -0,09842 0,34207 0,03369 0,05007 0,13989Banda 3 0,92271 0,00400 -0,14551 0,31065 0,13997 0,11434 -0,04159Banda 4 0,87727 -0,14707 0,44512 0,09074 0,02462 -0,02542 -0,00255Banda 5 0,95516 -0,28421 -0,02680 -0,06790 -0,03250 0,01964 0,00067Banda 6 0,50192 0,86078 0,01302 -0,08081 0,02140 0,00432 0,00028Banda 7 0,93744 -0,27121 -0,18120 0,00373 0,08994 -0,09200 -0,00013
68,50 26,90
0,331000,73575
0,36398
Quadro 6 – Resultados da ACP inicial às 7 bandas georreferenciadas e cortadas – output do Idrisi.
Pela análise dos resultados fornecidos pelo Idrisi pode-se concluir que:
a) A percentagem de variância explicada pelas primeiras duas componentes da
ACP (C1+C2) é de 95.4% (68.5%+26.9%).
b) As bandas que mais contribuem para a componente 1 (C1) são a 3, 5 e a 7, que
por sua vez estão muito relacionadas entre si, como se pode comprovar pela
matriz de correlação e pelo gráfico seguinte.
c) A banda que mais contribui para a C2 é a 6 (banda térmica), que não convém
ser usada para análises posteriores por a sua resolução espacial original ser 4
vezes superior à das outras bandas.
- 46 -
____________________________________________________________ MATERIAIS E MÉTODOS
0,5 0,6 0,7 0,8 0,9
Posição das bandas em relação às duas componentes principais da PCA
-0,4-0,3-0,2-0,1
00,10,20,30,40,50,60,70,80,9
1
0,4 1
C1
C2
Banda 1Banda 2Banda 3Banda 4Banda 5Banda 6Banda 7
Figura 14 – Posição das bandas em relação às primeiras componentes da 1ª ACP.
Após várias tentativas de combinação das bandas 3, 5 e 7 na elaboração de uma
imagem composta, verificou-se que as imagens assim obtidas não conduziam a resultados
satisfatórios na criação de grupos de vegetação (passo descrito mais adiante). Outras
tentativas foram feitas com outras bandas, baseando-se a escolha na maior diferença
possível entre as mesmas; foi escolhida uma banda de cada grupo delineado no gráfico
acima para a criação da imagem composta, variando a sua posição na fórmula de aplicação.
No entanto os resultados foram igualmente pouco satisfatórios, pois não era possível
distinguir zonas de água nem eliminar as sombras existentes na imagem. Um dos factores
que provavelmente contribuiu para o insucesso deste processo foi a presença de uma
porção bastante grande de mar. Em análises conduzidas por distribuição não normais, as
componentes principais de uma ACP podem estar contaminadas por porções de espaço que
não interessam para a análise. É o caso do mar, cujos píxeis que o compõem tomam alguns
valores distintos que apresentam um peso considerável na imagem.
Foi então realizada uma operação para uniformizar os píxeis do mar e atribuir-lhes o
valor 0, que pode ser excluído, em Idrisi, durante a análise de componentes principais.
- 47 -
____________________________________________________________ MATERIAIS E MÉTODOS
O processo seguido foi uma combinação de operações em ArcView e Idrisi, sendo
utilizados os programas de conversão anteriormente referidos para a passagem de um
sistema para o outro.
Assim, baseado na banda 5 (pois contém a maior distribuição de valores – facto
constatado pela análise dos histogramas de cada uma das banda) foram dados os seguintes
passos:
a) Anotação dos valores apresentados pelos píxeis do mar (5 ou 6 diferentes)
b) Reclassificação dos mesmos para o valor de 0, com a ajuda da função
“Reclassify” em Idrisi. Para todos os outros píxeis foi atribuido o valor de 1.
c) Como muitos píxeis dentro de Portugal continental tomaram o valor de 0 (pois
tinham resposta igual nesta banda, não sendo necessariamente zonas de água) foi
necessário atribuir-lhes também o valor de 1, pois têm interesse para utilização
posterior. Assim, em ArcView o limite de Portugal em formato vectorial foi
convertido para formato raster com o mesmo limite e resolução espacial da
imagem de satélite; a todos os píxeis dentro da zona obtida foi atribuído o valor
de 1 com a ajuda da função “Reclassify” do ArcView.
d) Ainda em ArcView, utilizando o “Map Calculator” (função que permite realizar
álgebra de mapas) foi realizada uma função de máximo entre as duas imagens (a
proveniente de Idrisi e a obtida em Arcview).
e) À nova imagem foi aplicada uma função de suavização de limites (utilizando a
extensão Spatial Tools) resultando a máscara final.
f) Após a conversão da máscara para Idrisi, cada uma das bandas de satélite já
cortada foi multiplicada pela máscara (limite), com a ajuda do módulo “Map
Algebra”.
- 48 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 1
Após a criação de das
apresenta em seguida:
VAR/COVAR BanBanda 1 53Banda 2 21Banda 3 23Banda 4 32Banda 5 49Banda 6 120Banda 7 22
COR MATRX BanBanda 1Banda 2 0,9Banda 3 0,9Banda 4 0,9Banda 5 0,9Banda 6 0,9Banda 7 0,8
COMPONENT C% var.
eigenval. 422eigvec.1 0,3eigvec.2 0,1eigvec.3 0,1eigvec.4eigvec.5eigvec.6eigvec.7 0,1
LOADING CBanda 1 0,9Banda 2 0,9Banda 3 0,9Banda 4 0,9Banda 5 0,9Banda 6 0,9Banda 7 0,8
9
0,20,30,8
Quadro 7 -
0 1
5 – Máscara obtida para eliminação dos píxeis do mar.
novas bandas, foi realizada uma nova ACP, cujo resumo se
da 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 6 Banda 73,12 219,20 236,04 321,13 493,32 1204,97 227,989,20 91,64 99,95 134,66 211,25 490,62 98,636,04 99,95 111,49 146,74 238,00 521,58 112,631,13 134,66 146,74 211,17 319,53 720,10 146,943,32 211,25 238,00 319,53 552,37 1082,80 260,334,97 490,62 521,58 720,10 1082,80 2771,40 495,517,98 98,63 112,63 146,94 260,33 495,51 125,95
da 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 6 Banda 71 0,99172 0,96819 0,95709 0,90908 0,99132 0,87981
9172 1 0,98886 0,96802 0,93896 0,97353 0,918006819 0,98886 1 0,95633 0,95904 0,93831 0,950445709 0,96802 0,95633 1 0,93560 0,94131 0,900980908 0,93896 0,95904 0,93560 1 0,87516 0,986969132 0,97353 0,93831 0,94131 0,87516 1 0,838697981 0,91800 0,95044 0,90098 0,98696 0,83869 1 1 C 2 C 3 C 4 C 5 C 6 C 7
0,25 0,18 0,06 0,05 0,036,81 145,46 10,87 8,00 2,53 2,17 1,29
5386 0,00916 -0,41194 -0,69834 -0,23537 0,12929 -0,381074585 0,00378 -0,16979 -0,28783 -0,09701 0,05329 0,924555704 0,15039 -0,18472 -0,10689 0,94551 0,11486 0,00000
0,09852 0,87279 -0,41963 0,06685 0,03922 0,000000,76754 -0,01536 0,32598 -0,19167 0,39542 0,00000
-0,45775 0,03317 0,36579 -0,00187 -0,09139 0,000005465 0,41101 -0,06526 -0,04346 0,00000 -0,89499 0,00000 1 C 2 C 3 C 4 C 5 C 6 C 79639 0,00478 -0,05883 -0,08553 -0,01622 0,00826 -0,018769054 0,00476 -0,05848 -0,08503 -0,01613 0,00821 0,109786691 0,17178 -0,05769 -0,02863 0,14248 0,01604 0,000006407 0,08177 0,19805 -0,08166 0,00732 0,00398 0,000002284 0,39388 -0,00216 0,03922 -0,01298 0,02481 0,000009352 -0,10487 0,00208 0,01965 -0,00006 -0,00256 0,000009586 0,44170 -0,01917 -0,01095 0,00000 -0,11758 0,00000
6,13 3,31
154833610449
Resultados da 2ª ACP às bandas sem mar – output do Idrisi.
- 49 -
____________________________________________________________ MATERIAIS E MÉTODOS
A análise dos resultados desta ACP demonstrou que:
a) As bandas estão agora muito mais correlacionadas entre si, salientando a
influência do mar nos resultados da análise anterior.
b) A componente 1 explica agora cerca de 96.13% da variância das bandas
cortadas pelo limite.
c) Os agrupamentos das bandas relativamente às duas componentes principais
estão agora muito mais próximos, tal como se pode verificar a seguir (note-se a
diferença de escala em relação à 1ª ACP).
Posição das bandas em relação às duas componentes principais da PCA
-0,4-0,3-0,2-0,1
00,10,20,30,40,50,60,70,80,9
1
0,8 0,9 1
C1
C2
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 6
Banda 7
Figura 16 - Posição das bandas em relação às primeiras componentes da 2ª ACP.
Novas tentativas de criação de uma classificação aceitável foram feitas sobre estas
novas imagens, da mesma forma e com o mesmo critério antes seguido, mas os resultados
não foram mais uma vez satisfatórios, principalmente no que se refere à distinção de zonas
dentro de Portugal continental de água e eliminação de sombras nas zonas mais
montanhosas.
3.3.2.1.3 - Utilização do NDVI
Eastman descreve o NDVI (Normalized Difference Vegetation Index) como um
índice capaz de minimizar os efeitos do terreno e distinguir diferentes níveis de vegetação.
- 50 -
____________________________________________________________ MATERIAIS E MÉTODOS
Assim foi criada uma imagem que expressa este índice, com base nas bandas 3 e 4
(Eastman, 1997) para ser incluída em novas tentativas de classificação.
Figura 17 – Pormenor do NDVI obtido através da utilização das bandas 3 e 4, cortadas pelo limite
(zonas mais verdes –vegetação; zonas castanhas – ausência de vegetação).
As tentativas de combinação do NDVI com as bandas mais representativas da 2ª
ACP não se mostraram muito mais satisfatórias do que as já anteriormente obtidas.
Como as duas componentes principais da ACP descrevem juntas cerca de 99.44% da
variância de todas as bandas foi finalmente realizada uma imagem composta que utilizando
o NDVI e as duas componentes principais. A nova imagem foi então processada utilizando
a fórmula:
Imagem Composta = C2 + ( C1 x 6) + (NDVI x 36)
Desta forma foi possível dar mais peso ao NDVI para minimizar as sombras e
utilizar ao mesmo tempo a grande maioria da variância encontrada na imagem de satélite.
- 51 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 18 – Imagem composta com as duas primeiras componentes da ACP e o NDVI.
3.3.2.1.4 - Criação de Agrupamentos (“Clusters”)
A criação de grupos de píxeis com uma mesma resposta espectral foi repetido
inúmeras vezes durante os processos anteriores, pois a obtenção de agrupamentos
satisfatórios demonstrou aqui ser um processo de tentativa / erro, em que a decisão sobre a
validade do resultado é puramente visual e parte do bom senso do operador, baseado em
algum conhecimento geral sobre a área de estudo.
Pretende-se aqui mostrar os passos seguidos apenas para o caso em que a imagem
composta de base foi útil para a criação de grupos válidos.
Em Idrisi, a aplicação da análise de agrupamentos é implementada pela função
“Cluster”, que toma como base uma imagem composta.
Assim, primeiramente foi realizada uma imagem em que não se impôs qualquer
restrição ao número de classes a utilizar.
- 52 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 19 – Janela da operação do módulo “Cluster” em Idrisi, com os parâmetros utilizados.
Foi em seguida realizado um histograma da imagem obtida (em que a frequência
corresponde ao número de píxeis incluídos em cada agrupamento), de maneira a ser
possível fazer uma análise mais detalhada.
Figura 20 – Histograma da imagem resultante da operação de clusters – output de Idrisi.
- 53 -
____________________________________________________________ MATERIAIS E MÉTODOS
Analisando o histograma vemos uma grande dominância de um grupo, que
corresponde ao conjunto dos píxeis do mar com os que foram anteriormente eliminados
pelo limite das cartas militares da área de estudo. Seria de esperar encontrar um número
dominante de grupos (7 ou 8) após o primeiro, facto que não aconteceu. Como foi
impossível classificar os 46 grupos assim encontrados foi realizada uma nova operação
“Cluster”, forçando a criação de um número fixo de agrupamento; neste caso foi escolhido
o valor 8; os píxeis que se encontravam nos outros agrupamentos são então forçados a
entrar nos 8 grupos assim gerados, pela sua semelhança com estes.
A distribuição dos píxeis por classes nesta nova imagem foi a seguinte:
Figura 21 – Histograma da imagem resultante da operação “Cluster” com restrição a 8 classes.
Mais uma vez se verificou a dominância do primeiro agrupamento, sem qualquer
interesse para a classificação, mas ficaram agora também presentes outros 7 grupos, que
podem agora ser mais facilmente classificados.
Para suavizar os limites das manchas assim formadas foram realizadas duas
operações sucessivas de filtragem, utilizando a moda de uma janela de 3x3 píxeis em
Idrisi, ficando os píxeis centrais com o valor da moda dos píxeis envolventes.
- 54 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 22 – Pormenor da classificação final da imagem de satélite por grupos (à esquerda) e versão suavizada com a moda (à direira).
O passo final seria atribuir uma classificação geral a cada uma das classes obtidas. A
comparação das classes obtidas com informação de carácter geral contida no SIG não se
revelou particularmente útil para ajudar esta classificação pois, apesar de tudo, o processo
de classificação não supervisada requer algum conhecimento da estrutura da paisagem.
Apesar ser possível classificar algumas classes com relativa precisão, o facto de não
se tal não se poder aplicar a todas da mesma forma levou a que se adoptasse um
classificação genérica, pois não se considerou que tal afectasse os propósitos deste trabalho
metodológico. Desta forma, considerou-se que:
Cluster Classificação2 Classe A3 Classe B4 Classe C5 Classe D6 Classe E7 Classe F8 Classe G
Quadro 8 – Classificação genárica adoptada para os agrupamentos criados para a imagem de satélite.
- 55 -
____________________________________________________________ MATERIAIS E MÉTODOS
3.4 - O SIG Bonelli – Estruturação em ArcView
Para a elaboração do SIG em ArcView foi criado um projecto, no qual toda a
informação disponível foi centralizada.
Foi dada especial atenção à estrutura de directorias em que o projecto assenta, tendo
o cuidado de dividir as unidades temáticas segundo o tipo de modelo e natureza da
informação neles contida.
Este projecto foi dividido em várias vistas temáticas, com o objectivo de agrupar as
unidades de informação interrelacionadas (temas).
Todas as vistas temáticas do projecto foram referenciadas no sistema de coordenadas
de Hayford-Gauss, mais especificamente o Sistemas de Hayford-Gauss Militar, usado pelo
Instituto Geográfico do Exército na produção genérica de cartas militares (Casaca, 2000).
3.4.1 - Temas integrados no SIG
Pretende-se aqui fazer uma pequena inventariação e descrição dos temas
incorporados no SIG, tendo em conta o seu tipo, origem e principais operações que
levaram à sua forma final.
Para alguns temas do SIG foi possível associar informação por sobreposição de
dados de outros temas, pela sua posição geográfica relativa (overlay, ou sobreposição
espacial). Esta operação pode ser realizada fazendo uma junção (“Join”) da tabela do tema
de origem para a tabela do tema de destino (processo direccional), centrada no campo
“Shape” (campo este comum a qualquer tema de carácter vectorial em ArcView). Caso se
faça a associação de um tema (origem) que por si só já tenha associações integradas, toda a
informação resultante dessas associações é utilizada (processo cumulativo); é também
possível associar espacialmente vários temas a um só. Além desta forma de sobreposição
espacial é ainda possível a associação de informação de duas tabelas temáticas distintas
- 56 -
____________________________________________________________ MATERIAIS E MÉTODOS
por outro campo de informação, comum às duas. Essa informação, quando disponível, está
referida na descrição dos temas a seguir referidos.
3.4.1.1 - Enquadramento geográfico
Conjunto de temas que permitem uma melhor compreensão da inserção espacial dos
outros elementos temáticos do SIG:
3.4.1.1.1 - Divisões administrativas
Portugal – Formato: Vectorial - Polígono; Origem: LCB14; Descrição: Contorno de
Portugal continental.
Concelhos – Formato: Vectorial - Polígono; Origem: LCB; Descrição: Concelhos
de Portugal continental que englobam as cartas militares da área de estudo. Informação:
Nome de concelho, distrito onde estão inseridos, nº de concelhos desse distrito, NUT’s
(Nomenclatura de Unidades Territoriais) de que fazem parte, área (em m2) e perímetro (m).
Sedes de Concelho – Formato: Vectorial - Ponto; Origem: LCB; Descrição:
Sedes dos concelhos presentes no tema anterior. Temas associados por overlay:
Concelhos.
Freguesias – Formato: Polígono; Origem: LCB; Descrição: Freguesias
englobadas nos concelhos da área de estudo. Informação: Nome da Freguesia, área e
perímetro. Temas associados por overlay: Concelhos.
14 LCB – Laboratório de Cartografia Biológica do Centro de Ecologia Aplicada da Universidade de Évora.
- 57 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 23 - Enquadramento geral da área de estudo, com o limite geográfico de Portugal e com os concelhos que interceptam a área (classificados por distrito).
Sedes de Freguesia – Formato: Vectorial - Ponto; Origem: LCB; Descrição:
Localização das sedes dos freguesia englobadas no tema anterior. Temas associados por
overlay: Freguesias.
Locais - Formato: Vectorial - Ponto; Origem: Novo tema; Descrição: Tema que
inclui a localização da informação alfanumérica sobre lugares, presente nas cartas
militares. Este tema está restrito a áreas circulares (de 1,5 km de raio) à volta da localização
dos ninhos de Águias de Bonelli e foi vectorizado a com base na digitalização
georreferenciada das cartas militares 1:25:000. Temas associados por overlay: Freguesias e
Cartas Militares 1:25000.
- 58 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 24 - Freguesias e respectivas sedes (pontos cinzentos) de uma parte da área de estudo, classificadas através da cor por concelho.
3.4.1.1.2 - Informação de carácter militar
Cartas Militares 1:25000 - Formato: Vectorial - Polígono; Origem: LCB;
Descrição: Delimitação das cartas militares 1:25000 da área de estudo, com informação do
nº e nome da carta.
Cartas Militares - Formato: Raster (imagem); Origem: LCB e novos temas;
Descrição: Vários temas com as cartas militares 1:25000 da área de estudo, em formato
TIFF, digitalizadas a preto e branco e georreferenciadas no sistema Hayford-Gauss.
Quartos de Cartas Militares 1:25.000– Formato: Vectorial - Polígono; Origem:
Novo tema; Descrição: Subdivisão das cartas militares da área de estudo, com
identificação do “quarto”. Este tema foi criado por repetição de um “quarto” inicialmente
criado, usando a extensão “EDTools”. Foi usado para pedido de informação gratuita ao
IGeoE. Temas associados por overlay: Cartas Militares 1:25.000.
- 59 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 25 – Limite de Portugal continental com a delimitação de algumas cartas militares 1:25000.
Quadrícula Gauss – Formato: Vectorial - Polígono; Origem: Novo tema;
Descrição: Rede de quadrados de um 1km, correspondentes às unidades do sistema Gauss.
Englobam a área delimitada pelas cartas militares da área de estudo. Temas associados por
overlay: Cartas Militares 1:25.000.
UTM - Formato: Vectorial - Polígono; Origem: LCB; Descrição: Rede de polígonos
quadrangulares correspondente às subdivisões do sistema UTM15 (para referência com
dados de eventualmente provenientes deste sistema).
Figura 26 – Subdivisão das cartas militares em “quartos” e quadrículas Gauss a azul.
15 UTM – Universal Transverse Mercator.
- 60 -
____________________________________________________________ MATERIAIS E MÉTODOS
3.4.1.2 - Estrutura e elementos da paisagem
Neste grupo englobaram-se os temas que tinha algum carácter que permitisse
descrever a estrutura espacial da paisagem, incluindo elementos que descrevam o relevo,
elementos humanos e informação ecológica. A vectorização da maioria dos temas mais
pormenorizados, provenientes das cartas militares, incidiu numa área de 1,5 km à volta de
um conjunto de 20 ninhos seleccionados. Esta escolha baseou-se no numa ponderação
entre o esforço necessário empreender para a vectorização e a informação que seria viável
extrair numa fase posterior.
Os ninhos onde o esforço foi centrado foram seleccionados de maneira a maximizar a
informação já vectorizada com a informação que se pretendia pedir ao IGeoE (através de
um contrato de cedência gratuita de informação para propósitos académicos).
Para tal foi criada uma nova vista em ArcView em que o tema dos quartos de cartas
militares foi intersectado com os ninhos (usando as capacidades da extensão
Geoprocessing); os elementos assim criados foram dissolvidos pelos campo “quarto“
(função “Dissolve” do Geoprocessing) e as áreas de cada novo elemento criado foram
calculadas. Foram então escolhidos, para pedido de informação ao IGeoE, os 12 “quartos”
de carta militar que maximizavam a quantidade de informação (tinham maior área útil)
Finalmente estabeleceu-se quais os ninhos que tinham informação suficiente para serem
complementados e chegou-se a um número de compromisso de 20 ninhos.
- 61 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 27 – “Quartos” de carta militar escolhidos para pedido de informação ao IGeoE.
Foram obtidos os seguintes temas:
Casas – Formato: Vectorial - Ponto; Origem: Novo tema, vectorizado a partir das
cartas militares 1:25000 em formado raster; Descrição: Casas / edifícios e ruínas, presentes
dentro dos buffers de 1,5 km à volta dos ninhos.
Rede Viária – Formato: Vectorial - Linha; Origem: Novo tema, vectorizado a partir
das cartas militares 1:25000 em formado raster; Descrição: Consiste nos elementos da rede
viária, incluída dentro dos buffers de 1,5 km à volta dos ninhos, classificados de acordo
com a legenda das cartas militares.
Estradas Principais – Formato: Vectorial - Linha; Origem: LCB; Descrição:
Estradas principais obtidas por vectorização partir das Cartas Militares 1:100.000 do
IGeoE.
- 62 -
____________________________________________________________ MATERIAIS E MÉTODOS
Rede Ferroviária – Formato: Vectorial - Linha; Origem: Novo tema, vectorizado a
partir das cartas militares 1:25000 em formado raster; Descrição: Rede ferroviária, incluída
dentro dos buffers de 1,5 km à volta dos ninhos.
Rede Hidrográfica – Formato: Vectorial - Linha; Origem: Novo tema, vectorizado
a partir das cartas militares 1:25000 em formado raster; Descrição: Rede hidrográfica,
incluída dentro dos buffers de 1,5 km à volta dos ninhos, com elementos classificados por
nome quando este informação estava presente.
Curvas de nível (10m) – Formato: Vectorial - Linha; Origem: Novo tema,
vectorizado a partir das cartas militares 1:25000 em formado raster, ao qual se adicionou
informação proveniente do IGeoE (em formato DGN). A utilização desta informação em
ArcView, pelo formato de origem, não foi directa. A estrutura dos ficheiros cedidos,
proveniente de um programa de CAD, não permitia a inclusão de informação associada aos
elementos. Apesar das curvas de nível virem em formato 3D as funções de importação do
ArcView não se demonstraram capazes de incluir informação de todos os elementos
presentes, sendo necessária a sua reclassificação (inclusão da cota) por comparação com as
imagens das cartas militares; Descrição: Curvas de nível, com espaçamento de 10 m e
informação altimétrica. Tema limitado pelos buffers de 1,5 km à volta dos ninhos.
Pontos cotados – Formato: Vectorial - Ponto; Origem: Novo tema, vectorizado a
partir das cartas militares 1:25000 em formado raster, ao qual se adicionaram elementos
proveniente da informação cedida pelo IGeoE (em formato DGN); Descrição: Pontos
cotados, com informação de altimetria. Tema limitado pelos buffers de 1,5 km à volta dos
ninhos.
- 63 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 28 - Detalhe da informação vectorizada dentro dos buffers de 1,5 km à volta dos ninhos: curvas de nível (espaçamento de 10m), pontos cotados, rede viária e hidrográfica, casas e locais).
Curvas de nível (100m) – Formato: Vectorial - Linha; Origem: Atlas do
Ambiente, obtido através da página oficial do SNIG; Descrição: Curvas de nível, com
espaçamento de 100 m e informação altimétrica, abrangentes da área de estudo.
Imagem de Satélite – Formato: Raster - Grid; Origem: Novo tema; Descrição:
Obtido pela classificação da imagem de satélite em 7 classes de interesse ecológico
anteriormente descrita. A imagem for cortada por um limite obtido pela intersecção do
limite de Portugal continental com as cartas militares sobre as quais existia informação
pertinente para o estudo.
Usos de solo do “Corine Land Cover” – Formato: Vectorial - Polígono;
Origem: Página de Internet do SNIG; Descrição: Classificação de usos de solo,
vectorizada à escala 1:100.00. Cada elemento contém um código numérico de 4 caracteres
usado para classificação dos mesmos. Apresenta-se em Anexo a listagem dos códigos
- 64 -
____________________________________________________________ MATERIAIS E MÉTODOS
usados com a respectiva classificação. O tema foi também cortado pelo limite antes
referido.
3.4.1.3 - Temas do estudo de caso
Incluíram-se neste grupo os temas directamente associados ao estudo a decorrer
sobre a Águia de Bonelli.
Ninhos Bonelli – Formato: Vectorial - Ponto; Origem: Novo tema; Descrição: As
coordenadas dos pontos foram tiradas directamente das cartas militares e, posteriormente,
utilizadas para construção de um novo tema (criação de um “Event Theme”, em ArcView).
Consiste na localização dos ninhos de Águia de Bonelli, com identificador próprio para
cada casal (três letras) e para cada ninho individualmente. Foram registados um total de 56
ninhos distribuídos por 27 casais diferentes. Temas associados por overlay: Cartas
Militares 1:25000 e Freguesias.
Figura 29 – Localização dos ninhos de Águia de Bonelli, enquadrados com as curvas de nível provenientes do Atlas do Ambiente (espaçamento de 100 m).
- 65 -
____________________________________________________________ MATERIAIS E MÉTODOS
Observações – Formato: Vectorial - Ponto; Origem: Novo tema, vectorizado por
comparação directa da posição nas cartas militares em formato analógico com os temas
raster das cartas militares 1:25.000; Descrição: Consiste numa inventariação de locais onde
foram observadas Águias de Bonelli, identificadas pelo mesmo código de três letras usado
para os ninhos (perfazendo um total de 708 pontos). Temas associados por overlay: Cartas
Militares 1:25000 e Freguesias.
Figura 30 - Observações de casais de Hieraaetus fasciatus na área de estudo.
Pombais – Formato: Vectorial - Ponto; Origem: Novo tema; Descrição:
Localização de pombais dentro da zona de estudo. Para cada pombal foi adicionada
informação sobre o nº de pombos, proveniente de uma base de dados em formato analógico
As coordenadas dos pontos foram tiradas directamente das cartas militares e,
posteriormente, utilizadas para construção de um novo tema (criação de um “Event
Theme”). O número total de pombais registados foi de 436. Temas associados por
overlay: Cartas Militares 1:25000 e Freguesias.
- 66 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 31 - Pombais inventariados dentro da área de estudo.
Áreas propostas –– Formato: Vectorial - Polígono; Origem: Novo tema;
Descrição: Áreas escolhidas para preservação, vectorizadas a partir da informação
disponível sobre as cartas militares 1:25.000 em formato analógico. Como identificador
para estes polígonos foi usado o mesmo dos ninhos (identificação do casal e número
individual). Para cada elemento vectorizado foi também calculado a área, em m2.
Figura 32 – Áreas propostas para protecção (a castanho), com limite circular de um buffer de 1,5 km à volta dos pontos centrais – ninhos – e algumas observações à volta.
- 67 -
____________________________________________________________ MATERIAIS E MÉTODOS
Buffers de 1,5 km – Formato: Vectorial - Polígono; Origem: Novo tema;
Descrição: Limite circular, centrado nos ninhos de Hieraaetus fasciatus produzido com
uma modificação da função de “Create Buffers” do ArcView (script “Buffer With
Attributes”); esta modificação permitiu a inclusão no novo tema de um identificador
proveniente do tema pontual de origem – neste caso foi escolhido o identificador único de
cada ninho. Temas associados por junção de tabelas: Ninhos Bonelli.
3.4.1.4 - Modelos Digitais de Terreno (MDT’s)
O Modelo Digital de Terreno é uma representação de informação cartográfica em
2,5 dimensões, isto é, para cada valor de xy só pode haver um valor correspondente de z. O
MDT consiste numa simulação do relevo representado nas cartas militares pelas isolinhas
de altimetria (curvas de nível) e pontos cotados.
MDT-TIN Ninho x – Formato: Vectorial – Triangulated Irregular Network (TIN);
Origem: Novo tema; Descrição: Este tipo de temas pode ser criado usando as capacidades
da extensão “3D Analyst”. Utilizando a função “Create TIN” é possível a inclusão de
várias unidades temáticas na construção do modelo. Para o caso dos ninhos os temas de
base utilizados foram: Curvas de Nível (10m), Pontos Cotados, Rede Hidrográfica e
Buffers de 1,5 Km. Os primeiros dois foram usados como inputs altimétricos para a criação
do relevo (utilizando um campo da tabela de atributos – neste caso a cota) e o último como
limite para a delimitação da interpolação do tema (opções estas disponíveis durante a
execução da função). Foi desta forma criado um TIN para cada um dos ninhos onde toda
esta informação de base estava disponível. Estes temas têm a particularidade de , quando
visualizados em 3 dimensões, ser possível a sobreposição visual de outros temas e a sua
adaptação ao modelo de terreno gerado, sem que contenham na sua origem qualquer tipo
de informação altimétrica.
- 68 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 33 – Modelo Digital de Terreno (MDT), em formato TIN, de uma zona com 1,5 Km de raio à volta de um dos ninhos, com sobreposição da rede viária (linhas a verde) e rede hidrográfica (azul),
visualizado em 3 dimensões (perspectiva).
3.4.1.5 - Extensão “Animal Movement”
Através da utilização desta extensão foi possível a criação de alguns temas
relacionados com padrões de movimentação, tendo como base as observações e os ninhos
de Hieraaetus fasciatus registados.
Minimum Convex Poligons (MCP) – Formato: Vectorial - polígonos; Origem:
Novo tema; Descrição: Utilizando a forma de processamento sequencial disponibilizada
pela extensão – “Batch Home Range Processing” – foi criado um conjunto de polígonos
convexos mínimos (função “Minimum Convex Poligon”) tendo como identificador base o
campo de três letras que identifica o casal a que se refere a observação (presente na própria
tabela temática).
- 69 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 34 – Pormenor dos elementos poligonais obtidos através da função “Minimum Convex polygons”(a azul), com sobreposição de ninhos e observações.
Kernel Home Range (KHR) – Formato: Vectorial – polígonos; Origem: Novo
tema; Descrição: Utilizando o mesmo procedimento sequencial antes referido foi possível
a delimitação, para cada casal, de polígonos que reflectem o cálculo da Distribuição de
Utilização (Worton, 1989), utilizando a função “Kernel Home Range”. Foi escolhida a
criação de polígonos de probabilidade de distribuição de utilização desde os 5 aos 95 % e
foram usados observações de Bonelli e ninhos em conjunto, ficando o ninho apenas como
“mais uma observação” (operação de “Merge” dos dois temas originais - Geoprocessing).
Foi interessante observar que os ninhos, na sua maioria, ficavam em zonas centrais do
KHR.
- 70 -
____________________________________________________________ MATERIAIS E MÉTODOS
Figura 35 – Polígonos do Kernel Home Range para as observações dos casais de Bonelli, com ninhos sobrepostos e imagem de satélite “real” em fundo.
Jennrich-Turner Home Range – Formato: Vectorial – polígonos; Origem: Novo
tema; Descrição: Implementação do algoritmo “Bivariate Normal Home Range” às
observações de Bonelli na área de estudo, tal como descrito por Jennrich (1969). A
metodologia para criação deste tema foi, exceptuando pela selecção da função “Jennrich-
Turner”, igual à anterior.
- 71 -
____________________________________________________________ MATERIAIS E MÉTODOS
3.5 - Desenvolvimento de aplicações
Este capítulo surgiu como uma necessidade de complementar as funcionalidades do
ArcView, de maneira a dar resposta a um problema específico: “Como extrair múltiplos
valores de um tema em formato raster para um tema vectorial pontual?”. A resposta a
esta pergunta permitiria, por exemplo, extrair informações dos temas criados em formato
raster para caracterizar pontualmente a localização dos ninhos de Bonelli (por exemplo,
altitude, exposição, inclinação, orientação, tipo de vegetação, etc .).
O levantamento de aplicações efectuado não revelou a existência de um “script” ou
extensão que pudesse dar resposta a este problema. Assim, através do estudo da linguagem
de programação do ArcView – Avenue - foram desenvolvida uma pequena extensão,
composta apenas por 2 “scripts” e um botão no interface no ArcView para aplicação das
funcionalidades implementadas.
O processo seguido para a criação desta extensão foi:
1) Criação do “script” principal em Avenue, com a sequência de operações que dá
resposta ao problema principal – “Get.PointValues_From_Grid”.
Sumariamente, os passos implementados por esta função são: a) identificação
de qual dos dois temas é o raster e qual é o vectorial pontual; b) leitura, para
cada um dos elementos do tema pontual, das suas coordenadas no sistema de
referência; c) pesquisa sobre quais as células do tema em formato raster que
reflectem a localização geográfica destes pontos; d) extracção do valor da
célula desejada e introdução desse valor num campo desejado da tabela de
atributos do tema pontual.
2) Criação de um “script” de actualização para verificar a possibilidade de aplicação
do “script” principal – “Get.PointValues_From_Grid_Update”. Esta porção
- 72 -
____________________________________________________________ MATERIAIS E MÉTODOS
de código Avenue verifica se existem 2, e só 2, temas seleccionados e analisa o
seu formato para saber se um deles é vectorial pontual e o outro raster.
3) Aplicação dos dois “scripts” criados a um novo botão no interface gráfico do
ArcView. A remoção e criação de novos botões é um processo relativamente
simples: consiste em fazer duplo clique na barra de ferramentas, aparecendo
uma janela de customização, onde é possível definir os parâmetros de “Click”
(script principal - Get.PointValues_From_Grid) e “Update” (script de
actualização - Get.PointValues_From_Grid_Update), assim como uma
pequena ajuda (campo “Help”), disponibilizada no interface gráfico, sobre o
funcionamento da função. Desta forma o botão criado apenas estará activo se os
requisitos da função de actualização forem preenchidos, ou seja, quando
existirem apenas 2 temas seleccionados – um vectorial pontual e outro em
formato raster (grid).
Figura 36 – Janela de customização de botões do ArcView, com parâmetros utilizados para a implementação dos “scripts” criados.
- 73 -
____________________________________________________________ MATERIAIS E MÉTODOS
4) Criação de uma extensão, com a ajuda do “Extension Builder”, que implementa
directamente os processos necessários para a adição/remoção do botão ao qual
estão associados os “scripts” criados.
O código fonte, em Avenue, dos scripts desenvolvidos apresenta-se no Anexo IV.
- 74 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
4 - TRATAMENTO DE DADOS PROVENIENTES DO SIG
Ao integrar enquadrar e integrar toda a informação disponível num único sistema, o
cruzamento dessa informação pode efectuar-se e, consequentemente, a elaboração de testes
de hipóteses e a utilização de estatística robusta torna-se possível.
Para a realização da análise estatística foram criados um conjunto de novos temas,
em ArcView, a partir dos quais foram extraídos posteriormente dados de interesse para o
estudo de caso. Pretende-se neste capítulo descrever a sequência de operações necessárias
à criação destes temas e o tipo de variáveis através deles obtidas, assim como uma análise
relativamente simples aos dados assim conseguidos.
4.1 - Criação de novos temas
A criação de novos temas foi uma passo necessário para a obtenção de dados, pois a
maioria dos temas originais não continha informação viável para ser usada directamente na
análise estatística.
Praticamente todos os temas vectoriais gerados durante esta fase foram em seguida
convertidos para o formato matricial (raster) com o mesmo limite e resolução espacial da
imagem de satélite classificada (25m), de maneira a compatibilizar toda a informação
disponível. Assim, para a criação destas novas unidades temáticas, vários métodos foram
utilizados:
1) Criação a partir do Modelo Digital de Terreno, em formato TIN:
Foi criado um novo modelo em formato TIN, tal como anteriormente, mas
englobando todos os 20 ninhos seleccionados para análise. Por conversão directa deste
- 75 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
modelo a formato raster (função “Converto to Grid” do ArcView) foi obtido um novo tema
– MDT – sobre o qual podem ser aplicadas funções directas da extensão “3D Analyst” e
“Spatial Analyst”. Assim, partindo desta conversão foram geradas:
a) Slope (Inclinação) – Derivado com a função “Derive Slope”.
b) Slope of Slope – Aplicação de “Derive Slope” ao tema anterior.
c) Aspect (Orientação) – Derivado com a função “Derive Aspect”, este tema
contém valores em graus que reflectem a orientação das encostas. Foi
necessária a aplicação de duas funções trigonométricas para obter variáveis
contínuas (pois, por exemplo, píxeis orientados a Norte podem ter dois valores -
0 ou 360 – que tem o mesmo significado). Assim, a este tema foi aplicada, com
a ajuda do “Map Calculator”, a função Coseno para a obtenção da orientação
Norte (1) / Sul (-1) e a função Seno para a orientação Este (1) / Oeste (-1).
d) Hillshading (Exposição) - Aplicação da função “Compute Hillshading” ao
MDT. Esta função pede como valores de input a orientação e altura do sol em
graus. Foram gerados 4 temas com diferentes combinações de valores.
Figura 37 – Detalhe do MDT (à esquerda) e Aspect (à direita), ao qual foi aplicado a função coseno (orientação Norte[vermelho]/Sul[Azul].
- 76 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
e) Visibility (Visibilidade) – A utilização de “Calculate Viewshed” requer como
input dois temas: um referente ao MDT e outro aos pontos para os quais se quer
calcular a visibilidade. Este método requer que na tabela de atributos do tema
pontual (neste caso, os ninhos seleccionados), exista um campo numérico com
o nome “OFFSETA” com o valor de altitude de referência; neste caso, pelas
características dos ninhos de Bonelli, o valor escolhido foi de 20 m.
2) Distâncias a elementos vectoriais:
Através da utilização da função “Find Distance” da Extensão “Spatial Analyst” foi
possível a criação de temas em formato raster cujos píxeis reflictam a distância a um
determinado tipo de elemento no tema escolhido. Desta forma foram gerados:
a) Distância a Sedes de Freguesia
b) Distância a Estradas Principais
c) Distância a Pombais
d) Distância a Casas
e) Distância à Rede Viária (Tudo)
f) Distância à Rede Viária (Mínimo Carreteiros)
g) Distância à Rede Hidrográfica
3) Conversão directa a formato raster:
Para alguns temas a conversão directa a formato raster (“Convert to Grid”) foi o
processo mais adequado à extracção de informação – foi o caso dos Usos de Solo do
Inventário do Corine.
4) Temas em formato vectorial:
Em certos casos, dependendo do tipo de informação que se quer obter, pode ser mais
útil a utilização de temas em formato vectorial. Foram gerados 2 novos temas em que se
- 77 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
intersectaram os elementos da Imagem de Satélite e Usos de Solo do Corine com o limite
dos Buffers de 1,5 km dos ninhos seleccionados (função “Intersect Features” do
“Geoprocessing”). Nos temas resultantes, cada um dos elementos que o constituem
passaram agora a ter informação de ambos os temas de origem. A utilidade deste processo
tornar-se-á mais clara no passo seguinte.
4.2 - Extracção de informação para tratamento estatístico
Ao estudar as hipóteses de análise dos dados anteriormente obtidos encontrou-se um
obstáculo que em muito limitou o tipo de estudos passíveis de serem aplicados: os dados
recolhidos estarem limitados a um pequeno sub-conjunto da área total de estudo (mais
concretamente os dados disponíveis referem-se ao buffer de 1,5 Km à volta dos 20 ninhos
seleccionados) e não se ter dados referentes às zonas exteriores. Por este facto não foi
possível aplicar, por exemplo, análises por regressão logística, pois estas implicam a
existência de dados em zonas de presença e ausência da espécie.
A solução aqui escolhida baseou-se na utilização do “Kernel Home Range” como
variável dependente para uma análise de regressão multivariada, pois este índice
apresentou uma variação razoável ao longo das zonas de concentração de dados no SIG.
Foi então necessário algum tratamento dos temas antes obtidos para o adaptar aos
novos propósitos:
Os polígonos obtidos pela utilização do “Kernel Home Range” podem ser
visualmente interpretados como “a probabilidade de que os polígonos criados têm de
conter todas as observações” (Hooge, 1997); invertendo estas probabilidades podemos
obter algo como “a probabilidade de ocorrência de uma observação”. Apesar da relação
não ser completamente exacta, o facto não é relevante para a aplicação dos métodos a
seguir descritos. Desta forma foi criado um novo campo na tabela de atributos do tema, em
- 78 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
que a nova probabilidade foi calculada como “100 – probabilidade inicial”. O tema foi
então reclassificado e legendado a partir deste novo campo “100-KernelHR”.
Outro problema encontrado foi o facto de existirem algumas zonas de sobreposição
de polígonos de vários casais. Considerou-se que seria útil, nessas zonas, ficar com as
zonas de maior probabilidade de ocorrência. Ao converter o tema para formato raster
(compatível com os outros temas), foi possível esta operação, mas unicamente se fosse
utilizado o campo de probabilidade original como campo para valor das células (tem a ver
com o próprio funcionamento da função). Foi então necessária uma nova reclassificação
dos valores e o corte do tema pelos limites dos buffers de 1,5km dos 20 ninhos
seleccionados (“Clip Grid” da extensão “Spatial Tools”), obtendo-se assim o tema final de
base para a análise estatística que se seguiu – “100-KernelHR 20”.
Figura 38 – Polígonos de probabilidades originais do tema “Kernel Home Range” (à esquerda – graduação branco[5%] a vermelho [95%]) e tema final “100-KernelHR”, em formato raster (à direita, com
igual notação), ambos com sobreposição de ninhos e observações.
- 79 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
Foi então necessário a extracção de valores relevantes para esta análise. Consoante a
natureza de cada um dos temas que continham as variáveis a analisar assim foi escolhida a
função que mais se adequava.
1) “Summarize Zones” (“Spatial Analyst”) – Utilizado para temas em que os
valores presentes nas células são contínuos (por exemplo, para variáveis de
proximidade). A função necessita como input a escolha de dois temas, um como
base e outro a sumariar, e apresenta como output uma tabela, com os parâmetros
estatísticos mais comuns (nº de píxeis, área, valores mínimos, máximos e médios,
desvio padrão e soma) que reflectem os valores do tema a sumariar encontrados
em cada uma das zonas do tema de base. O tema de base foi, invariavelmente, o
“100-KernelHR 20” antes gerado.
VALUE COUNT AREA MIN MAX RANGE MEAN STD SUM0 1621 1013125 800,00 4341,95 3541,95 1658,50 629,43 2688429,755 3360 2100000 540,83 4360,05 3819,21 1802,32 594,88 6055810,50
10 4542 2838750 250,00 4370,14 4120,14 2010,21 707,59 9130374,0015 10582 6613750 100,00 5786,62 5686,62 2419,90 887,32 25607424,0020 13988 8742500 0,00 5759,01 5759,01 2596,66 994,23 36322072,0025 18597 11623125 0,00 5676,49 5676,49 2577,47 964,91 47933288,0030 16988 10617500 0,00 5611,21 5611,21 2650,37 1012,26 45024508,0035 14665 9165625 125,00 5544,87 5419,87 2747,32 1037,37 40289480,0040 12291 7681875 251,25 5487,31 5236,07 2722,58 1071,36 33463168,0045 11854 7408750 357,95 5419,70 5061,75 2741,38 1096,64 32496276,0050 11402 7126250 467,04 5381,10 4914,06 2777,92 1109,78 31673872,0055 10403 6501875 436,61 5325,06 4888,45 2856,02 1144,77 29711160,0060 9672 6045000 442,30 5277,31 4835,02 2908,28 1170,64 28128888,0065 9863 6164375 515,39 5225,54 4710,15 2901,08 1139,42 28613334,0070 9337 5835625 625,00 5243,63 4618,63 2927,99 1141,37 27338662,0075 8955 5596875 735,27 5304,07 4568,79 3009,13 1119,97 26946762,0080 9367 5854375 874,64 5371,22 4496,58 3076,71 1057,54 28819524,0085 8786 5491250 1020,42 5456,93 4436,52 3159,18 1084,62 27756562,0090 7988 4992500 1209,60 5533,14 4323,54 3357,60 996,23 26820536,0095 7420 4637500 1394,63 5513,28 4118,65 3504,23 1031,55 26001398,00
Quadro 9 – Exemplo de dos dados obtidos pela aplicação da função “Summarize Zones” a um dos temas de proximidade (Distância a Pombais).
2) “Tabulate Areas” (“Spatial Analyst”) – Esta função permite calcular o número de
píxeis (e, consequentemente, a área) de elementos de um determinado tipo nas
áreas definidas por outro tema (neste caso, o “100-KernelHR 20”).
3) “Crosstabulate Table” (“Patch Analyst”) – Função utilizada para criação de
tabelas cruzadas e que se demonstrou útil na criação de variáveis a partir dos
- 80 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
temas anteriormente criados em formato vectorial (Intersecção de
[Buffers/Satélite] e [Buffers/Corine]). Foi assim possível a obtenção de tabelas
em que, para cada buffer (ninho), se pode saber a área ocupada por cada uso de
solo (Satélite e Corine).
3) “Spatial Statistics” (“Patch Analyst”) – Este módulo permite a criação de tabelas
com um conjunto de estatísticas específicas que reflectem a estrutura física dos
elementos vectoriais constituintes dos temas. Mais uma vez, este processo foi
apenas aplicado a dois temas - Intersecção de [Buffers/Satélite] e
[Buffers/Corine].
Figura 39 – Pormenor do tema raster “100-KernelHR 20” na zona de um ninho, com imagem de satélite em fundo e sobreposição de [Observações+Ninhos].
Os dados assim obtidos foram então importados para Excel16 onde a sua organização
e estruturação para utilização posterior se tornou mais fácil.
16 Microsoft Excel é uma marca registada da Microsoft Corporation.
- 81 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
4.3 - Tratamento estatístico
A grande quantidade de informação gerada nem sempre será adequada para um
tratamento estatístico específico, sendo pois necessário efectuar uma pré-selecção dessa
mesma informação. Apresenta-se no Anexo II a lista das variáveis geradas durante o
procedimento anterior, que se consideraram à partida com potencialidade para integração
numa análise multivariada de regressão múltipla (perfazendo um total de 58).
Tal como referido por Hair (1998), as assunções do modelo final têm que ir ao
encontro das estipuladas para cada uma das variáveis independentes. Assim, iniciou-se esta
análise com estudo univariado da cada uma das variáveis anteriormente escolhidas.
4.3.1 - Análise Univariada - Regressão Simples
Após a importação dos dados para o programa Statistica17 foi realizada uma análise
univariada às 58 variáveis referidas, utilizando como variável dependente o índice
100-KernelHR20 calculado, com as 20 classes de probabilidades de presença; desta forma
foi possível obter uma medida do nível de significância de cada uma das variáveis
(StatSoft Inc, 1996).
Apresentam-se em Anexo os resumos individuais de cada uma destas análises,
resultantes do output do programa Statistica. O nível de significância estatística de cada
uma das variáveis foi colorido a verde ou vermelho, consoante a esta fosse,
respectivamente, significativa ou não ([p-value]<0.05). Um total de 29 variáveis
significativas foi contabilizado (os nomes das variáveis foram coloridos a azul).
17 Statistica é uma marca registada da StatSoft, Inc.
- 82 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
4.3.2 - Análise Multivariada – Regressão Múltipla
Para a concretização do processo de regressão múltipla é necessário que o nº de
variáveis a analisar seja menor que o número de classes da variável independente menos 1,
ou seja; neste caso, o número de variáveis a utilizar tem de ser menor que 20-1 (<=18).
Como se chegou a esta fase com um total de 29 variáveis significativas foi necessário
reduzir esse número.
O método utilizado para atingir este objectivo baseou-se na concretização de uma
matriz de correlação entre todas estas variáveis, de maneira a ser possível escolher aquelas
que fossem redundantes entre si. O coeficiente de correlação de Pearson (r) é um dos
índices mais utilizados para este tipo de análises (StatSoft, 1996). Usando uma linguagem
não técnica pode-se dizer que o coeficiente de correlação determina até que ponto duas
variáveis são proporcionais entre si (StatSoft, 1996).
A escolha de qual, de entre cada par de variáveis correlacionadas, seria eliminada
baseou-se no seu nível de significância anteriormente obtido durante fase de análise
univariada.
Chegou-se então a um número final de 18 variáveis para entrada na análise de
regressão múltipla.
O passo seguinte consistiu na aplicação de um dos métodos de regressão mais
utilizados neste tipo de análise - a retro-selecção (Hair, 1995) – através da utilização uso do
programa “Statistica”. Pela aplicação deste tipo de análise foi possível observar,
passo-a-passo, os resultados estatísticos e capacidade descritiva do modelo à medida que se
eliminava cada uma das variáveis; esta eliminação é feita com base na menor contribuição
parcial de cada variável para o modelo. O quadro seguinte mostra a sequência de
eliminação de variáveis implementada por este método, assim como o estado final do
modelo após cada passo.
- 83 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
VAR Step +in/-out Multiple R Multiple R-
squareR-square change F - to entr/rem p-level Variables
includedC_3111 -1 0.999988541 -2.0786E-05 9.750890742 0.1973026 17
DPOMB_MD -2 0.999981447 -1.4189E-05 1.238254337 0.3816285 16HS100_40 -3 0.999879645 -0.00020359 16.460104694 0.0269866 15
C_3220 -4 0.999765235 -0.00022878 3.801944727 0.1229773 14SAT_3 -5 0.999283994 -0.00096202 10.245761013 0.0239711 13C_2420 -6 0.999188303 -0.00019124 0.801545571 0.4051144 12SAT_5 -7 0.999000651 -0.00037496 1.617485451 0.2440639 11C_3116 -8 0.998905121 -0.00019086 0.764320115 0.4074579 10
DRVMC_MD -9 0.998684421 -0.00044087 1.812978054 0.2110786 9HS180_60 -10 0.998253294 -0.00086093 3.274228061 0.1004870 8
ASPNS_MD -11 0.995779990 -0.00493185 15.542905561 0.0023023 7DESTP_MD -12 0.993701103 -0.00413591 5.892854804 0.0318766 6
SAT_4 -13 0.988075193 -0.01114930 11.541607086 0.0047670 5C_2440 -14 0.981626033 -0.01270292 7.501487042 0.0159901 4C_2410 -15 0.970723438 -0.02128568 8.769081132 0.0097086 3
INCL_MD -16 0.925093925 -0.08650522 23.989243231 0.0001609 2C_2110 -17 0.832933822 -0.16202002 19.100671358 0.0004168 1
DSEDF_MD -18 0 -0.69377875 40.781028665 0.0000052 0
0.9999770830.9999628940.9997593040.9995305250.9985685010.9983772650.9980023010.9978114410.9973705730.9965096390.9915777890.9874418830.9762925870.9635896690.9423039920.8557987700.693778751
0
Quadro 10 – Resultados da retro-regressão – output do Statistica (StatSoft, 1996).
Pela análise do quadro anterior, pode-se constatar o decréscimo progressivo do
coeficiente de determinação múltiplo (R2 múltiplo) à medida que se removem variáveis do
modelo, denotando uma crescente perda de poder explicativo do mesmo:
Variação do R2 Múltiplo com a eliminação de variáveis
0,00,10,20,30,40,5
0,60,70,80,91,0
17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
Nº de variáveis incluídas no modelo
R2 M
últip
lo
Figura 40 – Variação dos valores coeficiente de determinação múltiplo (R2 Múltiplo) à medida que se vão eliminando as variáveis do modelo multivariado.
- 84 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
O valor do coeficiente de determinação múltiplo mede a variância da variável
dependente que é explicada pelas variáveis independentes (Sokal, 1995). Observando o
gráfico anterior pode-se verificar que a quantidade de variância explicada sofre, a partir de
dado momento, uma quebra muito acentuada. Foi com base nesta constatação, e pelo facto
de que um modelo terá sempre uma maior viabilidade de aplicação quanto menor for o
número de variáveis explicativas (Sokal. 1995), que se estabeleceu o critério para a escolha
do número de variáveis a incluir no modelo.
Definiu-se que as variáveis do modelo final de regressão teriam que explicar mais do
que 95% da variância observada na variável dependente. O modelo final obtido, com 4
variáveis independentes, foi o seguinte:
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .98162603 R²= .96358967 Adjusted R²= .95388025F(4,15)=99.243 p<.00000 Std.Error of estimate: 6.3525
St. Err. St. Err.BETA of BETA B of B t(15) p-level
Intercpt -77.2941 68.33775 -1.13106 0.27579DSEDF_MD 0.761187 0.118617 0.063418 0.009883 6.417184 1.16E-05INCL_MD -1.3436 0.209939 -11.4053 1.782094 -6.39996 1.19E-05C_2110 -1.53198 0.186018 -231.483 28.1074 -8.23567 6.01E-07C_2410 -0.45146 0.152457 -205.895 69.52957 -2.96126 0.009709
Quadro 11 – Modelo final de regressão múltipla – output do Statistica (StatSoft, 1996).
Todas as variáveis que incorporaram este modelo apresentaram um nível de
significância muito elevado (p-level << 0,05) e a variância total explicada pelo modelo foi
de 95,29% (R2 múltiplo ajustado).
No gráfico seguinte pode-se observar a relação entre os valores originalmente
observados do índice “100-KernelHR 20” (variável dependente) e os previstos pela recta
de regressão múltipla determinada, com delimitação dos limites de confiança do modelo,
estimados a 95%.
- 85 -
__________________________________________ TRATAMENTO DE DADOS PROVENIENTES DO SIG
Regression95% confid.
Predicted vs. Observed ValuesDependent variable: VAR1
Predicted Values
Obs
erve
d V
alue
s
-10
10
30
50
70
90
110
-10 10 30 50 70 90 110
Figura 41 – Valores previstos pela regressão face aos valores observados - output do Statistica (StatSoft, 1996).
Traduzindo numa fórmula matemática o modelo final, temos:
C_2410BC_2110BMDINCLBMDDSEDFBBY CCMDINCLMDDSEDFIntercept ×+×+×+×+= 2410_2110___ __ˆ ,
ou, substituindo as coeficientes de correlação parciais (Bvar) pelos valores encontrados
para o modelo de regressão múltipla:
C_2410C_2110MDINCLMDDSEDFKernelHR ×−×−×−×+−=− 895.205483.231_405.11_0034.0294.77)20100(
- 86 -
____________________________________________ APRESENTAÇÃO E APRECIAÇÃO DE RESULTADOS
5 - APRESENTAÇÃO E APRECIAÇÃO DE RESULTADOS
5.1 - O SIG Bonelli
O SIG Bonelli, em si, pode ser encarado como um dos mais evidentes resultados
deste trabalho. O contínuo processo de introdução de novos dados deve ser visto como
uma prioridade, de maneira a aumentar as capacidades e possibilidades de análise aqui
evidenciadas. Pensa-se que a estrutura escolhida para a concepção deste SIG tem bases
sólidas para uma continuação do trabalho até aqui efectuado.
5.2 - Análises Univariadas
Dos muitos resultados que se obtiveram a partir do SIG, alguns demonstraram-se
particularmente úteis e, intuitivamente, relacionados com a realidade – tal foi o caso das
análises univariadas a algumas das variáveis criadas em ArcView.
Constatou-se que, das 58 variáveis inicialmente escolhidas, 29 apresentavam
significância estatística (p-value<0,05) (Statsoft, 1996) ao descrever a variação do índice
“100-KerneHR 20” (variável dependente, escolhida para calculo da probabilidade de
ocorrência da espécie na área de estudo) na zona dos buffers de 1,5 Km à volta dos ninhos.
Pela análise dos resultados univariados destas 29 variáveis verificou-se que:
a) As variáveis modeladas que descrevem a distância a sedes de freguesia
(aglomerados populacionais) e a distância a pombais (também representativos
de alguma actividade humana) apresentaram uma elevada significância estatística
(p-value<0,005) ao descrever o comportamento da variável dependente. Os
- 87 -
____________________________________________ APRESENTAÇÃO E APRECIAÇÃO DE RESULTADOS
coeficientes de determinação parciais (Bvar) foram, para estas variáveis,
invariavelmente positivos, denotando uma relação directa entre a probabilidade
de encontrar a espécie e a distância a zonas dominadas pelo homem; isto é,
quanto mais nos distanciarmos de aglomerados populacionais mais probabilidade
temos de encontrar um espécime de Hieraaetus fasciatus. O facto de os pombais
representarem também uma fonte potencial de alimento não parece,
estatisticamente, sobrepor-se à forte influência humana. Este facto pode-se
constatar graficamente:
Distância a pombaisy = 73,662x + 1946,8
R2 = 0,8668
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95
Grupos de Probabilidades (%)
Méd
ia (m
)
Figura 42 - Gráfico com os dados da variável DPMB_MD obtidos para as 20 classes de probabilidades, com sobreposição de uma recta de regressão linear (fórmula em cima, à esquerda, com o
respectivo coeficiente de determinação)
b) A distância a vias de comunicação, dentro da área de 1,5 Km do ninho, também
parece influenciar da mesma forma distribuição da Águia de Bonelli,
evidenciando a necessidade de distanciamento desta rapina em relação ao
homem, já antes denotada;
- 88 -
____________________________________________ APRESENTAÇÃO E APRECIAÇÃO DE RESULTADOS
c) No que se refere a variáveis modeladas tendo como base inicial a topologia foi
possível observar, por exemplo, uma forte preferência desta ave por zonas
orientadas a norte (BASPNS_MD muito positivo e elevada significância estatística).
d) Da mesma forma que a variável anterior, verificou-se que a inclinação do
terreno (INC_MD e INC2_MD) e a altitude (ELEV_MN) estão também
positivamente correlacionadas com a distribuição da Águia de Bonelli.
Intuitivamente, se ponderarmos em conjunto estes dois factores, constatamos aqui
a preferência desta ave por zonas montanhosas com relevo irregular.
e) As várias variáveis utilizadas para a representação da exposição (HSx_y)
apresentaram, todas elas, também uma forte relação com a variável dependente,
mas desta vez sempre negativa (coeficiente de determinação parcial negativo);
sabendo que estas variáveis apresentam valores mais elevados quanto maior for a
exposição, a justificação deste comportamento torna-se evidente e denota uma
maior necessidade de zonas menos expostas. Tal constatação pode ser ainda mais
evidenciada pelo já referido facto da preferência de zonas orientadas a norte que,
por si só, já implicam um menor número de horas de exposição ao sol.
f) As variáveis provenientes dos usos do solo do “Corine Land Cover” também
foram de grande utilidade na comprovação estatística do comportamento
esperado desta ave. Genericamente verificou-se que os usos de solo relacionados
com meios florestais e semi-naturais (C_3xyz) estavam positivamente
relacionados com a distribuição espacial da Águia de Bonelli; áreas com
ocupação agrícola (C_2xyz) denotaram precisamente o contrário, exceptuando um
único caso – os “territórios agrícolas agro-florestais” (C_2440). A justificação
deste facto salta à vista pela própria denominação do uso de solo - estes tipos de
territórios, caracterizados por florestas relativamente densas, podem-se quase
- 89 -
____________________________________________ APRESENTAÇÃO E APRECIAÇÃO DE RESULTADOS
considerar como sendo territórios florestais semi-naturais, pelos quais esta rapina
mostra, estatisticamente, uma preferência natural. A ausência de quaisquer
“Territórios Artificializados” (códigos Corine - C_1xyz) também confirma a
aversão natural desta ave ao contacto com o homem
Em resumo, a análise univariada às variáveis criadas no SIG revelou-se aqui uma
ferramenta adequada para a validação estatística de alguns pressupostos já conhecidos
intuitivamente.
A elevada adequação e significância estatística de algumas das variáveis criadas,
pouco frequente em estudos desta índole, pode ser justificada pelo método empregado: a
utilização de uma derivação do “Kernel Home Range” como base para esta análise. Este
índice pressupõe, à partida, uma distribuição concêntrica das áreas de probabilidade, ou
seja, implica uma aumento a probabilidade à medida que nos aproximamos da zona central
da distribuição dos pontos de amostragem (Hooge, 1997); este facto pode ter alguma
influência em algumas variáveis específicas, particularmente nas que têm em conta o factor
“proximidade”. A validade dos resultados obtidos para este caso específico é, de qualquer
forma, um facto a não ignorar.
5.3 - Análise de Regressão Múltipla
A criação de um modelo de regressão múltipla tinha à partida um objectivo
específico: a criação de um mapa de distribuição da espécie para a área de estudo, baseado
numa modificação do “Kernel Home Range”.
O modelo final, antes determinado, demonstrou ser estatisticamente significativo,
justificando cerca de 95% da variância observada na variável dependente.
A aplicação deste modelo às variáveis existentes no SIG Bonelli é um processo
relativamente simples: consiste numa operação de álgebra de mapas (função “Map
- 90 -
____________________________________________ APRESENTAÇÃO E APRECIAÇÃO DE RESULTADOS
Calculator”) utilizando a fórmula encontrada para o modelo multivariado; as variáveis
independentes são os temas originais (em formato raster) das variáveis do modelo.
No entanto, pelo facto de nem todas as variáveis do modelo de regressão múltipla
terem sido modeladas para toda a área de estudo, a construção de um mapa final da
distribuição da Águia de Bonelli não foi aqui possível. Para atingir tais objectivos seria
necessário a aquisição de um elevado volume de informação (impossível neste momento,
devido aos elevados custos monetários), principalmente referente à criação de modelos
digitais de terreno, a partir dos quais muitas variáveis topológicas aqui consideradas foram
criadas.
- 91 -
________________________________________________________________________ CONCLUSÃO
6 - CONCLUSÃO
A criação de um Sistema de Informação Geográfica não é um processo estático. A
sua actualização é imperativa e a integração de nova informação deve ser um processo
contínuo, por forma a progressivamente aumentar as suas potencialidades e a robustez das
análises sobre ele efectuadas. Só desta forma será possível a descoberta de novas
abordagens e a criação de variáveis e modelos mais específicos e mais ajustados ao
fenómeno em estudo.
Verificou-se, durante o decorrer do trabalho, que os recursos de hardware e software
desempenham por vezes um papel limitante, ao não permitirem a realização de certas
operações em volumes elevados de dados. No entanto, na sua maioria, os programas
utilizados demonstraram excelentes capacidades para o tratamento e integração de dados
de natureza muito diversa, evidenciando os SIG como uma das mais poderosas ferramentas
hoje disponíveis para estudos de carácter ecológico.
Os procedimentos aplicados e descritos neste trabalho são comuns a muitos outros
pacotes de software de SIG existentes no mercado; o facto de se ter aqui utilizado uma ou
outra nomenclatura para descrever uma determinada operação, em um ou outro pacote de
software não é, hoje em dia, de forma alguma redutor.
As análises univariadas às variáveis geradas através do SIG demostraram ter uma
elevada capacidade para a comprovação estatística de pressupostos que, à partida, são
meramente intuitivos. Verificou-se que através dos utilização dos métodos aqui aplicados
que é possível o estudo de fenómenos ecológicos complexos e que a aplicação dos SIG a
estudos desta natureza é uma mais valia que não pode ser ignorada.
- 92 -
________________________________________________________________________ CONCLUSÃO
Pensa-se que os objectivos inicialmente delimitados para este trabalho metodológico
foram cumpridos com sucesso. Este estudo pode servir como uma introdução vasto
universo dos SIG e como guia de referência para a aplicação de algumas das técnicas mais
difundidas para integração e análise de informação neste tipo de sistemas, podendo
demonstrar-se particularmente útil em projectos com uma forte componente ecológica.
- 93 -
7 - BIBLIOGRAFIA
ARONOFF, STAN (1989) – Geographic Information Systems: A Management
Perspective. WDL Publications, Ottawa, Ontario, Canada.
BRUNN, BERTEL et al. (1995) – Guia Fapas – Aves de Portugal e Europa. 2ª Edição;
Câmara Municipal do Porto, Pelouro do Ambiente.
CASACA, JOÃO et al. (2000) – Topografia Geral. Lidel, Lisboa.
CONGALTON, RUSSEL G. & GREEN, KASS (1992) - The ABC of GIS – An
Introduction to geographic information systems. Journal of Forestry (p. 13-20).
CRAMP, S. et al. (1998) – The complete Birds of the Western Paleartic [CD-ROM].
Oxford University Press.
EASTMAN, J. RONALD (1977) – Idrisi for Windows – User’s Guide. Clark University,
Worcester, M.A., U.S.A..
ESRI (1996) – Using ArcView GIS [Manual do Programa de Computador].
Environmental Systems Research Institute Inc., Redlands, USA.
GOWER, J. C. (1966) - Some distances of latent root and vector methods used in
multivariate analysis. Biometrika.
HAIR, JOSEPH F. JR (1995) - Multivariate Data Analysis. 4ª Edição, Prentice-Hall
International (UK) Limited, London.
- 94 -
HOOGE, PHILIP N & EICHENLAUB, B. (1997) – Animal Movement Analysis ArcView
Extension [Manual do Programa de Computador]. USGS-BRD, Alaska Biological
Science Center, U.S. Geological Survey, Anchorage, AK, U.S.A., WEB:
http://www.absc.usgs.gov/glba/gistools/animal_mvmt.htm. Não publicado.
JENNRICH, R. I. & TURNER, F. B. (1969) – Measurements os non-circular home
ranges. J. Theor. Bio. (p. 22; 227-237).
JONHSTON, CAROL A. (1998) – Methods In Ecology – Geographic Information
Systems in Ecology. Natural Resources Research Institute, University of Minnesota,
Duluth, USA.
KENWARD, R. E. & HODDER, K. H. (1996) – Ranges V – An analysis system for
biological location data. Institute of Terrestrial Ecology, Furzebrook Research Station,
Wareham, U.K..
LEGENDRE, PIERRE & LEGENDRE, LOUIS (1998) - Numerical Ecology –
Developments in Environmental Modelling 20. Elsevier, Amsterdam (p. 303-312, 345-358,
391-395, 409, 424-425, 451-452).
LILLESAND, P. & KEIFER, R. W. (1994) – Remote Sensing And Image
Interpretation. 3rd Edition, Wiley, New York.
MCDONNEL, RACHERL & KEMP, KAREN (1995) – International GIS Dictionary.
GeoInformation International, Cambridge, USA.
SILVERMAN, B. W. (1986) – Density estimation for statistics and data analysis.
Chapman and Hall, London, UK.
- 95 -
SOKAL, ROBERT R. & HOHLF, F. JAMES (1995) – Biometry. 3ª Edição, W. H.
Freeman and Company, New York, USA.
STATSOFT, INC. (1996). STATISTICA for Windows [Manual do Programa de
Computador]. Tulsa, OK: StatSoft, Inc., 2300 East 14th Street, Tulsa, OK 74104, email:
[email protected], WEB: http://www.statsoftinc.com.
TOMLIN, C. DANA (1990) – Geographic Information Systems and Carographic
Modelling. Prentice-Hall, Inc. A Division of Simon & Schuster, Englewood Cliffs, USA.
WORTON, B. J. (1989) – Kernel methods for estimating the utilization distribution in
home-range studies. Ecology (p. 70; 164-168).
Endereços de World Wide Web (WWW - Internet) utilizados:
CNIG - Centro Nacional de Informação Geográfica: http://www.cnig.pt.
ESRI - Environmental Systems Research Institute: http://www.esri.com.
IGeoE – Instituto Geográfico do Exércio: http://www.igeoe.pt.
SNIG - Sistema Nacional de Informação Geográfica: http://snig.cnig.pt.
- 96 -
AANNEEXXOOSS
___________________________________________________________________________ ANEXOS
Anexo I – Legenda do Inventário cartográfico do “Corine Land Cover”
Os territórios delimitados pelo tema do inventário cartográfico do Corine contêm um
identificador numérico, de 4 caracteres, que expressam a classificação efectuada:
1 Territórios Artificializados 11 Zonas com dominância de habitação
1110 Tecido urbano contínuo
1120 Tecido urbano descontínuo
12 Zonas com revestimento dominantemente artificializado
1210 Espaços de actividades industriais, comerciais e de equipamentos gerais
1220 Infra-estruturas da rede de auto-estradas e da rede ferroviária
1230 Zonas portuárias
1240 Aeroportos
13 Zonas alteradas artificialmente, sem vegetação
1310 Pedreiras, zonas de extracção de areia, minas a céu aberto
1320 Descargas industriais, zonas de espalhamento de lixos
1330 Estaleiros
14 Zonas verdes ordenadas
1410 Espaços verdes urbanos
1420 Zonas com equipamentos desportivos e de ocupação de tempos livres
2 Área com Ocupação Agrícola 21 Áreas agrícolas com culturas anuais
2110 Zonas de utilização agrícola fora dos perímetros florestais
2120 Perímetros regados
2130 Arrozais
22 Culturas permanentes
2210 Vinhas
2211 - Vinha + Pomar
- I -
___________________________________________________________________________ ANEXOS
2212 - Vinha + Olival
2220 Pomares
2221 - Pomar + Vinha
2222 - Pomar + Olival
2230 Olivais
2231 - Olival + Vinha
2232 - Olival + Pomar
23 Pastagens
2310 Pastagens
24 Zonas Agrícolas heterogéneas
2410 Culturas anuais associadas às culturas permanentes
2420 Sistemas culturais e parcelares complexos
2430 Terras ocupadas principalmente por agricultura com espaços naturais importantes
2440 Territórios agro-florestais
3 Florestas e Meios Semi-Naturais 31 Florestas
3110 Folhosas
3111 - Sobreiro
3112 - Azinheira
3113 - Sobreiro / Azinheira
3114 - Castanheiro
3115 - Carvalho
3116 - Eucalipto
3120 Resinosas
3121 - Pinheiro Bravo
3122 - Pinheiro Manso
3130 Floresta com mistura de várias espécies florestais
32 Zonas com vegetação arbustiva ou herbácea
3210 Pastagens pobres, trilhos
- II -
___________________________________________________________________________ ANEXOS
3220 Landes e matagal
3230 Vegetação esclerofítica (por exemplo: maquial, carrascal e esteval)
3240 Espaços florestais degradados
33 Zonas descobertas sem ou com pouca vegetação
3310 Praias, dunas, areais e solos sem cobertura vegetal
3320 Rochas nuas
3330 Estepes sub-desérticas
3340 Zonas incendiadas recentemente
3350 Neves eternas e glaciares
4 Meios Aquáticos 41 Zonas húmidas continentais
4110 Zonas apaúladas
4120 Turfeiras
42 Zonas húmidas marítimas
4210 Sapais
4220 Salinas
4230 Zonas intertidais
5 Superfícies com Água 51 Zonas de água doce
5110 Linhas de água
5120 Planos de água, lagos
52 Zonas de água salgada
5210 Lagunas e cordões litorais
5220 Estuários
5230 Mar e Oceano
Fonte: Página oficial do SNIG na Internet (http://snig.cnig.pt).
- III -
___________________________________________________________________________ ANEXOS
Anexo II – Variáveis geradas com interesse para análise estatística
Seque-se uma lista das abreviaturas utilizadas para referência às variáveis criadas em
ArcView com interesse para a análise estatística:
DSedF_Mn Distância a Sedes de Freguesia (Mínimo)DSedF_Md Distância a Sedes de Freguesia (Média)DPomb_Mn Distância a Pombais (Mínimo)DPomb_Mx Distância a Pombais (Máximo)DPomb_Md Distância a Pombais (Média)DEstP_Md Distância a estradas principais (Média)DCas_Md Distância a casas (Média)
DRVMC_Md Distância à Rede Viária - Mínimo Carreteiros (Média)DRVT_Md Distância à Rede Viária - Tudo (Média)DRH_Mx Distância à Rede Hidrográfica - Tudo (Máximo)DRH_Md Distância à Rede Hidrográfica - Tudo (Média)Vis_Sm Visibilidade (Somatório)
AspNS_Md Orientação Norte/Sul (Média)AspEO_Md Orientação Este/Oeste (Média)
Incl_Md Inclinação (Média)Inc2_Md Inclinação da Inclinação (Média)Elev_Mn Elevação (Mínimo)Elev_Mx Elevação (Máximo)Elev_Md Elevação (Média)HS135-30 Exposição - 135º de orientação e 30º de elevação (Média)HS180-60 Exposição - 180º de orientação e 60º de elevação (Média)HS100-40 Exposição - 100º de orientação e 40º de elevação (Média)HS180-80 Exposição - 180º de orientação e 80º de elevação (Média)C_2110 Inventário cartográfico do Corine LandCover (*)C_2130 Inventário cartográfico do Corine LandCover (*)C_2410 Inventário cartográfico do Corine LandCover (*)C_2420 Inventário cartográfico do Corine LandCover (*)C_2430 Inventário cartográfico do Corine LandCover (*)C_2440 Inventário cartográfico do Corine LandCover (*)C_3110 Inventário cartográfico do Corine LandCover (*)C_3111 Inventário cartográfico do Corine LandCover (*)C_3116 Inventário cartográfico do Corine LandCover (*)C_3120 Inventário cartográfico do Corine LandCover (*)C_3130 Inventário cartográfico do Corine LandCover (*)C_3220 Inventário cartográfico do Corine LandCover (*)C_3230 Inventário cartográfico do Corine LandCover (*)C_3240 Inventário cartográfico do Corine LandCover (*)SAT_2 Mancha 2 da Imagem de Satélite - Classe ASAT_3 Mancha 3 da Imagem de Satélite - Classe BSAT_4 Mancha 4 da Imagem de Satélite - Classe CSAT_5 Mancha 5 da Imagem de Satélite - Classe DSAT_6 Mancha 6 da Imagem de Satélite - Classe ESAT_7 Mancha 7 da Imagem de Satélite - Classe FSAT_8 Mancha 8 da Imagem de Satélite - Classe G
CASAS_0 Presenças de ruínasCASAS_1 Presenças de casasCasas_Sm Presença de Ruínas e Casas
RV_0 Rede Viária - Caminhos de pé postoRV_1 Rede Viária - CarreteirosRV_2 Rede Viária - Caminhos Dando acesso a carrosRV_4 Rede Viária - Estradas
RV_Sum Rede Viária - TudoRH_0 Rede Hidrográfica - Linhas de águaRH_1 Rede Hidrográfica - RibeirosRH_3 Rede Hidrográfica - Rios
RH_10 Rede Hidrográfica - ReservatóriosRH_11 Rede Hidrográfica - Arrozais
RH_Sum Rede Hidrográfica - Tudo* Consultar Anexo I - Legenda do Inventário cartográfico Do Corine Land Cover
- IV -
___________________________________________________________________________ ANEXOS
Anexo III – Sumários das análises univariadas às variáveis geradas
Apresentam-se aqui os vários outputs obtidos a partir da análise de regressão
univariada (realizada no programa Statistica) às variáveis criadas em ArcView:
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .98313060 R²= .96654578 Adjusted R²= .96468721F(1,18)=520.05 p<.00000 Std.Error of estimate: 1.1117
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -9,6210874 0,9166776 -10,495607 4,221E-09DSEDF_MN 0,9831306 0,0431111 0,0095801 0,0004201 22,804577 9,885E-15
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .83293382 R²= .69377875 Adjusted R²= .67676646F(1,18)=40.781 p<.00001 Std.Error of estimate: 3.3635
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -63,28358 11,578407 -5,4656551 3,428E-05DSEDF_MD 0,83293382 0,1304312 0,0138791 0,0021734 6,3860026 5,162E-06
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .70553184 R²= .49777518 Adjusted R²= .46987380F(1,18)=17.841 p<.00051 Std.Error of estimate: 4.3075
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 5,2413227 1,5740934 3,3297406 0,0037282DPOMB_MN 0,70553184 0,1670371 0,0103661 0,0024542 4,2238043 0,0005105
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .40462538 R²= .16372170 Adjusted R²= .11726179F(1,18)=3.5239 p<.07679 Std.Error of estimate: 5.5584
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -18,613293 15,558495 -1,1963428 0,247084DPOMB_MX 0,40462538 0,2155456 0,0054937 0,0029265 1,8772147
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .93100172 R²= .86676420 Adjusted R²= .85936221F(1,18)=117.10 p<.00000 Std.Error of estimate: 2.2186
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -21,508611 2,9992621 -7,1713008 1,121E-06DPOMB_MD 0,93100172 0,0860348 0,0117668 0,0010874 10,821221 2,616E-09
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .15950720 R²= .02544255 Adjusted R²= -----F(1,18)=.46992 p<.50176 Std.Error of estimate: 6.0004
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 3,6654286 10,059952 0,3643585 0,7198355DESTP_MD 0,1595072 0,2326845 0,0037173 0,0054228 0,6855085
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .01113170 R²= .00012391 Adjusted R²= -----F(1,18)=.00223 p<.96285 Std.Error of estimate: 6.0778
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 10,920144 8,9987887 1,2135127 0,240618DCAS_MD -0,0111317 0,2356877 -0,0008514 0,0180268 -0,0472307
0,0767933
0,5017571
0,9628494
- V -
___________________________________________________________________________ ANEXOS
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .56157926 R²= .31537126 Adjusted R²= .27733633F(1,18)=8.2916 p<.00998 Std.Error of estimate: 5.0292
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 0,6382941 3,6046857 0,1770735 0,861428DRVMC_MD 0,56157926 0,1950255 0,0402058 0,0139627 2,8795177 0,0099768
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .55310707 R²= .30592743 Adjusted R²= .26736784F(1,18)=7.9339 p<.01142 Std.Error of estimate: 5.0638
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -3,7743724 5,1926926 -0,7268623 0,4766578DRVT_MD 0,55310707 0,196366 0,1308233 0,0464454 2,8167158 0,01142
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .33580375 R²= .11276416 Adjusted R²= .06347328F(1,18)=2.2877 p<.14776 Std.Error of estimate: 5.7252
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 3,5587658 4,7643921 0,7469507 0,4647393DRH_MX 0,33580375 0,2220155 0,0174266 0,0115215 1,5125239
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .03814422 R²= .00145498 Adjusted R²= -----F(1,18)=.02623 p<.87315 Std.Error of estimate: 6.0738
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 12,854447 14,601402 0,880357 0,390269DRH_MD -0,0381442 0,2355307 -0,0440604 0,2720618 -0,1619501
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .36758727 R²= .13512040 Adjusted R²= .08707154F(1,18)=2.8121 p<.11083 Std.Error of estimate: 5.6527
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 3,1710036 4,5495506 0,6969927 0,4947115VIS_SM 0,36758727 0,2192005 0,0028904 0,0017236 1,6769453
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .68700977 R²= .47198242 Adjusted R²= .44264811F(1,18)=16.090 p<.00082 Std.Error of estimate: 4.4167
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 11,904831 1,0478666 11,361017 1,211E-09ASPNS_MD 0,68700977 0,1712726 56,634995 14,119194 4,0112061 0,0008191
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .07085011 R²= .00501974 Adjusted R²= -----F(1,18)=.09081 p<.76660 Std.Error of estimate: 6.0629
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 11,084905 2,367542 4,6820309 0,0001856ASPEO_MD 0,07085011 0,2351099 6,233662 20,685865 0,3013489
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .69614446 R²= .48461711 Adjusted R²= .45598472F(1,18)=16.925 p<.00065 Std.Error of estimate: 4.3635
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -7,5675244 4,498738 -1,6821438 0,1098074INCL_MD 0,69614446 0,1692111 1,1818642 0,2872744 4,11406 0,0006515
0,1477599
0,8731492
0,1108333
0,766602
- VI -
___________________________________________________________________________ ANEXOS
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .67059238 R²= .44969414 Adjusted R²= .41912159F(1,18)=14.709 p<.00121 Std.Error of estimate: 4.5090
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -11,457527 5,8132992 -1,9709165 0,0643093INC2_MD 0,67059238 0,1748501 2,7055084 0,7054335 3,8352422 0,0012123
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .84096059 R²= .70721471 Adjusted R²= .69094886F(1,18)=43.479 p<.00000 Std.Error of estimate: 3.2889
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -1,9244944 2,0226926 -0,9514517 0,3539772ELEV_MN 0,84096059 0,1275376 0,5079348 0,0770319 6,5938228 3,419E-06
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .23782570 R²= .05656106 Adjusted R²= .00414779F(1,18)=1.0791 p<.31264 Std.Error of estimate: 5.9038
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 26,20139 15,172256 1,7269278 0,1013014ELEV_MX -0,2378257 0,2289395 -0,0334921 0,0322406 -1,0388148
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .24813100 R²= .06156899 Adjusted R²= .00943394F(1,18)=1.1810 p<.29150 Std.Error of estimate: 5.8881
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 1,7264818 8,1800758 0,2110594 0,835212ELEV_M
0,3126448
0,2915012D 0,248131 0,228331 0,0415409 0,0382261 1,0867161
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .76010108 R²= .57775365 Adjusted R²= .55429552F(1,18)=24.629 p<.00010 Std.Error of estimate: 3.9496
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 146,79173 27,477 5,3423493 4,452E-05HS135_30 -0,7601011 0,1531605 -1,1599325 0,2337266 -4,9627757 0,0001006
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .79694510 R²= .63512150 Adjusted R²= .61485047F(1,18)=31.331 p<.00003 Std.Error of estimate: 3.6715
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 256,00633 43,868041 5,8358277 1,58E-05HS180_60 -0,7969451 0,1423764 -1,1681041 0,2086849 -5,5974538 2,597E-05
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .59068295 R²= .34890635 Adjusted R²= .31273448F(1,18)=9.6458 p<.00610 Std.Error of estimate: 4.9045
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 134,3338 39,887282 3,3678353 0,003427HS100_40 -0,590683 0,190189 -0,8169558 0,2630447 -3,1057676 0,0061018
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .76524085 R²= .58559356 Adjusted R²= .56257098F(1,18)=25.436 p<.00008 Std.Error of estimate: 3.9128
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 306,22868 58,643603 5,22186 5,758E-05HS180_80 -0,7652408 0,1517319 -1,2375944 0,2453902 -5,0433737 8,453E-05
- VII -
___________________________________________________________________________ ANEXOS
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .63535112 R²= .40367105 Adjusted R²= .37054166F(1,18)=12.185 p<.00261 Std.Error of estimate: 4.6937
St. Err. St. Err.BETA of BETA B of B t(18)
Intercpt 13,00933 1,2721348 10,226C_2110 -0,6353511 0,1820148 -19,200367 5,5005032 -3,4906
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .42173086 R²= .17785692 Adjusted R²= .13218230F(1,18)=3.8940 p<.06401 Std.Error of estimate: 5.5112
St. Err. St. Err.BETA of BETA B of B t(18)
Intercpt 11,130213 1,2730577 8,7428C_2130 -0,4217309 0,2137162 -1641,4372 831,81424 -1,9733
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .64581635 R²= .41707876 Adjusted R²= .38469425F(1,18)=12.879 p<.00210 Std.Error of estimate: 4.6407
St. Err. St. Err.BETA of BETA B of B t(18)
Intercpt 12,713408 1,2071399 10,531C_2410 -0,6458164 0,179957 -58,906405 16,414292 -3,5887
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .61396884 R²= .37695774 Adjusted R²= .34234428F(1,18)=10.890 p<.00398 Std.Error of estimate: 4.7977
St. Err. St. Err.BETA of BETA B of B t(18)
Intercpt 12,140921 1,1824309 10,267C_2420 -0,6139688 0,1860469 -604,6229 183,21489 -3,3000
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .18809453 R²= .03537955 Adjusted R²= -----F(1,18)=.66019 p<.42711 Std.Error of estimate: 5.9697
St. Err. St. Err.BETA of BETA B of B t(18)
Intercpt 9,5226989 1,7968309 5,299C_2430 0,18809453 0,2314952 42,234671 51,979839 0,8125
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .69299429 R²= .48024109 Adjusted R²= .45136559F(1,18)=16.631 p<.00071 Std.Error of estimate: 4.3820
St. Err. St. Err.BETA of BETA B of B t(18)
Intercpt 3,7283845 1,9280104 1,933C_2440 0,69299429 0,1699279 284,40121 69,73752 4,0781
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .35757002 R²= .12785632 Adjusted R²= .07940389F(1,18)=2.6388 p<.12166 Std.Error of estimate: 5.6763
St. Err. St. Err.BETA of BETA B of B t(18)
Intercpt 2,7212599 4,9539333 0,549C_3110 0,35757002 0,2201191 22,368886 13,770225 1,6244
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .48419356 R²= .23444341 Adjusted R²= .19191248F(1,18)=5.5123 p<.03052 Std.Error of estimate: 5.3182
St. Err. St. Err.BETA of BETA B of B t(18)
Intercpt 13,395205 1,7131227 7,8191C_3111 -0,4841936 0,2062303 -23,96288 10,206396 -2,3478
p-level377 6,321E-09564 0,0026103
p-level974 6,766E-08219
p-level844 4E-09264 0,0020992
p-level764 5,938E-09752 0,0039806
p-level719 4,876E-05202
p-level799 0,06902664 0,0007057
p-level313 0,5895413387
p-level741 3,389E-07298 0,0305152
0,0640141
0,4271093
0,1216637
- VIII -
___________________________________________________________________________ ANEXOS
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .79681715 R²= .63491757 Adjusted R²= .61463521F(1,18)=31.304 p<.00003 Std.Error of estimate: 3.6726
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 1,2997307 1,8380316 0,7071318 0,4885391C_3116 0,79681715 0,1424161 120,58932 21,553082 5,5949918 2,61E-05
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .12326675 R²= .01519469 Adjusted R²= -----F(1,18)=.27772 p<.60463 Std.Error of estimate: 6.0318
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 10,983305 1,6310168 6,734023 2,597E-06C_3120 -0,1232668 0,2339047 -192,7087 365,6742 -0,5269956
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .95177320 R²= .90587222 Adjusted R²= .90064290F(1,18)=173.23 p<.00000 Std.Error of estimate: 1.8648
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 4,031848 0,6445052 6,2557258 6,704E-06C_3130 0,9517732 0,072314 87,701503 6,6634052 13,161664 1,125E-10
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .75252455 R²= .56629319 Adjusted R²= .54219837F(1,18)=23.503 p<.00013 Std.Error of estimate: 4.0029
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 5,6016241 1,3498373 4,1498512 0,0006017C_3220 0,75252455 0,1552251 104,43706 21,542486 4,8479575 0,0001292
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .97480671 R²= .95024812 Adjusted R²= .94748413F(1,18)=343.80 p<.00000 Std.Error of estimate: 1.3557
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 2,1520054 0,5427778 3,9648003 0,0009083C_3230 0,97480671 0,0525737 105,97222 5,7153392 18,54172 3,544E-13
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .06638013 R²= .00440632 Adjusted R²= -----F(1,18)=.07966 p<.78097 Std.Error of estimate: 6.0648
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 10,175164 1,7786553 5,7207058 2,007E-05C_3240 0,06638013 0,2351824 9,3116857 32,990964 0,2822496
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .14291210 R²= .02042387 Adjusted R²= -----F(1,18)=.37529 p<.54779 Std.Error of estimate: 6.0158
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 5,4520453 8,3491167 0,6530086 0,5220048SAT_2 0,1429121 0,2332829 10,299296 16,812077 0,6126129
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .63444305 R²= .40251799 Adjusted R²= .36932454F(1,18)=12.126 p<.00266 Std.Error of estimate: 4.6983
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 15,123686 1,6931176 8,9324488 4,926E-08SAT_3 -0,6344431 0,1821907 -32,379797 9,2983874 -3,4823024 0,0026592
0,6046314
0,7809719
0,5477946
- IX -
___________________________________________________________________________ ANEXOS
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .51873944 R²= .26909061 Adjusted R²= .22848453F(1,18)=6.6269 p<.01910 Std.Error of estimate: 5.1964
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -1,6959749 4,8780589 -0,3476741 0,7321174SAT_4 0,51873944 0,2015095 95,199555 36,981214 2,574268 0,019104
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .49349893 R²= .24354120 Adjusted R²= .20151571F(1,18)=5.7951 p<.02702 Std.Error of estimate: 5.2865
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -0,9757039 4,9114246 -0,1986601 0,8447553SAT_5 0,49349893 0,2050012 98,729267 41,012485 2,4072979 0,0270189
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .90576845 R²= .82041648 Adjusted R²= .81043962F(1,18)=82.232 p<.00000 Std.Error of estimate: 2.5758
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -5,2967105 1,83474 -2,8868997 0,0098192SAT_6 0,90576845 0,0998842 136,14083 15,013024 9,0681815 3,936E-08
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .38640799 R²= .14931113 Adjusted R²= .10205064F(1,18)=3.1593 p<.09239 Std.Error of estimate: 5.6061
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 11,616617 1,4021639 8,2847782 1,484E-07SAT_7 -0,386408 0,2173948 -169,24261 95,216613 -1,7774483
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .32925688 R²= .10841010 Adjusted R²= .05887732F(1,18)=2.1887 p<.15632 Std.Error of estimate: 5.7393
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 9,4428148 1,4688828 6,4285692 4,742E-06SAT_8 0,32925688 0,2225596 10079,745 6813,3548 1,47941
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .07560718 R²= .00571645 Adjusted R²= -----F(1,18)=.10349 p<.75139 Std.Error of estimate: 6.0608
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 11,984248 4,8087574 2,4921714 0,0226738CASAS_0 -0,0756072 0,2350276 -693,91391 2157,0561 -0,3216949
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .15371016 R²= .02362681 Adjusted R²= -----F(1,18)=.43557 p<.51762 Std.Error of estimate: 6.0060
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 9,9090089 1,6141379 6,1388862 8,491E-06CASAS_1 0,15371016 0,2329012 3629,3471 5499,1758 0,6599802
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .01318794 R²= .00017392 Adjusted R²= -----F(1,18)=.00313 p<.95599 Std.Error of estimate: 6.0777
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 10,731667 4,3574757 2,4628175 0,0240964CASAS_SM -0,0131879 0,2356818 -100,64678 1798,6597 -0,0559565
0,0923949
0,1563196
0,7513896
0,5176233
0,9559929
- X -
___________________________________________________________________________ ANEXOS
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .31731905 R²= .10069138 Adjusted R²= .05072979F(1,18)=2.0154 p<.17280 Std.Error of estimate: 5.7641
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 4,0924953 4,6938968 0,8718759 0,3947572RV_0 0,31731905 0,2235209 160,21622 112,85699 1,4196393
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .49985433 R²= .24985435 Adjusted R²= .20817959F(1,18)=5.9953 p<.02482 Std.Error of estimate: 5.2644
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 24,965812 6,0240694 4,1443433 0,0006091RV_1 -0,4998543 0,204144 -163,19212 66,648789 -2,4485384 0,0248183
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .32880848 R²= .10811501 Adjusted R²= .05856585F(1,18)=2.1820 p<.15692 Std.Error of estimate: 5.7402
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 11,401015 1,4211162 8,0225777 2,354E-07RV_2 -0,3288085 0,2225964 -5896,2118 3991,6113 -1,4771508
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .29602154 R²= .08762875 Adjusted R²= .03694146F(1,18)=1.7288 p<.20507 Std.Error of estimate: 5.8058
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 11,675575 1,5763034 7,4069338 7,21E-07RV_4 -0,2960215 0,2251384 -579,9253 441,06062 -1,3148426
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .35835414 R²= .12841769 Adjusted R²= .07999645F(1,18)=2.6521 p<.12079 Std.Error of estimate: 5.6745
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 26,170566 9,7058483 2,6963708 0,014765RV_SUM -0,3583541 0,2200483 -119,79125 73,558118 -1,6285252
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .07403721 R²= .00548151 Adjusted R²= -----F(1,18)=.09921 p<.75640 Std.Error of estimate: 6.0615
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 16,940787 20,493258 0,8266517 0,4192582RH_0 -0,0740372 0,2350554 -36,658812 116,38541 -0,3149777
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .36342413 R²= .13207710 Adjusted R²= .08385916F(1,18)=2.7392 p<.11525 Std.Error of estimate: 5.6626
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 9,280456 1,4649972 6,3347945 5,719E-06RH_1 0,36342413 0,2195858 5737,9961 3466,9758 1,6550436
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .92856756 R²= .86223771 Adjusted R²= .85458425F(1,18)=112.66 p<.00000 Std.Error of estimate: 2.2560
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 5,3795435 0,6980009 7,7070719 4,152E-07RH_3 0,92856756 0,0874841 1631,3763 153,69848 10,614134 3,542E-09
0,1728
0,1569182
0,2050692
0,1207896
0,7564007
0,1152465
- XI -
___________________________________________________________________________ ANEXOS
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .34965165 R²= .12225627 Adjusted R²= .07349273F(1,18)=2.5071 p<.13074 Std.Error of estimate: 5.6945
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 11,78932 1,5114354 7,8000823 3,508E-07RH_10 -0,3496516 0,2208247 -7368,4894 4653,6155 -1,5833902
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .07097992 R²= .00503815 Adjusted R²= -----F(1,18)=.09115 p<.76619 Std.Error of estimate: 6.0629
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt 10,266868 1,5601988 6,5804867 3,51E-06RH_11 0,07097992 0,2351078 825,86846 2735,5353 0,3019038
Regression Summary for Dependent Variable: VAR1 (stat20.sta)R= .19729349 R²= .03892472 Adjusted R²= -----F(1,18)=.72902 p<.40442 Std.Error of estimate: 5.9587
St. Err. St. Err.BETA of BETA B of B t(18) p-level
Intercpt -7,3456111 20,943141 -0,3507407 0,7298543RH_SUM 0,19729349 0,2310694 99,416236 116,43593 0,8538278
0,1307441
0,7661858
0,4044205
- XII -
___________________________________________________________________________ ANEXOS
Anexo IV – Scripts desenvolvidos em linguagem Avenue
' Name: Get.PointValues_From_Grid ' Topics: Spatial Analist; Grid; Point Theme ' Description: Assign to the elements of a point theme (points) the values of the cells of a grid theme in the same spatial position. Main Script. ' Requires: Spatial Analyst; 2 Themes Selected: 1 PointTheme and 1 GridTheme. ' Author : Pedro Roque ‘------------------------------------------------------------------------------------------------------------------------------------ aView = av.GetActiveDoc Tema = aView.GetActiveThemes.Get(0) if (Tema.Is(Gtheme)) then gridtheme = aView.GetActiveThemes.Get(0) pointheme = aView.GetActiveThemes.Get(1) else gridtheme = aView.GetActiveThemes.Get(1) pointheme = aView.GetActiveThemes.Get(0) end nomecoluna = nil while (nomecoluna = nil) nomecoluna = MsgBox.Input("Enter the Name of the new Field (existing Field will be overwritten).","Field Name","GridVal") end tabelapontos = pointheme.GetFTab pontosxy = tabelapontos.FindField("Shape") grelha = gridtheme.GetGrid proj = aView.GetProjection tabelapontos.SetEditable (TRUE) if (tabelapontos.FindField(nomecoluna) = nil) then novacoluna = field.make(nomecoluna,#field_decimal,16,4) tabelapontos.addfields ({novacoluna}) tabelapontos.Calculate ("0",tabelapontos.FindField(nomecoluna)) else tabelapontos.Calculate ("0",tabelapontos.FindField(nomecoluna)) novacoluna = tabelapontos.FindField(nomecoluna) end if (tabelapontos.GetNumSelRecords = 0) then target = tabelapontos else target = tabelapontos.GetSelection end numrec = 0 for each rec in target ponto = tabelapontos.ReturnValue(pontosxy,rec) valor = grelha.CellValue (ponto,proj) tabelapontos.SetValue (novacoluna,rec,valor) numrec = numrec + 1 end tabelapontos.SetEditable(FALSE) MsgBox.Info("Processed "+numrec.AsString+" Points (records).","Script Completed Successfully")
- XIII -
___________________________________________________________________________ ANEXOS
' Name: Get.PointValues_From_Grid_Update ' Description: Update Script for Get.PointValues_From_Grid. ' Author : Pedro Roque ‘------------------------------------------------------------------------------------------------------------------------------------aView = av.GetActiveDoc enabled = FALSE achagrid = FALSE achapoint = FALSE if (aView.GetActiveThemes.Count = 2) then Tema = aView.GetActiveThemes.Get(0) if (Tema.Is(GTHEME)) then achagrid = TRUE Tema = aView.GetActiveThemes.Get(1) if (Tema.Is(FTHEME) and ((Tema.GetFTab.GetShapeClass.GetClassName = "Point") or (Tema.GetFTab.GetShapeClass.GetClassName = "MultiPoint") or (Tema.GetFTab.GetShapeClass.GetClassName = "PointZ") or (Tema.GetFTab.GetShapeClass.GetClassName = "PointM") or (Tema.GetFTab.GetShapeClass.GetClassName = "MultiPointZ") or (Tema.GetFTab.GetShapeClass.GetClassName = "MultiPointM"))) then achapoint = TRUE end else Tema = aView.GetActiveThemes.Get(1) if (Tema.Is(GTHEME)) then achagrid = TRUE Tema = aView.GetActiveThemes.Get(0) if (Tema.Is(FTHEME) and ((Tema.GetFTab.GetShapeClass.GetClassName = "Point") or (Tema.GetFTab.GetShapeClass.GetClassName = "MultiPoint") or (Tema.GetFTab.GetShapeClass.GetClassName = "PointZ") or (Tema.GetFTab.GetShapeClass.GetClassName = "PointM") or (Tema.GetFTab.GetShapeClass.GetClassName = "MultiPointZ") or (Tema.GetFTab.GetShapeClass.GetClassName = "MultiPointM"))) then achapoint = TRUE end end end end If ((achagrid = TRUE) and (achapoint = TRUE)) then enabled = TRUE end SELF.SetEnabled(enabled)
- XIV -