UNIVERSIDADE DE ÉVORA - cea.uevora.pt · Os Sistemas de Informação ... O objectivo deste trabalho é precisamente o estudo e aprendizagem de algumas ... Temas integrados no SIG

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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -


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 -

http://www.absc.usgs.gov/glba/gistools/animal_mvmt.htm

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 -

http://www.statsoftinc.com/

http://www.cnig.pt/

http://www.esri.com/

http://www.igeoe.pt/

http://snig.cnig.pt/

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 -

http://snig.cnig.pt/

___________________________________________________________________________ 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:



Intercpt -9,6210874 0,9166776 -10,495607 4,221E-09DSEDF_MN 0,9831306 0,0431111 0,0095801 0,0004201 22,804577 9,885E-15



Intercpt -63,28358 11,578407 -5,4656551 3,428E-05DSEDF_MD 0,83293382 0,1304312 0,0138791 0,0021734 6,3860026 5,162E-06



Intercpt 5,2413227 1,5740934 3,3297406 0,0037282DPOMB_MN 0,70553184 0,1670371 0,0103661 0,0024542 4,2238043 0,0005105



Intercpt -18,613293 15,558495 -1,1963428 0,247084DPOMB_MX 0,40462538 0,2155456 0,0054937 0,0029265 1,8772147



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


Intercpt 3,6654286 10,059952 0,3643585 0,7198355DESTP_MD 0,1595072 0,2326845 0,0037173 0,0054228 0,6855085



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



Intercpt 0,6382941 3,6046857 0,1770735 0,861428DRVMC_MD 0,56157926 0,1950255 0,0402058 0,0139627 2,8795177 0,0099768



Intercpt -3,7743724 5,1926926 -0,7268623 0,4766578DRVT_MD 0,55310707 0,196366 0,1308233 0,0464454 2,8167158 0,01142



Intercpt 3,5587658 4,7643921 0,7469507 0,4647393DRH_MX 0,33580375 0,2220155 0,0174266 0,0115215 1,5125239



Intercpt 12,854447 14,601402 0,880357 0,390269DRH_MD -0,0381442 0,2355307 -0,0440604 0,2720618 -0,1619501



Intercpt 3,1710036 4,5495506 0,6969927 0,4947115VIS_SM 0,36758727 0,2192005 0,0028904 0,0017236 1,6769453



Intercpt 11,904831 1,0478666 11,361017 1,211E-09ASPNS_MD 0,68700977 0,1712726 56,634995 14,119194 4,0112061 0,0008191



Intercpt 11,084905 2,367542 4,6820309 0,0001856ASPEO_MD 0,07085011 0,2351099 6,233662 20,685865 0,3013489



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



Intercpt -11,457527 5,8132992 -1,9709165 0,0643093INC2_MD 0,67059238 0,1748501 2,7055084 0,7054335 3,8352422 0,0012123



Intercpt -1,9244944 2,0226926 -0,9514517 0,3539772ELEV_MN 0,84096059 0,1275376 0,5079348 0,0770319 6,5938228 3,419E-06



Intercpt 26,20139 15,172256 1,7269278 0,1013014ELEV_MX -0,2378257 0,2289395 -0,0334921 0,0322406 -1,0388148



Intercpt 1,7264818 8,1800758 0,2110594 0,835212ELEV_M

0,3126448

0,2915012D 0,248131 0,228331 0,0415409 0,0382261 1,0867161



Intercpt 146,79173 27,477 5,3423493 4,452E-05HS135_30 -0,7601011 0,1531605 -1,1599325 0,2337266 -4,9627757 0,0001006



Intercpt 256,00633 43,868041 5,8358277 1,58E-05HS180_60 -0,7969451 0,1423764 -1,1681041 0,2086849 -5,5974538 2,597E-05



Intercpt 134,3338 39,887282 3,3678353 0,003427HS100_40 -0,590683 0,190189 -0,8169558 0,2630447 -3,1057676 0,0061018



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


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



Intercpt 11,130213 1,2730577 8,7428C_2130 -0,4217309 0,2137162 -1641,4372 831,81424 -1,9733



Intercpt 12,713408 1,2071399 10,531C_2410 -0,6458164 0,179957 -58,906405 16,414292 -3,5887



Intercpt 12,140921 1,1824309 10,267C_2420 -0,6139688 0,1860469 -604,6229 183,21489 -3,3000



Intercpt 9,5226989 1,7968309 5,299C_2430 0,18809453 0,2314952 42,234671 51,979839 0,8125



Intercpt 3,7283845 1,9280104 1,933C_2440 0,69299429 0,1699279 284,40121 69,73752 4,0781



Intercpt 2,7212599 4,9539333 0,549C_3110 0,35757002 0,2201191 22,368886 13,770225 1,6244



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



Intercpt 1,2997307 1,8380316 0,7071318 0,4885391C_3116 0,79681715 0,1424161 120,58932 21,553082 5,5949918 2,61E-05



Intercpt 10,983305 1,6310168 6,734023 2,597E-06C_3120 -0,1232668 0,2339047 -192,7087 365,6742 -0,5269956



Intercpt 4,031848 0,6445052 6,2557258 6,704E-06C_3130 0,9517732 0,072314 87,701503 6,6634052 13,161664 1,125E-10



Intercpt 5,6016241 1,3498373 4,1498512 0,0006017C_3220 0,75252455 0,1552251 104,43706 21,542486 4,8479575 0,0001292



Intercpt 2,1520054 0,5427778 3,9648003 0,0009083C_3230 0,97480671 0,0525737 105,97222 5,7153392 18,54172 3,544E-13



Intercpt 10,175164 1,7786553 5,7207058 2,007E-05C_3240 0,06638013 0,2351824 9,3116857 32,990964 0,2822496



Intercpt 5,4520453 8,3491167 0,6530086 0,5220048SAT_2 0,1429121 0,2332829 10,299296 16,812077 0,6126129



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



Intercpt -1,6959749 4,8780589 -0,3476741 0,7321174SAT_4 0,51873944 0,2015095 95,199555 36,981214 2,574268 0,019104



Intercpt -0,9757039 4,9114246 -0,1986601 0,8447553SAT_5 0,49349893 0,2050012 98,729267 41,012485 2,4072979 0,0270189



Intercpt -5,2967105 1,83474 -2,8868997 0,0098192SAT_6 0,90576845 0,0998842 136,14083 15,013024 9,0681815 3,936E-08



Intercpt 11,616617 1,4021639 8,2847782 1,484E-07SAT_7 -0,386408 0,2173948 -169,24261 95,216613 -1,7774483



Intercpt 9,4428148 1,4688828 6,4285692 4,742E-06SAT_8 0,32925688 0,2225596 10079,745 6813,3548 1,47941



Intercpt 11,984248 4,8087574 2,4921714 0,0226738CASAS_0 -0,0756072 0,2350276 -693,91391 2157,0561 -0,3216949



Intercpt 9,9090089 1,6141379 6,1388862 8,491E-06CASAS_1 0,15371016 0,2329012 3629,3471 5499,1758 0,6599802



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



Intercpt 4,0924953 4,6938968 0,8718759 0,3947572RV_0 0,31731905 0,2235209 160,21622 112,85699 1,4196393



Intercpt 24,965812 6,0240694 4,1443433 0,0006091RV_1 -0,4998543 0,204144 -163,19212 66,648789 -2,4485384 0,0248183



Intercpt 11,401015 1,4211162 8,0225777 2,354E-07RV_2 -0,3288085 0,2225964 -5896,2118 3991,6113 -1,4771508



Intercpt 11,675575 1,5763034 7,4069338 7,21E-07RV_4 -0,2960215 0,2251384 -579,9253 441,06062 -1,3148426



Intercpt 26,170566 9,7058483 2,6963708 0,014765RV_SUM -0,3583541 0,2200483 -119,79125 73,558118 -1,6285252



Intercpt 16,940787 20,493258 0,8266517 0,4192582RH_0 -0,0740372 0,2350554 -36,658812 116,38541 -0,3149777



Intercpt 9,280456 1,4649972 6,3347945 5,719E-06RH_1 0,36342413 0,2195858 5737,9961 3466,9758 1,6550436



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



Intercpt 11,78932 1,5114354 7,8000823 3,508E-07RH_10 -0,3496516 0,2208247 -7368,4894 4653,6155 -1,5833902



Intercpt 10,266868 1,5601988 6,5804867 3,51E-06RH_11 0,07097992 0,2351078 825,86846 2735,5353 0,3019038



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 -

Documents

UNIVERSIDADE DE ÉVORA - cea.uevora.pt · Os Sistemas de Informação ... O objectivo deste trabalho é precisamente o estudo e aprendizagem de algumas ... Temas integrados no SIG