Upload
hamien
View
215
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO TECNOLÓGICO
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
TESE DE DOUTORADO
“MONITORAMENTO DA QUALIDADE DE ÁGUA EM GRANDES RESERVATÓRIOS USANDO SENSORIAMENTO REMOTO E
REDES NEURAIS”
HEBE MORGANNE CAMPOS RIBEIRO
Belém-Pará
2008
UNIVERSIDADE FEDERAL DO PARÁ
CENTRO TECNOLÓGICO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
“MONITORAMENTO DA QUALIDADE DE ÁGUA EM GRANDES RESERVATÓRIOS USANDO SENSORIAMENTO REMOTO E
REDES NEURAIS”
TD-04/2008 Tese de Doutorado apresentado à Universidade Federal
do Pará no Programa de Pós-Graduação em
Engenharia Elétrica da UFPA, como pré-requisito à
obtenção do grau de Doutor em Engenharia Elétrica,
sob orientação da Profa Dra. Brígida Ramati Pereira da
Rocha.
Belém-Pará
2008
À minha filha, Clarissa
Desculpe minha ausência.
À minha mãe, Lucy
Que me ensinou a nunca desistir.
Ao meu pai, Silas (in memorian)
Ele me ensinou a amar as águas amazônicas.
Agradecimentos
À Universidade do Estado do Pará (UEPA), por ter me liberado 20 horas da
das minhas tarefas em sala de aula por quatro anos.
Às Centrais Elétricas do Norte do Brasil (ELETRONORTE) que me
proporcionou todo o apoio logístico imprescindíveis para a realização desta
pesquisa.
Ao Instituto Nacional de Pesquisas Espaciais (INPE), que cedeu imagens
de satélite e o software SPRING, que foram utilizados neste trabalho.
À Profa. Dra. Brígida Ramati Pereira da Rocha, da Faculdade de
Engenharia Elétrica da UFPA (Universidade Federal do Pará), orientadora deste
trabalho, pela incontestável orientação, na qual foi dinâmica, paciente, disponível e
amigável.
Ao Engenheiro Antônio Augusto Bechara Pardauil, gerente regional da
Eletronorte de Tucuruí, por ter proporcionado o apoio logístico sem o qual não
teria conseguido realizar este trabalho.
Ao Professor Dr. Alex Vladimir Krusche, pelas discussões tão importantes
na interpretação das análises, paciência nas coletas de campo, pela sua
inigualável bondade para comigo, além de sua participação na banca
examinadora.
Aos Professores Dr. Carlos Tavares da Costa Junior, Prof. Dr. José
Augusto Lima Barreiros, Prof. Dr. Orlando Fonseca da Silva, da Faculdade de
Engenharia Elétrica, do Instituto Tecnológico da UFPA e ao Prof. Dr. Gundisalvo
Piratoba Morales do Centro de Ciências Naturais e Tecnologia da UEPA, que
participaram da Banca do Exame de Qualificação, por suas recomendações, que
espero ter aproveitado no desenvolvimento do trabalho final.
Ao Coronel Paulo Gerson, comandante geral do Corpo de Bombeiros do
Estado do Pará e ao Saulo Lodi Pedreira, capitão do corpo de bombeiro do Estado
do Pará por suas valiosas colaborações logísticas para a realização final deste
trabalho.
Ao colega de doutorado Arthur (Rei Arthur), pela ajuda nas análises
estatísticas, amizade, bom humor, companheirismo, e muitas vezes confidente.
Aos Engenheiros José Humberto Araújo Monteiro e Luiz Antonio Salim
Lessa, membros de nosso grupo de pesquisas, pelas valiosas contribuições dadas
a este trabalho e, principalmente, pela amizade cultivada durante todo esse
tempo.
Aos colegas do LABOHI, Éder, Jéferson, João, por segurarem tudo na
minha ausência.
À Lu e a Cinha por terem sido muitas vezes mais mães da Clarissa do que
tias.
À Lincoln, Ândrea, André, Mariana, Arthur, Lucas, quero vocês sempre
pertinho de mim.
Finalmente, e acima de todos, agradeço a Deus por ter derramado suas
bênçãos sobre mim. Por ter me dado a oportunidade de, por meio da ciência,
avançar um pouquinho no conhecimento das maravilhas de sua criação. Sou grata
pelas pessoas maravilhosas que ele colocou em meu caminho no decorrer da
realização deste trabalho.
Resumo
O monitoramento da qualidade de água em lagos e reservatórios usando
métodos tradicionais são caros e consomem muito tempo. O uso de redes neurais
artificiais para predizer parâmetros de qualidade de água utilizando imagens de
satélites mostra o grande potencial para tornar este processo rápido e a um custo
efetivamente menor. Este trabalho propõe um método indireto para estimar a
concentração de pigmentos (clorofila-a), um parâmetro opticamente ativo de
qualidade de água. Um modelo baseado na arquitetura das redes neurais
artificiais, usando Funções de Base Radial (RBF), foi desenvolvido para predizer
as concentrações de clorofila-a em grandes reservatórios. Os valores de entrada
usados na rede foram obtidas de informações dos espectros das imagens do
satélite Landsat, e as concentrações dos pigmentos foram utilizadas na saída.
Para treino e validação do modelo foram usados dados dos anos de 1987, 1988,
1995, 199, 2000 a 2004. O modelo testado mostrou um coeficiente de correlação
de 0,92 para predizer a concentração dos pigmentos (clorofila-a), indicando sua
aplicabilidade para predizer este parâmetro de qualidade de água.
Abstract
Water quality monitoring in lakes and reservoirs using water samples
and laboratorial analysis is expensive and time consuming. The use of
artificial neural networks to predict water quality using satellite images
shows great potential to make this process faster and at lower costs. This
article discusses an indirect method to estimate the concentration of
pigments (chlorophyll-a), an optically active parameter in water quality. A
model based on artificial neural networks, using radial base functions
architecture, was developed to predict chlorophyll-a concentrations in large
reservoirs. As input to the neural networks spectral information from
Landsat imagery was used, while pigment concentration was used as output
information. To train and validate the model we used data from the years
1987, 1988, 1995, 1999, 2000 and 2004. The tested model showed a
correlation coefficient of 0.92 for the estimation of pigment (chlorophyll-a)
concentrations, indicating its applicability to predict this water quality
parameter.
Keywords: water quality, remote sensing, artificial neural networks,
chlorophyll-a
ÍNDICE
p.
CAPÍTULO 1 - INTRODUÇÃO 14 1.1 - – Organização do Documento 17
CAPÍTULO 2 - SENSORIAMENTO REMOTO E PROPRIEDADES ÓTICAS
DAS ÁGUAS 19
2.1 – Sensoriamento Remoto 19
2.1.1 – Princípios do Sensoriamento Remoto Orbital 20
2.1.1.1 – Radiação Eletromagnética 20
2.1.1.2 – Fontes de Radiação 23
2.1.1.3 – Conceitos Radiométricos 24
2.1.2 – Componentes de um Sistema de Sensoriamento
Remoto 25
2.1.3 – Características das Imagens de Sensoriamento
Remoto 26
2.1.3.1 – Resolução Espacial 26
2.1.3.2 – Resolução Espectral 27
2.1.3.3 – Resolução Radiométrica 27
2.1.3.4 – Resolução Temporal 28
2.1.3.5 – Largura da Faixa Imageada 28
2.1.4 – Sistemas Sensores 29
2.1.4.1 – Sensores Fotográficos 29
2.1.4.2 – Sensores de Radar 30
2.1.4.3 – Sensores a Laser 31
2.1.4.4 – Espectrômetros 31
2.1.4.5 – Radiômetros 31
2.1.5 – Tipos de Satélites 32
2.1.5.1 – Satélites de Recursos Naturais 32
2.1.5.1.1 – Sistema Landsat 32
2.1.5.1.2 – Faixas Espectrais do Landsat 5 e 7 33
2.2 – Propriedades Ópticas das Águas 35
2.2.1 – Tipologia das Águas Amazônicas 35
2.2.2 - Comportamento Espectral da Água 36
2.2.3 – Correções do Fluxo Emergente em Relação aos feitos
Atmosféricos 38
2.2.4 – Correção do Fluxo Emergente em Relação à
irradiância Solar na Superfície da Água 39
2.2.5 – Constituintes Opticamente Ativos 40
2.2.5.1 – Propriedades Ópticas Inerentes e Aparentes
da Água 40
2.2.5.1.1 – Propriedades Ópticas Inerentes 40
2.2.5.1.2 - Propriedades Ópticas Aparentes 40
2.2.5.2 – Componentes Ópticos Dissolvidos e
Particulados 42
2.2.5.2.1 – Componentes Ópticos Dissolvidos 42
2.2.5.3 – Componentes Ópticos Particulados 43
CAPÍTULO 3 – REDES NEURAIS ARTIFICIAIS 50
3.1 – Redes Neurais Artificiais 50
3.2 – Componentes das Redes Neurais Artificiais 50
3.2.1 – Elementos de Processamento 50
3.2.2 – Estado de Ativação 54
3.2.3 – Função de Saída do Elemento 55
3.2.4 – Padrão de Interconexão entre os Elementos de
Processamento 55
3.2.5 – Regras de Propagação 55
3.2.6 – Regras de Ativação 56
3.2.7 – Regras de Aprendizado 56
3.3 – Redes com Múltiplas Camadas 58
3.4 – Regra Delta Generalizada e o Algoritmo Retro Propagação 58
3.5 – Algoritimo de Aprendizagem 59
3.6 – Redes RBF (Funções de Base Radial) 60
3.6.1 – Aprendizado em uma rede RBF 63
CAPÍTULO 4 - MATERIAL E MÉTODOS 66
4.1 – Área de Estudo 66
4.1.1 – Contexto Histórico da Concepção e Implementação
da UHE Tucuruí 66
4.1.2 - Localização da Área de Estudo 70
4.1.3 – Clima 70
4.1.4 – Geologia e Geomorfologia 71
4.1.5 – Solos 71
4.1.6 – Vegetação 72
4.1.7 – Hidrografia, Hidrologia e Características das Águas 72
4.1.8 – Aspectos Morfométricos 73
4.2 – Uma metodologia Integrada 75
4.3 – Metodologia para Determinação de Pigmentos em Águas 78
4.4 – Metodologia para treinamento da Imagem de Satélite 81
4.4.1 – Softwares utilizados 82
4.4.1.1 – SPRING, EXCEL, MATLAB e
ARCVIEW 82
4.4.1.2 – Sensoriamento Remoto e Processamento da
Imagem 83
4.4.1.3 – Redes Neurais 83
CAPÍTULO 5 – RESULTADOS E DISCUSSÕES 84
5.1 – Teores de Pigmentos 96
5.1.1 - Desempenho da rede RBF para aproximação de
funções
CAPÍTULO 6 - CONCLUSÃO 101
REFERÊNCIAS BIBLIOGRÁFICAS 103
ÍNDICE DE FIGURAS p.
Figura 1 - O Espectro Eletromagnético 20
Figura 2 - Fontes de Radiação Eletromagnética 23
Figura 3 - Matriz da imagem e seus DN’s associados (Crosta, 1993) 26
Figura 4 - Imagens radiométricas: a) 2 níveis de cinza; b) a mesma
imagem, com 32 níveis de cinza 27
Figura 5 - Imagens do Satélite de observação da Terra, CBERS 28
Figura 6 - Componentes do fluxo de energia que deixa o corpo d’água 37
Figura 7 - Variação do coeficiente a da água pura, de constituintes
opticamente ativos e a absorção total resultante; Variação do
coeficiente b para água pura e fitoplâncton 42
Figura 8 - Curva espectral de água com diferentes níveis de turbidez 44
Figura 9 - Neurônio Biológico 52
Figura 10 - Neurônio Artificial 53
Figura 11 - Neurônio Artificial com Tendência 53
Figura 12 - Representação de uma rede neural do tipo RBF
utilizada para determinação da concentração de pigmentos,
através de valores de DN obtidos de imagem de satélite
de média resolução 54
Figura 13 - Esquema de uma Rede RBF 62
Figura 14 - Imagem de Mapa digital do Reservatório de Tucuruí 70
Figura 15 – Extração dos Dados da Imagem do LANDSAT
com o Programa SPRING 75
Figura 16 - Treinamento da Rede RBF 76
Figura 17 - Simulação de Rede RBF 77
Figura 18 - Fotografias (a) e (b), mostrando o equipamento de
filtração das amostras de água do Reservatório de
Tucuruí para a análise de clorofilas 78
Figura 19 - Fotografia mostrando o deslocamento da equipe no
interior do lago 78
Figura 20 - Fotografia mostrando a superfície da água do reservatório
de Tucuruí, sugerindo a presença de pigmentos
fotossintetizantes 79
Figura 21 - Fotografia mostrando um dos pontos de coleta no
reservatório da UHE de Tucuruí 79
Figura 22 - Fotografia mostrando um dos pontos de coleta no
reservatório da UHE de Tucuruí 80
Figura 23 - Fotografia mostrando um dos pontos de coleta no
reservatório da UHE de Tucuruí 80
Figura 24 – Pontos de coletas no reservatório de Tucuruí 84
Figura 25 – Distribuição Estimada de Pigmentos na Superfície
da Água do Reservatório 91
Figura 26 - Comparativo entre dados reais e estimados 93
Figura 27 - Diagrama de dispersão dos dados 94
Figura 28 – Comparativo entre dados reais e estimados 95
Figura 29 – Espectro de Reflectância da Água do Reservatório
de Tucuruí 95
LISTA DE TABELAS
Tabela 1 – Dados Técnicos de alguns satélites de observação da Terra ............ 29
Tabela 2 – Dados Técnicops dos Satélites LANDSAT 5 e 7 ................................ 33
Tabela 3 – Comprimento de onda de absorção dos pigmentos ........................... 47
Tabela 4 – Dados morfométricos do reservatório de Tucuruí .............................. 74
Tabela 5 – Dados de entrada referentes à Estação Montante ............................. 86
Tabela 6 – Dados de entrada referentes à Estação Montant3 3 .......................... 86
Tabela 7 – Dados de Entrada referentes à Estação Montante Repartimento....... 87
Tabela 8 - Dados de Entrada referentes à Estação Montante 5 Calha ................ 87
Tabela 9 - Dados de Entrada referentes à Estação Montante 5 Direita ............... 87
Tabela 10 - Dados de Entrada referentes à Estação Montante Breu Branco ...... 88
Tabela 11 – Dados de Entrada referentes à área Montante Belauto ................... 88
Tabela 12 - Dados de Entrada referentes à Estação Montante Pucuruí .............. 88
Tabela 13 - Dados de Entrada referentes à Estação Montante Jacundá Velho... 88
Tabela 14 - Dados de Entrada referentes à Estação Montante Lontra ................ 88
Tabela 15 - Dados de Entrada referentes à Estação Caraipé .............................. 89
Tabela 16 - Dados de Entrada referentes à Estação Caraipé 2............. 89
14
CAPÍTULO 1
INTRODUÇÃO
A disponibilidade de água é um requisito essencial para o desenvolvimento,
bem estar e saúde humana, e, portanto, para o funcionamento sustentável dos
ecossistemas aquáticos e terrestres.
A falta de conhecimento sobre o ciclo hidrológico fez com que o século XX
assistisse à crescente manipulação direta dos cursos da água (represamento,
transposição, drenagem de planícies aluviais, retificação de canais) cujas
conseqüências sobre a dinâmica da água na fase terrestre do ciclo hidrológico,
não foram totalmente previstas, tais como enchentes recorrentes todos os verões
nas grandes cidades brasileiras, doenças de veiculação e transmissão hídrica,
poluição e eutrofização (Novo, 2007).
Os grandes reservatórios de hidroelétricas nas regiões tropicais podem
produzir grandes quantidades de metano e dióxido de carbono. Isso se deve à
grande quantidade de material orgânico no fundo do reservatório, decompondo
em um ambiente anaeróbico, produzindo metano, um poderoso gás causador do
efeito estufa.
De acordo com a Comissão Mundial de Barragens, quando a área do
reservatório é grande comparado com a capacidade de geração (menos de 100
watts por metro quadrado) e nenhuma remoção da floresta foi feita antes do
represamento do lago, as emissões de gases de efeito estufa podem ser maiores
que as emissões de uma central termoelétrica convencional. Essas emissões
representam carbono presente na biosfera e não de depósitos fósseis que foram
seqüestrados do ciclo do carbono.
Por conta desses fatos, na ultima conferência de Mudanças climáticas
(IPCC, 2007) começaram as discussões para retirar das hidroelétricas o direito de
receberem créditos de carbono.
15
A construção de reservatórios em bacias hidrográficas constitui um
importante impacto na estrutura e função dos ecossistemas aquáticos. Os
reservatórios de grande porte como é o caso de Tucuruí com uma área
aproximada de 2.875 km2, teve como finalidade inicial, a geração de energia por
hidroeletricidade. No entanto, nos últimos vinte anos, os usos múltiplos desse
ecossistema artificial diversificaram-se, ampliando a reserva de água para
irrigação, uso como água potável, produção de biomassa (cultivo de peixe e pesca
intensiva), transporte, recreação e turismo. Tal diversificação provocou também
mudanças na sua importância econômica, ecológica, hidrológica e social, devido a
novas complexidades no seu funcionamento e impactos antropogênicos.
Como na formação da barragem ficaram grandes extensões de floresta
natural que, uma vez alagadas, disponibilizou uma grande quantidade de matéria
orgânica e de nutrientes, levando à rápida proliferação de macrófitas aquáticas,
um dos fenômenos mais alarmantes em represas tropicais como só se verificou na
Ásia e na África e que está associado ao aparecimento de moléstias como
eschistossomose, malária, o cólera, gastrointerites, enteroviroses, arboviroses e
filarioses, entre outras (Comissão Mundial de Barragens, 2000).
Uma vez que pigmentos fotossintetizantes como a clorofila-a é considerada
a principal variável indicadora de estado trófico dos ambientes aquáticos, o
monitoramento via satélite das concentrações de clorofila-a é uma importante
ferramenta para avaliar possíveis florações futuras, bem como, a partir dos
eventos de floração, avaliar sua dispersão na superfície do lago.
Diversos estudos têm sido efetuados para entender os mecanismos que
controlam as florações de algas, comuns nesses sistemas e de conseqüência
danosa para a qualidade das águas com fins de abastecimento (por exemplo, as
cianobactérias). Em alguns casos específicos tais florações foram associadas
também a desgaste acelerado de turbinas de hidroelétricas, pelo aumento de
formação de estruturas sílicas de certos tipos de algas. Na época, identificou-se
como principal controlador destas florações a disponibilidade de fósforo para o
desenvolvimento das algas. O uso generalizado de detergentes domésticos
contendo este elemento havia acarretado em um aumento significativo das suas
16
concentrações em sistemas aquáticos. Com o banimento de seu uso na fórmula
dos detergentes, os impactos antropogênicos desta natureza em lagos e
reservatórios puderam ser controlados em grande escala. Mais recentemente,
devido ao uso intensivo de fertilizantes nitrogenados na agricultura nos EUA, tem-
se associado este outro elemento a problemas similares observados em diversos
corpos d água, principalmente nas zonas costeiras.
Este processo de eutrofização em reservatórios de hidroelétricas, além de
afetar a vida útil das mesmas, pela aceleração da colmatação, também pode ter
efeitos deletérios sobre as estruturas físicas das barragens. Sob condições
anaeróbias, geralmente observadas nas águas de fundo destes reservatórios, é
comum também a presença de concentrações relativamente elevadas de sulfetos
de hidrogênio, altamente corrosivos de componentes metálicos de estruturas de
concreto e de turbinas. Em lagos de várzea da Amazônia, mesmo sob condições
naturais, elevadas concentrações destes compostos são encontradas nas
camadas de fundo nos períodos de maiores descargas dos rios. Este é um fator
condicionante da vida útil destes reservatórios ainda totalmente desconhecidos
nestes ambientes tropicais.
Devido às suas dimensões, padrão dendrítico e inundação da floresta
tropical úmida, em um reservatório localizado em ambiente tropical, como a UHE
Tucuruí, efeitos adicionais podem ocorrer, tais como:
a) Efeitos físicos, redução da circulação vertical, interferência mecânica
com os usos múltiplos, e redução do volume do reservatório em função da
inundação da floresta;
b) Efeitos químicos: decomposição anaeróbia, redução de oxigênio,
produção de gases (metano e gás sulfídrico), precipitação química, eutrofização e
aumento de corrosão;
c) Efeitos biológicos: perda da biodiversidade, perda da vida selvagem;
deterioração da qualidade de água, e perda de floresta tropical.
Pelo fato de se ter população residente às margens da barragem e como
essas populações se abastecem da água da represa para o uso doméstico, é
desejável que futuramente possam ser verificadas as condições de potabilidade e
17
de balneabilidade das águas, através da análise de parâmetros recomendados na
Portaria 518 do Ministério da Saúde para potabilidade e Resolução 274 do
CONAMA para balneabilidade. De certa forma a análise dos coliformes fecais
prevista será indicativa da condição de potabilidade da água da represa.
Neste contexto, esse estudo se propõe a desenvolver um sistema integrado
envolvendo os dados de sensoriamento remoto (imagens de satélite), redes
neurais, parâmetros de qualidade de água para aquisição e armazenamento de
informações ambientais sobre o reservatório, introduzindo, desta forma, um
sistema de inteligência na gestão da qualidade da água do reservatório da Usina
Hidrelétrica de Tucuruí, economizando recursos de verificação mais intensa no
campo.
1.1 – Organização do Documento
No presente capítulo (capítulo1) procurou-se contextualizar para o leitor o
foco principal deste estudo descrevendo-se também o objetivo deste estudo. Este
documento possui mais cinco capítulos.
No capítulo 2, foi feita uma revisão dos conceitos de sensoriamento remoto,
uma vez que essa é uma técnica básica no desenvolvimento e uso da
metodologia proposta neste trabalho. As imagens de satélite proporcionam
informações em escala temporal e espacial sobre uma mesma região, como o
Reservatório de Tucuruí. Com isso, estudos comparativos ao longo do tempo e
em diversas áreas podem ser feitos de forma automatizada, sem a necessidade
de muitas e custosas viagens de campo, o que pode representar uma economia
de tempo e dinheiro.
No capítulo 2, também, foi feita uma caracterização dos diferentes tipos de
águas amazônicas, pois elas se diferenciam por suas características químicas,
físicas e biológicas alterando dessa forma seu comportamento espectral.
No capítulo 3, foram estudadas as redes neurais artificiais. Essa tecnologia
foi usada neste trabalho com o objetivo de se encontrar de forma aproximada o
relacionamento funcional entre a resposta eletromagnética captada pelos
sensores do satélite e o nível de concentração de pigmentos medido na superfície
do lago em diferentes pontos de coleta. As redes neurais do tipo RBF (Funções de
18
Base Radial) utilizam um conjunto de funções gaussianas para fazerem a
aproximação de uma função desconhecida, definida a partir de uma amostra
empírica de dados.
No capítulo 4, foi descrita a área de trabalho, o Reservatório de Tucuruí,
uma área inundada, de cerca de 2.830 km2, com tempo de retenção médio em
torno de 52 dias. Além disso, foi discutido o método de medição do nível de
pigmentos nos diversos pontos de coleta espalhados pelo reservatório. Em
seguida, foi descrita a metodologia que utiliza imagens do satélite LANDSAT,
juntamente com diversos softwares e gera uma planilha de dados para treinar uma
rede neural artificial com arquitetura RBF.
No capítulo 5, foram apresentados os resultados obtidos em nosso estudo.
Três diferentes conjuntos de dados de entradas foram preparados usando
informações das quatro bandas das imagens: o primeiro com os quatro valores de
DN; o segundo usando índices sugeridos pela literatura relacionada (Panda, 2004)
baseados nas informações das quatro bandas e o terceiro por interpolação de
dados usados para primeira entrada com dados usados para a segunda entrada.
A partir da rede treinada foram estimados os níveis de pigmento para diversos
outros pontos de validação, obtendo-se, na análise estatística dos dados, bons
indicadores da validade do método. Também foi feita uma interpolação dos
valores de pigmentos espalhados pela superfície do reservatório, gerando um
mapa visual que pode ser usado como alerta para intervenções da equipe de meio
ambiente.
No capítulo 6, último capítulo, foram apresentadas as conclusões deste
trabalho.
19
CAPÍTULO 2
SENSORIAMENTO REMOTO E PROPRIEDADES ÓTICAS
DAS ÁGUAS
2.1 - Sensoriamento Remoto
Sensoriamento Remoto é a aquisição de dados dos objetos existentes na
superfície terrestre, sem que haja contato físico direto entre o sensor e o objeto.
Pode-se, porém, com mais rigor, defini-lo como uma medida de trocas de energia,
resultantes da interação da energia contida na radiação eletromagnética de
determinado comprimento de onda incidente em um meio material, com a energia
contida nos átomos e moléculas que constituem aquele material (Meneses &
Netto, 2001; Lillesand e Kiefer, 2004.). Quando a radiação eletromagnética incide
sobre a superfície de um material terá uma parte sua refletida por essa superfície,
parte absorvida pelos átomos ou moléculas e parte podendo ser transmitida, caso
a matéria exiba alguma transparência. No caso de sensoriamento remoto de
superfície da Terra esses componentes são armazenados em forma de matrizes
numéricas, identificando os valores de maneira conveniente para serem
processados no computador. Tais matrizes, com valores que identificam a
localização da unidade pictorial (pixel) no espaço e suas características
espectrais, geralmente são analisadas empregando software projetado
especialmente para isto, denominado de sistemas de geoprocessamento
(Meneses, 2001). A soma desses três componentes determina as características
da imagem do objeto registrado pelo sensor, as quais são codificadas nas
imagens por meio de valores digitais dos pixels e representam os correspondentes
valores da intensidade de reflectância daquele objeto. Neste sentido, tem-se uma
importante ferramenta de trabalho nas análises ambientais, enquadrando-se nos
mais variados tipos de pesquisa das áreas do conhecimento, desde o
monitoramento de queimadas, ao uso e ocupação do solo, controle de qualidade
de água, planejamento urbano, entre outros.
20
2.1.1 – Princípios do Sensoriamento Remoto Orbital
2.1.1.1 – Radiação Eletromagnética
Os quatro elementos fundamentais das técnicas de sensoriamento remoto
(SR) são a radiação eletromagnética, a fonte, o sensor e o alvo (Novo &
Ponzoni, 2001).
A Radiação Eletromagnética seria o elemento de ligação para os demais
elementos das técnicas de SR. A fonte de radiação eletromagnética, que para o
caso da aplicação das técnicas de sensoriamento remoto no estudo dos recursos
naturais, é o sol (podendo ser também a Terra para os sensores passivos de
microondas e termais, ou podem ser antenas de microondas para os sistemas
radares); o sensor, que é o instrumento capaz de coletar e registrar a radiação
eletromagnética refletida ou emitida pelo objeto que é também denominado alvo, e
que representa o elemento do qual se pretende extrair informação.
Desta forma, entende-se, então, que o elemento fundamental para as
técnicas de sensoriamento remoto é a radiação eletromagnética, que se propaga
no vácuo com velocidade próxima de 300.000 Km/s (velocidade da luz) e
caracterizado pela energia da radiação e comprimento de onda definido (Novo &
Ponzoni, 2001; Steffen et al, 1996). O conjunto de comprimentos de onda que
compõem a radiação eletromagnética é conhecido como Espectro
eletromagnético, o qual é dividido didaticamente em certo número de regiões
espectrais, conforme apresentado na Figura 1.
Figura 1. O Espectro Eletromagnético (Steffen et al, 1996; Novo & Ponzoni, 2001).
21
De acordo com o comprimento de onda a radiação eletromagnética é
classificada em:
radiação Gama: radiação de alta energia geralmente emitida por materiais
radioativos, é utilizada em medicina (radioterapia) e radiografia industrial, (λ < 0,1
Å).
raios-X: radiação produzida pelo freamento de elétrons de alta energia. O seu
médio poder de penetração a torna adequada para as aplicações na medicina
(radiografia) e nas técnicas de controle de qualidade industrial (10 ≤ λ ≤ 0,1 Å).
ultravioleta: radiação emitida em grande quantidade pelo Sol na faixa de 100nm
até aproximadamente 380nm entretanto é bastante atenuada pela camada de
ozônio atmosférico antes de atingir a superfície terrestre. Essa banda pode ser
subdividida em:
UV próximo: 300 a 380 nm
UV médio: 200 a 300 nm
UV distante: 100 a 200 nm
visível: é o conjunto das radiações que podem ser percebidas pelo sistema visual
humano e denominado luz. A cor é uma sensação produzida pelo estímulo
luminoso e as diferentes componentes do espectro visível produzem sensações
de cor que dependem de seu comprimento de onda (ou freqüência):
violeta: 390 a 450 nm
azul: 450 a 500 nm
verde: 500 a 560 nm
amarelo: 560 a 600 nm
laranja: 600 a 630 nm
vermelho: 630 a 760 nm
infravermelho: região espectral que contém as radiações eletromagnéticas
22
desde 0,7µm até 1000 µm e costuma ser subdividida em três sub-regiões:
IV próximo: 0,7 a 3,0 µm
IV médio: 3,0 a 6,0 µm
IV distante: 6,0 a 103 µm
Na superfície da Terra, as radiações do infravermelho próximo podem ser
encontradas em quantidades bastante significativas na radiação solar enquanto
que as radiações do infravermelho médias e distante também conhecidas como
radiações termais têm sua fonte mais importante nos objetos terrestres (mesmo
na temperatura ambiente).
microondas: radiações eletromagnéticas produzidas por sistemas eletrônicos e
se estendem pela região do espectro desde 1mm até cerca de 1m, o que
corresponde ao intervalo de freqüências de 300GHz a 300Mhz. Em
Sensoriamento Remoto as radiações de microondas são utilizadas nos sistemas
de radar (radio detection and ranging) e são importantes pela sua capacidade de
gerar imagens através das nuvens.
rádio: radiações eletromagnéticas de freqüência menor que 300MHz (λ > 1m) e
utilizadas principalmente em telecomunicações.
Algumas bandas do espectro eletromagnético têm denominações especiais
relacionadas com suas características como por exemplo:
espectro óptico: região do espectro que compreende as radiações que podem
ser coletadas por sistemas ópticos (ultravioleta, visível, e infravermelho).
espectro solar: região espectral que compreende os tipos de radiação emitidas
pelo Sol.
espectro visível: conjunto das radiações percebidas pelo sistema visual humano.
23
2.1.1.2 – Fontes de Radiação
Na figura 2, é apresentado o espectro da intensidade de radiação
eletromagnética medido no topo e na base da atmosfera. A linha tracejada
representa então a medida a cada comprimento de onda no topo da atmosfera,
enquanto que a linha cheia que apresenta algumas descontinuidades, representa
esta mesma “intensidade” agora na superfície terrestre. Estas descontinuidades
são ocasionadas pela influência da atmosfera que se faz de forma seletiva, ou
seja, ela ocorre de forma diferenciada em determinadas regiões espectrais. As
faixas espectrais nas quais a influência da atmosfera é mínima são denominadas
de “janelas atmosféricas”.
Figura 2 - Fontes de Radiação Eletromagnética (Novo & Ponzoni, 2001).
Observa-se que em ambas as linhas, as maiores intensidades de Radiação
eletromagnética ocorrem na faixa de comprimentos de onda compreendida entre
0,4 à 0,7µm (400 a 700 nm), região do visível.
As faixas mais comumente exploradas para fins de sensoriamento remoto
dos recursos naturais são: visível, infravermelho próximo, infravermelho médio e
microondas (Novo, 2001).
24
2.1.1.3 – Conceitos Radiométricos
Irradiância - representa a intensidade do fluxo radiante, proveniente de
todas as direções, que atinge uma dada superfície. Neste fluxo radiante estão
contidos todos os comprimentos de onda que são radiados pela fonte, segundo
suas próprias características (Novo & Ponzoni, 2001; Steffen et al, 1996).
Assim que um determinado fluxo radiante atinge uma superfície, ele sofre
três fenômenos: reflexão, transmissão e absorção. Estes fenômenos são
dependentes das características físico-químicas do próprio objeto irradiado, que
definem as intensidades de reflexão, transmissão e absorção da radiação
eletromagnética em cada comprimento de onda incidente no objeto.
Excitância - representa a intensidade quantificada da porção refletida,
originando um novo fluxo em sentido contrário ao incidente, mas nas mesmas
direções.
Parte deste fluxo refletido pelo objeto pode ser coletado por um sensor
localizado remotamente, através de uma abertura pela qual a radiação
eletromagnética refletida ou emitida pelos objetos passa em direção ao chamado
“detector”, que é o elemento que realmente “sente” a radiação eletromagnética.
Entre esta abertura e o ponto da superfície do objeto passa a ser definido um cone
por onde trafega a radiação eletromagnética. Esse cone é denominado de ângulo
sólido (Novo & Ponzoni, 2001; Steffen et al, 1996).
Somente a radiação eletromagnética que estiver contida neste ângulo
sólido será sentida pelo detector, mas ao mesmo tempo, o sensor não observa
somente um ponto na superfície e sim uma determinada área desta superfície, a
qual é constituída por infinitos pontos. Assim, o que realmente é medido pelo
sensor é a intensidade de todos os infinitos fluxos contidos nos ângulos sólidos
dos pontos da área da qual ele é capaz de observar. Esta intensidade é
denominada de Radiância (Steffen et al, 1996; Novo & Ponzoni, 2001).
A Radiância é portanto a intensidade do fluxo radiante por unidade de
ângulo sólido e seu conceito pode ser comparado ao conceito de brilho, ou seja,
um objeto é considerado mais brilhante quanto maior for sua Radiância medida.
25
A Radiância é também dependente da intensidade do fluxo radiante que
atinge o objeto (Irradiância). Quanto maior for essa intensidade, maior também
será aquela referente ao fluxo que deixa o objeto, e consequentemente, maior
será a Radiância.
A Reflectância representa uma relação entre a Radiância refletida de um
dado objeto pela Irradiância. Nota-se portanto que a Reflectância expressa as
propriedades intrínsecas dos objetos em refletir a radiação eletromagnética sobre
eles incidente. Ela é expressa em percentagem, possuindo então um caráter
relativo (Steffen et al, 1996; Novo & Ponzoni, 2001).
Através da reflectância são estudadas as características intrínsecas dos
objetos em refletir a radiação eletromagnética incidente, pois ela é dependente
das suas propriedades físico-químicas. Esse estudo é conhecido como
Comportamento espectral de alvos.
2.1.2 – Componentes de um Sistema de Sensoriamento Remoto
O Sensoriamento Remoto utiliza sensores a bordo de aeronaves ou
satélites, equipamentos para transmissão, recepção, armazenamento e
processamento de dados, com o objetivo de estudar o ambiente terrestre nos
domínios espacial, temporal e físico, através do registro e da análise das
interações entre a radiação eletromagnética e as substâncias componentes do
planeta Terra.
Segundo Novo (1989), este sistema de aquisição de informações é formado
por alguns subsistemas importantes:
- Sistemas sensores: são os equipamentos que focalizam e registram a radiação
eletromagnética proveniente de um objeto; os sensores podem ser caracterizados
como ativos e passivos, este tipo de classificação refere-se à capacidade do
sensor de emitir a energia que irá interagir com os objetos. Se não emitir energia,
é passivo (satélites). Se emitir, é ativo (sistema radar – microondas; sonar -
ecosonda).
- Sistemas de processamento de dados: que convertem o dado bruto produzido
26
pelo sensor em variável física passível de ser interpretada e convertida em
informação;
- Sistemas de análise: que incluem todas as ferramentas, dentre as quais se
destacam os sistemas de informação geográfica (SIGs), que permitem integrar a
informação derivada de sensoriamento remoto com informações proveniente de
outras fontes.
2.1.3 - Características das Imagens de Sensoriamento Remoto
As imagens digitais provenientes dos sensores dos satélites de
Sensoriamento Remoto Orbital são compostas por uma matriz de quadrados (ou
retângulos). Esses quadrados (ou retângulos) são denominados de pixel (“picture
element”) e cada um possui um valor relacionado a um parâmetro medido pelo
sensor usado (p.ex: reflectância, temperatura). Esse valor é denominado “digital
number” (DN) e é convertido em níveis de cinza. Deve ser ressaltado que o DN de
um pixel corresponde sempre a média da intensidade da energia refletida ou
emitida pelos diferentes materiais presentes nesse pixel. A Figura 3 mostra um
exemplo de matriz de pixels e seus DN’s associados aos níveis de cinza.
Figura 3. Matriz da imagem e seus DN’s associados (Crosta, 1993).
2.1.3.1 – Resolução Espacial
A Resolução Espacial é a capacidade do sensor de detectar objetos a partir
de uma determinada dimensão (Rocha, 2000). Quanto maior a resolução do
sistema sensor, menor é o tamanho mínimo dos elementos que podem ser
27
detectados individualmente, conforme apresentado na Tabela 1.
2.1.3.2 - Resolução Espectral
A Resolução Espectral expressa à capacidade do sensor de registrar a
radiação em diferentes regiões do espectro. Quanto melhor a resolução espectral,
maior o número de bandas espectrais que podem ser adquiridas sobre os objetos
da superfície, aumentando o poder de extração de informação para cartas
temáticas (Rocha, 2000). Ver exemplos na Tabela 1.
2.1.3.3 - Resolução Radiométrica
A Resolução Radiométrica representa a capacidade de discriminar diferentes
intensidades de sinal ou número de níveis digitais em que a informação se
encontra registrada. Quanto maior for esta resolução, maior será a sensibilidade
do sensor nas pequenas diferenças de radiação, aumentando o poder de
contraste e de discriminação das imagens (Rocha, 2000). Como exemplos são
apresentados na Tabela 1 e 2 tais resoluções.
A Figura 4 compara duas imagens com resoluções radiométricas diferentes.
O sistema visual humano não é muito sensível à variação em intensidade,
dificilmente percebendo mais que 30 diferentes tons de cinza numa imagem; o
computador, por sua vez, consegue diferenciar qualquer quantidade de níveis,
razão pela qual se torna importante ter imagens de alta resolução radiométrica.
a) b)
Figura 4 – Imagens radiométricas: a) 2 níveis de cinza; b) a mesma imagem, com
32 níveis de cinza (Crosta, 1993)
28
2.1.3.4 - Resolução Temporal
A Resolução Temporal representa a freqüência com que a área de
interesse é revisitada ou imageada (Rocha, 2000). Ver Tabela 1.
2.1.3.5 - Largura da Faixa Imageada
A largura da faixa imageada, ou largura da faixa de varredura, muda de
acordo com o satélite (Rocha, 2000). É definida pela varredura completa da
imagem e, em geral, existe um compromisso entre a largura da faixa e as
resoluções espacial, espectral e radiométrica. Para se ganhar em um dos
atributos há que se perder nos outros.
Na Figura 5 são apresentadas duas imagens com largura de faixa
imageada de diferentes extensões dos satélites CBERS 1 e 2.
(a) (b)
Figura 5 – Imagens do Satélite de observação da Terra, CBERS (INPE, 2005).
(a) CBERS 1 – largura de faixa - 890 km.
(b) CBERS 2 – largura de faixa - 113 km.
29
Tabela 1 – Dados Técnicos de alguns satélites de observação da Terra (Fonte:
NASA).
2.1.4 - Sistemas Sensores
Basicamente têm-se os sensores fotográficos, de radar, laser,
espectrômetros e radiômetros.
2.1.4.1 – Sensores Fotográficos
Os sensores imageadores, baseados em sistemas fotográficos, tentaram
reproduzir as características do olho humano. A objetiva faz o papel da íris e o
cristalino e o filme, o papel da retina. Os sensores fotográficos possuem um
detector foto-químico (filme), enquanto os imageadores possuem detectores que
transformam a radiação recebida em sinal elétrico. Portanto, as principais
diferenças residem no processamento da imagem (Rocha, 2000).
Os imageadores são dispositivos eletro-ópticos que coletam a radiação
eletromagnética proveniente da superfície, segundo um padrão geométrico
regular; decompõem essa radiação através de prismas, grades de difração, filtros,
detectores; registram as intensidades em diferentes intervalos espectrais e usam
esses valores para produzir sinais. Sendo assim, os problemas de resolução
geométrica estão subordinados à óptica do sistema e ao tempo de resposta dos
LANDSAT NOOA SPOT IKONOS ERS RESOLUÇÃO ESPACIAL 30 m, 60m
(termal) e 15m
(pan)
20 m 1 m
DIMENSÃO DE UMA CENA
185 km x 185 km 60 km x 60 km
RESOLUÇÃO ESPECTRAL
LANDSAT 7 = 8
bandas
NOOA 15 = 6
bandas
3 canais
espectrais
visíveis +
infravermelho
RESOLUÇÃO TEMPORAL LANDSAT 7 =
16 dias
6 horas
RESOLUÇÃO RADIOMÉTRICA
LANDSAT 7 = 8
bits = 256 níveis
16 bits =
65.536
níveis
30
detectores, e a resolução espectral é função do tipo de detector e de capacidade
espectral (Rocha, 2000).
Uma limitação para estes sistemas é a necessidade de uma fonte externa
de radiação, o Sol. Com isto, estes sensores estão limitados a operar em
determinados períodos do dia e estão muito sujeitos a condições atmosféricas,
especialmente cobertura de nuvens.
Os sensores radar e laser, por serem ativos (emitem e recebem o sinal),
não precisam de luz solar, podendo ser utilizados a qualquer hora do dia.
2.1.4.2 – Sensores de Radar
Segundo Novo (1989), um radar executa três funções básicas: transmite um
pulso de microondas em direção a um alvo; recebe a porção refletida do pulso
transmitido após este haver interagido com o alvo (energia retroespalhada); e
registra a potência, a variação temporal e o tempo de retorno do pulso
retroespalhado.
O sinal de radar ilumina a superfície em um ângulo oblíquo, onde realça as
variações de rugosidade e textura da superfície; pode trabalhar com polarização
horizontal ou vertical, permitindo a investigação de propriedades tais como
condutividade elétrica. Outra característica importante é que esses sensores
independem da iluminação solar, podendo operar a qualquer hora e devido
também aos seus comprimentos de ondas (5,6 cm), conseguem trabalhar sobre
cobertura de nuvens.
A limitação de tais sensores é sua estreita faixa de intervalo de freqüência
ou comprimento de onda, limitando suas características multiespectrais.
Exemplos desses sistemas são o Canadense Radarsat, Europeu ERS
(European Remote Sensing Satellite) e Japonês JERS (Japanese Earth Resource
Satellite-1).
31
2.1.4.3 – Sensores a Laser
São sistemas ativos a laser, opera de modo similar aos sistemas de radar,
porém, não são imageadores. Medem a luminescência (capacidade que têm
algumas substâncias em devolver radiação de comprimento de onda maior -
menor energia - do que a radiação incidente). Este fenômeno é observado em
diversos minerais de importância econômica, óleos minerais, clorofila, corantes
artificiais, etc (Rocha, 2000).
São de uso restrito, pois operam com pulsos de intensidade tão elevada
que podem cegar animais ou pessoas em seu campo de visada. Sendo, por esse
motivo, usados somente em regiões remotas e sobre oceanos, para acompanhar
manchas de vazamento de óleo ou outras substâncias.
2.1.4.4 – Espectrômetros
Medem o conteúdo espectral de um campo eletromagnético, sendo muito
utilizados para identificação da composição química de objetos. Alguns
espectrômetros especiais captam e processam a radiação gama produzida por
elementos naturais (urânio, tório e potássio) ou artificiais, ao longo da trajetória,
sendo usados principalmente para localizar recursos minerais ou para avaliar a
extensão de acidentes nucleares (Rocha, 2000).
2.1.4.5 – Radiômetros
Privilegiam a captação de diferentes intensidades ou níveis digitais do
campo eletromagnético dos objetos, em detrimento das resoluções espectrais e
espaciais, sendo, portanto, utilizados para obter perfis de temperatura da
atmosfera e dos oceanos (Rocha, 2000).
Os radiômetros de microondas medem a temperatura, salinidade e
rugosidade da superfície do mar através da neblina e a noite. Os radiômetros
imageadores são utilizados para mapear as distribuições de temperatura.
32
2.1.5 – Tipos de Satélites
Existem cerca de 70.000 objetos orbitando a Terra entre satélites e sucatas,
dos mais diversos tipos:
- Militares: IDS (Guerra nas Estrelas);
- Telecomunicações: GPS, Iridium, Globalsat, Odyssey, Ico, Intelsat, Intersputinik,
Brasilsat, Telecom;
- Científicos: CERES, MOPITT, MISR, MODIS, ASTER;
- Meteorológicos: NOAA, METEOSAT, GOES, SCD-2;
- Observação da Terra: LANDSAT, CBERS, SPOT, IKONOS, JERS, RADARSAT.
2.1.5.1 - Satélites de Recursos Naturais
São os que possuem mais sistemas disponíveis. Devido à órbita quase
polar, recobrem grande parte da totalidade da Terra. Os principais sistemas
disponíveis são: LANDSAT; SPOT; CBERS; IRS; KOMPSAT; EROS; IKONOS;
QUICKBIRD; JERS; ERS; ENVISAT; RADARSAT; ASTER (LILLESAND e
KIEFER, 2004; NOVO e PONZONI, 2001).
.
2.1.5.1.1 – Sistema Landsat
O LANDSAT foi colocado em órbita em 1972, com o nome de ERTS-1
(Earth Resources Technological Satellite-1), com um desempenho tão significativo
que foi transformado na série LANDSAT (ROCHA, 2000).
O LANDSAT 5 já está operando desde 1984, muito além da vida útil prevista
na época do lançamento. Trabalha com os sensores TM (Thematic Mapper) e
MSS (Multispectral Scanner System), com, respectivamente, sete e quatro
bandas em cada. A resolução espacial obtida é de 30 m. O LANDSAT 6 foi
lançado em 1993 e perdeu-se no mar (ROCHA, 2000).
O LANDSAT 7 foi lançado em 1999 com os sensores ETM+ (Enhanced
Thematic Mapper) e PAN (pancromático), operando com sete canais
multispectrais e um canal PAN, respectivamente. A banda PAN consegue
resoluções espaciais de até 15m, possibilitando escalas de até 1:25.000. Os
satélites LANDSAT 5 e 7 encontram-se a uma altura de 705 Km.
33
A operação do satélite LANDSAT em órbita é administrada pela NASA -
National Space and Space Administration e a sua produção e comercialização de
imagens fica sob os cuidados da USGS - United States Geological Survey. No
Brasil, o Instituto Nacional de Pesquisas Espaciais (INPE) e algumas empresas
privadas comercializam as imagens do LANDSAT 4, 5 e 7. Estas cenas cobrem
uma área de 185 X 185 Km (34.225 Km2).
Apresenta-se a seguir informações técnicas dos parâmetros do LANDSAT 5
e 7, cujas imagens serão utilizadas neste trabalho.
2.1.5.1.2 - Faixas Espectrais do Landsat 5 e 7
Cada imagem do LANDSAT 5 é composta de sete bandas. O LANDSAT 7
possui as mesmas bandas que o cinco, com mais uma banda pancromática. Cada
banda representa a resposta em certa faixa espectral. Uma foto em preto e branco
é feita com uma banda, enquanto que uma foto colorida é feita com 3 bandas de
acordo com as características a serem realçadas (ROCHA, 2000).
Tabela 2 – Dados Técnicos dos Satélites LANDSAT 5 e 7 (Fonte: NASA)
Banda Faixa Espectral ( em µm)
PAN
1
2
3
4
5
6
7
0,5 a 0,90 – apenas LANDSAT 7.
0,45-0,52 (Azul)
0,52-0,60 (Verde)
0,63-0,69 (Vermelho)
0,76-0,90 (Infravermelho próximo)
1,55-1,75 (Infravermelho médio)
10,4-12,5 (Infravermelho termal)
2,08-2,35 (Infravermelho médio)
Resolução espacial (em m) 30
Resolução temporal Um ciclo a cada 16 dias
Resolução Radiométrica 8 bits = 256 níves 8 bits = 256 níves
Dimensões da imagem (em km) 185 x 185
34
As diferentes bandas das imagens possuem utilidades e usos diferentes.
De acordo com Lillesand e Kiefer (2004), temos os seguintes usos principais para
as imagens nas diversas bandas, principalmente no aspecto relacionado à
vegetação.
A banda 1 (azul) apresenta grande penetração na água, com elevada
transparência; é utilizada para discriminação da vegetação do solo, mapeamento
de florestas.
A banda 2 (verde) apresenta grande sensibilidade a presença de
sedimentos em suspensão, possibilitando sua análise em termos de qualidade e
quantidade.
A banda 3 (vermelho) permite medir níveis de absorção de clorofila pelas
plantas, contribuindo para a diferenciação de tipos de vegetação.
A banda 4 (infravermelho próximo) os corpos de água absorvem muita
energia nesta banda e ficam escuros; é utilizada para a identificação de tipos
diferentes de vegetação, assim como para avaliar o potencial de biomassa.
35
2.2 - Propriedades Ópticas das Águas
2.2.1 - Tipologia das Águas Superficiais Amazônicas
Sioli (1967) citado por Ribeiro (1992), classificou as águas superficiais
amazônicas em três tipos diferentes.
Os rios de “águas brancas”, correspondem aos rios da Amazônia que
apresentam maior turbidez, como Solimões/Amazonas, Purus, Madeira e Juruá,
que têm suas cabeceiras nas regiões andinas, carreiam sedimentos em direção à
planície central e os depositam nas extensas áreas alagadas durante as
enchentes, formando os solos de várzea, os mais férteis da Amazônia. Tais águas
apresentam muita substância em suspensão, coloração marrom-amarelada, com
transparência entre 10 e 60 cm, são relativamente ricas em nutrientes, tanto em
matéria orgânica quanto em inorgânica. Em geral, o pH varia entre 6,2 e 7,2.
Os rios de “águas claras” possuem águas mais transparentes do que as
marrom-amareladas, de cor verde-azulada ou claras, carreiam pouco material em
suspensão, têm origem nos sedimentos terciários da bacia amazônica ou no
escudo do Brasil Central, e são ácidos e pobres em sais minerais, apresentando
baixas concentrações de cálcio e magnésio. No entanto, os rios de “águas
claras” que nascem na estreita faixa carbonífera ao norte e ao sul do Baixo
Amazonas (Estado do Pará) são neutros e relativamente ricos em sais minerais
com elevado teor de cálcio e magnésio. O pH varia entre 4,5 e 7,8.
Os rios de “águas pretas” como o rio Negro, Urubu, Tefé, Tapauá, nascem
nos escudos (formações continentais e planas) pré-cambrianos das Guianas e do
Brasil Central ou nos sedimentos terciários da bacia amazônica, possuem
coloração marrom e quando a profundidade é maior do que dois metros, a água
parece realmente preta. O fraco processo de erosão nesses terrenos é reduzido
ainda mais pela densa mata fluvial, e por isso os rios apresentam baixa carga de
sedimentos e uma coloração transparente. A baixa concentração de cálcio e
magnésio nas formações geológicas das nascentes torna ácida essas águas, o pH
varia de 3,8 a 4,9, embora o índice dependa da chuva. A acidez e a cor real das
“águas pretas” são atribuídas também segundo Walker (1987) citado por Ribeiro
36
(1992), à presença de ácidos húmicos, originários de substâncias orgânicas não
mineralizadas no solo da floresta.
A literatura científica tem demonstrado que a química das águas superficiais
da Amazônia exibe as relações entre a química das águas e a
geologia/mineralogia, bem como a pedologia associada às águas da área na
cabeceira, e finalmente na paisagem total da Amazônia (Junk e Furch, 1985;
Novo, 2004; 2005; Rudorff et al. 2005).
Tais classificações das diferentes tipologias das águas amazônicas,
entretanto, só podem ser aplicadas à bacia Amazônica em um estudo de grande
escala, tendo em vista a grande complexidade das águas e da geomorfologia e
geologia da região.
2.2.2 – Comportamento Espectral da Água
Em estudos de sensoriamento remoto (SR) óptico, é necessário conhecer
os diferentes fluxos de radiação, detectadas pelo sensor. Quando os sistemas
aquáticos são estudados, em comparação com os sistemas terrestres, a
diferenciação das componentes radiativas é ainda mais importante, pois a energia
proveniente dos sistemas aquáticos é relativamente baixa (Ruddorf, 2006). A
radiação que chega ao sensor pode percorrer diferentes caminhos: (1) pela
reflexão especular solar direta que atinge a superfície d´água; (2) pela reflexão
especular da radiação solar difusa que atinge a superfície d´água; (3) pela
radiação espalhada pela atmosfera; (4) pelo fluxo emergente de subsuperfície
(Lw) (Kirk, 1996). A Figura 6 ilustra os diferentes tipos de radiação.
37
Figura 6 - Componentes do fluxo de energia que deixa o corpo d’água (Adaptado
de Kirk 1996 apud em Rudorf, 2001).
O fluxo que se encontra relacionado com as propriedades da água é o
emergente imediatamente abaixo da superfície (Lu). No entanto, o que é
detectado pelo sensor (após todas as correções necessárias) é o fluxo emergente
(Lw), ou seja, a parte do fluxo que consegue atravessar a superfície.
Os dados de sensoriamento remoto estão mais relacionados com aquela
parte de Lu que se encontra entre 0 e 40 graus em relação à vertical. Sob
condições calmas (sem ventos ou com ventos de baixa velocidade), somente
cerca de 2% a 6% da energia incidente é refletida na interface água/ar. A reflexão
interna da radiação emergente pode aumentar com a rugosidade da superfície.
38
Esse efeito, entretanto, pode ser desprezível, quando a energia emergente da
coluna d'água incide sobre a interface água/ar segundo pequenos ângulos (Novo,
2001).
Quando o fluxo radiante atravessa o meio aquático, o mesmo perde
intensidade à medida que a profundidade aumenta como conseqüência dos
efeitos de absorção e espalhamento ( Kirk, 1996; Novo 2001, citado por Meneses,
2001). A quantidade de radiação refletida pela superfície da água pode ser
estimada pela razão entre o coeficiente de espalhamento b e o coeficiente de
absorção a. No entanto, a diferença de densidade óptica entre a água e o ar faz
com que parte deste fluxo de radiação seja refletida de volta para cima, enquanto
a parte que atravessa a superfície da água é refratada (segundo a lei de Snell),
causando seu espalhamento – aumentando, portanto o ângulo sólido (dw) - e sua
conseqüente perda de intensidade (Rudorff, 2005).
A Equação 1 relaciona a radiância de superfície derivada de dados de
sensoriamento remoto, com aquela de subsuperfície.
Lw = 0,544 Lu, Eq. 1
onde: Lw: radiância medida pelo sensor remoto;
Lu: radiância de supsuperfície.
Onde, a partir dos valores de Lw, derivados de dados de sensores remotos
após correção dos efeitos atmosféricos, estima-se os valores de Lu conforme a
Equação 2:
Lu = 1,84 . Lw Eq. 2
2.2.3 – Correções do Fluxo Emergente em Relação aos Efeitos Atmosféricos
Uma das razões apontadas para a complexidade da interpretação da água
nas imagens de satélites é que cerca de 90% da radiação, registrada por um
sensor orbital, originada em um corpo de água, pode ser atribuída à radiância da
atmosfera, também conhecida como radiância de trajetória. Essa radiância de
trajetória é provocada principalmente pelo espalhamento que a luz solar sofre na
39
presença das moléculas dos gases constituintes da atmosfera e de partículas
nela presentes, tais como poeiras, sais, gotas de chuva, vapor d'água (Novo,
2001).
Para estimar o valor de Lw é necessário que a radiância de trajetória (La)
seja removida da radiância detectada pelo sensor (L).
Um dos métodos freqüentemente utilizados para a correção atmosférica de
dados Landsat é conhecido como "pixel escuro". Consiste em localizar dentro da
cena imageada em um corpo de água, o pixel de mais baixo valor e subtrair esse
valor daqueles atribuídos aos demais pixels da imagem. O suporte teórico para
esse método baseia-se no fato de que a radiância de um "pixel escuro" pode ser
atribuída somente à contribuição da atmosfera, pois o valor desse pixel deveria
ser zero. Portanto, quando se subtrai seu valor do valor de cada pixel da cena,
remove-se a radiância de trajetória. Para que esse método possa ser utilizado, os
dados devem se conformar com algumas condições: 1) a atmosfera deve ser
constante sobre a cena; 2) o pixel mais escuro deve ser realmente um pixel de
radiância bem próxima a zero, pois, caso contrário, parte do sinal proveniente da
água estaria sendo subtraído junto com o sinal devido à atmosfera.
2.2.4 - Correção do Fluxo Emergente em Relação à Irradiância Solar na
Superfície da Água
A grandeza radiométrica medida pelo sensor é a radiância, mas a
propriedade radiométrica da água que se relaciona com seus componentes é a
reflectância. Para se estimar adequadamente a reflectância, não basta apenas
corrigir a radiância medida pelo sensor, mas é preciso, também, avaliar a
irradiância que atinge a superfície da água. A irradiância incidente na superfície
varia com o ângulo zenital do Sol. Assim sendo, para se expurgar os efeitos de
variação do ângulo solar sobre os valores de reflectância, aplica-se a seguinte
correção dada pela Equação 3 (Novov, 2001 citado por Meneses, 2001):
Lw = Lw’/ cos (θ) Eq. 3
40
Onde: Lw: radiância da água;
Lw’: radiância da água medida pelo sensor após correção atmosférica
θ: ângulo zenital do Sol.
2.2.5– Constituintes Opticamente Ativos
2.2.5.1 – Propriedades Ópticas Inerentes e Aparentes da Água
2.2.5.1.1 – Propriedades Ópticas Inerentes
São propriedades ópticas que dependem, exclusivamente, da composição
do corpo d'água, ou seja, da concentração e tipo de substâncias opticamente
ativas presentes no corpo d'água. As substâncias opticamente ativas são
aquelas que podem afetar o espectro de absorção e espalhamento da água pura.
2.2.5.1.2 - Propriedades Ópticas Aparentes
São propriedades ópticas que são afetadas tanto pela composição do
corpo d'água quanto pelas características do campo de luz incidente sobre a
água, porque os valores das grandezas medidas podem modificar-se com
alterações no campo de luz incidente sobre a água. O fluxo retroespalhado, por
exemplo, é uma propriedade óptica aparente porque sua magnitude dependerá
do fluxo incidente. Portanto, a Irradiância Descendente (Ed) e a Irradiância
Ascendente (Eu) são propriedades ópticas aparentes do corpo d'água (Figura 6).
De acordo com estudos relatados por Kirk (1996) existe a seguinte
correlação entre a razão das irradiâncias ascendentes e descendentes e o
coeficiente de espalhamento e de absorção pelo corpo d’água.
R = Eu/Ed sendo R = K bb/a Eq. 5
onde: k: constante de proporcionalidade que varia de acordo com o
ângulo de elevação solar;
bb: coeficiente de retroespalhamento;
a: coeficiente de absorção da água.
Ou seja, o fluxo de energia detectado por um sensor remoto é diretamente
41
proporcional ao coeficiente de retroespalhamento (fração do coeficiente de
espalhamento que representa a integração da energia espalhada na direção
oposta à de incidência), visto que é essa fração que vai ser responsável pela
formação de um fluxo de energia emergente em direção à superfície da água e
que chegará ao sensor da água, é inversamente proporcional ao seu coeficiente
de absorção (Novo, 2001).
Como os coeficientes de absorção e espalhamento da água são afetados
pelo tipo, concentração e composição de substâncias presentes no corpo d'água,
pode-se concluir que corpos d'água com diferentes composições apresentarão
diferenças sensíveis em sua cor e, portanto, em seus espectros refletivos.
Portanto, se se conhece os efeitos que os diferentes componentes exercem sobre
os coeficientes de absorção e espalhamento do corpo d'água é possível inferir
algumas propriedades do corpo d'água com base nas variações de sua cor.
Os componentes que afetam o comportamento espectral da água podem
ser classificados em três amplas categorias:
1. organismos vivos (fitoplâncton, zooplâncton e bacterioplâncton);
2. partículas em suspensão;
3. substâncias orgânicas dissolvidas.
O coeficiente de absorção (a) da água pura é mínimo na região
compreendida entre 400 e 600 nm (Figura 7), aumentando rapidamente na região
do infravermelho próximo. Contrariamente, o coeficiente de espalhamento (b) é
máximo na região do azul e decresce exponencialmente em direção ao
infravermelho. Neste caso, pode-se concluir que a radiação refletida pelas
moléculas da água pura é máxima na região do azul e decresce em direção ao
vermelho e que a água pura quando observada de um satélite, tenderá a
apresentar a cor azul.
42
(a) (b)
Figura 7 - Variação do coeficiente a da água pura, de constituintes opticamente
ativos e a absorção total resultante; Variação do coeficiente b para
água pura e fitoplâncton ( Malthus 2003, citado por Rudorrf, 2005).
A cor da água pura pode ser alterada quando são introduzidas substâncias
que aumentam o coeficiente de absorção nas diversas regiões espectrais.
2.2.5.2 – Componentes Ópticos Dissolvidos e Particulados
As substâncias amarelas (substâncias orgânicas dissolvidas) caracterizam-
se por aumentar o coeficiente de absorção do meio aquático, principalmente na
região do azul.
As águas encontradas em ambientes naturais, ao contrário da água pura,
possuem diversos constituintes, que variam de origem, forma e tamanho,
alterando os parâmetros ópticos das mesmas. Estes componentes são divididos,
genericamente, em dois grupos: dissolvidos e particulados (Mobley, 1994).
2.2.5.2.1 – Componentes Ópticos Dissolvidos
Os componentes ópticos considerados como dissolvidos na água são
aqueles que passam por um filtro de 0,4 µm (400 nm). Este parâmetro é definido
com base no menor valor de comprimento de onda da faixa visível do espectro
43
eletromagnético. Dessa forma, partículas menores que essas não podem ser
distinguidas em microscópios ópticos comuns (Nóbrega, 2005).
A matéria orgânica dissolvida (MOD) está presente tanto em águas
oceânicas quanto costeiras. Chamada também de substância amarela, sua
composição principal são os ácidos húmicos e fúlvicos solúveis presentes nos
solos das áreas de captação de água dos rios, vindos indiretamente da vegetação.
O termo substâncias húmicas está associado às águas continentais e o termo
Gelbstoff se refere às águas oceânicas. Kirk (1996, citado por Nóbrega, 2005)
propõe a utilização do termo gilvin para se referir a todas as substâncias orgânicas
de coloração amarela, as quais diferem apenas na origem.
Estudos realizados por Mobley (1994) sugerem que a presença de colóides
associados a essas substâncias promove aumento do coeficiente de
retroespalhamento em direção aos comprimentos de ondas mais longos.
Conforme aumenta a concentração da matéria orgânica dissolvida na água, a
reflectância da região azul diminui até um ponto em que os máximos de
reflectância passam a ocorrer na região do verde e vermelho, o que dá a água
uma cor amarela.
No caso do Rio Negro onde a concentração de substâncias orgânicas
dissolvidas é muito grande, a absorção suplanta o espalhamento e praticamente
não há energia retroespalhada pelo volume d'água, que adquire uma aparência
negra quando em grande volume.
2.2.5.3 – Componentes Ópticos Particulados
Os componentes particulados são, por sua vez, divididos em orgânicos e
Inorgânicos. Os sedimentos inorgânicos em suspensão presentes na água são
originados de intemperismo de rochas e solos, sendo principalmente constituídos
de grãos de quartzo, argilas e óxidos. Sedimentos em suspensão provocam um
aumento do valor de reflectância em todos os comprimentos de onda proporcional
ao aumento do grau de turbidez. Desta forma, o fluxo de radiação emergente
torna-se maior devido ao aumento do coeficiente de retro-espalhamento, sendo
44
mais intensamente observado entre 500 e 700 nm (Dekker, 1993; Goodin et al.
(1993), citado por Nóbrega, 2005).
Comprimento de onda (nm)
Figura 8: Curva espectral de água com diferentes níveis de turbidez (Goodin et
al.1993, citado por Nobrega 2005).
Na análise da Figura 8 observa-se o aumento geral da reflectância com o
aumento da turbidez (expressa em unidades nefelométricas de turbidez, NTU)
como também a modificação na forma do espectro de reflectância. Águas túrbidas
podem apresentar reflectância acima de 0,12 % na região compreendida entre o
verde e infravermelho próximo.
A matéria orgânica particulada pode ocorrer sob diversas formas, sendo
elas: vírus, colóides, bactérias, fitoplâncton, detritos orgânicos e grandes
partículas. Os vírus têm tamanho muito inferior aos comprimentos de onda do
visível (20 a 250 nm), e mesmo em grandes quantidades não possuem
propriedades significativas de absorção ou espalhamento. Partículas coloidais e
bactérias também afetam o espectro da água, mesmo com tamanho
correspondente aos materiais dissolvidos, apresenta comportamento característico
de matéria particulada. Elas apresentam retro-espalhamento em comprimentos de
45
ondas curtos, na região do azul, sendo as bactérias os microrganismos que mais
contribuem para o retro-espalhamento particulado.
O estudo de algas para o manejo de lagos e reservatórios pode fornecer
informações sobre o florescimento de espécies de algas potencialmente tóxicas,
como as cianobactérias, que produzem toxinas consideradas um risco à saúde
pública (Londe et al, 2005). Estes organismos podem também revelar o estágio
de eutrofização de lagos e reservatórios, com impactos como mortandade de
peixes e conseqüentes problemas à indústria pesqueira, ao turismo e ao uso da
água para irrigação, problemas relacionados a corrosão nas barragens, além de
fornecer informações importantes para os balanços globais do carbono e do
nitrogênio.
Alga corresponde a uma gama muito ampla de organismos, com grande
variabilidade morfológica, estrutural e metabólica, incluindo até os grupos
procarióticos (Londe et al, 2005). A maior parte destes seres vive na água, de
forma livre, fazendo parte do fitoplâncton. O fitoplâncton – phyto vem da palavra
grega phuton, que significa ‘planta’, e plâncton, da palavra grega plagtos, que
significa ‘vagando’ – é um grupo heterogêneo composto principalmente por algas
fotossintetizantes que se distribui por grande parte dos ambientes marinhos e
aquáticos continentais do mundo. Nestes ambientes, é o principal responsável
pela captação da energia eletromagnética e sua transformação em energia
química - em um processo chamado de fotossíntese -, desempenhando, portanto,
importante função no sistema. As moléculas que captam e transformam a energia
são chamadas de pigmentos fotossintetizantes, e alguns exemplos são as
clorofilas a, b e c e os carotenóides. Estas moléculas absorvem a energia em
bandas espectrais características (Londe et al. 2005).
Tanto a fixação de carbono quanto a produção de oxigênio ocorrem devido
à fotossíntese. Este mecanismo fisiológico se deve à presença dos pigmentos
fotossintéticos, que são moléculas que captam energia eletromagnética no
intervalo de 400 a 700 nm (Kirk, 1996). Estes pigmentos são agrupados em três
categorias: clorofilas, carotenóides e biliproteínas – causam a absorção seletiva da
radiação eletromagnética que penetra a superfície da água. A maior parte das
46
plantas possui clorofilas a, b, c e mais raramente d. A clorofila a é aquela que
ocorre em maior abundância. Entre as algas, entretanto, a concentração da
clorofila a varia amplamente. A razão entre a concentração de clorofila a e b varia
também de espécie para espécie, podendo atingir valores mínimos em torno de
1,0 mg/L em espécies marinhas até 6,0 mg/L como o encontrado para a
Euglenofita.
Como citado anteriormente nas algas existem inúmeros pigmentos
fotossintetizantes, e o grande interesse de estudos com sensoriamento remoto é
usar o conhecimento das bandas de absorção específicas para poder ter acesso
aos prováveis tipos de comunidades fitoplanctônicas. A clorofila-a, por exemplo, é
um fitopigmento presente em todos os grupos de algas de águas continentais e a
estimativa de sua concentração é freqüentemente adotada como indicadora de
bioprodução dos sistemas aquáticos.
De modo geral, os pigmentos que atuam na fotossíntese provocam a
diminuição da reflectância na faixa do azul (400-515 nm) e o aumento na faixa do
verde (515-600 nm).
O aumento de reflectância no verde é atribuído ao fato de ocorrer um
processo de espalhamento interno nas células do fitoplâncton. De fato, essas
algas são partículas refratoras, portanto, provocam o aumentam do espalhamento
também em comprimentos de onda do infravermelho próximo (700-900 nm). Os
métodos de SR em estudos de fitoplâncton fazem uso do conhecimento de que as
células fotossintetizadoras absorvem luz de forma mais intensa em certas regiões
definidas do espectro (Tabela 3). Thiemann e Kaufmann (2000) propuseram
procedimentos para determinar o conteúdo de clorofila-a, utilizando espectros de
radiometria em lagos de diferentes estados tróficos. Os autores se basearam em
bandas de absorção distintas na faixa do azul (comprimentos de onda próximos a
440 nm) e na faixa do vermelho (próximos a 678 nm).
47
Tabela 3 – Comprimento de onda de absorção dos pigmentos (Weaver e Wrigley,
1994).
A presença de fitoplâncton é capaz de produzir, através de seus pigmentos
fotossintetizadores, efeitos de absorção ao longo do espectro na região do visível
e ao mesmo tempo contribuir para o aumento do espalhamento juntamente com
as demais partículas refratoras em suspensão. O aumento de biomassa do
fitoplâncton pode ser relacionado, empiricamente, ao aumento de reflectância
provocado na região do Infravermelho próximo (Kirk, 1996).
As células do fitoplâncton também emitem certa quantidade de luz, próxima
a 1% do que foi absorvida pela célula na fotossíntese, sendo esta luz re-emitida na
forma de fluorescência. O efeito de fluorescência devido à Clorofila-a pode ser
notado em espectros de reflectância por determinar um pico em torno de 685 nm.
Os espectros de reflectância de águas dominadas por fitoplâncton também exibem
um outro pico de reflectância em torno de 705 nm, que é causado por
fluorescência de clorofila induzida pelo Sol.
48
Entretanto, o principal pigmento responsável pela absorção de energia
luminosa é a clorofila. A clorofila-a funciona também como centro de reação
fotossintética e possui dois picos de absorção: um no azul (em 443 nm, chamado
de “Soret”) e outro no vermelho (em 686 nm, chamado pico “alpha”). A clorofila-a
absorve fracamente entre 450 e 650 nm e a clorofila-b tem o efeito de aumentar a
absorção dentro desta janela (Londe, 2005). As cianobactérias e as algas
vermelhas possuem pigmentos, as biliproteínas (ou ficobilinas), que funcionam
como pigmentos acessórios de cor vermelha ou azul.
Teoricamente, a maioria dos pigmentos citados pode ser detectada
remotamente.
Nos oceanos, tais pigmentos são os principais responsáveis pelas
variações temporais e espaciais no espectro de reflectância das águas. Nas águas
interiores, entretanto, quantidades relativamente maiores de carbono orgânico
dissolvido, e outros materiais particulados e inorgânicos, dificultam a interpretação
do espectro de reflectância.
O fitoplâncton é responsável pela maior influência no comportamento
espectral de águas oceânicas, e os detritos orgânicos formados por suas células
mortas mantêm as características de absorção da REM da faixa do azul.
A estimativa da concentração de clorofila a é bastante importante em
estudos de ambientes aquáticos pois, entre os pigmentos fotossintéticos, esse é o
mais comum em produtores primários e sua concentração é usada para indicar o
nível trófico do ambiente. A clorofila a tem a propriedade de atenuar a luz
incidente, apresentando dois pontos principais de absorção: na faixa do azul, em
440 nm, e na região do vermelho, em 676 nm (1994 Mobley, 1994, Kirk, 1996). Em
torno de 550 nm o aumento do espalhamento provoca o aparecimento de maiores
valores de reflectância. Com a presença de sedimentos em suspensão na água, o
sinal da clorofila pode ficar mascarado e, muitas vezes, as feições na curva
espectral podem aparecer deslocadas. A matéria orgânica dissolvida também
pode ser confundida com a clorofila devido à sua forte absorção entre 400 e 500
nm.
49
Os experimentos de Rundquist (1996), são bem representativos sobre o
comportamento da clorofila em várias concentrações (Figura 8). Tal autor obteve
uma forte absorção nos comprimentos de onda do azul e o aumento da
reflectância por volta de 550 nm (o pico ocorreu entre 560 e 570 nm). Em 676 nm
observa-se a absorção da clorofila. O pico em torno de 710 nm é uma interação da
absorção da clorofila em 676 nm e da absorção da água em 745 nm (Kirk, 1996).
Os máximos ficam mais estreitos e melhor definidos em termos espectrais. Com o
aumento da concentração de clorofila, as curvas espectrais apresentam maiores
reflectâncias e bandas de absorção melhor definidas.
50
CAPÍTULO 3
REDES NEURAIS ARTIFICIAIS
3.1 – Redes Neurais Artificiais
Ao se falar de redes neurais, é comum se fazer referência às Redes
Neurais Artificiais (RNA), por serem modelos matemáticos que vêm sendo
desenvolvidos nos últimos anos, e que, de uma maneira geral, procuram imitar o
funcionamento das redes neurais naturais. O cérebro humano é composto por
algo em torno de 10 bilhões de neurônios que se interconectam, formando uma
verdadeira rede, que é capaz de processar milhões de informações e realizar algo
em torno de 60 trilhões de ligações sinápticas (Galvão et al, 1999).
O cérebro humano é, portanto, um sistema de processamento de
informação altamente complexo, não-linear e paralelo, que tem a capacidade de
organizar os neurônios de tal forma, que seu desempenho na execução de certas
funções (reconhecimento de padrões, percepção e controle motor) dá-se de forma
rápida, mais rápida que em um computador hoje existente, ainda que sua
velocidade de processamento seja relativamente baixa quando comparada a esse
( Galvão et al, 1999).
Podemos de modo geral, definir uma Rede Neural Artificial como um
sistema constituído por elementos de processamento interconectados, chamados
de neurônios, os quais estão dispostos em camadas (uma camada de entrada,
uma ou várias intermediárias e uma de saída) e são responsáveis pela não-
linearidade da rede, através do processamento interno de certas funções
matemáticas. Essas redes neurais artificiais possuem alguma forma de regra de
aprendizagem que é responsável pela modificação dos pesos sinápticos a cada
ciclo de iteração, de acordo com os exemplos que lhe são apresentados. Pode-se
dizer, então que as Redes Neurais Artificiais aprendem por exemplos (Galvão et
al, 1999).
51
3.2 – Componentes das Redes Neurais Artificiais
Segundo Rumelhart e McClelland (1986), citado por Galvão et al.(1999),
os modelos de redes neurais, apresentam 8 componentes principais:
• Um conjunto de elementos de processamento;
• Um estado de ativação;
• Uma função de saída para cada elemento de processamento;
• Um padrão de interconexão entre os elementos de processamento;
• Uma regra de propagação;
• Uma regra de ativação;
• Uma regra de aprendizado;
• Uma representação do ambiente onde o sistema deve operar.
3.2.1. – Elementos de Processamento
Neurônio biológico - O neurônio biológico apresentado esquematicamente
na Figura 10, possui um corpo celular (soma), um axônio e diversas ramificações
(os dendritos). Os dendritos são dispositivos de entrada, que conduzem os sinais
nervosos das extremidades para o corpo celular. O axônio é o dispositivo de
saída, que transmite o sinal do corpo celular para suas extremidades. As
extremidades do axônio de um neurônio são conectadas com os dendritos de
outros neurônios através das sinapses. A membrana citoplasmática de uma célula
nervosa permite o transporte de eletrólitos (em essência sódio (Na+) e potássio
(K+) para dentro e fora da célula alterando o potencial elétrico entre as partes
interna e externa da célula. A diferença de potencial, desta forma, provoca um
trem de pulsos que codifica a informação que se propaga através do axônio da
célula nervosa para ser decodificada nos dendritos de outras células nervosas. As
sinapses (ligações de uma extremidade de um axônio de uma célula nervosa com
o dendrito de outra célula nervosa) possuem neurotransmissores que permitem a
propagação dos pulsos nervosos, verificar na figura 10 (Galvão et al, 1999).
52
Figura 9 - Neurônio Biológico
Neurônio artificial – È constituído de uma função de combinação e uma
função de ativação. A função de combinação, é responsável por compor a
informação de entrada do neurônio. Se ela for linear, passa a representar uma
soma de entradas, ponderada pelos respectivos pesos. Muitas vezes chamados
de pesos sinápticos, em analogia ao neurônio biológico, e representa,
matematicamente, a importância de cada informação, com relação a um dado
neurônio. A função de ativação é responsável pela intensidade do sinal a ser
transmitido pelas conexões para os neurônios das camadas adjacentes. O
intervalo da amplitude normalizada de saída de um neurônio está no intervalo
unitário fechado [0,1] ou, alternativamente, [-1,1]. Várias funções são utilizadas
com essa finalidade; entre as mais utilizadas, têm-se a sigmóide, a gaussiana, e a
rampa. Ela é responsável pela não linearidade da rede, o que a torna uma
ferramenta poderosa (Galvão et al, 1999).
53
Na figura 10 está representado um neurônio artificial de acordo com o
modelo de McCulloch-Pitts, no qual se tem uma função limiar θ, que tem o efeito
de diminuir a entrada líquida para a função de ativação.
Figura10 - Neurônio Artificial
Na figura 11, e apresentado uma outra alternativa de representação do
neurônio, em que o efeito da função limiar é representado por se fazer duas
modificações: (1) adiciona-se uma nova entrada de valor fixo x0 = +1, e (2)
adiciona-se um novo peso sináptico wk0 = bk, sendo bk o valor negativo do limiar.
Figura 11 - Neurônio Artificial com Tendência
Esses elementos de processamento são organizados em camadas, que
podem ser de três tipos, ilustrados na figura 12:
54
• Camada de entrada – responsável pela distribuição da informação
para a(s) camada(s) intermediária(s) escondida(s), recebida do meio
externo;
• Camada(s) oculta(s) – onde ocorre o processamento, através das
funções de combinação e ativação;
• Camada de saída – responsável pela resposta da rede.
Figura 12 - Representação de uma rede neural do tipo RBF (Função de Base
Radial) utilizada para determinação da concentração de pigmentos, através de
valores de DN (níveis de cinza) obtidos de imagem de satélite de média resolução.
3.2.2 – Estado de Ativação
Cada elemento de processamento (EP), em rede neural, tem associado um
estado de ativação. O estado de ativação pode ser:
• Contínuo – binário, ilimitado;
55
• Discreto – binário, múltiplo.
3.2.3 – Função de saída do Elemento
Desde que a ativação do elemento de processamento seja conhecida, ele
produzirá um sinal de saída que está relacionado com sua ativação por uma
função de transferência conhecida como função de saída.
3.2.4 – Padrão de Interconexão entre os Elementos de Processamento
Essa representação é feita através de uma matriz de pesos e define o
conhecimento do sistema. As conexões com pesos positivos, são as excitatórias e
as com pesos negativos são as inibitórias.
Os pesos das conexões, chamados muitas vezes de pesos sinápticos,
representam, matematicamente, a importância de cada informação com relação a
um dado neurônio. O principal propósito é determinar o melhor conjunto de pesos
capaz de representar um dado problema. Existem inúmeros métodos utilizados
com esse objetivo; entretanto, um tornou-se bastante popular, chamadas de redes
neurais retropropagação. Esse termo está relacionado, à propagação recursiva
dos erros.
3.2.5 – Regra de Propagação
Trata-se de uma regra que combina valores de entrada de um elemento de
processamento (EP) com os respectivos valores da matriz de pesos para produzir
uma entrada líquida. Uma das regras de propagação mais simples é aquela na
qual o sinal líquido é uma soma ponderada de cada entrada que chega a um dado
EP pelo respectivo peso. Essa regra é representada matematicamente pela
equação 6:
0
n
k kj j
j
w xν=
=∑ Eq. 6
Em que vk é a entrada líquida do EP de ordem k; xj são as entradas do EP de
ordem k; Wkj são os j pesos sinápticos referentes às conexões do EPk.
56
3.2.6 – Regras de Ativação
Tem por finalidade calcular um novo estado de ativação do EP. Entre as
funções mais utilizadas destacam-se:
• A função sigmóide
1
( )1 x
xe
ϕ−
=+
Eq. 7
• A função rampa
1, 1
( ) , | | 1
1, 1
x
x x x
x
ϕ
∀ ≥
= ∀ < − ∀ ≤ −
Eq. 8
• A função degrau
( ) pode assumir os valores :
1, 0( )
0, 0
x
xx
x
ϕ
ϕ∀ ≥
= ∀ <
Eq. 9
• A função gaussiana
2
( ) xx eϕ −= Eq. 10
• A função tangente hiperbólica
( ) tanh( )x xϕ = Eq. 11
• A função linear
( ) . , em que k = constantex k xϕ = Eq. 12
3.2.7 – Regra de Aprendizado
A caracterização de um sistema como rede neural geralmente implica na
capacidade de aprender. Aprendizado é o processo pelo o qual uma rede neural
57
adquire a habilidade de responder corretamente a estímulos, através do ajuste de
parâmetros internos de acordo com algum esquema de aprendizado. O
aprendizado ocorre quando a rede neural atinge uma solução generalizada para
uma classe de problemas. O aprendizado em redes neurais pode ser classificado,
de acordo com presença ou ausência de realimentação explícita do mundo
exterior, em supervisionado e não-supervisionado. Expressões matemáticas,
chamadas de regras de aprendizado, descrevem o processo de treinamento das
redes neurais ( Haykin, 2001).
O aprendizado de uma rede neural envolve a modificação do seu padrão de
interconexão, que, em princípio, poder ser feita de três maneiras distintas:
• Estabelecimento de novas conexões;
• Amputação de conexões existentes;
• Alteração dos pesos das conexões.
Dentre as diferentes regras de aprendizado, têm-se as seguintes:
(a) A regra de Hebb – Se um neurônio recebe um estímulo de outro neurônio,
e se ambos são altamente ativos, o peso entre estes neurônios deve ser
fortalecido.
(b) A regra delta – Também conhecida como Least Mean Square (LMS), que
minimiza o erro médio quadrático. Nessa regra os pesos sinápticos são
modificados de modo que o erro entre a saída desejada e a fornecida pela
rede é minimizado.
(c) A regra Hopfield – Se a saída desejada e a entrada são ambas ativas ou
inativas, deve-se incrementar o peso pela taxa de aprendizagem; caso
contrário decrementa-se.
(d) A regra de Kohonem – Baseada no processo de competição, de tal forma
que só o neurônio mais ativo, dito vencedor, fornece uma saída, e só ele e
seu vizinhos têm os pesos ajustados.
As regras de aprendizado podem ser divididas em duas categorias
básicas:
• Aprendizado supervisionado – neste caso, o aprendizado da rede é feito
com o conhecimento prévio do resultado desejado, ou seja, são fornecidos,
58
para a rede, o conjunto de dados de entrada e as respectivas respostas. A
diferença entre a resposta desejada e a atual, fornecida pela rede, é então
usada para calcular a correção dos pesos da rede. Um exemplo é a rede
RBF.
• Aprendizado não supervisionado – neste tipo de aprendizado, a rede
aprende com os próprios dados de entrada (somente os estímulos de
entrada são mostrados à rede), ou seja, este algoritmo não requer o
conhecimento das saídas. A rede neste caso, é auto-organizável, isto é, ela
se organiza internamente de tal forma que cada elemento de
processamento da resposta responda, estrategicamente, a um diferente
padrão de entradas. Um exemplo é a rede de Kohonen.
3.3 – Redes com Múltiplas Camadas
O algoritmo de retro propagação do erro, para redes de neurônios de
múltiplas camadas foi inventado e popularizado por Rummelhart, Hinton e Williams
citado por Galvão (1999) resolvendo uma das limitações fundamentais para o
treinamento de redes complexas.
Em uma rede neural com múltiplas camadas são identificadas a camada de
entrada, as camadas ocultas e a camada de saída, como pode ser observado na
figura 12.
3.4 – Regra delta generalizada e o algoritmo retro propagação
Consiste na aplicação do gradiente descendente ao problema de múltiplas
camadas, utilizando-se o algoritmo retro propagação. O gradiente descendente
tem como objetivo a busca de um mínimo global, através de incrementos nos
valores dos pesos por uma quantidade que é proporcional à primeira derivada (o
gradiente) do erro entre o valor da saída desejada e o valor atual de saída
fornecido pelo elemento de processamento em relação ao valor do peso. Vale
salientar que o mínimo global é caracterizado como uma solução teórica ideal que
59
apresenta o menor erro possível. Essa superfície de erro ideal consiste num
hiperparabolóide.
3.5 – Algoritmo de Aprendizagem
As entradas são armazenadas num vetor, X(P, N) = (Xp,1,Xp,2, Xp,3,..., Xp,
N), em que P é o número de informações por neurônios.
Cada neurônio de uma camada escondida ou de saída recebe um idêntico
vetor, X, da camada anterior, processando-o através da equação 13:
( , , ) ( , 1) ( , ) ( , )P L J X P L W J L B J Lγ = − + Eq. 13
na qual Y(P, L, J) é o processamento resultante do neurônio J da camada L, W(J,
L) é o peso (fator de ponderação) e B(J, L) a tendência.
O valor resultante Y(P, L, J), para o neurônio J, é processado, através da função
de ativação, para determinar a intensidade do sinal a ser transmitido pelas
conexões para outros neurônios. Como exemplo, cita-se as funções logísticas e
gaussianas das equações 14 e 15:
1
( )1 Y
f Ye
−=
+ Eq. 14
2
( ) Yf Y e
−= Eq. 15
Cada valor de saída dos neurônios é combinado na camada corrente
escondida ou de saída, para compor os vetores de saída:
( , ) ( ( ( , ,1), ( ( , , 2),..., ( ( , , )))X P L f P L f p l f p l kγ γ γ= Eq. 16
onde K é o número total de neurônios na camada L. Este vetor de saída será o de
entrada para a próxima camada.
Esse processamento vai até a camada de saída, onde o vetor X(P<O) é
obtido.
60
O vetor final de saída é então comparado ao vetor alvo, T(P), para obter, na
camada de saída, o vetor erro E(P). A equação 17 que governa o cálculo do erro é:
( , ) ( ( ) ( , )) '( , )E P O T P X P O X P O= − Eq. 17
na qual :
'( , ) ( ( ( , ,1), ( ( , , 2),..., ( ( , , )))X P O f P O f P O f P O Kγ γ γ=
Eq. 18
O erro para o neurônio J, na camada escondida L, é computado pela equação 19:
* *( , , ) '( , , ) [ ( , 1 ) ( ( , 1, )]k
E P L J X P L J E P L K W K L J= + + +∑ Eq. 19
Onde K representa os K’s neurônios na camada ℓ+1. Através desse método, o
vetor erro, E(P,L), é obtido para cada camada escondida. Como pode ser
observado nesta equação, os erros são calculados através de forma recursiva
através da rede.
Os próximos vetores de peso para cada neurônio J, na camada L (de saída
e escondida), são calculados pela equação 20, onde:
* * *
1 1( , ) ( , ) ( , , ) ( , 1) ( ( , )T T T
W J L W J L E P L J X P L W J Lη α+ −= + − + Eq. 20
η é a taxa de aprendizagem, α é o fator de momento e T é o ciclo de iteração.
3.6 – Redes RBF (Funções de Base Radial)
Redes neurais com função radial de base têm sido largamente utilizadas
em aplicações de reconhecimento de padrões, processamento de sinais, previsão
de carga e modelagem para predizer colheitas, etc., devido sua simplicidade
estrutural e eficiência de treinamento (Panda et al. , 2004). Aplicação de
modelagem de RBF em quantificação de qualidade de águas em lagos ainda tem
sido muito pouco desenvolvida, quase não se tem disponível em literatura (Panda
et al, 2004).
Uma típica RBF consiste em três diferentes camadas, cada uma destas
camadas sucessivas completamente conectadas com a camada da frente por
61
meio de arcos. Não há pesos entre a camada de entrada e a camada oculta. A
função de ativação usada na camada oculta é a RBF (Função de Base Radial)
uma função não-linear, como pode ser observado na figura 13. Elas são usadas
em problemas de aproximação de funções, onde as funções de base radial
formam uma base de funções convenientes para aproximação de outras funções
em um espaço multidimensional.
Nas RBF, a função de ativação nas unidades ocultas calcula a distância do
vetor de entrada do centro de atividade oculta usando a norma Euclidiana. As
redes RBF usam funções não-lineares (Gaussiana) para construir aproximações
locais de mapeamento não-linear de entrada e saída. Aproximação localizada de
entrada e saída é sempre preferível.
Segundo Poggio e Girosi (1990), o problema de interpolação de uma hiper-
superfície em um espaço multidimensional pode ser interpretado da seguinte
forma:
Dados N diferentes pontos ( , 1,2,.. )nix R i N∈ = encontrar uma função f de Rn em R,
satisfazendo às condições de interpolação
( )i iF x y= com 1,2,...i N= Eq. 21
A solução com o uso de funções de base radial (RBF) consiste em escolher uma
função F(x) da seguinte forma
1 1
( ) (|| ||) ( )N m
i i i iF x c h x x d p x= − +∑ ∑ , com m N≤ Eq. 22
onde h é uma função contínua de R+ em R, freqüentemente chamada de função
de base radial, quase sempre a gaussiana, no caso de redes neurais, ||.|| é a
norma euclidiana em Rn e pi é uma base de um espaço linear de polinômios, de
grau no máximo k-1, de R+ em R, e k é dado.
62
Figura 13 - Esquema de uma Rede RBF (Adaptado de Demuth, & Beale, 2002).
Onde:
R = n° de elementos do vetor de entrada .
S1 = n° de neurônios na primeira camada.
S2 = n° de neurônios na segunda camada.
As redes RBF estão associadas normalmente ao problema de interpolação
de funções em um espaço de alta dimensão. Dessa forma, então, aprender é
equivalente a encontrar uma superfície em um espaço de várias dimensões, que
forneça o melhor ajuste para os dados de treinamento, com o critério de “melhor
ajuste” sendo definido de forma estatística (POGGIO e GIROSI, 1992).
Generalizar é equivalente ao uso dessa superfície para encontrar os dados
correspondentes aos dados de entrada, isto é, interpolar. Como se sabe, as
funções de base radial tem sido objeto de intensa pesquisa na solução do
problema de interpolação (HAYKIN, 2001).
Segundo Chen et al. (1992), uma rede RBF, com entrada vetorial e saída
escalar, pode ser formulada matematicamente como um mapeamento definido
pela equação 23,
0
1
( ) (|| ||)n
i i
i
f X G X cλ λ=
= + −∑ Eq. 23
onde nX R∈ , é um vetor de entrada, G(.) é uma função de R+ em R, ||.|| é a
norma euclidiana em Rn, λi , com 0 i n≤ ≤ , são os pesos ou parâmetros livres e
, 0n
ic R i n∈ ≤ ≤ , são os centros da RBF, com n centros.
63
Assim como as redes de múltiplas camadas com retro-propagação, as
redes RBF também possuem uma versão adaptada do teorema de aproximação
universal, que é a seguinte:
(Teorema da Aproximação Universal para Redes RBF, (HAYKIN,
2001)).
“Para qualquer função contínua de mapeamento entrada-
saída, f(X), existe uma rede RBF com um conjunto de centros
{ }i
c com 0 i m≤ ≤ e uma largura d>0, tal que a função de
mapeamento de entrada-saída F(X) realizada pela rede RBF, é tão
próxima quanto se queira, na norma Lp, com p∈ [1,∞].”.
Observa-se que as redes RBF e as redes de múltiplas camadas são,
ambas, exemplos de redes alimentadas adiante, não-lineares. Como foi visto, são
também aproximadores universais e, verifica-se, além disso, que sempre existe
uma rede RBF capaz de se comportar como uma rede de múltiplas camadas e
vice-versa (HAYKIN, 2001).
3.6.1- Aprendizado em uma rede RBF.
De acordo com Chen et al. (2001) a abordagem mais usada para
implementar uma estratégia de aprendizado de uma rede RBF, baseada em seus
princípios teóricos, consiste em assumir funções de base radial fixas nas unidades
ocultas e escolher os centros de forma aleatória dentre os dados de treinamento.
Assim, uma função de base radial (RBF) com centro em ti é definida pela
equação 24
2 2
2(|| || ) exp( | || ), 1,2,
i j i
mG X t x t i m
d− = − − = ⋅⋅⋅ Eq. 24
onde m é o número de centros e d é a distância máxima entre os centros
escolhidos. Deve ser assegurado nessa escolha que as funções não fiquem nem
64
muito abruptas (base estreita) nem muito planas (base muito larga), pois isso
influencia a convergência.
Portanto, os únicos parâmetros a serem aprendidos nesta estratégia são os
pesos lineares na camada de saída da rede. Para obte-los, temos a equação 25:
W G d++= Eq. 25
Onde d é vetor resposta desejada do conjunto de treinamento e a matriz G+ é a
pseudo-inversa da matriz G, definida por G={gji}, onde gij é dado na equação 26,
2
2exp( | || ), 1,2, , 1, 2, ,
ij j i
mg x t i N j m
d= − − = ⋅⋅⋅ = ⋅⋅ ⋅ Eq. 26
com xj sendo o j-ésimo vetor de entrada do treinamento.
O método usado em álgebra linear para o cálculo da pseudo-inversa de
uma matriz é o chamado método da decomposição em valores singulares, (em
inglês, SVD, Singular Value Decomposition).
Se G é uma matriz real n x m, existem as matrizes ortogonais U = {u1,
u2,...un} e V={v1,v2,...,vm}, tais que
1 2( , ,..., ), com min( , )T
kU GV diag k m nσ σ σ= = ,onde 1 2, ,... 0
kσ σ σ> > > > .
Os vetores colunas da matriz U são os vetores singulares esquerdos e os
vetores colunas da matriz V são os vetores singulares direitos. Os valores
1 2, ,... 0k
σ σ σ> > > > são os valores singulares da matriz G. Assim, de acordo com
o teorema da decomposição do valor singular, a pseudo inversa m x n da matriz G
é dada pela equação 27.
TV U
++ = ∑G Eq. 27
onde ΣΣΣΣ+ é uma matriz n x n definida em termos dos valores singulares de G, dada
pela equação 28
1 2
1 1 1( , , , ,0,...,0)
k
diagσ σ σ
+= ⋅⋅⋅∑ Eq. 28
65
Como os valores principais estão ordenados de forma decrescente,
1 2, ,... 0k
σ σ σ> > > > , é possível aproximar uma matriz usando apenas os seus
valores principais que possuem o maior valor absoluto, que são os primeiros da
seqüência. Isso facilita o cálculo da pseudo-inversa, além de aumentar a eficiência
da convergência do aprendizado da rede RBF, contribuindo em muito pra diminuir
tanto o tempo de treinamento da rede, como a memória necessária para
armazenar essa informação. Além disso, essa propriedade abre grandes
possibilidades de aplicações práticas, sendo a compressão de imagens digitais a
mais importante delas (STRANG, 1988).
66
CAPÍTULO 4
MATERIAL E MÉTODOS
4.1 – Área de Estudo
4.1.1 – Contexto Histórico da Concepção e Implementação da UHE Tucuruí
Situada em plena região de matas tropicais, a UHE de Tucuruí é uma das
maiores do mundo. A concepção da construção da usina ocorreu no fim da
década de 60 ao início dos anos 80 marcado pela interação de um projeto
nacional executado por uma vigorosa intervenção estadual, com a disponibilidade
de créditos internacionais a baixos juros.
Uma política deliberada promovida por um regime autoritário, socialmente
excludente, comandado pelos militares, executou um projeto geopolítico como
estratégia para a modernização acelerada da sociedade e do território nacionais,
considerada essencial para alcançar o crescimento econômico, fortalecer o Estado
e acentuar a projeção internacional no país.
A busca de autonomia tecnológica e a instrumentalização do espaço
geográfico foram elementos fundamentais do projeto. Os Planos Nacionais de
Desenvolvimento – PND I e II – estabeleceram as diretrizes da modernização
conservadora, promovendo: a) a tecnificação da agricultura; b) sobretudo no II
PND (1975/1979), após o primeiro choque do petróleo 1973, a mudança do eixo
dinâmico da economia dos bens de consumo duráveis para os bens intermediários
de produção e bens de capital - mudança baseada no endividamento externo e no
incremento das exportações: - e c) a rápida integração nacional, implicando a
incorporação definitiva da Amazônia (Comissão Mundial de Barragens, 1999).
Uma malha de duplo controle técnico e político, que denominamos de
“malha programada” foi imposta no território visando à remoção de obstáculos
materiais, políticos e ideológicos à expansão capitalista moderna. Ela se
concretizou sobretudo na extensão de todos os tipos de redes para completar
circuitos nacionais – viária, de telecomunicações, energética, urbana, etc. – e na
criação de novos pólos de crescimento para os quais foram canalizados os
67
investimentos. A sustentação do projeto se deu também pela grande intensificação
da mobilidade histórica da população brasileira, que alcançou a escala nacional,
em decorrência da repressão salarial e pobreza, da liberação da mão-de-obra pela
modernização da agricultura associada à concentração da propriedade da terra, e
da atração dos pólos dinâmicos (Comissão Mundial de Barragens, 1999).
A ocupação da Amazônia em escala gigantesca e ritmo acelerado foram
considerados prioridade máxima, em termos econômicos e geopolíticos, entendida
que foi como espaço capaz de absorver a tensão social, fornecer novos recursos,
ampliar o mercado interno e assegurar a influência do Brasil na América do Sul. A
implantação acelerada dos componentes da “malha programada” - redes e pólos -,
subsídios ao fluxo de capitais e indução dos fluxos migratórios viabilizaram a
ocupação acelerada da região à frente da fronteira móvel, então restrita à borda
oriental da floresta.
Em face da crise econômica iniciada com o primeiro choque do petróleo e
sua crescente acentuação nos anos oitenta, devido ao segundo choque do
petróleo (1979) e à súbita elevação das taxas de juros no mercado internacional,
tentou-se manter o crescimento econômico através das exportações mediante a
atração de investimentos externos e a expansão e transnacionalização de
empresas estatais (Comissão Mundial de Barragens, 1999).
A política regional executada pelas agências burocráticas convencionais, foi
substituída pela implantação de grandes projetos de exploração mineral com
gigantescos investimentos sob a forma de “joint ventures” entre empresas estatais
e multinacionais, ou geridos por uma delas.
É nesse contexto que se situa a construção da UHE Tucuruí, no período
compreendido entre os estudos de inventário e viabilidade (1972) e sua
inauguração em 1984. Ela constituiu, em si, um grande projeto para suprir energia
para os grandes projetos de produção de alumínio e estimular a industrialização
regional, bem como para articular ligações regionais e produzir energia para
abastecer o país em escala nacional (Comissão Mundial de Barragens, 1999).
No momento em que se inauguravam os grandes projetos, inclusive
Tucuruí, esgotava-se o projeto autoritário com a crise econômica, fiscal e política
68
do Estado, e a emergência dos novos atores sociais no cenário regional.
Três fases podem ser identificadas na concepção e implementação de
Tucuruí associadas às mudanças nas estratégias governamentais.
A primeira fase teve a Amazônia como Fronteira de Povoamento/Energia
para Belém, a qual ocorreu entre 1968 e 1974, onde a preocupação principal do
governo em relação à Amazônia foi a de promover a sua ocupação por razões
econômicas e geopolíticas. Com à implementação das rodovias, em que
sobressai a Transamazônica, e de projetos de colonização sobretudo na própria
Transamazônica e em Rondônia. O abastecimento regional por centrais
termelétricas - à exceção das pequenas hidrelétricas de Coaracy Nunes no
Amapá e de Curua-Uná próximo a Santarém no Pará não seria mais suficiente
para atender ao intenso crescimento de Belém após a construção da rodovia
Belém-Brasília, e de núcleos antigos e novos em decorrência da ocupação
planejada e espontânea. A primeira tentativa de equacionamento do potencial
hidráulico da Amazônia foi então desenvolvida no final dos anos 60 e início dos 70
pelo ENERAM (Comitê Coordenador dos Estados Energéticos da Amazônia),
criado em 1968. Os estudos estavam orientados para atender a Belém,
apresentando diferentes opções para a localização da Usina, inclusive dois sítios
no rio Tocantins, sendo um deles Tucuruí, não se prevendo uma usina com o
porte atual da UHE Tucuruí. A partir dessas indicações, a Eletrobrás iniciou o
Inventário da Bacia do Tocantins, e, em 1973 foi criada a Eletronorte (Comissão
Mundial de Barragens, 1999).
A segunda teve a da Amazônia como fronteira de recursos/energia para
grandes projetos para grandes projetos minero-metalúrgicos. Em 1974, o
Programa Polamazônia - Pólos Agropecuários e Minero-Metalúrgicos prioriza
espaços ao invés da extensão de rodovias; valoriza-se a região, particularmente o
estado do Pará, como província mineral do país, capaz de aliviar a crise
econômica através da exportação de minérios com a participação do capital
estrangeiro. Na medida em que a crise do petróleo afetou também a produção de
alumínio do Japão e dos Estados Unidos devido ao alto custo de energia, houve
grande interesse deles em explorar os recursos minerais e energéticos
69
amazônicos. Paralelamente, busca-se garantir o suprimento de energia a Belém,
São Luiz e Marabá, bem como efetuar a interligação elétrica com o Nordeste.
Foi, portanto, sobretudo para atender às novas demandas dos projetos
mínero-metalúrgico, que se definiu a construção da UHE de Tucuruí iniciada em
novembro de 1975. As diretrizes iniciais da nova orientação governamental
estavam contidas no II PND (1975-79), mas se ampliaram com a crescente crise
econômica. Inicialmente, pensava-se em suprir os projetos do pólo mínero-
metalúrgico do sudeste do Pará, porém, após o segundo choque do petróleo e a
elevação da taxa de juros no mercado internacional, a intensificação da
exportação de minérios foi vista como solução para ''rolar a divida externa". A
CVRD ( Companhia Vale do Rio Doce) elaborou um proposta para a exportação
global dos recursos naturais da Amazônia Oriental, centrada na exploração
mineral. Esta proposta deu origem ao Programa Grande Carajás anunciado
oficialmente em fins de 1980, em cuja área se encontra uma imensa riqueza
mineral considerada verdadeira anomalia geológica no planeta (Comissão Mundial
de Barragens, 1999).
Acentuou-se, assim, a estratégia seletiva do governo que, concentrando os
investimentos em um só e imenso território do Programa Carajás, que
corresponde a 10,6% do território brasileiro. A inauguração da UHE de Tucuruí
em 1984 insere-se, portanto, no novo contexto da fronteira de recursos e dos
grandes projetos que, à exceção da Mineração Rio do Norte (1979), foram todos
inaugurados na primeira metade da década de 1980, quando já se esgotava o
projeto de modernização conservadora.
A terceira fase tem a Amazônia como fronteira de movimentos sociais. É a
denominada de fase Tucuruí Questionada, sendo esta fase marcada com uma
intensificação rápida e violenta da mobilidade da população na implantação dos
grandes projetos, sobretudo em Tucuruí observa-se numa intensificação rápida e
violenta da mobilidade da população. O desvio do curso do rio Tocantins e o
preenchimento do reservatório submergiram não só a floresta, mas também parte
de territórios indígenas, populações rurais e núcleos urbanos, inclusive alguns
núcleos espontâneos recentemente criados ao longo da rodovia Transamazônica.
70
O deslocamento e reassentamento de populações nativas e de migrantes,
somados aos impactos ambientais, resultaram em intensos conflitos que, na
década de oitenta organizaram suas demandas em movimentos sociais com
ampla repercussão na sociedade regional e nacional (Comissão Mundial de
Barragens, 1999).
Os novos atores regionais iniciam uma fase de negociação por seus direitos
com a Eletronorte que marca a trajetória da UHE até hoje.
4.1.2 – Localização da Área de Estudo
A UHE de Tucurui está situada na região amazônica, nas coordenadas
geográficas, latitude 03° 45’ S e longitude de 49° 41’ W, no baixo Rio Tocantins, a
cerca de 300 km em linha reta da cidade de Belém, capital do Estado do Pará.
Figura 14 - Imagem de Mapa digital do Reservatório de Tucuruí
4.1.3 – Clima
O clima é tropical úmido com um período de estiagem moderada, tipo
Ami segundo a classificação de Köppen (ELETRONORTE & ENGEVIX-THEMAG,
1988). As temperaturas encontram-se nas faixas de 22°C (junho) e 38°C (agosto e
setembro). O índice pluviométrico está compreendido entre 1.400 mm a 2.400
71
mm, com a umidade relativa média em torno de 75 a 85%, existindo um período
de estiagem entre os meses de setembro e outubro e o período das cheias entre
fevereiro e abril.
4.1.4 – Geologia e Geomorfologia
A área de influência do reservatório de Tucuruí é caracterizada por dois
grandes domínios geológicos: embasamento cristalino, constituído por rochas
ígneas e meta-sedimentos e cobertura sedimentar, constituída por sedimentos
que se depositaram durante os períodos mesozóico e cenozóico (terciário e
quaternário). O reservatório está situado na zona de contato entre as rochas
cristalinas do Complexo Xingu (margem esquerda) e rochas metamórfica de
baixo grau, do Grupo Tocantins (margem esquerda, leito do rio e margem
direita).
O local onde foi implantada a barragem de Tucuruí situa-se ao final de um
longo trecho encachoeirado, podendo ser dividia em três unidades de relevo:
Planalto Setentrional Pará-Maranhão, Planalto Rebaixado do Amazonas e
Depressão Periférica do Sul do Pará. Essa última abrange quase totalmente a
área do reservatório. Sua origem está relacionada à atuação de processos
erosivos, iniciados no fim do período terciário. Apresentam várias formas de
relevo na região, destacando-se áreas com superfície pediplanadas, áreas
dissecadas em colinas de topo aplainado e planícies fluviais (ELETRONORTE &
ENGEVIX-THEMAG, 1988).
4.1.5 – Solos
Os solos existentes na região da UHE Tucuruí são ácidos e apresentam
baixa fertilidade natural (pobres em nutrientes). Os principais tipos de solos, que
dominam quase totalmente a região onde está inserido o empreendimento, são os
Podzólicos Vermelho-Amarelos (predominantes), Latossolos Vermelho-Amarelos
e Latossolos Amarelos. Os Podzólicos Vermelho-Amarelo localizam-se,
principalmente, na margem esquerda do reservatório, ocupando mais que 60 % da
área de influência do reservatório; apesar de algumas restrições apresentam
72
condições favoráveis para atividades agrícolas. Os Latossolos Vermelho-Amarelos
e Amarelos representam cerca de 25% da área e localizam-se, principalmente, na
margem direita do reservatório (ELETRONORTE & ENGEVIX-THEMAG, 1988).
4.1.6 – Vegetação
A vegetação dominante da bacia em estudo na sua maior extensão é o
cerrado, desde o limite sul da região até Itaguatins (Goiás), no rio Tocantins,
imediações de Conceição do Araguaia (Pará) , passando, daí o norte, a constituir
a Floresta Mesófila, conformando uma extensa faixa de transição que precede a
Floresta Amazônica. Uma exceção ocorre ao noroeste de Goiânia e daí para o
oeste, com o surgimento da Floresta Estacional denominada Floresta
Semidecídua do Mato Grosso de Goiás.
As variações locais do mato florístico, quanto ao seu adensamento, porte e
mesmo composição, são algumas vezes devidas a mudanças climáticas locais
(microclimas); no entanto, na maior parte dos casos relacionam-se com diferenças
pedológicas no ambiente do cerrado, onde são freqüentes as ocorrências de
manchas de solos mais férteis originários de rochas básicas calcárias ou
sedimentos calcíferos (ELETRONORTE & ENGEVIX-THEMAG, 1988).
4.1.7 – Hidrografia, Hidrologia e Características das Águas
O reservatório da UHE Tucuruí pertence à bacia hidrográfica Tocantins-
Araguaia, com uma área de drenagem à montante, de aproximadamente 767.000
km2, sendo 382.000 km2 ocupados pela sub-bacia Araguaia e 343.000 km2
ocupado pela sub-bacia do rio Tocantins. Os 42.000 km2 restantes correspondem
à sub-bacia do rio Itacaiúnas (ELETRONORTE & ENGEVIX-THEMAG, 1988).
O rio Tocantins nasce no Planalto Central Brasileiro, tem um curso
aproximadamente norte-sul, percorrendo, até desembocar na baía do Marajó,
cerca de 2.500 km. Seus afluentes principais são os rios Araguaia e Itacaiúnas.
O rio Araguaia nasce na serra dos Caiapós, atravessa todo o centro oeste
brasileiro em direção ao norte, quase paralelamente ao rio Tocantins, com o qual
conflui depois de percorrer cerca de 1.800 km.
73
O rio Itacaiúnas nasce próximo a serra dos Carajás e desemboca no rio
Tocantins a altura da cidade de Marabá.
As pequenas drenagens afluentes diretos do reservatório, tanto pela
margem direita como pela margem esquerda, formam a sub-bacia do reservatório
que ocupa uma área com cerca de 22.250 km2, excluindo a área do reservatório
(ELETRONORTE & ENGEVIX-THEMAG, 1988).
Os principais cursos d´água dessa sub-bacia são os rios Caraipé, Pucuruí,
Bacuri, Valentin, Cajazeira e Igarapé Vermelho pela margem esquerda, e o rio
Jacundá pela margem direita (ELETRONORTE & ENGEVIX-THEMAG, 1988).
A bacia Tocantins-Araguaia tem uma vazão média de 11.000 m3/s em
Tucuruí, dos quais cerca de 5. 500 m3/s são contribuição do rio Tocantins antes de
sua confluência com o rio Araguaia, e 450 m3/s são provenientes do rio Itacaiúnas.
O rio Tocantins e seus tributários foram originalmente classificados como
um rio de águas claras, pobres em nutrientes, apresentando baixa concentração
de íons e cargas de sedimentos, porém, a inundação de grandes áreas de floresta
e a decomposição do material orgânico ocasionaram um deplecionamento do
oxigênio dissolvido (OD) nas camadas mais profundas do reservatório, e a
produção e liberação de gases CO2 (dióxido de carbono) e de CH4 (metano),
durante e logo após o período de enchimento.
4.1.8 - Aspectos Morfométricos
Os principais dados morfométricos do reservatório de Tucuruí, na cota
operacional de 72 metros, estão na Tabela 4 (ELETRONORTE & ENGEVIX-
THEMAG, 1988).
74
Tabela 4 - Dados morfométricos do reservatório de Tucuruí (ELETRONORTE &
ENGEVIX-THEMAG, 1988).
(*) não inclui o perímetro de cerca de 1800 ilhas.
O regime hidrológico do reservatório é dependente do regime da bacia
Tocantins – Araguaia. Mais de 95% da vazão total ao reservatório é proveniente
do rio Tocantins (ELETRONORTE & ENGEVIX-THEMAG, 1988).
A vazão defluente do reservatório depende das regras operacionais da
usina, que têm por objetivo produzir o máximo de energia mantendo o reservatório
na cota mais elevada. Estas regras de operação, levam em consideração também
a manutenção de uma vazão defluente mínima a jusante, necessária para evitar
danos a população ribeirinha, garantir a navegação, preservar os taludes, além de
manter condições favoráveis de escoamento no vertedouro e nos canais de fuga
das turbinas.
No período em que chove menos (conhecido na região como o período de
estiagem), para manter 75,00 metros se faz necessário que um mínimo de água
passe nos vertedouros, e que a maior parte da vazão defluente seja constituída de
águas turbinadas captadas em profundidade.
No período chuvoso, um grande volume de água passa pelo vertedouro, e
as vazões defluentes têm sido praticamente iguais as vazões afluentes, refletindo
Volume 48,9 bilhões de m3
Área superficial 2.830 km2
Comprimento 170 km
margem direita 1.100 km
Perímetro (*)
margem esquerda 1.800 km
máxima 75,00 m Profundidade
média 17,30 m
máxima 40,00 km Largura
média 14,30 km
75
numa capacidade limitada do reservatório em amortecer cheias à jusante.
A circulação hídrica no interior do reservatório de Tucuruí apresenta-se as
vezes complexa, com variações na direção e principalmente na velocidade do
fluxo. Tal circulação é controlada principalmente pela vazão afluente, pela ação
dos ventos, por fatores morfométricos, como profundidade, largura, comprimento e
configuração das margens e do fundo do reservatório decorrentes da topografia
dos terrenos inundados, e ainda, por restrições físicas ao fluxo da água, como
ilhas, troncos e paliteiros.
4.2 – Uma Metodologia Integrada
A metodologia proposta neste trabalho consiste em integrar os dados de
sensoriamento remoto (imagens de satélite), extrair deles a informação relevante
via redes neurais e predizer concentrações de pigmentos:
(a) Usar as coordenadas dos pontos de coleta e as imagens de satélite da
região de estudo, e com software apropriado, criar uma planilha com os
valores de refletância de cada um dos pontos, em cada uma das bandas
1,2 3 e 4 da imagem do satélite, ver figura 15.
Figura 15 – Extração dos Dados da Imagem do LANDSAT com o Programa
SPRING.
76
(b) Treinar uma rede neural RBF com uma amostra dos dados da planilha
obtida no item (a), contendo os valores de refletância de 85 pontos de
coleta georreferenciados, os valores dos índices de reflectância (DN) e a
concentração de pigmentos das amostras de água (figura 16), ver tabelas 5
a 16. As etapas a, b e c foram realizadas com programa codificado no
ambiente de redes neurais do MATLAB.
Figura 16 - Treinamento da Rede RBF
77
(c) Estimar a concentração de pigmentos na água da área em estudo. Os
dados de entrada agora são os mesmos do item b sem os valores da
concentração de pigmentos, que será a saída da rede. Além disso, nesta
etapa todos os dados são apresentados à rede para estimativa. Para isso
será usada a imagem de satélite e a rede neural RBF treinada no item (b),
(d) gerar mapa de distribuição de pigmentos (clorofila-a) da superfície do lago
do reservatório em estudo, ver figura 17.
Figura 17 – Simulação de Rede RBF
78
4.3 – Metodologias para Determinação de Pigmentos em Águas
A determinação dos teores de pigmentos nas águas de cada estação fixa,
utilizados neste estudo, foram obtidos a partir da coleta de água de superfície e as
análises foram feitas pelo método de colorimétrico de acordo com APHA (1998).
As amostras de águas foram coletadas da superfície de 12 diferentes
estações do reservatório. As figuras de 19 a 23 ilustram os aspectos da coleta.
Para cada amostra de água, cerca de 3 litros foram coletadas e estocadas no
escuro sob refigeração até retorno ao laboratório (figuras 18 a e 18 b), onde foram
filtradas cerca de 2 litros de cada amostra com filtros Gelman GF/C 47 – mm.
Posteriormente tais filtros foram devidamente acondicionados em placas de Petri
sob refrigeração para serem enviadas ao laboratório CENA-USP. Foram
utilizados também dados históricos (os quais serão apresentados no próximo
capítulo) fornecidos pela ELETRONORTE. As amostras coletadas serviram para
reconhecimento da área e avaliação da confiabilidade dos dados históricos.
(a) (b)
Figura 18 – Fotografias (a) e (b), mostrando o equipamento de filtração das
amostras de água do Reservatório de Tucuruí para a análise de clorofilas.
79
Figura 19 – Fotografia mostrando o deslocamento da equipe no interior do lago.
Figura 20 – Fotografia mostrando a superfície da água do reservatório de Tucuruí, sugerindo a
presença de pigmentos fotossintetizantes.
Figura 21 - Fotografia mostrando um dos pontos de coleta no reservatório da UHE de Tucuruí
80
Figura 22 - Fotografia mostrando um dos pontos de coleta no reservatório da UHE de Tucuruí
Figura 23 - Fotografia mostrando um dos pontos de coleta no reservatório da UHE de Tucuruí
81
4.4 - Metodologia para Tratamento da Imagem de Satélite
Foram usadas imagens do satélite LANDSAT (Path 224, Row 63), que
cobrem a região do Lago de Tucuruí, nas bandas 1, 2 3 e 4. Essas imagens
possuem resolução espacial de 30m por pixel.
De posse da imagem e com as coordenadas dos pontos de coleta para
determinação da concentração de clorofila-a, foi feita uma correção atmosférica,
utilizando-se a técnica do pixel escuro (Chavez, 1988 citado por Meneses, 2001).
Posteriormente, com os valores das coordenadas usou-se o software SPRING
para se obter os valores de refletância (DN) dos pontos de coletas das bandas 1
(TM1), 450nm – 520 nm; banda 2 (TM2), 520 nm – 600 nm; banda 3 (TM3), 630
nm – 690 nm e; banda 4 (TM4), 760 nm – 900 nm, para determinar a
concentração de clorofila-a na água.
As planilhas de dados são formadas pelas colunas contendo as
coordenadas da região, os valores de refletância (DN) das bandas 1, 2, 3 e 4, os
índices de determinação da concentração de clorofilas em águas, calculado a
partir das bandas 1,2, 3 e 4, segundo as equações
IVPVER
IVPVERI
+
−=1 Eq. 29
IVPB
IVPBI
+
−=
1
12 Eq. 30
IVPB
IVPBI
+
−=
2
23 Eq. 31
onde
IVP : DN da banda de infravermelho próximo
B1 : DN da banda do azul
B2 : DN da banda do verde
82
VER : DN da banda do vermelho.
Essa planilha, então, foi usada como entrada para o treinamento e
validação dos resultados apresentados pela rede neural RBF.
4.4.1 - Softwares utilizados
4. 4.1.1 - SPRING, EXCEL, MATLAB e ARCVIEW
O SPRING® (CAMARA, 1996) é um SIG (Sistema de Informações
Geográficas) distribuído livremente pelo INPE (Instituto Nacional de Pesquisa
Espacial), com funções de processamento de imagens, análise espacial,
modelagem numérica de terreno e consulta a bancos de dados espaciais.
Sua principal característica é a de fornecer um ambiente unificado de
Geoprocessamento e Sensoriamento Remoto para aplicações urbanas e
ambientais. Assim, ele facilita a ligação de procedimentos que envolvem
simultaneamente o uso de imagens de sensoriamento remoto, (imagens de
satélite, por exemplo) como as aplicações de SIG propriamente ditas.
O EXCEL®é um aplicativo da Microsoft, especializado na manipulação e
processamento de dados tabulares em forma de planilha.
O MATLAB® (MATrix LABoratory), da Mathworks, é um ambiente de
software matemático de computação científica, de largo uso na comunidade de
engenharia. Possui uma linguagem de programação recheada de funções
matemáticas, principalmente aquelas ligadas à matemática numérica. Também
possui certos pacotes de software (toolbox) especializados em uma determinada
área de aplicação. No presente caso, foi usado o pacote de redes neurais para
predizer a concentração de clorofilas para as redes RBF.
O ARCVIEW®, da ESRI, é também um SIG (Sistema de Informações
Geográficas), largamente usado para desenvolvimento de aplicações na área.
Caracteriza-se por possuir uma linguagem de desenvolvimento, o AVENUE ®
utiliza tanto dados no formato vetorial (mapas) como dados no formato matricial
(imagens).
83
4.4.1.2 - Sensoriamento Remoto e processamento da imagem
Inicialmente, para identificar os valores de refletância nas imagens de
satélite, foi usado o software SPRING. Uma vez carregado o SPRING, abria-se a
imagem do satélite e eram fornecidas as coordenadas dos pontos de coletas no
reservatório de Tucuruí. O software mostrava, então, uma matriz de 5 x 5 pontos,
com os valores de refletância do ponto em estudo e de uma vizinhança de 24
outros pontos. Esses valores eram então anotados em uma planilha do EXCEL.
No EXCEL, foram montadas as planilhas contendo as coordenadas do
ponto de coletas, os valores de refletância do ponto e de sua vizinhança, obtidos
no SPRING, e a concentração de clorofila referente àquele ponto, verificado no
inventário. Essa informação foi feita para cada uma das 4 bandas usadas da
imagem do satélite.
No MATLAB foram codificados os programas que definem e usam as redes
neurais usados no processamento e na classificação das imagens de satélite.
4.4.1.3 - Redes Neurais
As redes neurais e o processamento propriamente dito ocorreram no
MATLAB, versão 6. Na linguagem do MATLAB foram escritos os programas de
processamento, bem como foram feitas às implementações das redes neurais
RBF.
84
CAPÍTULO 5
RESULTADOS E DISCUSSÕES
5.1 – Teores de Pigmentos
Os teores de pigmentos na área do reservatório de Tucuruí obtidos a partir
de amostras de referência durante a realização deste trabalho e com os dados
históricos após análise estatística de calibração estão apresentados nas Tabelas
de 5 a 16 num total de 85 pontos.
Figura 24 – Pontos de coletas no reservatório de Tucuruí.
As tabelas com os dados de entrada da rede possuem os seguintes
campos.
85
Pontos de coleta - indica a localização dos pontos de coleta no reservatório de
Tucuruí, conforme pode ser observado na figura 18 e descritos a seguir:
M1 – ESTAÇÃO MONTANTE 1
M3 – ESTAÇÃO MONTANTE 3
MR – ESTAÇÃO MONTANTE REPARTIMENTO
M5C – ESTAÇÃO MONTANTE 5 CALHA
M5D – ESTAÇÃO MONTANTE 5 À DIREITA
MBB – ESTAÇÃO MONTANTE BREU BRANCO
MB – ESTAÇÃO MONTANTE BELAUTO
MP – ESTAÇÃO MONTANTE PUCURUÍ
MJV – ESTAÇÃO MONTANTE JACUNDÁ VELHO
ML – MONTANTE LONTRA
C1 – ESTAÇÃO CARAIPÉ 1
C2 – ESTAÇÃO CARAIPÉ 2
Reflectâncias são indicadas na tabela por B1, B2, B3 e B4 e descritas a
seguir. Os pontos M5C e M5B localizam-se em órbita-ponto diferentes e por tal
motivo não aparecem na imagem da figura 24, optando-se em dispor somente
seus valores de reflectância.
B1 é o valor de refletância da banda 1 encontrado na imagem de satélite.
B2 é o valor de refletância da banda 2 encontrado na imagem de satélite.
B3 é o valor de refletância da banda 3 encontrado na imagem de satélite.
B4 é o valor de refletância da banda 4 encontrado na imagem de satélite.
Os pigmentos estão expressos em µg/L.
86
Tabela 5 – Dados de entrada referentes a Estação Montante 1 (M1)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) M1 P1 65 24 16 11 3,93 M1 P2 55 23 17 93 2,72 M1 P3 61 23 18 14 3,09 M1 P4 71 28 24 26 2,38 M1 P5 57 23 20 79 4,42 M1 P6 67 25 17 10 4,28 M1 P7 55 23 17 93 4,3 M1 P8 55 23 17 93 4,3 M1 P9 61 39 29 11 7,74 M1 P10 13 5 6 2 4,3 MI P11 63 47 37 75 5,24 M1 P12 58 41 29 70 3,93 M1 P13 57 43 30 80 3,93 M1 P14 58 44 31 81 3,93 M1 P15 57 43 28 75 3,93
Tabela 6 – Dados de entrada referentes à Estação Montante 3 (M3)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) M3 P1 72 28 25 49 5,59 M3 P2 71 38 41 87 4,17 M3 P3 91 37 38 69 6,66 M3 P4 71 26 19 14 2,74 M3 P5 57 23 21 50 2,74 M3 P6 72 28 25 49 6,19 M3 P7 71 38 41 87 5,57 M3 P8 71 38 41 87 5,57 M3 P9 16 7 5 1 2,98 M3 P10 86 64 55 24 5,65 M3 P11 59 40 28 73 5,59 M3 P12 58 42 28 75 5,59 M3 P13 55 41 28 71 5,59 M3 P14 57 41 28 73 5,59
87
Tabela 7 – Dados de entrada referentes à Estação Montante Repartimento (MR)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) MR P1 67 24 18 13 4,17 MR P2 54 23 18 84 1,9 MR P3 69 27 25 26 3,57 MR P4 65 22 17 13 1,67 MR P5 57 23 20 70 2,14 MR P6 67 24 18 13 2,98 MR P7 54 23 18 84 7,28 MR P8 54 23 18 84 7,28 MR P9 16 9 9 3 7,28 MR P10 65 46 36 15 4,05 MR P11 56 42 29 75 4,17 MR P12 55 42 29 69 4,17 MR P13 54 41 29 67 4,17 MR P14 54 41 31 64 4,17
Tabela 8 – Dados de entrada referentes à Estação Montante 5 Calha (M5C)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) M5C P1 228 113 125 123 10,6 M5C P2 68 28 25 45 3,57 M5C P3 64 26 19 82 3,87 M5C P4 228 113 125 123 11,66 M5C P5 63 26 19 84 8,09 M5C P6 63 26 19 84 8,09 M5C P7 56 39 27 73 10,6 M5C P8 57 40 27 79 10,6 M5C P9 55 39 27 78 10,6 M5C P10 56 38 26 71 10,6
Tabela 9 – Dados de entrada referentes à Estação Montante 5 Direita (M5D )
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) M5D P1 62 22 15 37 7,38 M5D P2 59 19 14 34 4,02 M5D P3 65 26 24 60 4,46 M5D P4 62 22 15 37 7,38 M5D P5 59 19 14 34 9,76
88
Tabela 10 – Dados de entrada referentes à Estação Montante Breu Branco (MBB)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) MBB P1 62 23 19 14 2,38 MBB P2 70 27 22 42 2,14 MBB P3 10 2 1 1 4,28 MBB P4 60 43 30 12 3,33
Tabela 11 – Dados de entrada referentes à área MB (Montante Belauto)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) MB P1 181 86 99 105 5,24 MB P2 64 26 23 71 0,89 MB P3 65 26 19 90 3,09 MB P4 65 26 19 90 3,09 MB P5 1 0 0 1 4,46 MB P6 65 42 33 17 6,19
Tabela 12 – Dados de entrada referentes à Estação Montante Pucuruí (MP)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) MP P1 64 24 19 23 5,47 MP P2 63 22 18 14 2,02 MP P3 51 18 12 26 8,63
Tabela 13 – Dados de entrada referentes à Estação Montante Jacundá Velho
(MJV)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) MJV P1 65 22 17 60 5,47 MJV P2 59 39 30 12 3,33
Tabela 14 – Dados de entrada referentes à área Estação Montante Lontra (ML)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) ML P1 80 34 32 63 4,76 ML P2 105 80 71 38 3,57
89
Tabela 15 – dados de entrada referentes à Estação Caraipé 1 (C1)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) C1 P1 68 28 22 11 6,46 C1 P2 51 18 13 6 2,86 C1 P3 88 38 37 41 0,95 C1 P4 61 40 29 12 7,38 C1 P5 11 5 3 3 4,76 C1 P6 64 23 18 12 1,49
Tabela 16 – dados de entrada referentes à Estação Caraipé 2 (C2)
Pontos de Coleta B1 B2 B3 B4 Pigmentos (clorofila) C2 P1 83 28 23 19 5,24 C2 P2 62 41 29 16 5,95 C2 P3 16 11 10 10 3,33 C2 P4 87 31 29 20 1,43
Os valores de pigmentos foram divididos em dois conjuntos. O primeiro
utilizado para treinamento da rede consistiu de 52 valores obtidos em campo e na
imagem do satélite, através do programa SPRING. Feito o treinamento, foram
usados 85 valores de entrada, incluindo-se ai os 52 treinados, para a obtenção de
outros 85
Após os treinamentos da rede RBF, todos os dados de entrada, incluindo
os de validação, foram introduzidos na rede para que fosse feita a estimativa da
concentração de pigmentos fotossintetizantes (clorofila-a).
As imagens de satélite da área de estudo, formadas pelas quatro bandas,
foram então processadas pela rede RBF treinada, obtendo-se estimativas globais
para toda a área de interesse. Em seguida, nessa imagem, com os valores
estimados, foi gerada uma interpolação para toda a área do reservatório.
O resultado dessa interpolação é mostrado na figura 25, onde aparecem a
concentração de pigmentos distribuída na superfície do reservatório.
Com relação a análise estatística dos resultados, foram usados indicadores
estatísticos clássicos para aferir a qualidade dos resultados obtidos. São eles o
90
desvio padrão, dado por 2( )iX X
sN
−= onde
iX representa cada um dos
valores da amostra, X é a média aritmética da amostra e N é o número de itens
na amostra.
O erro médio quadrático (RMS) dado por 2( )i estX X
RMSN
−= , onde
iX
representa cada um dos valores da amostra e est
X representa cada um dos valores
estimados pela rede e N é o número de itens da amostra.
Variância não explicada (VNE), definida por 2 / ( )VNE RMS VAR dados reais= ,
onde VAR é a variância dos dados reais.
Coeficiente de correlação R2, dado por 2 1R VNE= − .
Os valores da concentração de pigmentos estimados pela rede neural com
arquitetura RBF produziram os seguintes indicadores estatísticos:
Desvio padrão = 2,4963
Erro médio quadrático (RMS) = 0,9551
Variância não explicada = 0,1580
Coeficiente de correlação (R2) = 0,9176
91
Figura 25 – Distribuição Estimada da Concentração de Pigmentos na Superfície da Água do
Reservatório em (mg/m3).
92
Na composição da figura 25, a cor da água é realçada, pois nas regiões
com maiores concentrações de pigmentos (clorofila) tonalizou-se com verde mais
escuro, o que parece sugerir deterioração da qualidade da água, provavelmente
ligada a processos como o de desestratificação da coluna de água e
disponibilização de nutrientes do fundo . É claro, que a variação das cores, é
apenas um alerta, o qual deverá ser verificado pelas equipes de campo. A
existência de alertas desse tipo, entretanto, pode introduzir inteligência ao
processo de gestão da água do reservatório da usina hidrelétrica de Tucuruí,
economizando recursos de verificação mais intensa no campo.
Na figura 26, temos, no eixo de X, os diversos pontos de coleta de dados de
pigmentos e no eixo de Y, os valores encontrados naquele respectivo ponto. Os
pontos simbolizados com (+) são os valores reais (medidos em campo). A linha
poligonal representa os valores estimados pela rede neural após treinamento. Na
figura 27, mostramos a reta de correlação entre o conjunto de dados reais e o
conjunto de dados estimados, exibindo a dispersão dos pontos. Acima e abaixo da
reta de correlação são apresentadas mais duas retas paralelas vermelha, cada
uma delas a uma distância de um desvio-padrão da diagonal. Verifica-se nesse
gráfico, que mais de 90% dos pontos está contido entre as duas retas paralelas,
do desvio padrão, indicando uma boa aproximação encontrada pela rede. Várias
tentativas de treinamento da RBF foram feitas, tendo sido observado que o tempo
de execução diminuiu quando foi feita a normalização dos dados de entrada. Esta
redução no tempo de treinamento da rede facilitou a convergência do resultado.
93
0 10 20 30 40 50 60 70 80 900
2
4
6
8
10
12
PIG
ME
NT
OS
ug/
L
LOCAL DE AMOSTRAGEM
PIGMENTOS MEDIDOSPIGMENTOS ESTIMADOS
Figura 26- Comparativo entre dados reais e estimados
94
Figura 27 - Diagrama de dispersão dos dados
0 2 4 6 8 10 12−2
0
2
4
6
8
10
12
14
PIGMENTO MEDIDO
PIG
ME
NT
O E
ST
IMA
DO
DIAGRAMA DE DISPERSAO ENTRE DADOS REAIS E ESTIMADOS
PIGMENTOS ESTIMADOS
PIGMENTOS MEDIDOS
95
Na figura 28 observa-se que há pouca discrepância entre os dados reais e
os dados estimados.
Figura 28 – Comparativo entre dados reais e estimados
0 10 20 30 40 50 60 70 80 900
2
4
6
8
10
12
PONTO DE COLETA
CO
NC
EN
TR
AC
AO
DE
PIG
ME
NT
OS
COMPARATIVO ENTRE DADOS REAIS E ESTIMADOS
DADOS REAISDADOS ESTIMADOS
96
Figura 29 – Espectro de Reflectância da Água do Reservatório de Tucuruí
Na figura 29 é mostrada a reflectância das águas do lago de Tucuruí, obtida
a partir de análises estatísticas de uma imagem de satélite processada nas
bandas 1, 2, 3 e 4. Observando uma maior intensidade de reflectância na banda
do infravermelho e posteriormente na banda do verde o que indica ser esta a
reflectância de uma superfície de água de maior concentração de clorofila do que
de sólidos em suspensão. Segundo Novo, citado por Meneses & Neto, 2001, um
aumento da concentração de algas na água implica uma redução da reflectância
da água na região do azul, principalmente. Isso significa que águas com elevada
concentrações de pigmentos tenderão a apresentar cor verde, visto que o máximo
de energia refletida ocorre na região do verde.
5.1.1 - Desempenho da rede RBF para aproximação de funções
A escolha pela arquitetura RBF para fazer a aproximação da função que
estima a concentração de clorofila a partir de dados de uma imagem de satélite foi
ditada pelas propriedades matemáticas dessa rede.
Neste trabalho foi feita a aproximação de uma função do tipo
0 50 100 150 200 250 3000
1
2
3
4
5
6
7
8
9
10x 104
FR
EQ
UE
NC
IA
NIVEL DE INTENSIDADE
ESPECTRO DE REFLETANCIA DA AGUA DO RESERVATORIO DE TUCURUI
BANDA DO AZULBANDA DO VERDEBANDA DO VERMELHOBANDA DO INFRAVERMELHO
97
1 2 3 4
1 2 3 4
5 5: , ( , , , , ) ( )
( , , , , )
b b b b i v
v b b b b i
φ
φ
→ ∈ → ∈
=
� � � �
Eq. 32
Nessa equação, 1 2 3 4, , ,b b b b são os valores dos pixels da imagem do satélite
nas bandas 1, 2, 3 e 4 respectivamente, i são os índices derivados das matrizes
das bandas da imagem e v é a concentração de pigmentos (clorofila).
Conforme (FERRARI e STENGEL, 2005), o treinamento de uma rede
neural artificial para uma aproximação suave de uma função contínua em um
espaço multidimensional, envolve a otimização numérica do erro existente entre
os dados reais, geralmente contidos em uma tabela obtida em medições em
campo e os dados estimados pela rede em um dado momento. A partir daí, são
obtidos direcionamentos para o treinamento das diversas arquiteturas de redes,
bem como para avaliação de suas propriedades aproximativas.
O desempenho ótimo de uma rede RBF, como a usada neste trabalho,
depende essencialmente da quantidade e da localização dos centros das diversas
funções de base radial (POGGIO e GIROSI, 1990). Esse é um parâmetro crucial
para sintonizar o desempenho aproximativo e computacional de uma rede RBF.
Em alguns casos, essa escolha é baseada em tentativa e erro, após análises
detalhadas da situação em estudo.
Procedimentos mais sistemáticos podem envolver as seguintes estratégias:
(a) escolha aleatória dos centros, a partir dos dados de entrada; (b) estratégias
que usam procedimentos não supervisionados para seleção dos centros, (c) uso
de métodos supervisionados.
Uma característica desses processos é que não se pode garantir, a priori,
que a localização e quantidade ótima dos centros serão encontradas por esses
procedimentos iterativos. Para sanar essa situação, algumas pesquisas têm feito a
proposta de se trabalhar com as redes após um processo de regularização
(HAYKIN, 2001).
Para contornar essa dificuldade, neste trabalho, foram usados dois tipos de
arquitetura de rede RBF, existentes no Pacote de Redes Neurais do MATLAB.
98
Duas funções parametrizadas estão disponíveis para se montar a arquitetura de
uma rede RBF.
Em uma delas, a newrb a rede é construída de forma iterativa. Em cada
época de treinamento uma quantidade fixa de neurônios é acrescentada à camada
oculta da rede, até que se alcance a aproximação desejada, baseada no valor do
erro médio quadrático.
Na outra função, a newrbe, a quantidade de neurônios na camada oculta é
igual ao número dos vetores de entrada presentes nos dados de treinamento.
Nessa opção, após o treinamento, é criada uma rede com erro zero, no que diz
respeito aos vetores de treinamento.
Nas duas variantes do modelo RBF, o parâmetro spread, presente nas
duas funções é que determina a amplitude da base da função, definindo com isso
o centro e o número de funções necessárias.
Inicialmente, esperando-se ganhar eficiência, foi usado o modelo iterativo,
que vai adicionando neurônios a cada época de treinamento. Foram feitas
dezenas de experiências variando tanto o número máximo de neurônios, como a
amplitude da base das funções gaussianas. Entretanto, os resultados não foram
satisfatórios, pois a discrepância nos dados estimados estava acima dos limites
previamente definidos.
Em função disso, foi usado o modelo que utiliza a mesma quantidade de
neurônios que os vetores presentes nos dados de entrada. Em termos
computacionais, não é a solução mais econômica, mas foi a que se mostrou mais
eficiente em termos de precisão dos resultados, mesmo à custa de maior tempo
de computação. Como esses dados não precisam ser processados em tempo real,
uma diferença de cerca de vinte a trinta minutos em troca de maior precisão, é
uma boa troca a ser feita.
Quanto ao parâmetro amplitude (spread), que especifica o comprimento da
base da função gaussiana, após várias tentativas, foi escolhido o valor 0,1, em
função da distância entre os diversos pontos de dados de entrada, já com os
valores normalizados. Outros valores foram testados, mas esse foi o que deu o
melhor resultado, quanto à minimização do erro quadrático. É importante observar
99
a sensibilidade do desempenho da rede ao ajuste desse parâmetro. Durante a
fase de treinamento, uma variação de 10% no valor desse parâmetro, era capaz
de piorar o desempenho da estimativa da rede em cerca de 50% ou mais.
Uma alternativa proposta na literatura seria aplicar a chamada técnica de
regularização na rede RBF. Em essência, essa técnica consiste, segundo
(HAYKIN, 2001) em estabilizar a solução por meio de algum funcional linear não-
negativo auxiliar que incorpore informação prévia sobre a solução. Considerando-
se que os resultados obtidos foram satisfatórios, essa técnica não foi usada neste
trabalho.
Durante a fase de testes e treinamentos, foi experimentado, na composição
das variáveis de entrada para a estimativa da concentração de pigmentos, de
acordo com recomendações de outros pesquisadores, (PANDA, 2004) o uso de
várias razões entre as diversas bandas, com a finalidade de se agregar mais
informação.
Dentre os diversos procedimentos testados com a finalidade de se obter
melhores resultados, o que favoreceu foi o de agregar os vetores de entrada em
ordem crescente do valor de sua norma euclidiana. Também a normalização dos
dados, sempre recomendada na literatura, ajudou nessa tarefa. A normalização
usada foi
min
max min
iX X
X X
−
− Eq. 33
Nessa equação, Xi é o valor a ser normalizado, Xmax e Xmin são o valor
máximo e mínimo, respectivamente, da tabela de dados de campo.
Quanto ao tempo e recursos computacionais usados, foi verificado que no
computador do tipo PC, com relógio de 2 GHz e memória RAM de 2048 Mbytes (2
Gbytes) não foi possível processar a imagem inteira do satélite como era a
intenção inicial. O sistema parava com uma mensagem de “Falta de Memória”. Ao
ser pesquisado esse problema, foi descoberto ser falta de memória no ambiente
interno do MATLAB e não, propriamente, no computador. Como não havia
necessidade de se processar toda a imagem, mas somente o que foi definido
100
como o entorno do Reservatório de Tucuruí, foi feito um recorte da área de estudo
a partir da imagem do satélite e esse recorte foi, então, processado sem
problemas. Entretanto, se em outra aplicação houver necessidade de
processamento de todo um mosaico do satélite LANDSAT, uma área de 170 x 183
km2, a recomendação é se escrever a parte do código que cuida da rede neural
em uma linguagem com mais recursos, sendo C++, a candidata nessas
circunstâncias.
O tempo para processamento da área de estudo foi de cerca de 2 horas e
de 30 minutos para a tarefa de interpolação.
101
CAPÍTULO 6
CONCLUSÃO
Um sistema de monitoramento e armazenamento de parâmetros
representativos da qualidade da água em reservatórios poderá garantir a
execução freqüente de análises quantitativas que permitam identificar os possíveis
agentes deterioradores da qualidade da água e a avaliação e implementação de
medidas preventivas ou corretivas.
A avaliação tradicional da qualidade de água tem sido limitada por coletas
“in situ” e medidas de amostras de água para subseqüentes análises em
laboratórios, um método com excelente precisão, porém, com elevado consumo
de recursos e tempo. Tais restrições associadas com medidas “in situ” de
qualidade de água muitas vezes limitam avaliações de tendências espaciais e
temporais.
Neste trabalho percebe-se que o sensoriamento remoto tem um potencial
para superar estas limitações, por proporcionar um meio alternativo de
monitoramento da qualidade de água sobre uma grande faixa de escalas temporal
e espacial a um custo muito mais econômico do que nas coletas e análises
tradicionais. Além disso, o sensoriamento remoto pode ser usado como uma
ferramenta valiosa para recuperar informações históricas sobre a qualidade de
água dos lagos, mesmo que não medidas diretamente pelos métodos tradicionais,
através da análise e interpretação de uma vasta quantidade de dados de
sensoriamento remoto arquivado.
As informações das análises de espectros de reflectância da água, obtidas
através de análises estatísticas de uma imagem de satélite processada nas
bandas 1, 2, 3, 4, fornecem informações bastante interessantes no que tange ao
quimismo das águas amazônicas, sugere-se aqui que mais estudos sejam feitos
na obtenção dos mais diversos tipos de espectros não só de pigmentos, mas,
também de outros parâmetros oticamente ativos que caracterizem as águas
amazônicas.
102
Foi proposto neste trabalho o desenvolvimento de um sistema integrado
envolvendo os dados de sensoriamento remoto (imagens de satélite), redes
neurais, parâmetros de qualidade de água para aquisição e armazenamento de
informações ambientais sobre o reservatório, introduzindo, desta forma, um
sistema de inteligência na gestão da qualidade da água do reservatório da Usina
Hidrelétrica de Tucuruí, economizando recursos de verificação mais intensa no
campo. Estudos devem continuar sendo realizados para aumentar a precisão das
estimativas. Com o avanço nas metodologias de análise de imagens de satélite
orbitais, as fontes de erros poderão ser mais bem identificadas e minimizadas.
Certamente a correção atmosférica terá influência sobre os resultados, os quais
dependerão de uma melhor adequação dos modelos para a atmosfera Amazônica.
103
REFERÊNCIAS BIBLIOGRÁFICAS
APHA. AWWA. WPCF. Standard methods fro the examination of Water and
Wasterwater, 20 th Edition. Washington, D.C. American Public Health Association.
1998.
CÂMARA, G; MEDEIROS, J.S. Princípios Básicos de Geoprocessamento. In:
ASSAD, E.D; SANO, E.E; Sistemas de Informações Geográficas: Aplicações
na Agricultura. Embrapa. Brasília, 1998.
CHAVES JR. S Radiometric calibration of Landsat Thematic Mapper multispectral
images. Phtotgrammetric Engineering and Remote Sensing, Bethesda, v. 55,
n. 9, p.1285-1294, 1989.
CHEN, S, COWAN, F. GRANT, M. Orthogonal Least Squares Learning Algorithm
for Radial Basis Function Networks. In: Artificial Neural Networks: Concepts
and Control Applications. IEEE Society Press Tutorial. USA, 2001.
COMISSÃO MUNDIAL DE BARRAGENS. Estudos de Caso da Usina Hidrelétrica
de Tucuruí (Brasil). Relatório Final da Fase Escopo, 1999.
CONAMA. Conselho Nacional do Meio Ambiente, Resolução n. 274 de 17 de
março de 2004. Ministério do Meio Ambiente.
CONAMA. Conselho Nacional do Meio Ambiente, Resolução n. 357 de 17 de
março de 2004. Ministério do Meio Ambiente.
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento
Remoto. Campinas, SP: IG/UNICAMP, 170 p., 1993.
104
ELETRONORTE & ENGEVIX-THEMAG. UHE Tucuruí. Plano de utilização do
reservatório. Caracterização e diagnóstico de reservatório e de sua área de
influência (TUC-10-23346-RE). Brasília. V.1. 236p. 1988.
FERRARI, S., STENGEL, R. Smooth Function Approximations Using Neural
Networks. IEEE Transactions on Neural Networks. Vol 16, no. 1, 2005.
GALVÃO, C. O; VALENÇA (org.). Sistemas Inteligentes: Aplicações a
Recursos Hídricos e Sistemas Ambientais. Porto Alegre: Ed.
Universidade/UFRGS/ABRH. 1999. 247 p.
HAYKIN, S; Redes Neurais, Princípios e Prática. Ed. Bookman, Porto Alegre, 2001.
INPE. Instituto Nacional de Pesquisas Espaciais – www.inpe.br
IPCC – Climate Change Synthesis Report: 2007. Intergovernmental Panel on Climate Change. 2007
JUNK, W. J.; FURCH, K. The physical and chemical properties of Amazonian
waters and their relationship with the biota. In: Prancwe, g. T.; Loveljoy, T. E. (eds.)
Key Environments: Amazonia: Oxford: Pergamon Press Ltd., 1985. p. 3-17
KIRK, J. T. O. Light and Photosyntesis in Aquatic Ecosystems. Cambridge:
Cambridge Un iversity Press, 1996. 401 p.
LILLESAND, T; KIEFER, R. Remote Sensing and Image Interpretation. 5th ed. John Wiley & Sons. New York. 2004.
LONDE, L. DE R. ; NOVO, E. M. L. de M. ; CALIJURI, M. do C. Avanços nos
estudos do comportamento espectral do fitoplâncton e identificação remota de
algas. In: Anais XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia,
Brasil, 16-21, 2005, abril 2005, INPE, p.389-396, 2005.
105
MENESES, P. R; NETTO, J. da S. M. (org.). Sensoriamento Remoto:
Refletância dos Alvos Naturais. Brasília, DF: UnB: Planaltina: Embrapa
Cerrados, 262 p, 2001.
MOBLEY, C. D. Light and Water: Radiation Transfer in Natural Waters. San
Diego: Academic Press, 1994.
BRASIL. Ministério da Saúde. Secretaria de Vigilânica em Saúde. Coordenação -
Geral de Vigilância em Saúde Ambiental. Portaria MS n.º 518/2004 / Ministério da
Saúde, Secretaria de Vigilância em Saúde, Coordenação-Geral de Vigilância em
Saúde Ambiental – Brasília: Editora do Ministério da Saúde, 2005.
Demuth, H.; Beale, M. Neural Networks Toolbox For Use with MATLAB.
6th edition, USA, 2002, editora: The Mathworks, Inc.
NOBREGA, I. W. Análise Espectral de Sistemas Aquáticos da Amazônia para
Identificação de Componentes Opticamente Ativos. Dissertação de Mestrado
do Curso de Pós-graduação em Sensoriamento Remoto. São José dos Campos:
INPE, 2005. 84 p.
NOVO, E. M. L. de M. Sensoriamento Remoto: Princípios e Aplicações. São
Paulo. Edgard Blucher. 1989. 308 p.
NOVO, E. M. L. de M.; PONZONI, F. J. Curso: Introdução ao Sensoriamento
Remoto. 2001.
NOVO, E. M. L. de M. PEREIRA, W. MELACK, J. M. Assessing the utility of
spectral band operators to reduce the influence of total suspended solids on the
relationship between chlorophyll concentration and bidirectional reflectance factor
106
in Amazon waters. International Journal of Remote Sensing, v. 25, n. 22, p.
5105-5116, 2004.
PANDA, S.S, GARG, V, CHAUBEY, I. Artificial Neural Networks Application in
Lake Water Quality Estimation Using Satellite Imagery. Journal of Environment
Informatics . V 4, 2004.
POGGIO, T; GIROSI, F. Networks for Approximation and Learning. Proc. IEEE,
vol 78, no 9, pp 1481-1497,Ed. IEEE, 1990.
REBOUÇAS, A. C. A Água Doce no Mundo e no Brasil. In: REBOUÇAS, A. C.;
BRAGA, B.; TUNDISI, J.G. (Org.) Águas Doces no Brasil: Capital Ecológico,
Uso e Conservação. São Paulo, Escrituras. p. 01-37, 2nd edição, 2002.
RIBEIRO, H. C. Avaliação Atual da Qualidade das Águas dos Lagos Bolonha
e Água Preta, Situados na Área Fisiográfica do Utinga (Belém-PA).
Dissertação de Mestrado do Curso de Pós-Graduação, Centro de Geociências da
Universidade Federal do Pará. 1992, 205 p.
ROCHA, C. H. B. Geoprocessamento:Tecnologia Transdisciplinar. Juiz de
Fora, MG: Ed. do Autor, 2000, 220p.
THIEMANN, S.; KAUFMANN, H. Determination of Chlorophyll content and trophic
state of lakes using field spectrometer and IRIS-1C satellite data in the Meckleburg
Lake District. Remote Sensing of the Environment, v. 73, n. 2, p. 227-235,
2000.
RUDORFF, C. M.; ARRAUT, E. M.; BARBOSA, C. C. F.; CARVALHO, J. C.;
FILHO, W. P. NOVO, E. M. L. de M. Avaliação de algoritmos bio-ótico em massas
d´água amazônicas. In: Simpósio Brasileiro de Sensoriamento Remoto, 12,
2005, Goiânia.
107
RUNDQUIST D.C.; HAN L.H.; SCHALLES J.F.; PEAKE J.S. Remote measurement
of algal chlorophyll in surface waters: The case for the first derivative of reflectance
near 690nm. Photogrammetric Engineering and Remote Sensing 62 (2): 195-
200 FEB 1996.
Sioli, H. The Amazon: limnology and landscape ecology of a mighty tropical
river and its basin. Dordrecht: Dr W. Junk Publishers, 1984. 763p.
STEFFEN, C. A.; MORAES, E. C.; GAMA, F. F. Tutorial: Radiometria Óptica
Espectral. In: VIII SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO.
Salvador, BA. 1998.
WEAVER, E. C.; WRIGLEY, R. Factors Affecting the Identification of
Phytoplankton Groups by Means of Remote Sensing. Moffet Field: NASA,
1994. 124p.