APLICAÇÃO DE DADOS DE DETECÇÃO REMOTA
EM ECOLOGIA
Paulo Cardoso & Manuela Correia
Centro de Ecologia Aplicada, Universidade de Évora, Lgo. dos Colegiais, 2- 7002-544 Évora, Portugal.
Telefone: (351) 266 745197
Fax: (351) 266 744969
e-mail: [email protected]
1-DETECÇÃO REMOTA - DEFINIÇÕES E CONCEITOS BÁSICOS
A detecção remota é o processo de aquisição de informação sobre a natureza ou
estado de um objecto usando um sensor que não está em contacto físico directo com
este. As técnicas de detecção remota têm, basicamente, duas aplicações distintas em
estudos de ecologia: aplicações directas e indirectas (Kasischke et al., 1997). As
aplicações directas destinam-se geralmente a obter uma interpretação das
características do terreno (Wu et al., 1997; Holmgren et al., 1997), examinar a relação
entre parâmetros químicos, físicos e bióticos (Everitt et al., 1997) e extrapolar as
relações conhecidas num determinado contexto geográfico para áreas mais
abrangentes ou períodos de tempo mais dilatados (Kenneth, et al., 1997). As
aplicações indirectas prendem-se com a utilização de dados de detecção remota para
estudar processos específicos (Cahoon et al., 1994; Kasischke et al. 1995b; French et
al., 1996) que, globalmente, afectam outros processos ecológicos (Bonan & Van
Cleve, 1992; Smith et al., 1992; Kasischke et al., 1995a; Kasischke, 1996).
A classificação de imagens de satélite é uma das aplicações directas mais
frequentemente utilizadas em ecologia, nomeadamente pelo facto dos algoritmos de
classificação de imagens de satélite permitirem sintetizar a variabilidade e
complexidade inerentes a uma paisagem num número limitado de classes definidas
pelo investigador. Dos muitos algoritmos de classificação disponíveis, os
classificadores de máxima verosimilhança são os mais utilizados em técnicas de
classificação assistida, uma vez que apresentam uma base teórica bastante
desenvolvida (Bolstad, 1992). Estes algoritmos baseiam-se na estatística paramétrica
utilizando, por isso, as médias, variâncias e covariâncias de todas as bandas na criação
das assinaturas espectrais (Bustamante & Weykam, 1999). Dados os
constrangimentos habituais com a restrição ou optimização de recursos humanos ou
logísticos, poder sumariar a informação obtida por técnicas de detecção remota
revela-se uma vantagem inestimável em estudos de ecologia.
Nos projectos desenvolvidos no Laboratório de Cartografia Biológica (LCB) do
Centro de Ecologia Aplicada da Universidade de Évora, para além da utilização
directa das imagens de satélite classificadas têm-se ainda desenvolvido metodologias
que permitem extrair variáveis explicativas da caracterização obtida a partir das
referidas classificações. Nesta apresentação, serão utilizados como exemplos casos
desenvolvidos nos projectos mencionados.
1
2-APLICAÇÕES DA DETECÇÃO REMOTA EM ECOLOGIA
2.1 - Estratificação da amostragem
A utilização mais frequente, e por isso a que tem sido mais explorada no LCB,
consiste na determinação das classes do uso do solo. Para além de constituir uma
forma de descrever ou simplificar o mosaico da paisagem, esta aplicação permite
ainda uma estratificação de amostragens subsequentes relativas, neste caso quer à
fauna quer à flora.
Estudo de caso 1- Diversidade em Pousios.
O Projecto ”Diversidade em Pousios” teve em consideração, desde o início, a
exploração de informação de detecção remota, tanto na definição da área de estudo
como na quantificação da estrutura da paisagem no espaço e no tempo. Nesta
comunicação far-se-á referência à classificação efectuada, na qual se distinguiram,
entre outras classes, três tipos de paisagens da região de Castro Verde: uma dominada
por campos de cultura cerealífera, outra constituída predominantemente por pousios e,
finalmente, uma paisagem dominada por matos de estevas (Cistus spp.). Esta
classificação permitiu, posteriormente, definir locais para a realização de uma
amostragem estratificada (fig. 1.)
b
a
a
Figura 1. a) Classificação supervisada (Maxlike) da área de estudo - seis classes de uso do solo;
b) Índice de vegetação SAVI: b3 e b7– s.f.: 1.
2
Estudo de caso 2 - Monitorização da avifauna na barragem do Alqueva.
Neste caso, o principal objectivo da classificação do uso do solo na área de estudo
foi o de permitir, às equipas responsáveis pelo trabalho de campo, a localização de
determinadas classes de uso do solo que tornassem mais eficaz o delineamento da
metodologia de campo. Cite-se, como exemplo, a selecção das estações de escuta para
aves nas unidades de paisagem “Matos”. Para a realização deste estudo foi usado o
software IDRISI for Windows no processamento das imagens. Utilizou-se
inicialmente uma imagem que resultou da classificação assistida baseada no algoritmo
Maxlike efectuada a partir de uma imagem composta pelas bandas 3, 4 e 5. Esta
classificação permitiu identificar 8 classes de uso do solo na área de estudo (fig. 2).
Figura 2. Classificação do uso do solo e localização da área de
Este caso particular começou por implicar a edição de uma imagem constituída
apenas pela classe Matos. Para isso, a imagem inicial foi reclassificada, atribuindo à
classe Matos o valor um e ao resto da imagem o valor zero (imagem M1 – fig. 3).
3
Figura 3. Imagem constituída apenas
pela classe Matos (M1).
Considerando que só teria interesse localizar as estações de escuta em manchas
com dimensão superior a 4 ha, calculou-se a área de cada uma das manchas presentes
na imagem. Cada mancha ficou então identificada com o valor da respectiva área.
Foram, contudo, incluídos polígonos que ficavam no interior das manchas, mas que
não correspondiam à classe Matos (imagem A1). Para resolver este problema as
imagens M1 e A1 foram multiplicadas e obteve-se uma nova imagem (A2), onde os
polígonos da classes Matos estão identificados com o valor da respectiva área e tudo o
resto tem valor zero. Esta imagem foi reclassificada de modo a excluir todos os
polígonos com dimensão inferior a 4 ha (imagem M2).
Foi depois necessário seleccionar 100 possíveis localizações para as estações de
escuta mas, para isso, era necessário que a cada uma das manchas correspondesse um
identificador único. Editou-se então outra imagem igual à M2, mas onde cada mancha
tem um identificador inteiro diferente (imagem N1).
Ensaiaram-se, de seguida, duas metodologias alternativas:
(1) Sobre a imagem N1 foram distribuídos 400 pontos aleatórios e o ficheiro
vectorial obtido foi convertido para formato raster sobre uma imagem inicial
vazia (imagem P1). Nesta imagem (P1) foi medida a distância a partir de cada
ponto entre cada pixel e o pixel que lhe fica mais próximo, produzindo uma
imagem de distâncias aos pontos aleatórios (P2). Em seguida, a partir da
imagem P2 e com base na imagem N1, extraíram-se as médias das distâncias
dos pontos aleatórios aos Matos, calculando a média de todos os pixeis em P2
para cada identificador de N1. Obteve-se assim um ficheiro de valores com o
identificador de cada mancha de Matos e a respectiva distância média aos
pontos aleatórios (V1). Este ficheiro foi importado para uma folha de cálculo
onde as manchas foram ordenadas de acordo com os valores da distância
média. Estabeleceu-se então que seriam seleccionadas as manchas que ficavam
a uma distância média aos pontos não superior a 500 metros, o que
correspondeu a 137 manchas de Matos. Editou-se depois um novo ficheiro de
4
valores (V2), onde se atribuiu às manchas seleccionadas o valor um e às
restantes o valor zero. Com base neste ficheiro construi-se uma imagem final,
destinada aos investigadores de campo, constituída apenas pelas áreas a
amostrar e que foi obtida atribuindo o ficheiro de valores V2 à imagem N1
(fig.4a).
(2) Utilizando a imagem N1, onde a cada uma das manchas de Matos delimitadas
corresponde um número de identificação e importando para uma folha de
cálculo essa informação, foram gerados 100 números aleatórios que
corresponderam à selecção das manchas a amostrar. Tal como no caso anterior,
foi editado um ficheiro de valores com os identificadores das manchas de
Matos, onde as manchas escolhidas têm valor um e o resto das manchas têm
valor zero (V3). Atribuindo este ficheiro novamente à imagem N1, foi
produzida uma imagem que continha unicamente as áreas de Matos destinadas
a constituir pontos de escuta de aves (fig. 4b).
a
b
Figura 4 – a) Matos seleccionados utilizando a metodologia (1); b) Matos
seleccionados utilizando a metodologia (2).
A escolha entre as duas imagens produzidas dependeu, em última instância, da
opinião dos investigadores de campo, os quais optaram pela imagem obtida através do
primeiro método, por ser esta a que possuía manchas de Matos mais extensas,
apresentando por isso maior interesse para a localização de estações de escuta de aves.
Refira-se que este diálogo entre os investigadores de campo e os investigadores
responsáveis pelos SIG se tem revelado como fundamental no sucesso dos projectos
levados a cabo no LCB.
5
2.2 - Extracção de variáveis
Uma das maiores potencialidades dos dados obtidos através de detecção remota
reside na sua utilização como variáveis explicativas em estudos de ecologia. A grande
vantagem na utilização deste tipo de dados é a possibilidade de se poder obter uma
quantificação de uma qualquer variável à escala definida pelo investigador, sem que
isso implique gastos vultuosos, quer em termos logísticos, quer em termos de tempo.
Estudo de caso 3 – Projecto Diversidade em Pousios
Com base na classificação assistida duma imagem de satélite, sobre a qual foram
definidas seis classes de uso do solo obtiveram-se, recorrendo às potencialidades de
um SIG, diferentes descritores para cada parcela do terreno, parcelas estas
correspondentes à escala de abordagem definida a priori como sendo de uma
quadrícula de 1x1 km. A partir da função zonal no MGE, extraiu-se, para cada
quadrícula 1x1, informação acerca da percentagem de cada classe de uso do solo,
classe dominante , n.º de classes, entre outras (fig. 5).
Figura 5. a) Classe dominante; b) Percentagem de pousios; c) n.º de
classes.
Informação referente à quadrícula 1x1 km.
a
b
c
Estudo de caso 4 - Arrábida
Este trabalho teve como objectivo principal a obtenção, a partir duma imagem de
satélite, de variáveis explicativas que pudessem ser utilizadas para modelar a
distribuição da flora da Serra da Arrábida. A utilização da imagem de satélite foi feita
6
a partir: i) das bandas originais mais pertinentes ii) da análise de componentes
principais (dados quantitativos relativos às coordenadas de cada pixel na primeira
componente da PCA) iii) e da análise de agrupamento (cluster).
Para a matriz final de variáveis explicativas obtiveram-se, respectivamente,: i)
Bandas 3, 4, 5, e 6, ii) 1ª componente da PCA, e sua mediana , iii) Moda cluster composit 457 (fig. 6).
a
b
Figura 6. a) Banda 4; b) Cluster 457 (9
clusters)
2.3 - Operações complexas
As operações complexas resultam quer do tratamento estatístico dos dados de
detecção remota, quer do seu envolvimento num ambiente SIG (raster). O primeiro
tipo de operações referido procura ultrapassar as fracas potencialidades estatísticas
dos SIG procedendo ao tratamento directo dos dados obtidos por detecção remota, reintroduzindo os respectivos resultados no SIG. Quanto ao segundo tipo de operações
complexas, serão abordados dois exemplos: funções de vizinhança e funções zonais
(veja-se Robinson et al., 1992 e Haslett, 1994, por exemplo).
Estudo de caso 5 –Tratamento estatístico dos dados de detecção remota: Diversidade
em Pousios.
O objectivo a atingir foi, novamente, fundamentar a escolha dos locais de
amostragem, para os diferentes grupos envolvidos no projecto, através da
identificação de zonas homogéneas em termos de estrutura paisagística.
O processo utilizado neste caso foi a Análise de Agrupamentos, que corresponde a
uma análise multidimensional de partição de uma colecção de objectos ou descritores
de um estudo (Legendre & Legendre, 1998). O algoritmo de partição por k-means,
apropriado para a problemática apresentada e para a matriz de dados obtida, determina
a separação dos objectos em k-grupos ou "clusters" de modo que a semelhança entre
objectos de um grupo seja maior do que entre objectos de grupos diferentes (Legendre
& Legendre, op. cit.). Na estatística de k-means o número de grupos é determinado
pelo investigador. Neste caso, os objectos considerados foram as quadrículas 1x1 Km,
e os descritores a percentagem de coberto de cada classe, a diversidade de Shannon, a
equitabilidade, a moda e a diversidade de classes.
7
Foram finalmente seleccionados quatro grupos que correspondiam, basicamente, a
quatro cenários distintos em termos de ocupação do solo: 1) predominantemente
pousios, 2) predominantemente campos lavrados, 3) matos de estevais e 4)
quadrículas onde existiam diferentes classes equitativamente representadas (fig. 7).
b
Figura 7. Resultado da análise de agrupamentos
por kmédias – 4 grupos; a) Distância ao
centróide dos grupos da análise de
agrupamentos. b) Gráfico das médias das
variáveis nos grupos;
Análise referente à quadrícula 1x1 km.
a
Este processo vai além do tipo de classes obtidas directamente da imagem de
satélite (ver caso de estudo 1), conseguindo classificar e agrupar quadrículas de igual
área, condição fundamental quando se pretendem efectuar testes de hipóteses.
O último passo consistiu em gerar pontos aleatórios para realização das
amostragens de campo. Estes pontos foram obtidos a partir de um script para
ArcView, que gera um determinado número de pontos aleatórios sobre uma dada
classe escolhida. (fig. 8).
Figura 8. Pontos de amostragem
gerados aleatoriamente sobre cada
uma das classes de uso do solo.
As classes Esteval e Heterogéneos
foram agrupadas nesta fase.
8
Com esta metodologia foi possível encontrar zonas com características
semelhantes em termos de estrutura paisagística e, com isso, fornecer uma base
coerente para a definição dos locais de amostragem para os diferentes grupos
envolvidos no projecto.
Estudo de caso 6 - Funções zonais e de vizinhança: Arrábida.
Neste caso procuraram-se as variáveis estruturais que mais contribuem para a
variância de inventários de vegetação. A Análise de Agrupamentos permitiu gerar
grupos discretos homogéneos (variável qualitativa) que, apesar do pequeno poder
explicativo permitiram, em ambiente SIG, criar uma panóplia de variáveis estruturais
que reflectem a arquitectura da paisagem. A obtenção destes grupos permitiu extrair
informação pontual (através duma função de vizinhança) e à quadrícula (através
duma função zonal) (fig. 9). Tal como nos casos anteriores, o próprio processo de
extracção produz novas variáveis paisagísticas, como sejam a dimensão fractal, o
índice de diversidade, etc.
Moda da 1ª componente PCA por
quadrícula 500x500m
Altimetria
Modelo de exposição geográfica (N/S)
Figura 9. Exemplos de utilização de funções zonais e de vizinhança.
O estabelecimento das relações entre descritores (composição florística e
coordenadas principais), com as variáveis ambientais (do processo em IDRISI e
MGGA), é efectuado através da análise canónica (Ter Braak, 1990). Numa análise
multivariada, os descritores vão funcionar como variáveis dependentes, e as variáveis
ambientais como variáveis independentes. A RDA (Análise de redundância) é a
análise canónica a utilizar para discriminar quais as variáveis que mais contribuem
para a variância das espécies, e que percentagem desta variância é explicada por estas
variáveis ambientais.
9
3- CONCLUSÕES
Os ecossistemas mediterrâneos são das regiões mais complexas da terra em termos
de paisagem, história, geografia, morfologia e história natural (Blondel, 1999). A
grande dificuldade de analisar estes ecossistemas resulta da forte influência do homem
nos mesmos.
A imagem de satélite permite quantificar indirectamente a complexidade dos
ecossistemas, tornando-se numa ferramenta essencial para a descodificação do
mosaico mediterrâneo. Os casos descritos nesta apresentação elucidam a importância
da detecção remota como filtro da realidade, permitindo a sua quantificação e, assim,
integrando a componente paisagística na modelação ecológica. Dada a resolução
temporal da aquisição de informação de detecção remota, um grande benefício
proveniente da aplicação destes dados é a disponibilização de informação actual
acerca da estrutura da paisagem. É assim possível acompanhar alterações na utilização
dos recursos naturais.
A natureza quantitativa dos dados de detecção remota (por oposição aos dados
provenientes da foto-interpretação) possibilitam a sua exploração com técnicas de
estatística multivariada. A simplificação da informação, retendo a maior variabilidade
possível, representa um compromisso entre a preservação da informação e a sua
inteligibilidade. A incorporação dos outputs de diferentes técnicas estatísticas num
SIG expandem este conceito para a visualização da informação e a sua posterior
manipulação.
O desenvolvimento de metodologias que explorem e integrem as potencialidades
de técnicas estatísticas multivariadas e os recursos dos SIG, aplicados à detecção
remota, constituem uma poderosa ferramenta para a interpretação, modelação e gestão
da paisagem e recursos naturais.
AGRADECIMENTOS
Ao Paulo Pereira e ao Rubén Martinez por disponibilizarem os seus dados e pelo
apoio na execução do texto. À Manuela Fonseca e à Maria Ana pela revisão final do
manuscrito.
À Rede DEMETER pela disponibilização das as imagens de satélite.
REFERÊNCIAS BIBLIOGRÁFICAS
Blondel, J.; Aronson, J. (1999) Biology and Wildlife of the Mediterranean Region.
Oxford University Press Inc., New York.
Bolsted, P. V. (1992) Rule-based classification models: flexible integration of satellite
imagery and thematic spatial data. Photogrammetric Engineering & Remote
Sensing. 58(7):965-971.
Bonan, G. B. & VanCleve, K. (1992) Soil temperature, nitrogen mineralization and
carbon sourse-sink relationships in boreal forests. Can J. For. Res. 22:629639.
Bustamante, J.; Weykam, S. (1999) Utilización de sistemas de información
geográfica y técnicas de teledetección en ecologia. Curso de Postgrado del
Consejo Superior de Investigaciones Científicas. III curso. 8-19 de Marzo–
Estación Biológica de Doñana, CSIC.
10
Cahoon, D. R.; Stocks, B. J. Jr.; Levine, J. S.; Cofer, W. R. & Peerson, J. M. (1994)
Sattelite analysis of severe 1987 forest fires in northern China and southestern
Siberia. J. Geophys. Res. 99:18,627-18,638.
Everitt, J. H. (1997). Using remote sensing to detect and monitor a western pine
beetle infestation in west texas. Southwestern Entomologist 22(3):285-291.
French, N. H. F.; Kasischke, E. S, Bourgeau-Chavez, L. L. (1996) Monitoring
variations in soil moisture on fire disturber sites in Alaska using ERS-1 SAR
imagery. Int. J. Remote Sens. 17:3037-3053.
Haslett. J. R. (1994) Community structure and the fractal dimensions of mountain
habitats. J. Ther. Biol., 167:407-411.
Holmgren, P.; Thuresson, T.; & Holm, S. (1997) Estimating forest characteristics in
scanned aerial photographs wit respect to requirements for economic forest
management planning. Scand. J. For. Res. 12:189-197.
Kasischke, E. S. (1996) Fire, climate change and carbon cycling in Alaskan boreal
forests, in Biomass burning and climate change (J. L. Levine, Ed.), MIT Press,
Cambridge, MA.
Kasischke, E. S.; Christensen & Bourgeau-Chavez, L. L. (1995a) Fire, global
warming and the mass balance of carbon in boreal forests. Ecol. Appl. 5:437451.
Kasischke, E. S.; French, N. H. F.; Bourgeau-Chavez, L. L. (1995b) Estimating
release of carbon from 1989 and 1991 forest fires in Alaska. J. Geophys. Res.
100:2941-2951.
Kasischke, E. S.; Melack, J.M.; Dobson, M.C. (1997) The use of imaging readers for
ecological applications – a review. Rem. Sens. Environ. 59:141-156.
Kenneth, D. L.; Reiners, W. A.; Merrill, E. H. & Gerow, K, G. (1997) A digital cover
map of Wyoming, USA: a tool for vegetation analysis. J. Vegetation Science
8:133-146.
Legendre, P. & Legendre, L. (1998) Numerical Ecology - Developments in
environmental modelling 20. 2º ed. Elsevier science B.V. Amsterdam.
Robinson, G. R.; Holt, R. D.; Gaines, M. S.; Hamburg, S. P.; Johnson, M. L.; Fitch,
H. S. & Martinko, E. A. (1992) Diverse and contrasting effects of habitat
fragmentation. Science, 257:524-526.
Smith, T. M.; Leemans, R. & Shugart, H. H. (1992) Sensitivity of terrestrial carbon
storage to CO2-induced climate change: comparison of four scenarios based
upon general circulation models. Clim. Change 21:367-384.
Ter Braak, C.J.F. (1990) CANOCO, a FORTRAN program for canonical community
ordination by (partial) (detrended) (canonical) correspondence analysis,
principal components analysis and redundancy analysis(version 2.1). Scientia
Publishing Budapest.
Wu, J.; Nellis, Ranson, M. D.; Price, K. P. & Egbert, S. L. (199?) Evaluating soil
CRP land using remote sensing and GIS in Finney County, Kansas. J. Soil and
Water Cons. 52(5):352-358.
11