Prévia do material em texto
1 RELATÓRIO FINAL PIBIC, BIC E PROVIC (BOLSISTAS E VOLUNTÁRIOS) OBSERVAÇÃO: Digitalizar o relatório com as assinaturas e anexar o documento no sistema PIBIC on-line no campo relatório final até 20 de agosto de 2017. INFORMAÇÕES SOBRE A BOLSA: Origem: ( ) PIBIC/CNPq ( X ) PIBIC/FUNDAÇÃO ARAUCÁRIA ( ) PIBIC/UEPG ( ) PIBIC/PROVIC ( ) BIC/CNPq ( ) BIC/FUNDAÇÃO ARAUCÁRIA ( ) BIC/PROVIC ( ) PROVIC Período de Acompanhamento: 01/08/2017 até 31/07/2018 INFORMAÇÕES SOBRE O (A) ACADÊMICO (A) E O ORIENTADOR(A): NOME DO (A) ACADÊMICO (A): KAUAN MATEUS KUBASKI E-MAIL: kauan.kubaski@gmail.com CURSO: GEOGRAFIA – BACHARELADOO ANO DE CONCLUSÃO: 2021 NOME DO ORIENTADOR (A): PROF. DR. GILSON CAMPOS FERREIRA DA CRUZ E-MAIL: gilsoncfcruz@gmail.com DEPARTAMENTO/SETOR: DEPARTAMENTO DE GEOCIÊNCIAS/SETOR DE CIÊNCIAS EXATAS E NATURAIS PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIVISÃO DE PESQUISA 2 CLIMA URBANO: TEMPERATURA DE SUPERFÍCIE E NDVI, UMA ANÁLISE DAS INFLUÊNCIAS EM PONTA GROSSA-PR Palavras-Chave: clima urbano, temperatura de superfície, NDVI. Resumo Diferentes regiões de um sítio urbano têm suas peculiaridades devido ao uso da terra, a intensa urbanização, a quantidade de seres clorofilados, e dentre outras variáveis naturais como a orientação da vertente e altitude. Com o uso do sensoriamento pela qual permite a multitemporalidade, é possível analisar como certas variáveis, como índices de vegetação e temperatura de superfície influenciam mediante ao Clima Urbano de Ponta Grossa-PR. Através da composição de bandas do infravermelho com o espectro visível obtém-se o NDVI como fator da diferença e proporção e a temperatura de superfície, pois a energia recebida pelos alvos é refletida e a emissão pode ser convertida em temperatura de brilho por meio de um sensor térmico, no caso, o TIRS do Landsat. Introdução Como a superfície não é homogênea ela possui diferentes refletâncias, a medida que as construções, composta de uma série de elementos que irão se aglomerando vai definindo o comportamento e sua atividade. Aonde o modelado dos últimos séculos se modificou intensamente no mundo, inclusive no Brasil, no Paraná nas últimas décadas do século passado. (SOUZA & KUX, 2005) Dentro disto, o NDVI é um importante caracterizador de áreas vegetais e nãovegetais que por consequência divergirá na distribuição espacial da temperatura de superfície, conforme Zanzarini et al (2013) ter uma relação positiva da vegetação (conforme o porte) e da energia refletida dos alvos. Para a quantificação do NDVI será processado imagens orbitais na faixa do infravermelho, aonde se obtém maior resposta da organela do vegetal. Também irá ser processada com auxílio de software a temperatura de superfície para evidenciar a relação que o tipo de ocupação reflete nas condições térmicas, portanto subtraindo uma imagem de outra – geração de mapas temáticos. A temperatura de superfície também possui destaque pois é o resultado da interação entre a atmosfera e a superfície terrestre. Como é o resultado da reemisão dos comprimentos de onda conforme as características físicas da superfície são importantes para avaliar o comportamento de certos materiais e assim é alterado o balanço de energia. Nos centros urbanos a temperaturas tendem a se elevar, ao ponto de gerar as ilhas de calos, devido a diferença de temperatura entre áreas circundantes. (PEREIRA, 2014) Realizar comparações ou se mais adequado, relações entre os dados obtidos e as imagens pós-processadas. Identificando como contribui para o estabelecimento de um clima diferenciado nas cidades entendida como um sistema para Monteiro (2002), pela qual impulsionou a climatologia urbana no Brasil e forneceu novas bases teóricas para o tema, o então clima urbano dentro do aspecto de temperatura de superfície, NDVI e o uso da terra. 3 Material e Métodos Primeiramente, fora feito a revisão bibliográfica sobre a temática: temperatura de superfície, especificações do Landsat 8, NDVI e procedimentos necessários: conversão de números digitais em radiância, composição de cores, temperatura de superfície, definição da projeção, entre outros. Nos últimos 5 anos houve vários trabalhos com a obtenção da temperatura de superfície para o Landsat 8, muitos deles como demonstração desta técnica de sensoriamento remoto por profissionais da área, mas há também estudos voltados para o clima urbano. Quanto ao NDVI, além da sua finalidade intrínseca de ser um índice de vegetação, certos autores ressaltam seu uso durante a evolução temporal, como em um período interanual, conforme as adaptações fisiológicas das plantas. Desta vez, foi obtida a temperatura de superfície pelo Arcgis 10.3 e não o Envi 5.1, como anteriormente no subprojeto 2016-2017. As versões anteriores a de número 10 não o calculava, (muitos projetos teriam que ser transplantados de um programa a outro, amplitude maior de recursos para um mesmo GIS otimiza o tempo de manipulação de imagens) assim como o NDVI, pela qual foi primeiramente utilizado o Idrisi Selva, mas por fins práticos e de adversidades optou-se pelo uso do ArcGis 10.3 Em sequência, a atividade consistiu em fazer o download das imagens orbitais do Landsat 8, pela página Glovis (http://glovis.usgs.gov.br/app), do Serviço geológico estadunidense, devido que a Divisão Geral de Imagens (DGI) do INPE (Instituto Nacional de Pesquisas Espaciais) disponibilizarem em seu catálogo apenas imagens do instrumento OLI para o mesmo satélite. A área que foi delimitada corresponde todo o urbano de Ponta Grossa, PR, encaixando-se no ponto e órbita 221/71 das mesmas, num recorte temporal desde o início do segundo semestre de 2017 ao primeiro semestre do ano seguinte, 2018 o horário central de passagem corresponde a 13h (GMT), 10h no horário local. Foram selecionadas quatro imagens de satélite, o critério utilizado foi a cobertura mínima de nuvens para a área urbana de Ponta Grossa. Na verdade, infelizmente mesmo assim algumas imagens não ficaram totalmente imunes, entre aquelas utilizáveis, mesmo assim foram úteis. Para finalizar este primeiro passo foi feito o download, como dito anteriormente, separado por data contendo um arquivo compactado que possuía os arquivos raster e o metadados. As datas são 10 de setembro, 13 de novembro e 15 de dezembro de 2017. A alta nebulosidade predominou nos primeiros meses de 2018, até a última imagem, o que dificultou um pouco. Com os arquivos salvos, o primeiro passo foi a extração da temperatura de superfície (TST), que é baseada pela correlação existente entre radiância (l) e temperatura de superfície e que o sensor, no caso o TIRS do Landsat 8 consegue sensibilizar a energia radiante de uma área conforme sua resolução espacial. Portanto TST é o balanço dos fluxos de energia pela implicação de certa temperatura emitida pelos corpos, permitindo o tratamento por geoprocessamento. A fórmula é dada por l = m * q – a. (JENSEN, 2009 apud PIRES; FERREIRA, 2015) Onde, l = radiância (Watts/(m2* sr * μm)) m = fator multiplicativo de redimensionamento de banda a = fator aditivo de redimensionamento de bandas Para calcular a temperatura de superfície foi utilizado o software ArcGis 10.3. No início foram convertidos os níveis de cinza, sendo uma escala onde cada pixel da imagemé representado por um número digital (DN) expresso em bytes, uma forma de codificação digital para armazenar os dados da radiância. Para então decodificar 4 novamente em seu valor numérico real. Partindo do pressuposto apresentado pela USGS (2016) que em certa unidade há uma quantia de emissividade sendo transmitida pode calcular-se pela radiância o TST ou também chamado de temperatura de brilho, porque representa a resposta espectral do satélite. O resultado obtido encontra-se em Kelvin, para a transformação em graus Celsius foram subtraídos 273,15 que representa a equivalência da temperatura de congelamento. A fórmula dada é TST = k2 / ln (k1 / l + 1). Onde, k1 e k2 = constantes de calibração da banda utilizada l = radiância (Watts / (m2* sr * μm)) Em seguida, também com o software ArcGis 10.3 foram calculados o NDVI (Índice de vegetação por diferença normalizada) para as mesmas imagens do Landsat 8, que é uma forma de indicar a presença e a intensidade de vegetação em uma determinada área. Para a ENGESAT (2016) o índice é baseado pela faixa do espectro em que se obtêm maiores respostas até o início da queda (absorção) por parte dos seres fotossintéticos quando são refletidas e sensibilizadas por um sensor. De acordo com a NASA (2011) uma região específica composta com uma vegetação viva irá refletir comprimentos de onda em picos maiores no infravermelho próximo, devido ao fato que a clorofila absorve grande parte da luz que é recebida diretamente aos olhos (concentrado, sobretudo entre 0,4 a 0,7 μm). No entanto, se a diferença for ínfima entre o infravermelho próximo e o visível pode indicar uma paisagem de deserto frio ou quente, onde os arbustos estão esparsados. Antes de calcular o NDVI propriamente, foi realizada a composição de bandas constituindo a união das faixas espectrais para obter em uma mesma imagem o infravermelho próximo e o vermelho necessários para o índice, respectivamente as bandas 5 e 4 para o Landsat 8. Sendo NDVI = (NIR — VIS) / (NIR + VIS) . Onde, NIR = Infravermelho próximo VIS = Vermelho O índice varia de -1 a 1, quando os valores são positivos, ou seja, o valor de NIR é maior, significando uma densidade de vegetação mais representativa do que outros elementos da paisagem, isto porque uma fração considerável dos comprimentos de onda refletida pelos mesmos é justamente no infravermelho próximo. O oposto se dá com os aclorofilados, predominando a faixa de luz visível, principalmente o vermelho para o espectro considerado (valores negativos) representativo dos campos e da área urbana construída. No entanto, mesmo uma mesma baixa densidade de indivíduos arbóreos é necessária para que se obtenham valores maiores que zero. (BORATTO; GOMIDE, 2013). Obtendo, a temperatura de superfície e o NDVI foram extraídos os valores para pontos mais amostrais, os 20 primeiros fazem parte originalmente da tese Clima urbano em Ponta Grossa - PR: uma abordagem da dinâmica climática em cidade média subtropical brasileira (2009) de autoria de Gilson Cruz mais 20 pontos adicionais dispersos pela malha urbana foram selecionados. No entanto mais algumas informações importantes foram preenchidas, com o mapa altimétrico foi extraído a orientação das vertentes e a altitude e com as imagens do Google e fotografias foram prescritas o uso do solo (Mata, Campo, área construída e subcategorias assim como solo exposto) e sua localização. Sendo construído uma tabela no Excel para cada variável uma coluna. Por último foram construídos gráficos de linha do NDVI e temperatura de superfície, ambos em função dos pontos, combinados ou 5 separadamente. Com as informações em latitude e longitude foi criado um arquivo shape dos pontos para serem exibidas sobre a imagem georeferenciada, como mostra a fígura 1a (para a temperatura de superfície) e a figura 1b (NDVI). Isto permitiu fazer análise dos pontos. a Figura 1a – Mapa de temperatura de superfície para Ponta Grossa-PR no dia 23/09/2017 Figura 1b – Mapa do NDVI para Ponta Grossa PR no dia 23/09/2017 Resultados e discussão Em alguns pontos o NDVI e TST vão em direções opostas no gráfico de forma bem definida, como nos pontos 10 e 38 pelo que mostra a figura 1, e mais acentuadamente nos pontos 23, 27 e 33. Os pontos 23 e 27 representam a vegetação urbana significativa próxima de áreas densamente povoadas (Parque Margherita Massini no Centro e a mata íngreme entre o campus do Cescage e Hospital São Camilo em Uvaranas) . Ambos com o NDVI na faixa dos 0,3, conforme Almeida et al (2015) corresponde o NDVI de campo, intercalado por outras formas de uso do solo. De acordo com Store (2014) o Landsat 8 tolera erros geométricos com no máximo 65 metros de diferença em relação a localização exata, através de pontos de controle no solo esta distância é reduzida, no entanto estes pontos de controle muitas vezes não estão em nível de precisão adequados, portanto a diferença da posição depende de ambos. A outra explicação estaria no porte da vegetação, como verificado por Anbazhagan e Paramasivam (2016) aonde NDVI coincide com altas temperaturas, por ser arbustos de pequeno porte, característica semelhante ao encontrado próximo do ponto 29, não distante da unidade do Cense Ponta Grossa (Centro de Socioeducação) no bairro Neves. b 6 Figura 1 - Distribuição do NDVI e TST com suas linhas de tendência correspondentes para os pontos definidos do dia 10/09/2017 para Ponta Grossa-PR O valor mais alto de TST foi encontrado no ponto 33 com 29,7 ºC sobre um telhado de 25000 m² de uma fábrica de pisos, no Distrito Industrial, aonde também é o encontrado o menor valor de NDVI: -0.01 (o que mostra uma correlação linear negativa evidente), ou seja, absorve uma quantidade de energia maior no vermelho do que no infravermelho, o que explica a temperatura de superfície elevada juntamente com sua orientação e altitude. Valores negativos também podem indicar perturbações na atmosfera, porém não havia cobertura de nuvens no ponto e nas proximidades (GODOY et al 2009). A linha de tendência do NDVI diante aos 40 pontos é de aumentar de <0,15 para 0,20>. O inverso ocorre para a temperatura de superfície, apesar de a variação ser menor, estando entre os dois intervalos acima. Segundo o Boletim Climatológico do SIMEPAR as condições do tempo demonstravam um período de estabilidade atmosférica para a data, praticamente sem precipitação acumulada desde a última semana do mês anterior, podendo interferir com o NDVI médio para o mês e estação do ano. Representado uma anomalia negativa para os primeiros dias de setembro de 2017 conforme os valores históricos e as condições do El Niño Oscilação Sul (ENOS) estavam neutros. O maior valor de temperatura de superfície foi 29,7 °C pela qual coincide com o menor valor do índice de vegetação -0,01, raro se não for por cobertura de nuvens ou outras alterações na atmosfera. O ponto estava sobre uma fábrica de carpetes no Distrito Industrial de Ponta Grossa. A menor temperatura de superfície registrada foi 21,3 °C, vegetação de relevo íngrime próximo ao Hospital São Camilo. Com a direção da vertente voltada para o sul contribui que seja mais fria que outras matas de porte similares. O valor não coincidiu com o valor de NDVI mais alto, que no caso foi 0,38 próximo do campus da Unicesumar. A direção era NW, o que pode explicar a temperaturas mais elevadas, não se encaixando nas prováveis explicações citadas anteriormente. Considerações finais O NDVI (Índice de Vegetação por Diferença Normalizada) coincidiu muitasvezes com o pico inverso da temperatura de superfície. No entanto, a dimensão espacial demonstra alterar a correlação linear negativa. Áreas mais expressivas como solo expostos, principalmente ao norte da cidade e matas mais afastadas da malha urbana densa possuem mais efeito. Parques públicos tais como a da região central e lugares de uso do solo heterogêneo ou na intersecção de dois usos como área construída e cultivo agrícola podem apresentar um NDVI elevado e temperatura de superfície alta. Pelo que é verificado na bibliografia são explicitados dois motivos: a vegetação possui 7 características que não suficientes para verificar um efeito de temperaturas amenas ou porque a precisão da localização não pode ser corrigida por pontos de controle. Apesar da possibilidade de um erro geométrico, o comportamento geral, surtiu como esperado e é o que mostra a linha de tendência da figura 1: com o aumento da TST há uma diminuição do NDVI. As maiores temperaturas estão sobretudo em uso do solo exposto ou ambiente construído, no entanto, outros dados, como a orientação das vertentes se tornaram importante e mascararam um pouco a influência do NDVI e TST. Orientações com cardeais e colaterais voltadas a leste são aquecidas durante a manhã, como é o horário de passagem do satélite, são normalmente mais quentes. A altitude também tem um papel importante, altitudes menores, especialmente ao sul de Ponta Grossa ou acompanhado de vales fluviais aonde conserva-se matas ciliares. Agradecimentos Agradeço a Fundação Araucária pela bolsa concedida, ao Laboratório de Climatologia e Estudos Ambientais (LABCLIMEAM) pela estrutura e orientação do Prof. Dr. Gilson Campos Ferreira da Cruz, fornecida durante a realização do subprojeto. Referências ALMEIDA, A. J. P, et al. Relação entre o Índice de Vegetação e a Temperatura de Superfície na estimativa e identificação das ilhas de calor na cidade de Maceió-AL. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO - SBSR, 17, 2015., João Pessoa. Anais... João Pessoa: INPE, 2015. p. 2047-2054. BORATTO, I. M. de.; GOMIDE, R. L. Aplicação dos índices de vegetação NDVI, SAVI e IAF na caracterização da cobertura vegetativa da região Norte de Minas Gerais. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu. Anais... São José dos Campos: INPE, 2013. p. 7345-7352. Disponível em: http://ainfo.cnptia.embrapa.br/digital/bitstream/item/81753/1/Aplicacao-indices.pdf Acesso em: mar. 2018. ENGESAT. Criando Índice de vegetação no Global Mapper. Curitiba: 2016. Disponível em: http://www.engesat.com.br/softwares/global-mapper/calculo-doindice- de-vegetacao-ndvi-no-globalmapper/ Acesso em: mar. 2018. GODOY, L. B, et al. Relação entre vegetação e temperatura de superfície nos parques urbanos do Distrito Federal, por meio de dados ASTER. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO - SBSR, 14, 2009., Natal. Anais... Natal: INPE, 2009. p. 699-705. MENDONÇA, F.; MONTEIRO, CARLOS. A. F. Clima Urbano. São Paulo: Contexto, 2002. NASA (National Aeronautics and Space Administration). Measuring Vegetation (NDVI & EVI): Normalized Difference Vegetation Index (NDVI). Washington: 2011. Disponível em: https://earthobservatory.nasa.gov/Features/MeasuringVegetation/measuring_vegetati on_2.php. Acesso em: mar. 2018. 8 SISTEMA METEOROLÓGICO DO PARANÁ. Boletim Climatológico. Curitiba: 2017. Disponível em: <http://www.simepar.br/prognozweb/simepar/timeline/boletim_climatologico>. Acesso em jun. 2018. SOUZA, R. de C. A; KIJX, H. J. H. Comportamento Espectral e Alvos Urbanos: simulação com as bandas espectrais do satélite CBERS. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO - SBSR, 12, 2005., Goiânia. Anais... Goiânia: INPE, 2005. p. 1099-1106. STOREY, J.; CHOATE, M.; LEE, K. Landsat 8 Operational Land Imager On-Orbit Geometric Calibration and Performance. Remote Sens, Basileia, v. 6, n.11, p. 11271152, nov. 2014. USGS (United States Geological Survey). Landsat 8 (L8) Data Users Handbook. 2. ed. Sioux Falls: 2016, p.98. Disponível em: https://landsat.usgs.gov/sites/default/files/documents/Landsat8DataUsersHandbook. pdf. Acesso em: mar. 2018. USGS (United States Geological Survey). Landsat 8 OLI (Operational Land Imager) and TIRS (Thermal Infrared Sensor). Sioux Falls: 2014. Disponível em: <https://lta.cr.usgs.gov/L8>. Acesso em: mar. 2018. ZANZARINI, F. V.; PISSAâRA, T. C. T.; BRANDÃO, F. J. C.; TEIXEIRA, D. B. Correlação espacial do índice de vegetação (NDVI) de imagem Landsat/ETM+ com atributos do solo. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 17, n.6, p. p.608—614, jun. 2013. Dificuldades encontradas/críticas ou sugestões Parecer do Orientador quanto ao desempenho do Acadêmico durante a execução do subprojeto proposto O acadêmico desenvolveu muito bem o projeto, realizou todas as atividades solicitadas e atingiu os objetivos propostos. Parecer do Orientador quanto a elaboração do presente relatório do Acadêmico O relatório foi muito bem elaborado, abordando todos os aspectos da pesquisa, apresentando todos os dados e resultados obtidos. Avaliação do (a) Orientador (a) em relação ao relatório: ( X ) Revisado e Aprovado ( ) Não aprovado ( ) Não Revisado Data e Assinaturas: Data 24/08/2018 Ass. Bolsista /VoIuntário (a) Ass. Orientador a)