Detecção de Mudanças: uma poderosa ferramenta de análise
Detecção de mudanças é um procedimento metodológico que abrange uma diversidade muito grande de técnicas para verificar alterações em dados. Existe uma tendência de aplicação dessas técnicas, normalmente para análise de mudanças ao longo do tempo e é um tipo de análise muito importante.
Se buscarmos uma definição formal, podemos utilizar a proposta por Singh, em 1989, quando a caracteriza como “processo de identificação de diferenças no estado de um determinado objeto ou fenômeno, o qual é observado em diferentes épocas”. Ou seja, mudanças ao longo do tempo. Mas isso pode ser bem mais amplo e a potencialidade é bem maior.
Quando investigamos algumas aplicações importantes das técnicas de detecção de mudanças, não podemos nos esquecer do Programa de Monitoramento da Amazônia e Demais Biomas (PAMZ+) que é desenvolvido pelo INPE, com a colaboração do MMA e do IBAMA, e que é composto pelos projetos PRODES — Programa de Monitoramento da Floresta Amazônica Brasileira por Satélite (Fig. 1), DETER — Sistema de Detecção de Desmatamento em Tempo Real e TerraClass — sistema de mapeamento do uso e ocupação da terra.
A análise da metodologia do PRODES e DETER nos permite perceber que a definição de desmatamento utilizada no PRODES é a “conversão por supressão de áreas de fisionomia florestal primária por ações antropogênicas”.
Nessa definição encontramos um termo extremamente importante que é CONVERSÃO, que representa a mudança no tipo de cobertura, ou seja, era floresta primária e agora é qualquer outra cobertura que não floresta primária e isso é, obrigatoriamente, resultado de atividade humana.
E isso é diferente de modificação, que altera a característica da cobertura, sem modificar a sua classificação e que, apesar de compor, os alertas do DETER, são normalmente consideradas como degradação florestal.
E é fundamental que tenhamos também a compreensão das taxas de mudanças, que podem ser abruptas e mais facilmente identificadas, tais como desmatamento ou queimadas, ou sutis, como corte seletivo e acúmulo de biomassa, mais difíceis de serem percebidas em dados de baixa e média resoluções espaciais. Porém, são muito importantes para traças as estratégias de monitoramento e de fiscalização para evitar que danos maiores sejam gerados.
Mas, apesar de termos as definições e a maioria das aplicações voltadas para análises multitemporais, as mesmas técnicas podem (e devem) ser aplicadas em outros contextos para análise dos dados de sensoriamento remoto.
Vou citar três exemplos, entre tantos que tive a oportunidade de aplicar técnicas de detecção de mudanças para avaliação que não necessariamente envolviam variações ao longo do tempo.
A primeira, quando pude ajudar uns colegas que estavam realizando um grande trabalho de mapeamento sistemático, que foi contratado para ser todo desenvolvido em 16 bits. Eles queriam saber se todas as etapas fossem desenvolvidas em 8 bits e o resultado final fosse convertido para 16 bits, quais seriam as diferenças entre os dados. Avaliamos as folhas cartográficas e as bandas do visível e do infravermelho próximo, originais em 16 bits e as convertidas de 8 para 16.
Chegamos à uma diferença média nas folhas de 4,58% e nas bandas, de 1,58%. Porém, o tempo gasto com 16 bits em todas as etapas era 4 vezes maior do que em 8 convertido para 16 bits.
E com isso, toda a metodologia de trabalho foi ajustada para 8 bits com conversão no produto final, com o aceite do contratante. E isso, por meio de técnicas de detecção de mudanças.
Os outros dois exemplos são trabalhos que apresentei em Simpósios Brasileiros de Sensoriamento Remoto.
O primeiro foi no evento de João Pessoa, em 2015, quando destaquei a potencialidade da integração da banda do Red Edge com a da região do vermelho para especializar a atividade fotossintética, por meio do Índice de Vegetação por Profundidade de Feição Espectral, SFDVI — Spectral Feature Depth Vegetation Index, um dos índices espectrais que desenvolvi (Fig. 2).
Tanto o NDVI, como o RENDVI (Red Edge Normalized Difference Vegetation Index) saturaram a resposta das áreas arbóreas se comparados ao SFDVI. O comportamento do NDVI apresentou mais contrastante que os demais índices. E essas comparações foram possíveis graças à detecção de mudanças.
E o último que quero destacar foi apresentado no SBSR de 2017, em Santos, quando avaliei a influência da resolução espectral na determinação de área queimada por meio de dados TM5, OLI e AVIRIS (Fig. 3).
Uma das grandes potencialidades dos dados hiperespectrais é simular outros sistemas hiper e multiespectrais e, por meio de técnicas de detecção de mudanças foi possível inferir que que dados que apresentam maior largura à meia altura, em suas bandas, tendem a superestimar as áreas de cicatrizes de queimadas e que os novos sistemas sensores, mesmo os multiespectrais, tem apresentado bandas mais estreitas para captar melhor as nuances existentes no comportamento espectral da vegetação, bem como nas áreas queimadas (Fig. 4).
Ou seja, não é porque algo foi inicialmente pensado para um fim, que você não pode se apropriar e aplicá-lo para outras aplicações. Aí a máxima de Jean Cocteau torna-se perfeita para essa reflexão: “não sabendo que era impossível, ele foi lá e fez”.
Nesta semana, de 10 a 12 de agosto, vou conduzir o Workshop Detecção de Mudanças Aplicada ao Desmatamento na Amazônia, gratuito, mão na massa e com emissão de certificado, no qual vou apresentar o passo a passo de algumas das técnicas de detecção de mudanças para você também delas se apropriar.
Se ainda não se inscreveu, ainda dá tempo. Segue o link. https://www.even3.com.br/profgustavobaptista/
Um grande abraço
Prof. Gustavo
