Anais: Geomorfologia fluvial
Processamento de fotografias digitais para determinação da granulometria de sedimentos grosseiros em depósitos de point bars no Rio Bananeiras, RJ
AUTORES
Castro, P. (UFF) ; Muniz, C. (UFF) ; Vícens, R. (UFF)
RESUMO
O método tradicional para caracterização de cascalhos e seixos pode ser um
empreendimento extremamente trabalhoso. Diante disso, sucederam-se tentativas de
obter acuraria na mensuração de cascalhos a partir do processamento de fotografias
digitais. Estes procedimentos, no entanto, carecem de funcionalidade no que diz
respeito ao reconhecimento das dimensões espaciais, imprescindíveis a este tipo de
classificação. Assim, optou-se por utilizar uma abordagem baseada em objetos para
determinação da granulometria destes sedimentos grosseiros.
PALAVRAS CHAVES
Geomorfologia Fluvial; Sedimentologia; OBIA
ABSTRACT
The traditional method for characterization of gravel and pebbles can be an
extremely laborious undertaking. Thus, successive attempts to obtain the
measurement from digital photographs were made. These procedures, however, require
functionality with respect to the recognition of the spatial dimensions, which are
essential for this type of classification. Thus, an object-based approach for
determining the size of coarse sediments was chosen.
KEYWORDS
Fluvial Geomorphology; Sedimentology; Object-based analysis
INTRODUÇÃO
O método tradicional para caracterização de cascalhos e seixos pode ser um
empreendimento extremamente trabalhoso. A metodologia de WOLMAN (1954) sugere a
contagem mínima de 100 fragmentos delimitados no interior de uma grade amostral,
cujas dimensões variam de acordo com o detalhamento pretendido pelo pesquisador.
Além disso, recomenda a mensuração do eixo b (intermediário) do seixo e
contabilização em intervalos de classes de WENTWORTH com o objetivo de realizar
uma descrição estatística. Obviamente este tipo de mensuração resulta em
complicações não somente de ordem prática, mas, sobretudo de ordem financeira em
função da quantidade de trabalhos de campo e do custo requerido para tal, o que
pode inviabilizar a pesquisa.
Diante disso, sucederam-se tentativas de obter acuraria na mensuração de
cascalhos a partir de fotografias digitais (KELLERHALLS & BRAY, 1971; ADAMS,
1979; IBBEKEN & SCHLEYER, 1986). E, mais recentemente, pela introdução de
métodos de Processamento Digital de Imagens (PDI) (SIME, L.C. et al, 2003;
GRAHAM, D. et al, 2005; WARRICK et al, 2009).
Tais métodos de PDI compreendiam, via de regra a obtenção de fotografias
digitais no campo, processamento digital pixel a pixel e comparação entre as
seções de controle realizadas seja por contagem de seixos em campo ou por
vetorização automática para verificação. Estes processamentos, no entanto,
carecem de funcionalidade no que diz respeito ao reconhecimento das dimensões
espaciais, imprescindíveis a este tipo de classificação.
De acordo com BLASCHKE, T. (2010) a Análise Orientada a Objetos (OBIA)
possibilita uma classificação capaz de considerar a dimensão espacial dos
fenômenos, levando em conta a forma, textura, relações de vizinhança e
parentesco entre os objetos e possibilitando ainda a integração com os Sistemas
de Informação Geográfica (SIG).
Na medida em que o transporte seletivo nos canais fluviais condiciona a formação
point bars compostos por fragmentos bem selecionados e arredondados, cred
MATERIAL E MÉTODOS
A metodologia de aquisição e processamento de dados baseou-se no uso de uma
câmera fotográfica apoiada a um tripé de maneira tal que fosse possível tirar
fotografias com visada perpendicular à superfície.
Além disso, para se ter dimensão da escala de análise, as fotografias foram
retiradas sobre uma moldura quadrada, feita de canos PVC, de dimensão 0, 25 m²
(0,5 X 0,5 m). As fotografias foram retiradas sobre point bars do Rio
Bananeiras, pequena bacia hidrográfica de alta energia proveniente das escarpas
serranas, tribitária do Rio São João, no Leste do Estado do Rio de Janeiro.
Em seguida, as fotografias foram georreferenciadas a um sistema cartesiano de
referência e analisadas com o apoio do SE Definiens Developer 7.0, a partir da
do uso de algoritmos de segmentação, com posterior amostragem e classificação
orientada a objetos visando determinar a granulometria dos sedimentos acima de 8
mm e gerar um arquivo shapefile a partir do qual pode –se extrair uma tabela com
as frequências simples em cada classe.
A validação do processo foi feita comparando os resultados do processamento
digital com o procedimento realizado in situ pela utilização do método
tradicional de mensuração de diâmetros dos seixos com uso de paquímetro.
RESULTADOS E DISCUSSÃO
Foram feitos inúmeros testes buscando a melhor ponderação dos valores relativos
aos atributos de cor, forma e escala do algoritmo multirresolução, a fim de se
obter o resultado mais compatível com a realidade dos objetos.
A partir dos valores testados, observou-se que o fundamental num primeiro
momento seria uma relação pouco maior para cor (shape 0.4/ color 0.6), sendo o
atributo shape determinado com distribuição também favorecendo minimamente a
suavidade (compactness 0.4/ smoothness 0.6). A escala escolhida nesta
segmentação foi 100 (figura 1b).
Isto por que, em se tratando de cascalhos e seixos, os processos de erosão
(principalmente corrosão e abrasão) e transporte (rolamento e saltação)
possibilitaram uma composição com forma arredondada e relativa lisura.
Levando- se em conta que na estrutura de um SE consta a hierarquização da árvore
de processos, na qual todos os procedimentos estão relacionados, buscou-se uma
melhoria no resultado, em primeira instância, a partir de uma nova segmentação,
aumentando os valores de cor (shape 0.8) e atribuindo maior peso a lisura dos
objetos (smoothness 0.7/ compactness 0.3) bem como o aumentando a escala 200
(figura 1c).
Em seguida, realizou-se outra segmentação, aumentado a escala para 300, o
compactness para 0.8 e a cor para 0.6. Desta forma, foi possível obter um
resultado mais próximo da realidade dos objetos (figura 1d).
No processo de classificação, levou-se em conta fundamentalmente a existência de
áreas de sombra e de minerais de diferente coloração na composição dos
fragmentos rochosos, o que resultou primeiramente na classificação por cor, de
forma tal que fosse possível num segundo momento agrupar em um único objeto
aqueles que, devido aos fatores citados no início deste parágrafo não foram
delimitados de maneira satisfatória pelo algoritmo multiresolution segmentation.
Sendo assim, nesta etapa, os objetos foram classificados por três níveis de cor
(cinza branco e marrom) e, naqueles cujos limites não correspondiam à realidade,
fez-se o agrupamento a partir da ferramenta merge, que oferece a solução de
agrupar objetos de mesma classe assim como de classes diferentes, transformando-
os num único objeto (figura 2 a) Este procedimento possibilitou um ajuste
automático no processo de segmentação permitindo avançar para a classificação
por diâmetro dos objetos.
Nesta etapa, utilizou-se o algoritmo width, que está relacionado à largura
mínima dos objetos, o qual permite associá-lo ao diâmetro dos mesmos, empregando
modelos fuzzy com intervalos em milímetros correspondentes aos valores reais dos
objetos. Ademais, utilizou-se juntamente o algoritmo shape índex, índice
adimensional relacionado à regularidade da forma do objeto. A classe areias foi
classificada utilizando similaridade inversa às demais classes (not todas as
outras) (figura 2b).
O processamento digital resultou num arquivo shapefile o qual permitiu gerar uma
tabela com as freqüências simples em cada intervalo granulométrico, foi
desconsiderado a freqüência referente às areias, a qual não se propôs analisar
neste trabalho.
Embora tenha ocorrido pequena diferença nos dados numéricos, a comparação do
processo automático com o procedimento tradicional de contagem de seixos
proposto por WOLMAN (1954)mostrou-se válida visto que a descrição estatística da
amostra foi igual. A média, desvio padrão, curtose e mediana do procedimento
tradicional foram respectivamente 18,25; 15,92; - 5,34; 17,5; enquanto que no
processamento digital foram de 15; 13,81; -5,51; 21,5. Ambos métodos tiveram a
amostra descrita como pertencente ao grupo textural dos Cascalhos grossos.
Figura 1
Resultado do processo de segmentação.
Figura 2
Figura 2 a. classificação por classes de cores.
Figura 2 b. por classe de diâmetro.
CONSIDERAÇÕES FINAIS
O resultado deste procedimento mostrou-se válido, já que, de maneira geral a
descrição da amostra foi compatível com a análise in situ. Entretanto a replicação
do conjunto de regras não foi possível devido à interferência significativa de
sombra nas demais amostras. Nesse sentido reforça-se a necessidade de obtenção de
amostras sob condições de luz uniformes.
AGRADECIMENTOS
Os autores agradecem a FAPERJ pela concessão de bolsa de inciação científica e ao
CNPQ pelo fomento ao projeto de pesquisa.
REFERÊNCIAS BIBLIOGRÁFICA
ADAMS, J., 1979. Gravel size analysis from photographs. Journals Hydraulics Division, ASCE 105, 1247–1255.
BLASCHKE, T. (2010): Object based image analysis for remote sensing. ISPRS International Journal of Photogrammetry and Remote Sensing 65 (1), 2-16
GRAHAM, D.J.; REID, I.; RICE, S.P. Automated sizing of coarse-grained sediments: Image-processing procedures Mathematical Geology Vol. 37, No 1. January 2005. DOI: 10.1007/s11004-005-8745-x
IBBEKEN, H., SCHLEYER, R., 1986. Photo-sieving: a method for grain-size analysis of coarsegrained,unconsolidated bedding surfaces. Earth Surface Processes and Landforms 11, 59–77.
KELLERHALS, R. and BRAY, D.I., 1971. Sampling procedure for fluvial sediments. ASCE Journal of the Hydraulics Division, 97, 1165-1180.
SIME, L.C., Ferguson, R.I., 2003. Information on grain sizes in gravel-bed rivers by automated image analysis. Journal of Sedimentary Research 73, 630–636.
WARRICK, A.J.; RUBIN, D.M.; RUGGIERO, P.; HARNEY, J.N.; DRAUT, A.E.; BUSCOMBE, D. Cooble cam: Grain-size measurements of sand to boulder from digital photographs and autocorrelation analyses Earth Surface Process and Landforms 34, 1811-1821 (2009).
WOLMAN, M.G., 1954. A method of sampling coarse river-bed material. Transactions,American Geophysical Union 35, 951–956.
