Autores
Avelar, A. (IGEO-UFRJ) ; Barbosa, L. (IGEO-UFRJ) ; Miranda, F.S. (IGEO-UFRJ) ; Morais, N.B. (IGEO-UFRJ)
Resumo
Pesquisas geomorfológicas em bacias hidrográficas da Mata Atlântica necessitam de topografias detalhadas, em especial análises de fluxos de água, erosão e movimentos de massa, que precisam de escalas 1:10.000 ou maiores. A vegetação densa dificulta obter tais topografias, mas imagens LiDAR (Light Detection And Ranging) permitem superar isto. Este trabalho usou o Lidar da Bacia do rio Cachoeira (8 km²), Maciço da Tijuca (RJ), por meio de 12 MDTs de pontos ground em relevo montanhoso com densa cobertura florestal, fragmentos urbanos, vegetação arbustiva e gramínea. Os modelos foram gerados em ArcGis 10-1 nas escalas 1:2.000, 1:10.000 e 1:50.000, com curvas de nível equidistantes em 1, 5 e 20 m respectivamente. Além disso, foram analisadas as declividade de encostas (0-10º, 10-20, 20-35º, >35º); TPI (Topographic Position Index ) para classificar áreas de fundo de vale, baixa, média e alta encosta e divisores; e rede hidrográfica extraída de forma automática por ArcHydro 10-1.
Palavras chaves
hidrologia florestal; morfometria de encostas; movimentos de massa
Introdução
Os MDTs e MDSs derivados de dados LiDAR apresentam elevada precisão e expressiva qualidade de detalhamento devido à grande densidade de pontos georreferenciados com coordenadas x, y e z e sua posterior classificação conforme à intensidade do retorno dos pulsos laser. O uso dessa tecnologia em áreas florestadas com densa cobertura vegetal vem aumentando significativamente, porém, inúmeros erros de precisão com relação aos pontos relativos ao solo são observados e estudos da quantificação desses erros ainda necessitam ser realizados para permitirem o uso com mais confiabilidade dessa técnica (Reutebuch et al. 2003). O docel das árvores pode causar interferência e dificultar a maioria dos pulsos laser chegarem ao solo e, com isso têm-se intensificado os trabalhos que pretendem melhorar a classificação dos pontos, quantificar o erro da classificação e avaliar a acurácia dos MDTs gerados em áreas florestadas (Gonçalves-Seco et al. 2006; Tang et al. 2008; Wang & Glenn 2009).Recentemente foi realizado o aerolevantamento a laser (LiDAR) do Maciço daTijuca pela empresa Hansa – Geofísica e Aerolevantamento Ltda. para GeoRio, cobrindo uma área de 155 km², que foi cedido para a UFRJ para fins de pesquisa. Deste modo, o Maciço da Tijuca torna-se importante nesse contexto tendo em vista aos processos históricos de adensamento da população em suas vertentes e áreas circundantes, que no caso das encostas apresentou um processo intenso de ocupação por comunidades mais pobres. Estas se instalam de modo informal e compõem as chamadas “favelas” instaladas principalmente devido à necessidade de moradia em proximidade dos locais de trabalho (Coelho Netto 2005) e também por dificuldade de acesso às edificações formais em áreas valorizadas. A autora ainda afirma que “sob tais circunstâncias a relação Homem-Natureza traduz-se numa forte competição pelo habitat, comum a grupos sociais heterogêneos e a biota da floresta remanescente e acentua a vulnerabilidade do geoecossistema frente aos problemas sócio-ambientais”. Os problemas sócio-ambientas causado pela a ocupação no Maciço da Tijuca é alvo de preocupação e de planejamento tanto da Prefeitura do Rio de Janeiro quanto da administração do Parque Nacional da Tijuca, com a intenção de preservar o remanescente de Floresta Atlântica responsável por diversos serviços ambientas à cidade e a delimitação de áreas de risco devido a movimentos de massa em eventos de chuva (Coelho Netto et al. 2007). As análises da topografia de alta resolução possibilitam avançar nos estudos sobre suscetibilidade e risco a movimentos, modelagem hidrológica, processos erosivos, planejamento urbano e nas mais diversas temáticas envolvidas no entendimento dos processos geoecológicos dos relevos montanhosos florestais. Busca-se o avanço no entendimento dos processos presentes nas paisagens montanhosas que são viabilizados pelas novas tecnologias de topografias e parâmetros morfométricos detalhados. Por isso a motivação de analisar a qualidade, as possibilidades e limitações do levantamento LiDAR disponibilizado para a geração de MDT em áreas com relevos acentuados e densa cobertura florestal.
Material e métodos
Foi realizada uma análise do levantamento LiDAR baseado na distribuição e quantidade de pontos referentes ao solo (ground points), utilizados para a geração de Modelos Digital de Terreno e a extração de parâmetros morfométricos em uma área de relevo montanhoso e com densa cobertura vegetal. Neste estudo os MDTs criados a partir do LiDAR foram tratados para as escalas cartográficas 1:2.000, 1:10.000 e 1:50.000 com o tamanho da pixel respeitando a acuidade visual de 0,2mm na representação. Deste modo, foram gerados MDTs no formato raster com 0,4; 2 e 10 metros de célula. Somente os pontos classificados como ground foram interpolados. É importante ressaltar que foi utilizado o modelo de grade regular retangular (grid), pois a interpolação por TIN força a geração de feições triangulares no terreno onde há uma densidade menor de dados e pode criar topologias mal definidas. Os MDTs em formato raster foram gerados através da ferramenta LAS Dataset to Raster, utilizando somente os valores de altimetria de cada ponto LiDAR. O método utilizado para geração do grid foi o Binning, que define o valor da célula como sendo o valor de altimetria do ponto amostral inserido na célula. Porém, devido à alta densidade de pontos, é comum dentro de uma mesma célula conter 2 ou mais pontos e o valor estipulado para a célula depende do critério de Cell Assignment Type utilizado. A declividade foi gerada pela ferramenta Slope resultuando em um arquivo raster. Após a declividade gerada foi utilizada a ferramenta Reclassify para as classificação segundo o proposto por Coelho Netto et al. (2007) em quatro classes (0o–10o, 10o-20o, 20o-35o e >35o). Seguinte à reclassificação, o raster foi vetorizado para polígono com a ferramenta Raster to Polygon, o que criou inúmeros polígonos com áreas desprezíveis, sendo utilizado, por fim, a ferramenta Eliminate para juntar os polígonos menores que 50m² ao polígono vizinho com maior contato. A classificação da posição da encosta foi realizada através da extensão Land Facet Corridor com a ferramenta Topographic Position Index (TPI) elaborado por Janness (2006) com base no trabalho de Weiss (2001). Esta ferramenta utiliza um algoritmo em no qual a diferença do valor de altitude da célula é subtraída pela média dos valores vizinhos, definido previamente por um raio em metros ou células. Valores positivos significam que a célula tem altitude maior do que os vizinhos com comportamento divergente de fluxos (convexidade); valores negativos demonstram que a célula tem valor menor do que os vizinhos com comportamento convergente de fluxos (concavidades); e os valores nulos (ou próximos de zero) demonstram área planas, de transferência de fluxos. O estudo de Coutinho et el. (2014) utilizou a combinação de mais de um raio, tendo em vista que raios menores tendem a recortar mais o terreno e raios grande tendem a generalizar a informação, as somas dos raios promoveram um melhor resultado para esse problema, apresentando topos e vales mais contínuos. As diversas combinações de raios para uma área de relevo montanhoso apresentou bom resultado na elaboração do TPI values com os raios de 50, 70, 80 e 100 metros, e sua posterior soma. A rede hidrográfica foi extraída de forma automática através das ferramentas da extensão ArcHydro10.1: Direção de Fluxos (flow direction). A partir do MDT, esta ferramenta produz um raster onde cada célula contém o valor indicativo da direção que o fluxo de água segue, ou seja, a direção para a célula adjacente menos íngreme. Como demonstrado na figura 33 o valor a ser incorporado à célula é referente à qual direção o fluxo irá tomar a partir dela, sendo 1 escoando para o leste, 2 sudeste, 4 sul e assim por diante.
Resultado e discussão
A fim de facilitar a discussão dos resultados obtidos serão apresentadas em
maior atenção os resultados para a escala 1:2.000. figura 01 apresenta o
percentual das classes de densidade de pontos, sendo contabilizado mais de
30% da área com menos de um ponto por 100 m², chegando a 80% da área com
menos de um ponto por m² e pouco mais de 1% da área sem nenhum ponto em
100m². Estes resultados mostram média de 9,13 pts/m² levando em consideração
todos os pontos levantados. O cruzamento da densidade de pontos com o uso e
cobertura apontou a presença de mais de 90% de cobertura florestal nas
classes mais baixas de densidade de pontos (até 0,5 pts/m²). As classes de
densidade de pontos mais elevada demonstraram aumento em áreas de
afloramento, solo exposto e edificações urbanas,onde os pulsos de laser não
tiveram tanta interferência para chegar ao solo, propiciando uma melhor
representação topográfica do terreno. Os valores de altimetrias do MDT
1:2.000 indicaram que apenas 63,65% dos pontos possuem erro menor do que
0,75 m, não atingindo a Classe C do PEC. A tabela 10 apresentada o número
total de pontos frente a cada classe de uso e cobertura, concentrando o
maior número de erros na cobertura florestal.
O MDT para a área mapeada na escala de 1:2.000 não enquadrou-se no PEC
Classe C, com os maiores erros concentrados na área com cobertura florestal
elevando o erro total do mapeamento, indicando que as áreas com maior
cobertura, logo menor densidade de pontos ground causaram grande
interferência no mapeamento final. A figura 02 mostra o MDT que deu origem a
topografia 1:2.000 e é possivel observar expressiva resolução topografica. A
distribuição dos pontos cotados classificados quanto ao erro, é possível
observar a maior distribuição de erro acima de 0,75 metros na área com densa
cobertura florestal e os pontos dentro da Classe C concentrados nas áreas
urbanas. O trabalho de Tang et al. (2008) em uma área com floresta de
coníferas, no oeste de Washington (EUA) lassificou pontos ground através da
diferença entre o primeiro retorno do laser e o último com base em limiares
referente a estrutura da vegetação presente na área de estudo. Os resultados
apontaram uma cobertura de 23% dos pontos como referente ao solo. Porém o
resultado do MDT gerou erros devido a classificação dos pontos ter sido
influenciados por espécies de vegetação de menor porte ou parte inferior das
árvores, resultando em ruídos no MDT devido a incorporação de ponto
referentes à vegetação. A declividade gerada na ferramenta Slope (figura 03)
conseguiu representar os afloramentos de modo bem marcados, assim como as
estradas. É possível observar que apenas as classes de 10 -20° e >35°
obtiveram diferença significativa no mapeamento, quando comparado a um mapa
topográfico 1:10.000 gerado pela Prefeitura do Rio de Janeiro, conforme
estudado por Martinez (2014). A rede hidrográfica 1:2.000 produzida através
da extensão ArcHydro 10.1 a partir do MDT mostrou que a direção do fluxo em
formato raster com o valor da célula indicando à qual direção o fluxo
superficial é encaminhadda célula de maior altimetria à adjacente de menor
altimetria, com muito bom resultado na geração dos canais de drenagem.
Segundo Araujo (2013) a qualidade do mapa de direção de fluxos depende
diretamente da qualidade do MDT, devido a isso, o MDT proveniente do
levantamento LiDAR, pode possibilitar uma melhoria do mapeamento. As
direções de fluxos são classificados quanto a direção como: Leste, Sudeste,
Sul, Sudoeste, Oeste, Noroeste, Norte e Nordeste.
Devido a isso, as áreas com terreno exposto ao feixe de laser (afloramentos,
área urbana, solo exposto, etc.) tiveram uma densidade de pontos alta,
resultando na geração de um MDT de grande qualidade e detalhamento. As áreas
florestadas, no entanto, devido à interferência da cobertura vegetal,
mostrou resultados inferiores, onde a maior parte da área florestada teve
menos de 0,5 pts/m². Portanto, o LiDAR com finalidade de análise topográfica
em áreas com densa vegetação florestal é prejudicado pela interferência do
docel das árvores. Uma vez que a área estuda contém cerca de 90% de
cobertura vegetal, e apenas 7% dos pontos foram classificados como ground
neste domínio.
Classes de densidades de pontos (pts/m²) e sua área percentual na Bacia do Rio Cachoeira
Visualização 3D do MDT (Hillshade) 1:2.000 no software ArcScene 10.1.
Visualização 3D do mapeamento de declividade no software ArcScene 10.1.
Considerações Finais
O LiDAR permite grande densidade de pontos, 9 pts/m² como esperado para esse tipo de levantamento (Liu et al. 2007; Liu 2008) e para 1:2.000 há erros, mas servem para análise morfométrica, ainda que prejudicados por densa cobertura florestal e nas áreas urbanas, o levantamento melhora a qualidade da topografia. Na escala 1:10.000 há erros altimétricos próximos à classe C (85%)e erros horizontais na Classe A, pois tem uma qualidade maior devido sua elevada densidade de pontos do scaneamento. O MDT na Classe 1:50.000 obteve PEC na Classe A e demonstrando ter alta qualidade para essa escala. As topografias nestas três escalas e as declividades com maior detalhamento podem melhorar e avançar trabalhos como mapeamentos de suscetibilidade a movimentos de massa e geração de rede de canais (Coelho Netto et al. 2014, Araujo 2013). O TPI apresentou uma boa correlação com a drenagem extraído automaticamente pelo ArcHydro 10.1, onde 73% do comprimento total dos canais estão na classe mapeada como fundo de vale e não apresentou canais em áreas de divisores. O ArcGis 10.1 demonstrou ter uma boa capacidade de tratamento e análise dos dados para a geração de MDT e parâmetros morfométricos analisados neste estudo, auxiliando os trabalhos nas áreas de pesquisa e afins que necessitam como base dados topográficos.
Agradecimentos
Os autores agradecem aos financiamentos e bolsas do CNPq, FAPERJ e INCT- REAGEO. Agradecem também a empresa HANSA LTDA e a Fundação GEO-RIO pela cessão das imagens Lidar.
Referências
Akima, H.A. (1978) - A method of bivariate interpolation and smooth surface fitting for irregulary distributed data points. In: ACM Transactions on Mathematical Software, 4(2): 148-159.
Andersen, H. E.; Reutebuch, S. E., McGaughey, R. J. (2006) A rigorous assessment of tree height measuremens obtained using airborne LiDAR and conventional field methods. Canadian Journal of Remote Sensing, v. 32, n. 5, p. 355-366.
Araujo, i.S (2013) " Modelagem Hidrológica Relacionada às Interações de Uso Urbano e Cobertura Florestal na Bacia do Rio Cachoeira - Maciço da Tijuca / RJ", Dissertação de Mestrado, Programa de Engenharia Civil, COPPE \ UFRJ, 146 p.
Asselen S.; Seijmonsbergen, A. C. (2006) Expert-driven semi-automated geomorphological mapping for a mountainous area using a laser DTM. In: Geomorphology. Vol. 78, Issues 3–4, 30 August 2006, Pages 309–320.
Avelar, A.S; Coelho Netto, A.L.; Lacerda, W.A; Becker, L.B; Mendonça, M.B.. (2011). Mechanisms of the Recent Catastrophic Landslides in the Mountainous Range of Rio de Janeiro, Brazil. In: The Second World Landslide Forum, Roma. Landslide Science and Pactice. Berlin: Springer-Verlag, 2011. v. 4. p. 265-270.
Avelar, A.S. (2003) “Iniciação e Desenvolvimento de Fluxos Detríticos em Encostas: Ensaios Triaxiais de Choque e em Caixa Experimental abordando o Caso de Soberbo (RJ)”, Tese DSc, COPPE-UFRJ/RJ.
Avelar, A.S; &Lacerda, W.A; (1997) “Causas iniciais do movimento de massa do Soberbo, RJ – Brasil”. 2o Simp. Panam. Escorregamentos, 2a Conf. Bras. Est. Encostas Cobrae, Rio de Janeiro, v.1: 3-12.
Avelar, A.S; Lacerda, W.A; Coelho Netto, A.L. (2006) Mecanismos de iniciação de fluxos detríticos no Maciço da Tijuca, Rio de Janeiro (RJ): o caso da encosta do Soberbo. Revista Brasileira de Geomorfologia, v. 7, p. 73-83.
Baltsavias, E. P. (1999). Airborne laser scanning: basic relations and formulas. ISPRS Journal of Photogrammetry & Remote Sensing 54 (1999). 199–214
Coelho Netto, A. L. (2009). Hidrologia de encosta na interface com a Geomorfologia. In: Geomorfologia: uma atualização de bases e conceitos, Org.: Guerra, A. J. T.; Cunha, S.B. 9ª Edição. Rio de Janeiro: Bertrand Brasil. 2009. 474p.
Coelho Netto, A.L. (2005) A INTERFACE FLORESTAL-URBANA E OS DESASTRES NATURAIS RELACIONADOS À ÁGUA NO MACIÇO DA TIJUCA: desafios ao planejamento urbano numa perspectiva sócio-ambiental. Revista do Departamento de Geografia, 16 (2005) 46-60.
Coelho Netto, A.L.; Avelar, A.S.; Fernandes, M.C.; Lacerda, W.A. (2007): Landslide Susceptibility in a Mountainous Geoecosystem, Tijuca Massif, Rio de Janeiro: The Role of Morphometric Subdivision of the Terrain. Geomorphology. Amesterdam, 87(3): 120-131.
Coelho Netto, A.N.; Avelar, A.S.; Sato, A.M.; Fernandes, M.C.; Oliveira, R.R.; Vinagre, R.;
Barbosa, L.S.; Lima, P.H.M.; Lacerda, W.A. (2014) Landslide susceptibility and risk zoning at Agra do Reis, Rio de Janeiro State, SE Brazil: a quali-quantitative approach at 1:5.000 scale. In: Extreme rainfall induced landslides: na international perspective. Org.: Lacerda, W.A [et al.]. São Paulo, Oficina de Textos. 2014.
Coutinho B. H. (2015 - inédito) Indicadores Geo-Hidroecológicos de suscetibilidade das encostas frente a erosão e movimentos de massa em região montanhosa tropical úmida: suporte metodológico para zoneamentos de riscos em diferentes escalas de análise espacial. Relatório final de bolsa de Pós Doutorado. FAPERJ/UFRJ
Cruz, C. B. M; Barros, R. S; Cardoso, P. V; Reis, R. B; Rosário, L. S; Barbosa, S. S; Rabaco, L. M. L; Lourenço, J. S. Q. Avaliação da exatidão planialtimétrica dos modelos digitais de superfícies (MDS) e do terreno (MDT) obtidos do Lidar. In: Simpósio 94 Brasileiro de Sensoriamento Remoto (SBSR), 15., 2011, Curitiba. Anais... São José dos Campos: INPE, 2011
Dias, M. A. (2011), “Influência da topografia na dinâmica de bordas floresta-gramínea em um relevo montanhoso – maciço da Tijuca, RJ”, 123 p. - Dissertação de mestrado – PPGG – UFRJ, 2011.
Fernandes, M. C. (2004). Desenvolvimento de rotina de obtenção de observações em superfície real: uma aplicação em análises geoecológicas. Tese de Doutorado – Instituto de Geociências – Programa de Pós-graduação em Geografia – PPGG/ UFRJ.
Huang, H.; Link T.; Smith, A.; Chen, C. (2011) Accuracy of the LiDAR-derived DEM in dens shrub areas in montanious NW US. IEEE International Conference on Communications ICC2011, p. 373-377. 2011
Jenness, J.; Brost, B.; Beier, P. (2013). Land Facet Corridor Designer. USDA Forest Service Rocky Mountain Research Station McIntire-Stennis Cooperative Forestry Program Arizona Board of Forest Research. 2013
Liu, W. T. H (2006). Aplicações de sensoriamento remoto. Ed. UNIDERP, Campo Grande. Brasil. 908p. 2006
Liu, X. (2008) Airborne LiDAR for DEM generation: some critical issues. Progress in: Physical Geography-2008-Xiaoye Liu-31-49.
Liu, X.; Zhang, Z.; Peterson, J.; Chandra, S. (2007) The effect of LiDAR data density on DEM accuracy. In: MODSIM07: International Congress on Modelling and Simulation: Land, Water and Environmental Management: Integrated Systems for Sustainability, 10-13 Dec 2007, Christchurch, New Zealand.
Martinez, M. I. (2014) - Avaliação Da Susceptibilidade De Terreno Para Deslizamentos Rasos: Maciço Da Tijuca - Rio De Janeiro. Dissertação de mestrado – PPGG – UFRJ, 127 p. 2014.
Packalén, P. (2009). Using airborne laser scanning data and digital aerial photographs to estimate growing stock by tree species. Tese de Doutorado. Faculty of Forest Sciences, University of Joensuu. 2009.
Polat, N.; Uysal, M. (2015). Investianding performance of Airborne LiDAR data filtering algorithms for DTM generation. In: Measurement Vol. 63 (2015) 61–68.
Rees, W. G. (2001). Physical principles of remote sensing. University Press, Cambridge. 2ª edição. 343p. 2001.
Reu, J; Bourgeois, J; Bats, M.; Zwertvaegher, A.; Gelorini, V.; Smedt, P.; Chu, W.; Antrop, M.; Maeyer, P.; Finke, P.; Meirvenne, M; Verniers, J.; Crombé, P. (2013). Application of the topographic position index to heterogeneous landscapes. In: Geomorphology 186 (2013) 39–49.
Schumann, A .H., Funke, R., Schultz, G.A (2000) ,”Application of a geographic information system for conceptual rainfall-runoff modeling”, Journal of Hydrology,240, p.45-61, 2000.
SMAC-RJ/COPPETEC. (2000). Diagnóstico/Prognóstico sobre a Qualidade Ambiental do Geoecossistema do Maciço da Tijuca - subsídios à regulamentação da APARU do Alto da Boa Vista. Relatório Técnico. Laboratório de Geo-Hidroecologia/ UFRJ; Fundação COPPETEC; Secretaria Municipal do Meio Ambiente; Prefeitura da Cidade do Rio de Janeiro.
Tagil, S., Jenness, J., 2008. GIS-based automated landform classification and topographic, landcover and geologic attributes of landforms around the Yazoren Polje, Turkey. Journal of Applied Sciences 8, 910–921.
Tang, F.F.; Liu, J.N.; Zhang, X.H.; Ruan, Z.M. (2008). Derivation of digital terrain model
in forested area with airborne lidar data. In: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B3b. Beijing 2008.
Tarolli, P. (2014) High-resolution topography for understanding Earth surface processes: Opportunities and challenges. In: Geomorphology Vol. 216, pp 295–312.
Valeriano, M. de M. (2008) Dados topográficos. In: Florenzano, T. G. Geomorfologia: conceitos e tecnologias atuais. São Paulo: Oficina de Textos, 2008. Cap. 3, p. 72-104.
Valeriano, M. M. (2002) Modelos digitais de elevação de microbacias elaborados com krigagem. São José dos Campos: Inpe, 2002. Inpe-9364-RpQ/736.
Wang, C.; Glenn, N.F. Integrating LiDAR Intensity and Elevation Data for Terrain Characterization in a Forested Area. In: IEEE Geoscience And Remote Sensing Letters, Vol. 6, No. 3, 463-456 July 2009.
Wang, C.K.; Tseng, Y.H. ; (2010). DEM generation from airborne LiDAR data by an adaptive dualdirectional slope filter. Int. Arch. Photogram. Rem. Sens. Spatial Inform. Sci. 38 (Part 7B), 628–632.
Weiss, A.D., (2001). Topographic position and landforms analysis. Poster Presentation, ESRI Users Conference, San Diego, CA.