EXTRAÇÃO AUTOMÁTICA DE REDES DE DRENAGEM A PARTIR DE MODELOS DIGITAIS DE ELEVAÇÃO

• Main Authors: Darcy Carolina Jiménez Fernández, Márcio de Morisson Valeriano, Hiran Zani, Clódis de Oliveira Andrades Filho
• Format: Article
• Language: English
• Published: Universidade Federal de Uberlândia 2013-01-01
• Series: Revista Brasileira de Cartografia
• Online Access: http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/43808

O objetivo desta pesquisa foi estudar a interação das variáveis envolvidas no processo de extração automática de redes de drenagem a partir de modelos digitais de elevação (MDE). Para isto, foram usados os MDE de duas microbacias, de relevo de colinas convexas (Estado de São Paulo) e de depósitos aluviais de relevo plano e baixa amplitude (Estado de Rondônia), com dados do Banco Geomorfométrico do Brasil, Topodata, que advém do refinamento de dados SRTM. A extração automática foi feita utilizando o aplicativo SAGA GIS, que contém diversas opções de algoritmos para o cálculo da área de captação, variável que constitui o critério comum para iniciar o traçado automático das redes de drenagem. Os algoritmos aplicados foram D8, Dinf e DEMON. As redes geradas com estas metodologias mostraram-se correspondentes às redes usadas como referência em escalas relativamente generalizadas, o que sustenta a necessidade de edições posteriores baseadas na interpretação do próprio MDE e outras fontes de dados. Os resultados mostraram que estes algoritmos apresentam diferentes relações entre as características geomorfométricas da área analisada e os resultados de área de captação. Independente das diferenças nas áreas de captação calculadas, as linhas de drenagem resultantes foram muito semelhantes. Os resultados na área de relevo plano, originalmente menos correlacionados aos dados de controle, apresentaram uma expressiva melhora quando o MDE do Topodata foi preparado com filtragem média (3x3) previamente à extração automática. Entre as conclusões, ressalta-se que as características geomorfométricas da microbacia de interesse afetam distintamente o desempenho dos algoritmos de acordo com seu funcionamento, e, portanto, devem ser consideradas na escolha destes recursos.