Mapeamento granulométrico do solo via imagens de satélite e atributos de relevo

• Main Author: Caio Troula Fongaro
• Other Authors: Jose Alexandre Melo Dematte
• Language: Portuguese
• Published: Universidade de São Paulo 2016
• Subjects: Mapa de solos; Quantificação; Sensoriamento remoto; Quantification; Remote sensing; Soil mapping
• Online Access: http://www.teses.usp.br/teses/disponiveis/11/11140/tde-09032016-133136/

O planeta terra tem grande dimensão, e seus recursos naturais precisam ser mapeados e conhecidos para nortear políticas públicas. O solo é um destes importantes recursos. O seu conhecimento passa pela caracterização e mapeamento pedológico e/ou de seus atributos. Para o adequado monitoramento, é necessário o conhecimento em escala detalhadas. Isto demanda recursos humanos, altos custos financeiros e de logística. Fato este ainda difícil de se atingir. Logo, é preciso investir em tecnologias que auxiliem na rápida obtenção de informações de qualidade, à baixo custo. Tendo em vista as áreas agrícolas da região de estudo, os objetivos deste trabalho foram: (i) definir uma metodologia que identifique em imagens de satélite, locais de o solo exposto; (ii) Mapear os teores granulométricos através de imagens de satélite e atributos do relevo, utilizou-se das imagens compostas do tópico (i). A área de estudo localiza-se na região de Araraquara, São Paulo, Brasil, com dimensão de 14.614 km2. Dentro desta área foram demarcados 952 pontos para coleta de amostras de terra na camada superficial, as quais foram georreferenciadas e analisadas granulometricamente em laboratório. Sua demarcação seguiu os preceitos do método da topossequência com o intuito de representar a variabilidade da região. Foram obtidas imagens do satélite Landsat 5 (sensor TM) multitemporais as quais foram processadas e transformadas em reflectância. As amostras de terra coletadas em campo passaram por sensor em laboratório (400-2500 nm), os espectros laboratoriais foram utilizados para validar aqueles obtidos nas imagens de satélite. Para tanto, nos locais onde foram coletadas as amostras, foram extraídos os dados espectrais dos pixels perfazendo os gráficos das curvas espectrais. Estas foram comparadas com os dados de obtidos em laboratório simulados. Feita a correlação, as imagens passaram por processos de eliminação de objetos que não fossem solo. Todas as imagens multitemporais foram finalizadas contendo apenas solo exposto, as quais dentro do software R foram sobrepostas e gerou-se uma imagem composta, com apenas solo exposto. Os resultados mostraram que as curvas espectrais de laboratório foram extremamente semelhantes aos das imagens de satélite, seguindo a lógica das variações texturais. Além disso, as técnicas de componentes principais e relação entre bandas 3-4, 5-7, e correlação entre bandas (sendo a mais expressiva com r de 0,87 entre TM7), comprovaram que a imagem apresentou solo exposto. Se um usuário utilizar-se somente uma imagem para estudar solos, teria na faixa de 4% de solo exposto, porém utilizando a técnica de composição de imagens, atingiria 43%. Não obstante, se a área de estudo fosse 100 % com agricultura poderia atingir 95% de solo exposto. Num segundo momento, o trabalho comprova, com o modelo Cubist, que tanto por imagens de satélite quanto por relevo foi possível quantificar os teores de argila da área da camada superficial, atingindo R2 de ≈0,65. No entanto, a qualidade visual do mapa gerado por relevo é ruim. Porém, quando se integra dados de imagens, relevo e geomorfologia, este resultado é de 0,72 e apresenta o melhor resultado visual. === Planet Earth has great dimension, and its natural resources has to be mapped and monitored, looking towards correct decisions. Soil is one of these important resources. Know soils is related with its caracterization and mapping by pedological and attributes recognition. For soil monitoring, its necessary maps in large scale, which demand man power and high cost. Thus, its necessary to invest in geotechnologies, to reach the goal faster and low cost. The objective of this work was to determine a method to determine exposed soils in satellite images, even when have vegetation, taking in account a multitemporal dataset, in agricultural areas, where as in a given season will have exposed soils. b. quantify clay and sand contents by satellite images and relief attributes. The area is located in Araraquara, SP, Brazil, with a 14.614 km2 dimension. We collected soil samples all over the area with a total of 952 points and 0-20 cm depth, georeferenced, representative of the area. Samples were granulometric analysed and afterwards passed throgh a vis-nir-swir sensor (400-2500 nm). We collected multitemporal images from landsat satellite from september and october n the last 15 years. Images were atmospheric corrected and transformed into reflectance. Laboratory spectral data was used to validate pixels spectra information from satellite. We extracted all objects which were not soils from all images. Using R software, we merged the multitemporal images and performed a unique bare soil image. Also, we made processing on the DEM of the área reaching several soil attribute factors. Results indicated as follows: a. labortory spectral curves validated satellite data; b) principal componentes and relation between bands ¾ and 5/7 reached great R2 until 0,87 between laboratory and satellite data; d) a user could reach 1,21% of na image with bare soil, while with our method could reach 43% in the entire image. On the other hand, if the user have only agriculture area, could reach until 95% with bare soil. In a second step of this work, we prove that by regression tree statistics, clay and sand content can be quantified by satellite images with a 0,62 of R2, as also with terrain atributes. On the other hand, when we associate image spectral data with terrain atributes, we can reach 0,72 on clay quantification. Despite this, the visual aspecto of data, is better using image data than relief , which presented more noise. Another conclusion, is that images could substitute geology information in the models. This work can considerably assist pedologists, farmers and environment professionals on soil monitoring.