Utilização de dados MERIS e in situ para a caracterização bio óptica ...
Transcript of Utilização de dados MERIS e in situ para a caracterização bio óptica ...
INPE-16714-TDI/1652
UTILIZACAO DE DADOS MERIS E IN SITU PARA A
CARACTERIZACAO BIO-OPTICA DO RESERVATORIO
DE ITUMBIARA, GO
Renata Fernandes Figueira Nascimento
Dissertacao de Mestrado do Curso de Pos-Graduacao em Sensoriamento Remoto,
orientada pelos Drs. Jose Luis Stech, e Milton Kampel, aprovada em 07 de abril de
2010.
URL do documento original:
<http://urlib.net/sid.inpe.br/mtc-m19@80/2010/03.15.18.39>
INPE
Sao Jose dos Campos
2010
PUBLICADO POR:
Instituto Nacional de Pesquisas Espaciais - INPE
Gabinete do Diretor (GB)
Servico de Informacao e Documentacao (SID)
Caixa Postal 515 - CEP 12.245-970
Sao Jose dos Campos - SP - Brasil
Tel.:(012) 3208-6923/6921
Fax: (012) 3208-6919
E-mail: [email protected]
CONSELHO DE EDITORACAO E PRESERVACAO DA PRODUCAO
INTELECTUAL DO INPE (RE/DIR-204):
Presidente:
Dr. Gerald Jean Francis Banon - Coordenacao Observacao da Terra (OBT)
Membros:
Dra Inez Staciarini Batista - Coordenacao Ciencias Espaciais e Atmosfericas (CEA)
Dra Maria do Carmo de Andrade Nono - Conselho de Pos-Graduacao
Dra Regina Celia dos Santos Alvala - Centro de Ciencia do Sistema Terrestre (CST)
Marciana Leite Ribeiro - Servico de Informacao e Documentacao (SID)
Dr. Ralf Gielow - Centro de Previsao de Tempo e Estudos Climaticos (CPT)
Dr. Wilson Yamaguti - Coordenacao Engenharia e Tecnologia Espacial (ETE)
Dr. Horacio Hideki Yanasse - Centro de Tecnologias Especiais (CTE)
BIBLIOTECA DIGITAL:
Dr. Gerald Jean Francis Banon - Coordenacao de Observacao da Terra (OBT)
Marciana Leite Ribeiro - Servico de Informacao e Documentacao (SID)
Deicy Farabello - Centro de Previsao de Tempo e Estudos Climaticos (CPT)
REVISAO E NORMALIZACAO DOCUMENTRIA:
Marciana Leite Ribeiro - Servico de Informacao e Documentacao (SID)
Yolanda Ribeiro da Silva Souza - Servico de Informacao e Documentacao (SID)
EDITORACAO ELETRONICA:
Viveca Sant´Ana Lemos - Servico de Informacao e Documentacao (SID)
INPE-16714-TDI/1652
UTILIZACAO DE DADOS MERIS E IN SITU PARA A
CARACTERIZACAO BIO-OPTICA DO RESERVATORIO
DE ITUMBIARA, GO
Renata Fernandes Figueira Nascimento
Dissertacao de Mestrado do Curso de Pos-Graduacao em Sensoriamento Remoto,
orientada pelos Drs. Jose Luis Stech, e Milton Kampel, aprovada em 07 de abril de
2010.
URL do documento original:
<http://urlib.net/sid.inpe.br/mtc-m19@80/2010/03.15.18.39>
INPE
Sao Jose dos Campos
2010
Dados Internacionais de Catalogacao na Publicacao (CIP)
Nascimento, Renata Fernandes Figueira.N17u Utilizacao de dados MERIS e in situ para a caracterizacao
bio-optica do reservatorio de Itumbiara, GO / Renata FernandesFigueira Nascimento. – Sao Jose dos Campos : INPE, 2010.
xxii + 91 p. ; (INPE-16714-TDI/1652)
Dissertacao (Mestrado em Sensoriamento Remoto) – InstitutoNacional de Pesquisas Espaciais, Sao Jose dos Campos, 2010.
Orientadores : Drs. Jose Luis Stech, e Milton Kampel.
1. Reservatorio. 2. Caracterizacao bio-optica. 3. MERIS.4. Propriedades opticas inerentes. 5. Qualidade da agua. 6. Itum-biara (GO). I.Tıtulo.
CDU 528.81 (817.3)
Copyright c© 2010 do MCT/INPE. Nenhuma parte desta publicacao pode ser reproduzida, arma-zenada em um sistema de recuperacao, ou transmitida sob qualquer forma ou por qualquer meio,eletronico, mecanico, fotografico, reprografico, de microfilmagem ou outros, sem a permissao es-crita do INPE, com excecao de qualquer material fornecido especificamente com o proposito de serentrado e executado num sistema computacional, para o uso exclusivo do leitor da obra.
Copyright c© 2010 by MCT/INPE. No part of this publication may be reproduced, stored in aretrieval system, or transmitted in any form or by any means, electronic, mechanical, photocopying,recording, microfilming, or otherwise, without written permission from INPE, with the exceptionof any material supplied specifically for the purpose of being entered and executed on a computersystem, for exclusive use of the reader of the work.
ii
iv
v
“Espere o melhor, prepare-se para o pior e receba o que vier”.
Provérbio chinês
vi
vii
AGRADECIMENTOS
Agradeço aos meus orientadores, Dr. José Luiz Stech e Dr. Milton Kampel, pela
orientação, paciência, ajuda e incentivo na realização deste mestrado.
Ao colega, e agora amigo Enner Alcântara por toda paciência e ajuda nesses dois anos.
Ao Dr. Arcilan Assireu, ao Joaquim e ao João Felipe pela ajuda nas saídas de campo.
Ao pessoal do Instituto Oceanográfico (IO) da USP pelo empréstimo dos materiais e do
laboratório para as análises, principalmente Dr. Salvador Gaeta e Msc. Eduardo
Miranda. Um especial agradecimento à Msc. Maysa Pompeu, que acabou se tornando
uma grande amiga e companheira.
Ao Frederico Rudorff, Aline Matos, Cláudio Barbosa, Gustavo Molleri, Bárbara
Giaccom, Amábile Ferreira, Denílson Viana, Bernard Barbarisi e Elizabete Caria
Moraes por toda ajuda.
Aos meus amigos aqui do INPE por me darem força e incentivo nos momentos difíceis,
e descontração nos momentos alegres. As minhas amigas “osso” que sempre me
animaram, mostrando que a vida só nos dá o que conseguimos agüentar.
A minha família, pai, mãe e irmãs, por sempre acreditarem em mim, e nunca me
deixarem desistir. Ao meu namorado Renan pela ajuda, paciência e carinho.
A todas as pessoas que acreditaram em mim e torceram por mim. Muito Obrigada!
viii
ix
RESUMO
O sensoriamento remoto de sistemas aquáticos envolve análises das variações da magnitude e qualidade da radiação que deixa a água para se obter informação sobre o tipo de substâncias presentes no corpo de água e suas respectivas concentrações. Essas substâncias apresentam comportamentos espectrais diferentes, interferindo assim de maneira diversa nas propriedades ópticas da água. As três principais substâncias reconhecidas são fitoplâncton, material em suspensão e matéria orgânica dissolvida. As alterações no espectro da água são decorrentes do efeito que essas substâncias têm sobre suas propriedades ópticas inerentes, absorvendo ou espalhando seletivamente a radiação eletromagnética. Assim, o objetivo principal desta dissertação é a caracterização bio-óptica da água do reservatório de Itumbiara - GO, a partir de dados orbitais do sensor Medium Resolution Imaging Spectrometer (MERIS), dados in situ e a utilização de modelos bio-ópticos desenvolvidos pela European Space Agency (ESA). Para alcançar este objetivo, métodos de análise como krigeagem ordinária, classificação por k-médias, análise derivativa e modelo linear de mistura foram aplicados no conjunto de dados. As estimativas de parâmetros geofísicos tais como a concentração de clorofila e totais de sólidos em suspensão, obtidos a partir de dados orbitais foram comparados com estimativas in situ. A análise conjunta dos dados limnológicos e espectrais mostrou uma compartimentação do reservatório na época de cheia (maio de 2009) em duas regiões distintas, sendo uma composta pelo corpo principal do reservatório e a outra, por uma região sob influência do rio Corumbá. No período de seca (setembro de 2009), a análise integrada dos dados mostrou o reservatório mais homogêneo. Entre os processadores de dados MERIS testados, o que mostrou melhor desempenho em relação a estimativas in situ, foi o Case 2 Regional (C2R), para os dados coletados no período de cheia. A medição e utilização de dados de propriedades ópticas inerentes da água de reservatórios no Brasil, ainda não são muito difundidas, apesar de serem amplamente realizadas em águas oceânicas e costeiras. Similarmente, dados do sensor MERIS não tem sido utilizados para a caracterização de águas interiores no país. Desta forma, este trabalho se apresenta como uma contribuição à utilização desses dados MERIS e de propriedades ópticas inerentes em águas interiores, esperando, assim, auxiliar e colaborar com trabalhos futuros.
x
xi
BIO-OPTICAL CHARACTERIZATION OF THE ITUMBIARA RESE RVOIR,
IN GOIÁS STATE, BRAZIL, USING MERIS AND IN SITU DATA
ABSTRACT
Remote sensing involves analyses of the variations in magnitude and spectral quality of the water-leaving radiation to derive quantitative information on the type of substances present in the water and their concentrations. Three main components, in addition to pure water itself, influence the optical properties of natural bodies of water. They are phytoplankton, suspended material and dissolved organic substances. The observed color of a water body becomes a direct consequence of the interaction of incident light field with water and these components. The inherent optical properties of relevance in this context are the absorption and the scattering coefficients. The main goal of this work is the bio-optical characterization of the Itumbiara reservoir, located in the State of Goias, Brazil. In situ data, Medium Resolution Imaging Spectrometer (MERIS) images and bio-optical models were analyzed by different methods like ordinary krigeage, k-means classification, derivative analysis and spectral unmixing. Integrated spectral and limnological data showed a partitioning of the reservoir in two different areas at high water level (May 2009): the Corumbá river arm and the main water body. At low water level (September 2009), the reservoir was more homogeneous. MERIS satellite estimates of chlorophyll-a concentration and suspended matter concentration were compared with in situ data. The Regional Case 2 Water (C2R) processor presented the best fit for the data set of May at high water level. The measurement and use of inherent optical properties and the application of MERIS images for inland studies in Brazil is still very new. Therefore, this work could represent a contribution and an initial reference for future similar works.
xii
xiii
LISTA DE FIGURAS
Pág. Figura 2.1 – As diferentes origens da radiação recebida por um sensor sobre um
corpo de água. ...........................................................................................10 Figura 2.2 – Comportamento espectral da água pura. .................................................12 Figura 2. 3 – Comportamento espectral do fitoplâncton, sedimentos em suspensão,
matéria orgânica dissolvida e água. ..........................................................14 Figura 3.1 – (a) e (b) Localização do reservatório de Itumbiara; (c) composição
colorida R(708)G(620)B(490) da imagem MERIS do dia 23/05/2009. ...20 Figura 3.2 – Mapa de batimetria do Reservatório de Itumbiara. Fonte: Alcântara et
al. (2009). ..................................................................................................21 Figura 3.3 – Média mensal (1993-2005) da cota do reservatório de Itumbiara. ............21 Figura 3.4 – Média do acumulado mensal (1993-2007) da precipitação (mm) e
temperatura do ar (oC)...............................................................................22 Figura 3.5 – Mapa do uso do solo na bacia hidrográfica do reservatório de Itumbiara,
obtido a partir da classificação digital de imagens CBERS-2B (158/120 e 158/121) de 02/09/2007. ........................................................................23
Figura 3.6 – Stick plot da velocidade do vento e modulo da intensidade do vento coletado pela bóia SIMA nos dias 12 e 13 de maio de 2009. ...................24
Figura 3.7 – Stick plot da velocidade do vento e modulo da intensidade do vento coletados pela bóia SIMA nos dias 09, 10 e 11 de setembro de 2009......25
Figura 3.8 – Distribuição dos pontos amostrais das duas campanhas de campo realizadas em maio e setembro de 2009. ..................................................27
Figura 3.9 – Fluxograma dos métodos de análise aplicados aos dados coletados em campo........................................................................................................34
Figura 3.10 – Fluxograma dos métodos de análise aplicados aos dados de satélite.......34 Figura 4.1 - Espectros de absorção dos componentes opticamente ativos no
reservatório de Itumbiara, para os meses de maio e setembro de 2009....46 Figura 4.2 – Espectros de Rrs obtidas em campo nos meses de maio e setembro de
2009. .........................................................................................................47 Figura 4.3 – Esepctros de reflectância representativos de águas costeiras do Caso II
nas proximidades de Cingapura, com baixas concentrações de clorofila (<3 µg/L) e total de sólidos em suspensão (<10 mg/L). ..........................48
Figura 4.4 – Localização dos pontos de coleta de dados radiométricos no mês de maio. .........................................................................................................49
Figura 4.5 - Comparação entre as Rrs simuladas para as bandas do sensor MERIS (IN SITU) e as obtidas pela aplicação dos processadores (C2R; BOR – Boreal; EUL – Eutrophic) para o mês de maio.........................................50
Figura 4.6 – Localização dos pontos de coleta de dados radiométricos no mês de setembro....................................................................................................51
xiv
Figura 4.7 - Comparação entre as Rrs simuladas para as bandas do sensor MERIS (IN SITU) e as obtidas pela aplicação dos processadores (C2R; BOR – Boreal; EUL - Eutrophic) para o mês de setembro...................................51
Figura 4.8 – Perfis de temperatura em (a) maio e (b) setembro. Curvas destacadas representam os pontos amostrais localizados nos rios Corumbá e Paranaíba...................................................................................................54
Figura 4.9 – Perfis de concentração de clorofila em a) maio e b) setembro. .................55 Figura 4.10 – Perfis de coeficiente de retro-espalhamento do material particulado
(Bbp) em a) maio e b) setembro ...............................................................55 Figura 4.11 – Diagrama ternário indicando a importância relativa de cada
componente opticamente ativo. Círculos pretos indicam dados do mês de maio, e quadrados vermelhos indicam dados do mês de setembro......56
Figura 4.12 – Krigeagem ordinária aplicada aos dados de concentração de clorofila (mg/L) em a) maio e b) setembro. ...........................................................57
Figura 4.13 – Krigeagem ordinária aplicada aos dados de concentração de total de sólidos em suspensão (mg/L) para a) maio e b) setembro........................58
Figura 4.14 – Krigeagem ordinária aplicada aos dados de turbidez (NTU) para a) maio e b) setembro....................................................................................58
Figura 4.15 – Krigeagem ordinária aplicada aos dados de concentração de carbono total dissolvido (mg/L), carbono orgânico dissolvido (COD) e carbono inorgânico dissolvido (CID) para maio e setembro. .................................59
Figura 4.16 – Krigeagem ordinária aplicada aos dados de temperatura (oC) da superfície da água para a) maio e b) setembro..........................................60
Figura 4.17 – Krigeagem ordinária aplicada aos dados de pH coletados em a) maio e b) setembro. ..............................................................................................60
Figura 4.18 – Krigeagem ordinária aplicada aos dados de absorção do fitoplâncton, CDOM, e detritos em 440 nm, para maio e setembro. .............................61
Figura 4.19 – Krigeagem ordinária aplicada aos dados de absorção do fitoplâncton em 665 nm, para maio e setembro. ...........................................................61
Figura 4.20 – Krigeagem ordinária aplicada aos dados de Bbp (470 nm), em 1 m para a) maio e b) setembro........................................................................62
Figura 4.21 – Krigeagem ordinária aplicada aos dados de concentração de clorofila coletados em maio. ...................................................................................63
Figura 4.22 – Krigeagem ordinária aplicada aos dados de concentração de clorofila coletados em setembro..............................................................................63
Figura 4.23 – Primeira derivada dos espectros de Rrs coletados em maio, com filtro de média móvel de 7 pontos. ....................................................................64
Figura 4.24 – Regressão linear entre a primeira derivada em 595 nm e log10 (chl-a)...65 Figura 4.25 – Segunda derivada dos espectros de Rrs coletados em maio, com filtro
de média móvel de 7 pontos. ....................................................................65 Figura 4.26 – Primeira derivada aplicada aos dados de Rrs coletados em setembro,
com filtro de média móvel de 7 pontos.....................................................66 Figura 4.27 – Regressão linear entre a primeira derivada em 595 nm e log10 (Chl-a)..66 Figura 4.28 – Segunda derivada aplicada aos dados de Rrs coletados em setembro,
com filtro de média móvel de 7 pontos.....................................................67
xv
Figura 4.29 – Classificação das imagens MERIS e MODIS pelo algoritmo k-médias, para maio e setembro. ...............................................................................67
Figura 4.30 – Resultado da aplicação do algoritmo K-médias para os dados de Rrs obtidos em campo em a) maio e b) setembro. ..........................................69
Figura 4.31 – Mapas de abundância dos COAs em maio...............................................70 Figura 4.32 – Mapas de abundância do COAs em setembro. ........................................71 Figura 4.33 – Composição RGB (R (sedimentos) G (clorofila) B (matéria orgânica))
dos mapas de abundância de maio (a) e setembro (b)..............................72 Figura 4.34 – Relação entre concentração de chl-a medida in situ e a (a) estimada
pelo algoritmo de 3 bandas, (b) estimada pelo modelo de 2 bandas, (c) estimada pelo algoritmo de Härma et al. (2001) para dados do processador C2R para a coleta de maio. ...................................................75
Figura 4.35 – Relação entre concentração de chl-a medida in situ e a (a) estimada pelo algoritmo de 3 bandas, (b) estimada pelo modelo de 2 bandas para dados do Fieldspec para coleta de maio. ..................................................75
Figura 4.36 – Relação entre concentração de TSS in situ e a estimada pelo algoritmo R510/R681 (a) e entre turbidez in situ e a estimada pelo algoritmo R620*R681/R510 (b) para dados de Rrs do Fieldspec para coleta de maio. .........................................................................................................76
Figura 4.37 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de clorofila nos dois períodos de coleta.........................................................77
Figura 4.38 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de absorção dos detritos em 440 nm, nos dois períodos de coleta. ...............78
Figura 4.39 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de total de sólidos em suspensão, nos dois períodos de coleta......................78
Figura 4.40 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de absorção do cdom em 440 nm, nos dois períodos de coleta. ....................79
Figura 4.41 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de temperatura, nos dois períodos de coleta. .................................................79
Figura 4.42 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de absorção do fitoplâncton em 440 nm, nos dois períodos de coleta...........80
xvi
xvii
LISTA DE TABELAS
Pág. Tabela 2.1 - Aplicações bandas MERIS......................................................................... 17 Tabela 4.1 - Descrição dos dados coletados durante a saída de campo de maio de 2009.
................................................................................................................................ 45 Tabela 4.2 - Descrição dos dados coletados durante a saída de campo de setembro de
2009. ....................................................................................................................... 45
xviii
xix
LISTA DE SIGLAS E ABREVIATURAS
BEAM Basic ENVISAT Toolbox for AATSR and MERIS CETESB Companhia Ambiental do Estado de São Paulo CDOM Matéria Orgânica Colorida Dissolvida CID Carbono Inorgânico Dissolvido COD Carbono Orgânico Dissolvido COAs Componentes Opticamente Ativos ENVISAT Environmental Satellite ESA European Space Agency FAO Food and Agriculture Organization of the United Nations FURNAS Furnas Centrais Elétricas S.A. IET Índice de Estado Trófico INMET Instituto Nacional de Meteorologia Kd Coeficiente de atenuação difusa da irradiância descendente MODIS Moderate Resolution Imaging Spectroradiometer MERIS Medium Resolution Imaging Spectrometer POAs Propriedades Ópticas Aparentes POIs Propriedades Ópticas Inerentes Rrs Reflectância de Sensoriamento Remoto SeaWIFS Sea-viewing Wide Field-of-view Sensor TSS Total de sólidos em suspensão UHE Usina Hidrelétrica
xx
xxi
SUMÁRIO
Pág. 1 INTRODUÇÃO........................................................................................................1
1.1 Objetivo ......................................................................................................3
2 FUNDAMENTAÇÃO TEÓRICA ...........................................................................5
2.1. Abordagem limnológica .............................................................................5
2.1.1. Parâmetros limnológicos ............................................................................5
2.1.2. Reservatórios ..............................................................................................7
2.2. Sensoriamento remoto em sistemas aquáticos............................................9
2.3. Propriedades ópticas aparentes e inerentes.................................................12
2.4. Componentes opticamente ativos ...............................................................13
2.5. Modelos bio-ópticos ...................................................................................15
2.6. Sensor MERIS ............................................................................................16
3 MATERIAIS E MÉTODOS ....................................................................................19
3.1. Área de estudo ............................................................................................19
3.1.1. Caracterização meteorológica dos períodos de coleta ................................24
3.2. Materiais .....................................................................................................26
3.2.1. Amostragem................................................................................................26
3.2.2. Variáveis limnológicas ...............................................................................27
3.2.3. Propriedades ópticas inerentes....................................................................28
3.2.4. Dados radiométricos ...................................................................................30
3.2.5. Dados de Sensoriamento remoto ................................................................31
3.2.6. Processadores utilizados .............................................................................32
3.3. Métodos ......................................................................................................33
3.3.1. Análise espacial ..........................................................................................35
3.3.2. Análise da contribuição relativa dos COAs................................................36
3.3.3. Análise derivativa dos espectros.................................................................37
3.3.4. Classificação dos dados ..............................................................................39
3.3.5. Análise de variância....................................................................................40
3.3.6. Análise de regressão linear .........................................................................41
xxii
3.3.7. Modelo de mistura ......................................................................................42
4 RESULTADOS E DISCUSSÃO .............................................................................45
4.1. Caracterização limnológica do reservatório de Itumbiara ..........................45
4.2. Dados de Sensoriamento Remoto...............................................................47
4.3. Análise da contribuição relativa dos COAs................................................56
4.4. Análise espacial ..........................................................................................57
4.5. Análise derivativa .......................................................................................64
4.6. Classificação dos dados ..............................................................................67
4.7. Modelo de mistura ......................................................................................69
4.8. Análise de regressão linear .........................................................................73
4.9. Análise de variância....................................................................................77
5 CONCLUSÃO..........................................................................................................81
6 REFERÊNCIAS BIBLIOGRÁFICAS.....................................................................83
1
1 INTRODUÇÃO
A água é essencial à vida e, portanto, todos os organismos vivos, incluindo o homem,
dependem dela para sua sobrevivência. Sem água de qualidade adequada, o
desenvolvimento sócio-econômico e a qualidade de vida da população ficam
comprometidos. Os usos múltiplos excessivos e as retiradas permanentes para diversas
finalidades têm diminuído consideravelmente a disponibilidade de água e produzindo
inúmeros problemas de escassez em muitas regiões e países (TUNDISI, 2005).
Um dos usos múltiplos da água é na produção de hidroeletricidade, que, no caso do
Brasil, supre cerca de 85% da energia necessária ao país (TUNDISI, 2005). Os
reservatórios hidrelétricos apresentam um número grande de benefícios sócio-
econômicos como, por exemplo, produção de energia, atividades recreativas e
esportivas, pesca comercial, controle de inundações e suprimento de água. A
degradação deste sistema aquático e da qualidade da água pode causar uma série de
impactos ambientais. A qualidade da água se refere às suas propriedades físicas,
químicas e biológicas. Essa qualidade pode ser degradada pela presença de detritos,
nutrientes, microorganismos, pesticidas, metais pesados e sedimentos (LIU et al., 2003),
causando assim diversos problemas.
Normalmente, no entorno de um reservatório, existem áreas agrícolas responsáveis pela
entrada de nutrientes que escoam para o corpo d’água, com conseqüente impacto na
qualidade da água. Um exemplo é o caso do reservatório hidrelétrico de Itumbiara,
localizado na divisa dos estados de Minas Gerais e Goiás. O uso e ocupação do solo
nesta região são constituídos principalmente pela pecuária e agricultura, sendo estas
atividades realizadas praticamente até junto à margem do corpo d’água, sem que haja
proteção por vegetação mais densa (NASCIMENTO et al., 2009). Este padrão aumenta
o aporte de certas substâncias na água, como sedimentos e matéria orgânica dissolvida,
interferindo assim, nas propriedades ópticas do sistema aquático.
O sensoriamento remoto é uma ferramenta importante para o monitoramento desses
ambientes aquáticos, pois proporciona uma visão sinótica sobre grandes áreas e seu
2
entorno de influência (ATKINSON, 1991; LIU et al., 2003; BARBOSA, 2005;
ALCÂNTARA, 2006; NOVO et al., 2006). Os métodos de coleta in situ, além de
consumirem muito tempo e serem relativamente caros, falham freqüentemente em
delimitar adequadamente áreas heterogêneas e desiguais (KHORRAM et al., 1991).
Quando aplicado a sistemas aquáticos, o sensoriamento remoto procura estudar as
variações na magnitude e qualidade espectral da radiação emergente da água para
derivar informações quantitativas sobre o tipo de substâncias presentes em seu volume e
suas concentrações, baseadas nas propriedades ópticas do meio, e dos processos ópticos
que ali ocorrem. O resultado das combinações dos tipos e quantidades das substâncias
opticamente ativas presentes na água define a sua caracterização bio-óptica. Os
principais componentes, ou substâncias, opticamente ativos são, basicamente, o
fitoplâncton, a matéria orgânica dissolvida (CDOM) e o material inorgânico em
suspensão (IOCCG, 2000). Esses componentes alteram a resposta espectral da água de
forma diferenciada, pois apresentam comportamento espectral característico, além de
interferirem nas propriedades ópticas inerentes (POIs). Estas são independentes das
variações na distribuição angular do campo de luz incidente e são determinadas apenas
pelo tipo e concentração dos componentes presentes no meio. A relação entre esses
componentes e os espectros de reflectância pode ser descrita por modelos bio-ópticos.
Porém, ainda existem limitações tecnológicas e metodológicas que restringem a
obtenção de medidas com precisão satisfatória para águas opticamente complexas
continentais e costeiras (ARST, 2003). As limitações tecnológicas estão relacionadas às
características dos instrumentos em termos de resoluções espaciais, espectrais,
temporais e radiométricas e relação sinal-ruído. As dificuldades metodológicas estão
principalmente relacionadas à questão de como isolar a componente da reflectância da
água, que traz a informação sobre os componentes opticamente ativos da água (COAS),
dos demais fluxos de radiação detectados pelos sensores.
Grande parte dos estudos pretéritos fez uso de imagens Landsat (KHORRAM;
CHESHIRE, 1985; VERDIN, 1985; JENSEN et al., 1989; BRIVIO et al. 2001;
3
KLOIBER et al. 2002). Porém a desvantagem do satélite Landsat é a falta de bandas na
freqüência para detecção de clorofila-a em águas do Caso II (DEKKER et al., 2001),
isto é, águas influenciadas não só pelo fitoplâncton, mas também por outros COAs, que
variam independentemente, como o material inorgânico particulado e CDOM (MOREL;
PRIEUR, 1977; GORDON; MOREL, 1983; SATHYENDRANATH; MOREL, 1983).
A utilização de diferentes sensores com diferentes resoluções espacial, temporal e
espectral é de grande importância para o aperfeiçoamento da detecção de substâncias
presentes na água e no entendimento sobre suas respectivas influências sobre as
propriedades ópticas do corpo de água. Um sensor de interesse, dentre os atualmente
disponíveis é o Medium Resolution Imaging Spectrometer (MERIS), que apresenta 15
bandas espectrais compreendendo as faixas do visível ao infravermelho próximo, entre
390 e 1040 nm. Uma vantagem do MERIS em relação a outros sensores é possuir uma
melhor resolução espectral (1,8 nm), além das 15 bandas espectrais serem programáveis
em largura e posição, dependendo da aplicação desejada. Vários estudos internacionais
já utilizaram esse sensor na avaliação dos componentes da água e também das
propriedades ópticas inerentes (POIs) (ALIKAS; REINART, 2008; GONS et al., 2008;
KRATZER et al., 2008, entre outros). Diversos estudos também comparam o
desempenho do MERIS com o sensor Moderate Resolution Imaging Spectroradiometer
(MODIS), podendo-se citar entre outros, Moses et al. (2009a), que utilizaram dados
destes sensores para estimar a concentração de clorofila-a em reservatórios. Porém,
poucos estudos utilizando dados MERIS foram realizados em sistemas aquáticos
continentais brasileiros.
1.1 Objetivo
O objetivo principal deste trabalho é a caracterização bio-óptica da água do reservatório
de Itumbiara, a partir de dados orbitais do sensor MERIS e dados in situ, avaliando
assim a capacidade do sensor MERIS em diferenciar os componentes opticamente
ativos, através das propriedades bio-ópticas da água. Com a finalidade de atingir o
objetivo descrito acima, foram elaborados os seguintes objetivos específicos:
4
a) quantificar as Propriedades Ópticas Inerentes (POIs) da água do reservatório
por meio de dados limnológicos in situ e de modelos bio-ópticos para os
dados MERIS;
b) compartimentar o reservatório através de dados radiométricos e limnológicos
in situ e de satélite;
c) avaliar a variabilidade das POIs nas épocas de cheia e vazante do ciclo
hidrológico do reservatório.
5
2 FUNDAMENTAÇÃO TEÓRICA
2.1. Abordagem limnológica
Várias são as definições de limnologia: Forel (1982) a definiu como oceanografia dos
lagos; Lind (1979), como a ecologia aquática; Margalef (1983), como a ecologia das
águas não marinhas. A oceanografia e a limnologia abordam problemas e processos
paralelos, já que o objeto de estudo é a água, mas apresentam algumas características
diferentes. Os oceanos são mais antigos e contínuos em espaço, permitindo que espécies
de animais e vegetais estejam distribuídas mais amplamente. Já as águas interiores são
descontínuas no espaço, distribuindo-se irregularmente no interior dos continentes.
Dependem de processos diferenciados de colonização e, portanto, a diversidade e
distribuição da fauna e flora são mais limitadas e menores (TUNDISI; MATSUMURA
TUNDISI, 2008).
Os estudos limnológicos são fundamentais para a implantação de medidas de
planejamento e gerenciamento de recursos hídricos, pois abrangem uma integração dos
componentes biológicos, físicos e químicos, além dos movimentos da água e mudanças
biogeoquímicas dos ecossistemas aquáticos continentais, e ainda um melhor
acompanhamento de ações de conservação e recuperação. A pesquisa limnológica inclui
o trabalho analítico no campo e no laboratório, abrangendo o estudo de lagos de água
doce e salinos no interior dos continentes, rios, estuários, represas, áreas alagadas,
pântanos e todas as interações físicas, químicas e biológicas desses sistemas. Junto com
pesquisas geológicas, geomorfológicas, climatológicas, e dos organismos das áreas
adjacentes, é de fundamental importância para a compreensão dos processos que
ocorrem nos ecossistemas aquáticos (ESTEVES, 1988; WETZEL, 2001; TUNDISI;
MATSUMURA TUNDISI, 2008).
2.1.1. Parâmetros limnológicos
Para estudos de corpos d’água interiores alguns parâmetros são analisados para se obter
uma melhor caracterização desses ecossistemas e seus processos. Esses parâmetros
podem ser físicos, químicos e biológicos. Entre os parâmetros físicos destacam-se a luz,
temperatura e turbidez. Entre os químicos estão a concentração de oxigênio dissolvido,
salinidade, pH, alcalinidade, fosfato e nitrato. Os biológicos englobam as comunidades
6
de organismos existentes no corpo d’água e seus processos de interação entre si. Dentre
os parâmetros limnológicos mais importantes estão a concentração de clorofila,
concentração de oxigênio dissolvido, de carbono dissolvido, de material em suspensão,
pH, turbidez e temperatura. A clorofila é o pigmento mais comum nos diferentes
gêneros de fitoplâncton e sua concentração é utilizada como medida de biomassa
fitoplanctônica (KIRK, 1983).
Dentre os gases dissolvidos na água, o oxigênio é um dos mais importantes na dinâmica
e caracterização de ecossistemas aquáticos, sendo essencial ao metabolismo de todos os
organismos aquáticos aeróbicos. Sua solubilidade é afetada não linearmente pela
temperatura, e aumenta consideravelmente em água mais frias. Além disso, a pressão
também afeta sua solubilidade, sendo que o equilíbrio entre o oxigênio da atmosfera e a
concentração de oxigênio na água depende da pressão atmosférica parcial do oxigênio.
(WETZEL, 2001). Assim, as principais fontes de oxigênio para a água são a atmosfera e
a fotossíntese, essa restrita à zona eufótica. Por outro lado, as perdas são o consumo
pela decomposição de matéria orgânica (oxidação), perdas para a atmosfera, respiração
de organismos aquáticos e oxidação de íons metálicos, como por exemplo, o ferro e o
manganês (ESTEVES, 1988).
O carbono dissolvido se divide em carbono orgânico dissolvido (COD) e carbono
inorgânico dissolvido (CID). O COD origina-se principalmente da decomposição de
plantas e animais e a partir de produtos da excreção destes organismos, e de
contribuições externas. É formado por um conjunto de compostos, como proteínas,
carboidratos, lipídios e compostos húmicos, que são tanto biológica como
quimicamente diferenciados, influenciando a dinâmica dos ecossistemas aquáticos de
várias maneiras, como por exemplo, atuando como fonte de energia para bactérias e
cianofíceas e como agente de interferência na fotossíntese de organismos (ESTEVES,
1988). Sua variabilidade em águas naturais é grande e depende de períodos de seca e
precipitação, além de processos internos em lagos e represas, como decomposição, ação
de bactérias, temperatura da água, turbulência e estratificação.
O carbono inorgânico dissolvido é o principal constituinte de águas interiores e pode
influenciar a disponibilidade de gases e nutrientes, além de servir como base para a
produção orgânica (WETZEL, 2001). O dióxido de carbono (CO2) é muito solúvel na
água, e por uma reação lenta se hidrata gerando íons de carbonato e bicarbonato, que se
7
dissociam para estabelecer um equilíbrio. Estas formas estão fundamentalmente
relacionadas com o pH do meio. O pH expressa a basicidade ou acidez de uma solução,
em termos de concentração de íon H+ (ESTEVES, 1988; WETZEL, 2001). A maioria
dos lagos apresenta valores de pH entre 6 e 9. Lagos com alta concentração de ácidos
apresentam pH entre 1 e 2 e lagos muito eutróficos e com alta concentração de carbono
podem apresentar valores de pH acima de 10. De um modo geral, o pH da água está
inter-relacionado com suas propriedades químicas, com a geoquímica da bacia
hidrográfica, além de sofrer influência de processos biológicos, tais como a fotossíntese,
a respiração e a decomposição dos organismos (TUNDISI; MATSUMURA TUNDISI,
2008).
A turbidez da água é a medida da sua capacidade de dispersar a radiação.
Quantitativamente, este fenômeno pode ser expresso em termos de coeficiente de
atenuação ou alguma unidade empírica, como a turbidez nefelométrica (NTU). Os
principais responsáveis pela turbidez da água são principalmente as partículas suspensas
(bactérias, fitoplâncton, detritos orgânicos e inorgânicos) e em menor proporção os
compostos dissolvidos (ESTEVES, 1988). Estes são responsáveis pela cor verdadeira da
água e o material em suspensão pela cor aparente, ou seja, pelo que o olho humano vê.
A cor aparente é resultado em parte da reflexão e dispersão da luz pelas partículas.
Removido o material em suspensão, diz-se que a cor é verdadeira, devido a partículas
coloidais carregadas negativamente e material dissolvido (MARGALEF, 1983).
Além disso, nos estudos limnológicos, também é importante analisar as propriedades
hidrodinâmicas como o tempo de retenção do corpo d’água, a descarga ou vazão, a
profundidade, assim como a cobertura vegetal no entorno, entre outros. Essas
propriedades podem afetar as propriedades físicas, químicas e biológicas da água.
2.1.2. Reservatórios
As represas artificiais, também chamadas de reservatórios, são ecossistemas aquáticos
de extrema importância estratégica, pois são utilizadas para diversos e variados usos que
interferem na qualidade da água, nos mecanismos de funcionamento e na sucessão de
comunidades aquáticas nos rios e bacias hidrográficas. Apresentam estrutura espacial
variada, com muitas diferenças em sua circulação vertical e horizontal e uma
hidrodinâmica com grande variabilidade, que depende de uma morfometria dos influxos
8
dos tributários e dos efeitos das condições climatológicas e hidrológicas (TUNDISI;
MATSUMURA TUNDISI, 2008). A característica essencial de uma represa é a
existência de gradientes horizontais e verticais, físicos e químicos, e de um fluxo
contínuo em direção à barragem (ARMENGOL et al., 1999). Esses gradientes
apresentam variações temporais que dependem do fluxo de água para o reservatório e
das diferenças de nível que ocorrem durante as diversas épocas do ano. Os gradientes
verticais são mais acentuados se correntes de advecção se distribuem nas diversas
profundidades, como resultado da estratificação produzida pela entrada de água mais
densa e fria a partir dos afluentes à represa (IMBERGER, 1994).
Além dos gradientes horizontais e verticais, um reservatório pode apresentar,
dependendo do seu tipo de funcionamento, tempos de residência diferentes durante as
fases do ciclo estacional. O tempo de residência é uma função de força importante
quando se consideram as modificações que podem ocorrer na estrutura vertical e
horizontal do reservatório e na distribuição vertical das populações fitoplanctônicas.
Além disso, as flutuações e modificações no tempo de residência interferem nas
sucessões espaciais e temporais do fitoplâncton, na freqüência dos florescimentos de
cianofíceas e na composição química do sedimento (TUNDISI; MATSUMURA
TUNDISI, 2008).
O gerenciamento de reservatórios deve apoiar-se em um processo constante de
monitoramento e avaliação dos mecanismos de funcionamento, em um conhecimento
profundo da limnologia desses ecossistemas e na adoção de técnicas inovadoras
baseadas em ecotecnologias e eco-hidrologias de custo mais baixo e integradas no
funcionamento do sistema. A tomada de água, o tempo de retenção, o período de
enchimento e os impactos dos usos múltiplos na qualidade da água de reservatórios são
de importância fundamental no funcionamento desses ecossistemas e nas suas
características físicas, químicas e biológicas. A determinação da qualidade da água, a
avaliação dos futuros impactos e o monitoramento permanente são fundamentais para a
compreensão dos processos de integração que ocorrem entre os usos da bacia
hidrográfica, os usos múltiplos e a conservação ou deterioração da qualidade da água.
As diferenças entre a qualidade das águas de lagos fechados e reservatórios são
explicadas principalmente pelo fato de que os vertedouros em reservatórios são
localizados na parte superficial do corpo d’água.
9
A profundidade do reservatório tem uma grande importância sobre a qualidade da água.
É de singular importância a profundidade em relação a sua área superficial e à
intensidade dos ventos na região. Esses elementos são importantes por que afetam a
intensidade da mistura dentro dele. As condições de mistura vertical e horizontal nos
reservatórios também estão relacionadas com volume e tamanho. Uma vez que os
reservatórios geralmente são formados em vales de rios e na base da bacia de drenagem,
a morfometria da bacia do reservatório é normalmente dendrítica (WETZEL, 2001).
Represas com padrão dendrítico acentuado e com morfometria complexa apresentam
alto índice de desenvolvimento de margem, sendo, nesse caso, importante o número de
compartimentos, bem como os processos de acúmulo de material e circulação
compartimentalizada (WETZEL, 2001).
2.2. Sensoriamento remoto em sistemas aquáticos
A utilização do sensoriamento remoto óptico, de uma forma geral, requer o
conhecimento das origens dos fluxos de radiação que atingem o sensor. Quando
sistemas aquáticos são estudados, a diferenciação das componentes radiativas é ainda
mais importante do que nos sistemas terrestres, pois a energia proveniente dos sistemas
aquáticos é relativamente mais baixa e a água possui diversos materiais dissolvidos e
particulados. A radiação que atinge o sensor possui componentes originárias do
espalhamento pela atmosfera, das reflexões especulares da radiação solar direta e difusa,
e do fluxo de radiação emergente da água. Este último é o único que contém informação
sobre a composição do meio aquático (Figura 2.1). A influência relativa desses fluxos
pode ser maior ou menor, dependendo das condições físicas no momento da detecção da
radiância (L) pelo sensor, como por exemplo, a elevação solar e o efeito da atmosfera
(NOVO, 2001).
10
Figura 2.1 – As diferentes origens da radiação recebida por um sensor sobre um corpo de água. Fonte: Adaptada de Kirk (1983).
Por definição, a Radiância (L) em um ponto no espaço é definida como o fluxo radiante
nesse ponto em uma dada direção por unidade de ângulo sólido por unidade de área em
certos ângulos na direção de propagação [Wm-2sr-1] (KIRK, 1983). A grandeza
radiométrica medida por um sensor é a radiância, mas a propriedade radiométrica da
água que se relaciona com seus componentes é a reflectância. Para se estimar
adequadamente a reflectância, não basta apenas corrigir a radiância medida pelo sensor,
mas é preciso, também, avaliar a irradiância que atinge a superfície da água (NOVO,
2001). A irradiância (E) é definida como o fluxo radiante incidente por unidade de área
de uma superfície, normalmente medida em [Wm-2] (KIRK, 1983).
Portanto, o sensoriamento remoto envolve análises das variações da magnitude e
qualidade da radiação que deixa a água para se obter informação quantitativa do tipo de
substâncias presentes na água e suas concentrações. Essas análises devem ser baseadas
no entendimento das propriedades ópticas do meio e dos processos ópticos que ocorrem
nesse meio. Quando se analisa as propriedades ópticas de um meio, é necessário
distinguir o efeito da própria água no campo de luz dos efeitos dos materiais dissolvidos
e em suspensão na água. É comum, nesse contexto, utilizar o termo água pura para
indicar um meio hipotético sem substâncias a não ser as próprias moléculas de água.
Além da água pura, três componentes principais são reconhecidos: fitoplâncton;
11
material em suspensão (inorgânico); e substâncias amarelas (dissolvidas) (IOCCG,
2000).
Essas substâncias presentes na água apresentam comportamentos espectrais diferentes,
interferindo assim de maneira diversa nas propriedades ópticas da água. De acordo com
Morel e Prieur (1977), os tipos de água podem ser divididos em águas do Caso I e águas
do Caso II. Essa classificação foi mais tarde refinada por Gordon e Morel (1983). Pela
definição, águas do Caso I são águas em que o fitoplâncton é o principal agente
responsável pelas variações nas propriedades ópticas da água. Já as águas do Caso II são
influenciadas não só por esse grupo de organismos e partículas relacionadas, mas
também por outras substâncias que variam independentemente, principalmente
partículas inorgânicas em suspensão e substâncias amarelas (matéria orgânica
dissolvida). Com isso, o sensoriamento remoto de águas do Caso II, águas costeiras e
continentais, impõe demandas adicionais aos sensores: a relação entre as concentrações
dos componentes aquáticos e a cor da água é não linear, e, portanto é necessário
explorar pequenas mudanças no sinal para alcançar informações úteis.
Comum para todas as águas é a alta absorção no vermelho e infravermelho, que resulta
em efeitos de aquecimento no primeiro metro de água. No outro extremo, ainda que
água destilada absorva pouca luz Ultra-Violeta (UV), até concentrações bem baixas de
compostos orgânicos dissolvidos aumentam bastante a absorção de UV. A estrutura
molecular da água resulta em uma absorção seletiva da luz. O comportamento espectral
da água pura é determinado, basicamente, pelo espalhamento molecular nos
comprimentos de onda mais curtos. O coeficiente de absorção (a) da água pura é
mínimo na região compreendida entre 400 e 600 nm (Figura 2.2), aumentando
rapidamente na região do infravermelho. O coeficiente de espalhamento (b) da água
pura, ao contrário, é máximo na região do azul, e decresce exponencialmente em
direção ao infravermelho (MOBLEY, 1994).
12
0
0.02
0.04
0.06
0.08
0.1
240 340 440 540 640 740
Comprimento de onda (nm)
Coe
ficie
ntes
de
Abs
orçã
o e
Esp
alha
men
to (
m-1
)
absorção
espalhamento
Figura 2.2 – Comportamento espectral da água pura.
Fonte: Adaptada de Bukata et al. (1995).
Uma porcentagem da absorção da luz pela água pura é muita alta no infravermelho e
vermelho, menor no azul, e aumenta um pouco no violeta – porção do ultravioleta no
espectro visível. O espalhamento da luz resulta da deflexão da energia da luz pelas
moléculas de água, seus solutos, e material orgânico particulado e inorgânico em
suspensão. Então, a extensão dessa reflexão interna varia consideravelmente com a
profundidade, estação do ano, dinâmica da entrada de inorgânicos e orgânicos,
produtividade e distribuição de organismo, entre outros fatores.
2.3. Propriedades ópticas aparentes e inerentes
As propriedades ópticas aparentes (POAs) são aquelas que dependem tanto do meio
quanto da estrutura geométrica (direcional) do campo de luz do ambiente, e que
mostram feições regulares e estabilidade suficientes para serem úteis na descrição de um
corpo d’água (MOBLEY, 1994). Entre essas propriedades estão a Reflectância de
Sensoriamento Remoto (Rrs) e o coeficiente de atenuação difusa da irradiância
descendente (Kd).
13
Para o sensoriamento remoto, é mais apropriado utilizar a Rrs (λ,+0), definida como a
radiância ascendente que deixa a superfície da água, Lu(λ,+0), normalizada pela
irradiância descendente, Ed(λ,+0), logo acima da superfície da água, em [sr-1]. Ed(λ,+0)
é a soma da irradiância solar difusa Ed,céu(λ,+0) e da direta Ed,sol(λ,+0)
(POZDNYAKOV; GRASSL, 2003). Portanto, a Rrs é uma medida de quanto da luz que
incide na superfície da água retorna para a atmosfera, permitindo assim a detecção por
um radiômetro (MOBLEY, 1994).
Já as propriedades ópticas inerentes (POIs) são aquelas propriedades que dependem
apenas do meio e, portanto são independentes do campo de luz. As duas POIs
fundamentais são o coeficiente de absorção e a função de espalhamento de volume, que
descreve a distribuição do fluxo espalhado como uma função do ângulo de
espalhamento. As POIs normalmente empregadas na óptica hidrológica são os
coeficientes de absorção e de espalhamento espectral, que são respectivamente a
absortância e o espalhamento por unidade de distância no meio (MOBLEY, 1994).
O principal objetivo do sensoriamento remoto de sistemas aquáticos é mapear as
distribuições das características ópticas da qualidade da água. A determinação e a
quantificação dos fatores ópticos da qualidade da água são alcançadas através da
assinatura das reflectâncias espectrais. Já a informação da assinatura dessas
reflectâncias é derivada da influência dos parâmetros ópticos da qualidade da água nas
propriedades ópticas inerentes. Portanto, é essencial obter informações das POIs das
várias substâncias presentes no corpo d’água em estudo (DEKKER, 1993).
2.4. Componentes opticamente ativos
Corpos d’água com diferentes substâncias apresentarão diferenças significativas em sua
cor e, por conseguinte, em seus espectros (Figura 2.3). A dominação de um componente
da água sobre os outros ajuda na compreensão da relação entre as concentrações dos
componentes e assinaturas espectrais desse corpo d’água, lembrando que os
componentes de águas do Caso II podem variar independentemente um do outro. Como
dito anteriormente, os principais componentes, além da água pura, são: fitoplâncton,
matéria orgânica dissolvida (substâncias amarelas, CDOM), e material em suspensão.
As regiões de absorção e espalhamento destes componentes irão definir seletivamente a
forma final da curva de reflectância da água, enquanto que suas concentrações serão
14
responsáveis pela magnitude das feições e pela magnitude da energia refletida na sub-
superfície (KIRK, 1994).
Figura 2. 3 – Comportamento espectral do fitoplâncton, sedimentos em suspensão, matéria orgânica dissolvida e água.
Fonte: Rudorff et al. (2006).
Os pigmentos fitoplanctônicos como clorofilas, carotenóides e ficobilinas, são capazes
de produzir efeitos de absorção ao longo do espectro na região do visível e ao mesmo
tempo contribuir para o aumento do espalhamento juntamente com as demais partículas
refratoras presentes no meio aquático (POZDNYAKOV; GRASSL, 2003). As
clorofilas, as mais abundantes, causam forte absorção nas bandas do azul e do vermelho
(pico em, aproximadamente, λ = 443 nm e 665 nm, respectivamente, para clorofila-a),
com muito pouca absorção no verde (MOBLEY, 1994). Em torno de 550 nm o aumento
do espalhamento provoca o aparecimento de maiores valores de reflectância
(QUIBELL, 1991). Com a presença de sedimentos em suspensão na água, o sinal da
clorofila pode ficar mascarado e, muitas vezes, as feições na curva espectral podem
aparecer deslocadas (QUIBELL, 1991; GITELSON, 1992; DEKKER et al., 1995).
Estimativas de concentração de clorofila podem ser afetadas pela presença de matéria
orgânica dissolvida, pois ambas absorvem na mesma região do espectro
(RICHARDSON et al., 1994).
Os compostos orgânicos dissolvidos contidos na água são produzidos pela
decomposição de material vegetal e consistem, principalmente, de ácidos húmicos e
fúlvicos, sendo resultados da atividade fotossintética ou de entradas diretas de material
15
terrestre (MOBLEY, 1994; POZDNYAKOV;GRASSL 2003). As substâncias húmicas,
freqüentemente, apresentam coloração amarelada, sendo denominadas também
substâncias amarelas ou matéria orgânica colorida dissolvida (CDOM) e influenciam
fortemente a absorção de luz na coluna d’água. Enquanto a água pura apresenta
espalhamento mais intenso na faixa do azul, a presença de CDOM provoca absorção
seletiva de radiação em comprimentos de onda menores, dentro da faixa do visível. No
vermelho, a absorção é pequena, aumentando exponencialmente em direção aos
comprimentos de onda mais curtos. Esse fato é notado em termos visuais, pois corpos
d’água com elevada concentração de CDOM apresentam coloração mais escura e
amarelada (JENSEN, 2000).
As concentrações de material em suspensão podem ser bastante altas em águas costeiras
e interiores. Porém, considera-se apenas o material de natureza inorgânica, pois as
partículas inorgânicas apresentam um índice de refração maior, na maioria das vezes, do
que as partículas orgânicas, dominando assim o sinal retroespalhado (MOBLEY, 1994).
A origem do material particulado inorgânico em suspensão está associada a minerais
provenientes de rochas ou solos, que são carreados para os corpos d’água por ação do
vento ou da chuva, à re-suspensão ou erosão do fundo e a detritos inorgânicos como de
conchas carbonáticas de moluscos e carapaças silicosas de certas algas planctônicas. O
material inorgânico em suspensão apresenta um aumento distinto na absorção em
direção aos comprimentos de onda menores, um aumento menos pronunciado no
intervalo do vermelho e um mínimo na faixa entre 590 e 630 nm
(POZDNYAKOV;GRASSL 2003). Sedimentos em suspensão são componentes que
ocasionam, principalmente, o efeito de espalhamento da radiação na superfície dos
corpos d’água. Estudos demonstram que há aumento no coeficiente de espalhamento da
água com a ampliação da concentração de sólidos totais em suspensão na água (NOVO,
2001).
2.5. Modelos bio-ópticos
O obstáculo fundamental do sensoriamento remoto de águas interiores e costeiras é a
mistura tipicamente complexa dos componentes ópticos orgânicos e inorgânicos. Essa
complexidade óptica dificulta a extração por algoritmos de um único componente e
ressalta a necessidade da metodologia de extração de múltiplos componentes, além das
características do fundo, que também influenciam o sinal detectado. Portanto,
16
algoritmos de recuperação de múltiplos componentes que estimam a co-existência das
concentrações de componentes orgânicos e inorgânicos são necessários ao
sensoriamento remoto desses tipos de águas (BUKATA et al., 1995; IOCCG, 2000).
Esses algoritmos podem ter uma abordagem empírica ou uma baseada em modelos
semi-analíticos. Os algoritmos empíricos estabelecem uma relação entre medidas
ópticas e concentração dos componentes da água, baseada em conjunto de dados
experimentais, ou seja, medidas de reflectância ou radiância coincidentes com medidas
de concentrações in situ. Já os algoritmos semi-analíticos utilizam modelos bio-ópticos
para descrever a relação entre os componentes da água e os espectros de radiância e/ou
reflectância, assim como modelos de transferência radiativa para simular a propagação
da luz através da água e da atmosfera (IOCCG, 2000). Estes modelos são utilizados para
gerar conjuntos de espectros simulados, acima da superfície da água ou no topo da
atmosfera, para determinados intervalos de concentrações de diferentes componentes da
água e diferentes estados da atmosfera. Esta informação é então utilizada para derivar
um algoritmo que estabelece um mapeamento inverso do espectro de reflectância para
os componentes de interesse (IOCCG, 2000).
O termo bio-óptico refere-se às medidas da variação no campo luminoso dentro dos
corpos d’água, que são conseqüência direta das interações entre a irradiância e os
componentes biológicos presentes. Ou seja, representa uma medida do efeito total dos
processos biológicos sobre as propriedades ópticas das águas. A porção bio do termo
inclui todos os componentes opticamente ativos, incluindo detritos e sedimentos, pois
apesar de não serem vivos, possuem influência direta sobre o fitoplâncton (CIOTTI,
2005).
2.6. Sensor MERIS
O sensor MERIS é um espectrômetro imageador de varredura eletrônica pushroom a
bordo do satélite ENVISAT (Environmental Satellite), de observação da Terra, da
Agência Espacial Européia (ESA). Opera nas faixas do visível e infravermelho
próximo, de 400 a 900 nm e possui um campo de visada de 68,5o no nadir, o que
permite uma faixa de imageamento de largura de 1.150 km em uma altitude nominal de
800 km e órbita polar. Sua resolução espacial é de 300 m para dados em full resolution
(FR) e de 1.200 m para dados em reduced resolution (RR). Este sensor possui alto
17
desempenho radiométrico (menos de 2% de ruído no sinal detectado) em 15 bandas
programáveis que, por default, apresentam comprimentos de onda centrados em 412,5;
442,5; 490; 510; 560; 620; 665; 681,25; 708,75; 753,75; 760,625; 778,75; 865, 885 e
900 nm, sendo a maioria com largura de 10 nm. Uma das principais razões para essa
configuração espectral é a sensibilidade deste sensor aos principais componentes
opticamente ativos da água (Tabela 2.1).
A principal missão do MERIS é monitorar a cor do oceano, incluindo as concentrações
de clorofila para oceanos abertos e áreas costeiras, de substâncias amarelas e do material
particulado em suspensão. Além disso, este sensor fornece parâmetros úteis em
aplicações continentais, tais como o índice de vegetação e parâmetros atmosféricos,
como vapor d’água, tipos de nuvens e coeficientes Angström.
Tabela 2.1 - Aplicações bandas MERIS.
Aplicações Bandas (centro - nm)
Substâncias amarelas (CDOM) 412,5
Máximo de absorção pela clorofila 442,5
Clorofila e outros pigmentos 490
Sedimentos em suspensão, marés vermelhas 510
Mínimo de absorção pela clorofila 560
Sedimentos em suspensão 620
Absorção pela clorofila e referência da clorofila 665
Pico fluorescência da clorofila 681,5
Fluorescência de referência, correções atmosféricas 708,75
Vegetação, nuvens, banda de referência absorção O2 753,75
Banda de absorção O2 760,625
Correções atmosféricas 778.75
Correções atmosféricas 865
Vegetação, referência de vapor d’água 885
Vapor d’água 900
Fonte: MERIS Product Handbook, 2006.
Os produtos MERIS disponibilizados apresentam três níveis diferentes de
processamento:
18
a) Nível 1B – imagens re-amostradas em grade em projeção satélite com valores
calibrados de radiância no topo da atmosfera (TOA);
b) Nível 2 – imagens derivadas dos produtos nível 1B, com valores de pixels
processados para obter parâmetros geofísicos;
c) Nível 3 – sínteses de um ou mais produtos MERIS (e possivelmente dados
auxiliares) para obter parâmetros geofísicos integrados no tempo ou no espaço.
Para o presente trabalho foram utilizados os produtos nível 1B e 2. O produto nível 1B
foi utilizado na aplicação dos processadores e procedimentos de correção atmosférica.
Os valores dos parâmetros geofísicos foram extraídos do produto nível 2 a fim de
comparações com os parâmetros in situ e os derivados da aplicação dos processadores.
19
3 MATERIAIS E MÉTODOS
3.1. Área de estudo
O reservatório da Usina Hidrelétrica (UHE) de Itumbiara (18º 25’ S, 49º 06’ W) está
localizado no bioma cerrado, na divisa dos estados de Minas Gerais, no Triângulo
Mineiro, e Goiás. Foi formado pelo represamento do Rio Paranaíba, resultando na
inundação de seus principais tributários, os Rios Corumbá e Araguari (Figura 3.1).
Possui forma dendrítica, com 778 Km2 de área inundada e um volume total de 17
bilhões m3 (www.furnas.com.br), podendo ser assim classificado como um reservatório
de alta capacidade (BERNACSECK, 1984). A profundidade média do reservatório, no
período de cheia, é de aproximadamente 32 m, e a máxima pode chegar até 80 m
(Figura 3.2), sendo que as maiores profundidades se encontram próximas à barragem.
O rio Paranaíba é um dos formadores do rio Paraná. Nasce na serra da Mata da Corda,
município de Rio Paranaíba, estado de Minas Gerais. Tem aproximadamente 1.070 Km
de curso até a junção ao rio Grande, onde ambos passam a formar o rio Paraná, no ponto
que marca o encontro entre os estados de São Paulo, Minas Gerais e Mato Grosso do
Sul. O rio Paranaíba é conhecido principalmente pela sua riqueza diamantífera e pelas
grandes possibilidades hidrelétricas que apresenta. Este rio divide-se em três trechos:
Alto Paranaíba, Médio Paranaíba e Baixo Paranaíba. A UHE de Itumbiara se encontra
no Médio Paranaíba.
O Rio Araguari é um rio de Minas Gerais que atravessa a região do Triângulo Mineiro.
A nascente fica na Serra da Canastra. O rio passa próximo a cidades importantes da
região como Araxá, Uberlândia e Araguari, antes de desaguar no Rio Paranaíba, na
divisa com Goiás. O Rio Corumbá é um rio de planalto que banha o estado de Goiás.
Sua nascente é no sopé da serra dos Pireneus em Pirenópolis, Goiás, dirigindo-se para o
sudeste onde desagua no rio Paranaiba. Tem um grande potencial energético, tendo
várias usinas hidrelétricas ao longo do seu curso.
20
Figura 3.1 – (a) e (b) Localização do reservatório de Itumbiara; (c) composição colorida R(708)G(620)B(490) da imagem MERIS do dia 23/05/2009.
barragem
21
Figura 3.2 – Mapa de batimetria do Reservatório de Itumbiara. Fonte: Alcântara et al. (2009).
O reservatório apresenta uma variação de cota em relação ao período do ano, a qual é
dependente do regime hidrológico e das necessidades de consumo da água pela UHE.
Essa variação, entre os anos de 1993 e 2005, pode ser observada na Figura 3.3, onde
foram destacados os dois períodos de coleta. As médias mensais da precipitação e da
temperatura do ar, entre os anos de 1993 e 2007 podem ser observadas na Figura 3.4.
Figura 3.3 – Média mensal (1993-2005) da cota do reservatório de Itumbiara. Fonte: www.furnas.com.br
22
Figura 3.4 – Média do acumulado mensal (1993-2007) da precipitação (mm) e temperatura do ar (oC). Fonte: www.inmet.gov.br
O reservatório por estar em uma área de vale, com duas grandes cadeias de montanhas
formando os limites de sua bacia, com altitude de 1.400 m, faz com que parte da água
escoada resultante da chuva, tenha como destino final o reservatório. O fato da região
compreendida pela bacia hidrográfica de Itumbiara ser uma região de expansão de
plantação de cana de açúcar e principalmente de pecuária, aumenta a preocupação com
a qualidade da água, pois o escoamento da bacia, contendo agrotóxicos, matéria
orgânica e inorgânica, além de outros, terá como destino final o reservatório. O tipo de
uso do solo no entorno do reservatório é identificado na Figura 3.5, seguindo o sistema
de classificação da FAO (Food and Agriculture Organization of the United Nations)
(DI GREGÓRIO, 2005).
23
Figura 3.5 – Mapa do uso do solo na bacia hidrográfica do reservatório de Itumbiara, obtido a partir da classificação digital de imagens CBERS-2B (158/120 e 158/121) de 02/09/2007.
Fonte: Nascimento et al. (2009).
A usina hidrelétrica de Itumbiara possui seis unidades em operação, totalizando uma
capacidade instalada de 2.082 MW, constituindo-se assim na maior usina do Sistema
Furnas em potência (http://www.furnas.com.br). Em operação desde 1981, esta obra foi
marcada por uma sucessão de conquistas tecnológicas. Sua construção teve início em
novembro de 1974 e, em abril de 1980 entrou em operação comercial sua primeira
unidade geradora. Apesar de condições atmosféricas adversas e do pioneirismo das
unidades geradoras, consideradas as maiores no mundo em construção no início da
década de 80, a Usina de Itumbiara foi projetada e construída rigorosamente dentro dos
prazos estabelecidos nos cronogramas originais. Seu nível máximo de armazenamento é
de 520 m, e o nível mínimo de operação é de 495 m. Além disso, sua área inundada é de
778 Km2 (http://www.furnas.com.br).
Devido à grande importância desse reservatório, vários estudos relacionados à qualidade
da água (BAZZOLI et al., 1997; HOJO et al., 2004; ROSA, 2005; MENDONÇA, 2007;
FURNAS, 2008; VIEIRA et al., 2009) e preservação ambiental (OLIVEIRA, 2006;
LOPES e SANTOS, 2002) foram realizados.
24
3.1.1. Caracterização meteorológica dos períodos de coleta
As campanhas de coleta foram realizadas nos meses de maio e setembro de 2009. Sabe-
se que a ação de ventos e chuvas interfere nos resultados obtidos por dados coletados in
situ. Assim, faz se necessário uma breve caracterização meteorológica dos períodos de
coleta, assim como dos meses que os antecederam. O mês de abril de 2009 foi marcado
por grande quantidade de chuva na maior parte das Regiões Norte e Nordeste do Brasil,
onde a elevação do nível dos rios causou inundações e deixou milhares de desabrigados.
Em contrapartida, as chuvas ocorreram abaixo da média histórica na maior parte da
Região Sul e do Mato Grosso do Sul. Já no mês de maio, as chuvas foram escassas e os
totais mensais ocorreram abaixo do esperado na grande área central do Brasil, que se
estende desde Rondônia ao Espírito Santo, Rio de Janeiro e São Paulo. A precipitação
total do mês foi de 25 a 50 mm (CPTEC/INPE), com anomalias negativas de 25 a 0
mm. Na região de estudo não houve ocorrência de chuva no dias 12 e 13 de maio, dias
exatos das coletas. A velocidade média do vento foi em torno de 3 m/s no período do
dia nos dois dias de coleta (Figura 3.7).
Figura 3.6 – Stick plot da velocidade do vento e modulo da intensidade do vento coletado pela bóia SIMA nos dias 12 e 13 de maio de 2009.
Durante o mês de agosto de 2009, destacou-se a ocorrência de chuvas acima da média
na maior parte do Brasil, porém com períodos de estiagem e baixos valores de umidade
relativa do ar no interior do país, especialmente durante a primeira quinzena. Ressalta-
25
se, contudo, que este é um mês de transição entre os períodos seco e chuvoso nas
Regiões Centro-Oeste e Sudeste do Brasil. Já no mês de setembro, a precipitação total
do mês na região de estudo foi de 150 a 200 mm, com anomalias positivas de 100 a 200
mm. A presença de uma massa de ar quente e seco elevou as temperaturas e reduziu a
umidade relativa do ar nos setores central e norte do Brasil, registrando-se valores
abaixo de 20% em diversas localidades. O dia 09 de setembro apresentou a maior
precipitação diária (30 mm), durante o período de coleta, sendo que a ocorrência de
chuva se deu no período da noite. De acordo com dados do CPETEC/INPE, essa alta
ocorrência de chuva durante o período de coleta pode estar associado à passagem de
uma frente fria. Os dados de vento (Figura 3.7) indicam uma mudança na direção e
intensidade durante a ocorrência dessa frente fria (retângulo vermelho na Figura 3.7), na
noite do dia 09 para o dia 10 de setembro. Os dados de vento, tanto para o mês de maio
quanto para o de setembro, foram coletados pela bóia SIMA, que é um Sistema
Integrado de Monitoramento Ambiental desenvolvido pelo Instituto Nacional de
Pesquisas Espaciais (INPE) e pela Universidade do Vale do Paraíba (UNIVAP)
(STECH et al., 2006). A bóia do Reservatório de Itumbiara foi fundeada no dia 28 de
março de 2009, nas coordenadas geográficas 18º25’3,0”S – 49º3’35,6”O.
Figura 3.7 – Stick plot da velocidade do vento e modulo da intensidade do vento coletados pela bóia SIMA nos dias 09, 10 e 11 de setembro de 2009.
26
3.2. Materiais
3.2.1. Amostragem
Duas campanhas de campo foram realizadas na área de estudo, sendo que uma no
período de cheia do reservatório (12 e 13 de maio de 2009) e outra no período de
vazante (9, 10 e 11 de setembro de 2009). A distribuição dos pontos de coleta é
mostrada na Figura 3.8, onde foram coletados dados limnológicos e radiométricos. Para
a determinação do local dos pontos amostrais imagens do sensor MODIS adquiridas no
site https://wist.echo.nasa.gov/api, do mês de maio de 2008, no mesmo mês da coleta de
campo, porém do ano anterior, foram classificadas a fim de se obter uma verificação
prévia dos tipos de água presentes no reservatório.
Para essa classificação, foram analisadas tanto imagens da plataforma Aqua quanto
Terra, de modo a contornar o problema de cobertura por nuvens na região do
reservatório e obter imagens com melhor qualidade (sem ruídos). Inicialmente foram
escolhidas imagens de 10/05 e 14/05/08 das duas plataformas. Para a realização da
classificação optou-se pela imagem do dia 10/05/2008 da plataforma Aqua. O produto
escolhido foi o MYD09 referente à reflectância de superfície, sendo utilizadas as bandas
1 (648 nm), 2 (858 nm), 3 (470 nm), 4 (555 nm), 5 (1240 nm) e 7 (2130 nm), excluindo
a banda 6 (1640 nm) devido à presença de ruído. A imagem foi re-amostrada de 500 m
para 250 m no aplicativo MODIS Reprojection Tool, onde também foi recortada a área
de estudo (17o40’56,22”S; 49o28’50,6”O; 18o53’33,27”S; 48o0’42,98”O).
No software ENVI foi aplicada a máscara do reservatório, construída no SPRING
através da banda 5 da imagem Landsat TM, do dia 26/05/2007 e realizada a
classificação com dois classificadores não supervisionados (Isodata e K-médias).
Optou-se pela classificação K-médias por ter resultado em uma maior divisão de
classes. A partir dessa classificação distribuiu-se 25 pontos ao longo do corpo principal
do reservatório para maio. Em setembro alguns pontos foram deslocados alguns metros
para dentro do corpo d’água devido ao menor nível do reservatório, totalizando 23
pontos amostrais. A análise dos dados ficou limitada ao corpo principal do reservatório
devido à necessidade de coletar todos os dados em pouco tempo, e ao orçamento
limitado.
27
Figura 3.8 – Distribuição dos pontos amostrais das duas campanhas de campo realizadas em maio e setembro de 2009.
3.2.2. Variáveis limnológicas
Amostras superficiais de água, em torno de 1 m de profundidade, foram coletadas para a
determinação dos seguintes parâmetros: concentração de clorofila-a, material em
suspensão orgânico e inorgânico, e carbono orgânico e inorgânico dissolvido. Também
foi medida a temperatura da água, pH, concentração de oxigênio dissolvido, turbidez, e
condutividade através das sondas multi-parâmetros YSI e Horiba. A profundidade na
qual o disco de Secchi desapareceu foi utilizada para o cálculo da profundidade da zona
eufótica em cada ponto de coleta, através das seguintes equações (KAMPEL, 2003):
K = 1,7/DS (3.1)
Zeu = (Ln(1)-Ln(100))/-K (3.2)
onde K é o coeficiente de atenuação da luz, DS é a profundidade do disco de Secchi e
Zeu é profundidade da zona eufótica.
28
Para determinação da concentração de clorofila, 1.000 ml de água de cada ponto de
coleta foram filtrados em filtros de fibra de vidro Whatman GF/F. Após a filtração, os
filtros foram mantidos no escuro por meia hora sobre papel de filtro para remoção do
excesso de água. Os filtros foram, então, guardados em frascos escuros contendo sílica-
gel e mantidos a temperaturas inferiores a 0o C antes da análise. A clorofila foi extraída
com etanol 80% a quente (75º C) por cinco minutos em tubos de ensaio, seguindo a
metodologia de Nush (1980). Em seguida, foi submetida a um choque térmico,
mergulhando os tubos em água gelada a 0 oC e mantida por um período de 6 a 24 horas
no refrigerador e na ausência de luz. A solução de etanol contendo clorofila extraída,
não-acidificada, foi passada para tubo de vidro encapado de 20 ml de capacidade e a
leitura foi realizada por espectrofotometria em cubetas de quartzo de 50 mm de caminho
óptico nos comprimentos de onda 750 e 665 nm. O cálculo da concentração de
clorofila-a foi realizado segundo Lorenzen (1967), que possui uma precisão de 0,1
µg/L.
Para a análise do material em suspensão utilizou-se o método de Wetzel e Likens
(1991), onde 1.000 ml de cada amostra de água foram filtrados em filtro de fibra de
vidro Whatman GF/F pré-calcinado a 480º C e pesado. O filtro contendo o material foi
secado a 60º C por um período de 24 horas e pesado para determinação do material
particulado total. Em seguida, o filtro foi levado à mufla a 480º C em cadinho de
porcelana, por um período de 1 hora. O cadinho contendo o filtro foi então levado ao
dessecador contendo sílica-gel, mantido até o resfriamento e novamente pesado para
determinação do material em suspensão inorgânico. Pela diferença entre o material em
suspensão total e o inorgânico, o material em suspensão orgânico foi determinado. Esse
método apresenta precisão de 0,005 mg/L.
As concentrações de carbono orgânico e inorgânico dissolvido foram determinadas
através do método de análise de gás por infravermelho, onde a amostra de água foi
passada ao estado gasoso por combustão não dispersiva a 680º C, através do Analisador
de Carbono Total SHIMADZU, modelo TOC-5000.
3.2.3. Propriedades ópticas inerentes
Amostras de água também foram utilizadas para determinação dos coeficientes de
absorção do material particulado (fitoplâncton e detritos), e da matéria orgânica
29
dissolvida (CDOM), seguindo os protocolos de análise publicados pelo projeto
SeaWIFS da National Aeronautics and Space Administration – NASA (MUELLER et
al., 2002).
Para a determinação do coeficiente de absorção da matéria orgânica dissolvida
(CDOM), amostras (duplicatas) de água foram filtradas em filtros Nucleopore de
policarbonato 0,2 µm, deixados em ácido clorídrico (HCl) por 15 minutos. Os filtros
foram então lavados com água Mili-q e colocados nos filtradores. O procedimento para
filtragem consistiu-se em filtrar 25 ml de água Mili-q por três vezes consecutivas,
depois 25 ml de amostra por três vezes consecutivas, e finalmente, 150 ml de amostra.
A amostra filtrada foi acondicionada em geladeira em frascos de borosilicato âmbar
para posterior análise no laboratório. No laboratório cada amostra filtrada foi lida em
espectrômetro modelo U-3010 Hitachi, em cubeta de quartzo de caminho óptico de 10
cm. A baseline (valores a serem subtraídos automaticamente da leitura de cada amostra)
consistiu em leitura com água Mili-q, para zerar o instrumento. A leitura da densidade
ótica (DO) de cada amostra foi feita contra ar, de 250 a 800 nm. Os valores de DO
(adimensonais) foram convertidos em coeficientes de absorção (m-1) multiplicando-se
por 2,3, valor este que converte log10 para loge, já que DO(λ) = Log10[Vo(λ)] -
Log10[V t(λ)], onde Vo é a resposta espectral do espectrofotômetro para o fluxo espectral
transmitido através do material de referência e Vt é a resposta para fluxo espectral
transmitido através da amostra (MUELLER et al., 2002).
Para a determinação do coeficiente de absorção do material particulado foram filtradas
duplicatas de 250 ml de cada amostra de água coletada, em filtros Whatman GF/F 0,7
µm. Os filtros foram mantidos congelados até o laboratório, onde foram descongelados
apenas minutos antes à leitura e mantidos constantemente úmidos, como amostras
filtradas de CDOM dos respectivos pontos de coleta, bem como em baixa temperatura e
abrigados da luz direta durante as análises. Os filtros foram lidos em espectrofotômetro
modelo UV-2450 Shimadzu, sendo que a leitura da densidade ótica (DO) foi realizada
no intervalo de 300 a 750 nm, com resolução de 1nm. Esta leitura corresponde à DO do
material particulado total (fitoplâncton + material não-algal). A referência utilizada
nesse processo foi filtros limpos umedecidos com água Mili-q. Após a leitura, cinco
gotas de hipoclorito de sódio foram pingadas em cada filtro. Após passadas 24 horas, os
filtros foram “lavados” com água Mili-q para total remoção do hipoclorito, e então,
30
levados ao espectrofotômetro novamente, para a realização de uma segunda leitura da
densidade ótica, da mesma forma descrita anteriormente, com o cuidado de colocar o
filtro na mesma posição da leitura anterior. Esta leitura corresponde à DO do material
particulado não-algal (detritos). De cada leitura, foi subtraído o valor médio espectral de
DO dos filtros (DO filt) utilizados como referência. Os valores de DOfilt (λ) foram
transformados em DOsus(λ) (valores hipotéticos em suspensão) aplicando a correção
Beta, razão ODfilt /ODSUS (BUTLER, 1962) derivada a partir do espectrofotômetro
utilizado neste estudo. Os coeficientes de absorção (m-1) referentes à primeira leitura
foram então calculados da forma: apart(λ) = 2,3 DOsus / (v/a), onde v é o volume filtrado
da amostra e ‘a’ é a área efetiva de filtração. A mesma conversão foi realizada para os
espectros da segunda leitura (referente aos detritos): adet(λ) = 2,3 DOsus / (v/a). A
absorção pelo fitoplâncton consiste, então, na diferenças entre as duas leituras: afito(λ) =
apart(λ) - adet(λ) (MUELLER et al., 2002).
3.2.4. Dados radiométricos
Medidas radiométricas foram realizadas nos pontos amostrais em ambas coletas de
campo, utilizando dois equipamentos. Para as medidas acima da superfície da água foi
utilizado o radiômetro hiper-espectral Fieldspec Hand Held, seguindo o protocolo de
aquisição sugerido por Fougnie et al. (1999), sem polarizador. Este radiômetro possui
campo de visada entre 5º e 15º, resolução espectral de 3 nm e intervalo espectral de 350
a 1100 nm. Já para as medidas abaixo da superfície da água foi utilizado o perfilador
Satlantic, também um radiômetro hiper-espectral, que mede a reflectância espectral em
136 canais com comprimentos de onda variando entre 350 a 800 nm. As medidas com o
Satlantic foram realizadas até, aproximadamente, a profundidade da zona eufótica de
cada ponto.
Com o radiômetro Fieldspec foram realizadas 3 medidas da água, 3 medidas do céu e 3
medidas da placa de referência, em cada ponto amostral. Dentre essas medidas, foi
escolhido o melhor conjunto de dados para o cálculo da Rrs, que foi calculada de acordo
com Mobley (1999):
)0(
)0()0(
)0(
)0(
+++
=++
=d
skyu
d
w
E
LL
E
LRrs
ρ (3.3)
31
onde )0( +wL é a radiância emergente da água; dE é a irradiânica plana espectral
descendente que incide sobre a superfície do corpo d’água; uL é a radiância ascendente
que chega ao sensor; skyL é a radiância incidente proveniente do céu; e ρ é o fator de
proporcionalidade que relaciona a radiância medida pelo detector quando apontado para
o céu com a radiância do céu refletida medida pelo detector quando este é apontado para
a água. Este fator depende do ângulo azimutal, da geometria de aquisição de dado,
velocidade do vento, rugosidade da superfície, além do FOV do detector e da
distribuição da radiância do céu. Neste trabalho, foi assumido para ρ o valor de 0,028,
de acordo com Mobley (1999). O cálculo de dE foi realizado da seguinte maneira
(MOBLEY, 1999; KAMPEL et al., 2009):
πλλ **)()( fcLEd = (3.4)
onde L(λ) é a radiância de uma placa de Spectralon; fc é um fator de correção calculado
em laboratório pela razão entre L(λ) de uma placa de referência padrão e L(λ) da placa
de Spectralon utilizada em campo. A partir do cálculo das Rrs, os dados hiper-espectrais
foram integrados para simular os intervalos das bandas do sensor multi-espectral
MERIS, de acordo com a técnica de integração de retângulos descrita em Souto et al.
(2005) e Kampel et al. (2009).
As medidas do perfilador Satlantic utilizadas neste trabalho foram: perfil de
concentração de clorofila, perfil do coeficiente de retro-espalhamento em 470 nm, e
perfil de temperatura da água. Na saída de campo de maio, o Fieldspec foi utilizado em
apenas seis pontos amostrais, devido a problemas no equipamento. Já o Satlantic foi
utilizado em 23 pontos, de um total de 25. No mês de setembro foram realizadas 23
medidas com o Fieldspec e 21 medidas com o Satlantic, de um total de 23 pontos.
3.2.5. Dados de Sensoriamento remoto
Para a realização do presente trabalho foram adquiridas imagens do sensor MERIS dos
níveis 1B e 2, dos dias 07 de maio e 12 de setembro de 2009. A imagem de maio é de
cinco dias antes do início das coletas de campo, e a imagem de setembro é de um dia
após o final das coletas. Ambas são imagens full resolution, apresentando resolução
espacial de 300m. Para aquisição dessas imagens foi necessário submeter um projeto à
32
ESA (European Space Agency). Como citado anteriormente, os produtos utilizados
foram os de nível 1B, para aplicação dos processadores e procedimentos de correção
atmosférica, e os de nível 2, para extração dos valores dos componentes da água, sendo
eles concentração de clorofila-a, total de sólidos em suspensão (TSS), coeficiente de
absorção do fitoplâncton e matéria orgânica dissolvida (CDOM).
Imagens do sensor MODIS (Moderate Resoluiton Imaging Spectroradiometer), produto
MYD09 referente à reflectância de superfície, também foram adquiridas no período das
coletas de campos. Optou-se pelo produto MYD09, pois, segundo alguns autores
(BARRÉ et al., 2006; SHUTLER et al., 2007; CHEN et al., 2007) as imagens Aqua são
melhores calibradas e possuem menos ruídos em relação às imagens Terra. Essas
imagens foram transformadas em formato Geotiff, re-amostradas para 250 m, quando de
500 m, no aplicativo MODIS Reprojection Tool. As imagens adquiridas, referentes aos
dias 10 de maio e 10 de setembro de 2009, foram classificadas com o algoritmo k-
médias para comparação com os resultados encontrados na classificação das imagens
MERIS.
3.2.6. Processadores utilizados
Para o processamento das imagens MERIS foi utilizado o software BEAM (Basic
ENVISAT Toolbox for AATSR and MERIS), desenvolvido para facilitar a utilização,
visualização e o processamento dos dados MERIS, AATSR e ASAR. Neste software
foram utilizados três processadores para a determinação das variáveis da qualidade da
água, desenvolvidos pelo projeto da ESA “Development of MERIS Lake Water
Algorithms”. Um dos processadores é o Case 2 Regional (C2R), que apresenta uma
correção atmosférica baseada em simulações de transferência radiativa, determinando a
reflectância emergente da água, a partir da radiância no topo da atmosfera. As
reflectâncias simuladas são utilizadas para treinar uma rede neural que, por sua vez, é
utilizada para a parametrização das relações entre as radiâncias no topo da atmosfera e
as reflectâncias emergentes da água. O algoritmo utiliza como entrada radiâncias do
topo da atmosfera padrão, que é uma parte do modelo atmosférico, de 12 bandas da
região do visível e infravermelho do MERIS (DOERFFER; SCHILLER, 2008b). Este
processo previne a ocorrência de reflectâncias emergentes da água negativas nas bandas
do visível.
33
Como entrada para o modelo bio-óptico são utilizadas as reflectâncias emergentes da
água de 8 bandas MERIS, resultantes do modelo de correção atmosférica. A partir de
um conjunto de redes neurais, o modelo bio-óptico transforma essas reflectâncias em no
mínimo três propriedades ópticas inerentes: espalhamento total das partículas,
coeficiente de absorção dos pigmentos fitoplanctônicos, e coeficiente de absorção da
matéria orgânica dissolvida, todos em 443 nm (banda 2 do MERIS). A partir dessas
propriedades ópticas inerentes são derivadas as concentrações de clorofila e do material
total em suspensão. Também é determinado o coeficiente de atenuação da irradiância
descendente, k, no comprimento de onda de máxima transparência (k-min), assim como
o z_90, que indica a profundidade da água de onde 90% da luz refletida têm origem
(DOERFFER; SCHILLER, 2008a). O algoritmo é baseado em uma rede neural,
treinada com reflectâncias simuladas, que relaciona as reflectâncias bi-direcionais
emergentes da água com as concentrações dessas variáveis.
Os outros dois processadores são o Boreal e o Eutrophic, utilizados para lagos boreais e
eutróficos, respectivamente. Esses processadores são baseados na arquitetura do
processador C2R, porém suas redes neurais foram desenvolvidas utilizando simulações
executadas a partir de modelos bio-ópticos com propriedades ópticas inerentes
específicas (DOERFFER; SCHILLER, 2008a), sendo o Boreal com dados bio-ópticos
da Finlândia e o Eutrophic com dados da Espanha. Os resultados obtidos com a
aplicação desses processadores descritos acima foram comparados com dados coletados
em campo, através de análises de regressão.
3.3. Métodos
Na Figura 3.9 é apresentado o fluxograma dos métodos empregados no processamento e
análise dos dados coletados em campo. A Figura 3.10 apresenta os métodos aplicados
aos dados de satélite, ou seja, imagens MERIS e MODIS.
34
Figura 3.9 – Fluxograma dos métodos de análise aplicados aos dados coletados em campo.
Figura 3.10 – Fluxograma dos métodos de análise aplicados aos dados de satélite.
35
3.3.1. Análise espacial
Para a análise espacial dos dados foi aplicada a técnica de krigeagem ordinária com
modelo de variograma linear, através do software Surfer, versão 8. Essa técnica foi
utilizada em dados limnológicos, como concentração de clorofila, concentração de
material em suspensão, concentração de carbono dissolvido, temperatura da água, pH e
turbidez. A krigeagem também foi utilizada para espacializar os valores encontrados de
coeficientes de absorção do fitoplâncton, detritos e matéria orgânica dissolvida.
A krigeagem compreende um conjunto de técnicas de estimação e predição de
superfícies baseada na modelagem da estrutura de correlação espacial. O que diferencia
a krigeagem de outros métodos de interpolação é a estimação de uma matriz de
covariância espacial que determina os pesos atribuídos às diferentes amostras, o
tratamento de redundância dos dados, a vizinhança a ser considerada no processo
inferencial e o erro associado ao valor estimado (CAMARGO et al., 2004). Portanto, a
grande diferença é a maneira como os pesos são atribuídos às diferentes amostras. No
caso da interpolação por média simples, por exemplo, os pesos são todos iguais a 1/N
(N = número de amostras); na interpolação baseada no inverso do quadrado das
distâncias, os pesos são definidos como o inverso do quadrado da distância que separa o
valor interpolado dos valores observados. Na krigeagem, o procedimento é semelhante
ao de interpolação por média móvel ponderada, exceto que aqui os pesos são
determinados a partir de uma análise espacial, baseada no semi-variograma
experimental.
A krigeagem possibilita inferência de valores a partir de amostras pontuais de um
atributo espacial. Estas inferências são usadas, geralmente, para finalidades de
mapeamento digital de atributos espaciais. A krigeagem possibilita a inferência de um
valor médio do atributo, em uma posição espacial u, a partir de uma quantidade n(u) de
amostras vizinhas z(uα), α=1,...,n(u). Sob a hipótese de estacionariedade de segunda
ordem, a média de um atributo é constante e não depende da localização dentro de uma
região de interesse. A krigeagem ordinária possibilita a inferência do atributo, numa
posição u, sem a necessidade de se conhecer a média estacionária µ, estimando um
valor em posição espacial não observada segundo uma combinação linear dos valores de
36
um subconjunto amostral local. Assim o estimador é calculado de acordo com a equação
(JOURNEL, 1988; FELGUEIRAS, 1999):
∑=
=)(
10
*
0)().()(
un
uzuuZα
ααλ (3.5)
A substituição de uma única média estacionária por médias locais, ou tendências locais,
explica a extrema robustez do algoritmo de krigeagem ordinária (DEUTSCH;
JOURNEL, 1998). A aplicação dos critérios de mínima variância do erro de estimação e
de não tendenciosidade do estimador possibilita o cálculo dos pesos, λOα(u), pela
solução do seguinte sistema de equações de krigeagem ordinária:
=
==+
∑
∑
=
=
)(
10
)(
10
1)(
)(,...1),()(),()(
un
un
u
unparauuCuuuCu
αα
αββαα
λ
βφλ
(3.6)
onde: C (uα, uβ) é a covariância entre as amostras observadas em uα e uβ; C (u, uβ) é a
covariância entre a amostra observada em uβ e a posição u e; Φ(u) é o multiplicador de
Lagrange, necessário para a minimização da variância do erro e associado com a
restrição ∑=
=)(
10 1)(
un
uα
αλ .
3.3.2. Análise da contribuição relativa dos COAs
O coeficiente de absorção espectral ( )λa de um corpo d’água pode ser descrito em
termos da contribuição aditiva dos constituintes opticamente ativos da água ( )w ,
partículas ( )p e material dissolvido ( )g , conforme a seguinte equação:
( ) ( ) ( ) ( )λλλλ gpw aaaa ++= (3.7)
sendo que o componente particulado ainda pode ser dividido da seguinte forma:
( ) ( ) ( )λλλ dphp aaa += (3.8)
onde pha e da são os coeficientes de absorção específicos do fitoplâncton e detritos,
respectivamente (IOCCG, 2006).
37
A partir dos valores dos coeficientes de absorção específicos dos COAs estabelecidos
por filtração e leitura de amostras coletadas em campo, foi construído um diagrama
triangular indicando a contribuição relativa de cada componente na água do
reservatório. Essa classificação é baseada nas contribuições relativas dos três tipos de
substâncias e não depende da magnitude das contribuições individuais. A contribuição
da água pura não entra na classificação, já que seu coeficiente de absorção é uma
propriedade óptica constante.
Assim, as amostras foram classificadas com base nas contribuições relativas dos três
componentes opticamente ativos, no comprimento de onda de 440 nm (comprimento de
onda no qual todos os componentes são opticamente importantes) (PRIEUR;
SATHYENDRANATH, 1981), e os resultados foram plotados em um diagrama
triangular. Esse procedimento foi realizado para 20 pontos amostrais em maio e 23
pontos em setembro.
3.3.3. Análise derivativa dos espectros
A análise derivativa é uma técnica de extração de informações a partir do resultado da
aplicação de uma operação de derivada sobre uma curva espectral. Em ambientes
aquáticos, esta técnica é aplicada para extrair informações dos componentes
opticamente ativos na água. Como a reflectância espectral é uma função da soma das
reflectâncias dos COAs presentes na água, a análise derivativa modela a reflectância
como um sinal ou função composta, resultante da soma ponderada das reflectâncias de
cada um dos componentes opticamente ativos presentes na coluna de água, conforme
apresentado na Equação 3.9:
∑=
+=n
iiiaa rprpR
0λ (3.9)
onde Rλ é a reflectância volumétrica; pa é o peso da água pura, ra é a reflectância da
água pura, pi é o peso atribuído ao iésimo componente, e r i é a reflectância do iésimo
componente.
Assumindo que cada componente do sinal composto possa ser representado por um
polinômio de ordem N, e se N varia diferentemente para cada componente, então a
38
diferenciação sucessiva da curva original remove sistematicamente os efeitos de menor
ordem (GOODIN et al., 1993). A primeira derivada da curva de reflectância R com
relação ao comprimento de onda x em um determinado ponto “i” pode ser aproximada
numericamente por um esquema de diferenças finitas. O tipo de aproximação finita
escolhida para este trabalho foi a aproximação central ou symmetric, que é calculada de
acordo com a Equação 3.10:
x
RR
dx
dR ii
∆−
≅ −+
211 (3.10)
onde ∆x é a separação entre duas bandas sucessivas. Sendo ∆ x = xj-xk, considera-se que
xj>xk e que o intervalo entre as bandas seja constante. A aproximação para a segunda
derivada pode ser obtida a partir da primeira derivada usando-se a seguinte equação:
( )211
2
2 2
x
RRR
dx
dR
dx
d
dx
Rd iii
∆+−
≅
= −+ (3.11)
Esta técnica ressalta as mudanças bruscas de comportamento na curva espectral devido
à presença de componentes que favorecem a absorção e espalhamento do alvo. Deste
modo, ela permite a remoção do sinal de reflectância da superfície da água na primeira
derivada facilitando a detecção dos componentes presentes da água, principalmente
sedimentos em suspensão. A segunda derivada por sua vez, remove os efeitos da
turbidez causada pelo sedimento em suspensão evidenciado a presença de clorofila.
Deste modo, a análise derivativa remove a sobreposição de feições espectrais realçando
os componentes de menor intensidade que fazem parte da composição da resposta
espectral (HAN; RUNDQUIST, 1997; PHILPOT, 1991; GOODIN et al., 1993).
Uma importante fase do processamento dos dados está relacionada com a escolha dos
algoritmos de suavização (TSAI; PHILPOT, 1998), uma vez que cuidados devem ser
tomados para a aplicação dessa técnica em dados de sensoriamento remoto devido à
presença de ruídos nos dados. Os algoritmos de suavização devem ser adaptados de tal
forma a otimizar a redução dos ruídos, mas sem perder a acurácia dos dados. Neste
trabalho foram aplicados os filtros de média móvel (HAN; RUNDQUIST, 1997;
GOODIN et al., 1993) e blackman (EMERY; THOMSON, 2001), ambos de sete
pontos, para suavização dos ruídos.
39
3.3.4. Classificação dos dados
O algoritmo K-médias foi utilizado para a classificação dos espectros coletados em
campo, tanto para o mês de maio quanto para o mês de setembro, a fim de
compartimentar a água do reservatório. O k-médias é um método numérico que agrupa
dados com características comuns, além de explorar a estrutura do dado (TAN et al.,
2005; VERFAILLIE et al., 2009). Este método é direto, não necessita de conhecimento
prévio da distribuição dos dados (classificador não supervisionado), e não hierárquico
(MATHER, 1999). O k é o número de clusters (grupos) que se deseja obter e que devem
ser informados antecipadamente ao determinar as posições iniciais dos K centróides dos
clusters. Este algoritmo tem como função agrupar cada elemento ao cluster do centróide
mais próximo e recalcular os centros dos clusters a partir dos elementos agrupados
(SCHOWENGERDT, 2007). Como critério de convergência, pode ser empregado um
número máximo de interações, ou executar o algoritmo até que os centros não se
movam mais, ou apresentem uma mudança muito pequena.
Durante dos processos de interações são utilizados os métodos dos mínimos quadrados
e o ajustamento das médias (média móvel) (SCHOWENGERDT, 2007), onde o
programa tenta minimizar a soma dos resíduos do processo dos mínimos quadrados,
sobre todos os grupos e dentro de cada grupo isoladamente, em relação à distância de
cada objeto para o respectivo centróide de seu grupo. A convergência é alcançada
quando a função objetiva, o resíduo da soma dos quadrados, não pode mais ser
reduzida. Os agrupamentos obtidos são geometricamente os mais compactos possíveis,
em redor de seus respectivos centróides.
Porém existem dúvidas quanto ao melhor número de clusters (grupos) para a
classificação. Esse melhor número seria um número capaz de dividir os dados em
grupos com diferenças mínimas entre os dados em um determinado grupo e grandes
diferenças entre estes e os dados classificados em grupos diferentes. Neste trabalho foi
utilizado o valor silhouete (TAN et al., 2005) para testar o melhor número de grupos, de
2 a 7, no algoritmo k-médias. O valor silhouete é calculado através da equação 3.12:
)),(min(),(max(
)()),(min(()(
vibia
iavibis
−= (3.12)
40
Onde i é o valor de Rrs, s(i) é o valor silhouete, a(i) é a distância média da curva i a
outras curvas do mesmo cluster, b(i) é a distância média da curva i a curvas de cluster
diferentes, e (v) é referente ao número de variáveis analisadas. O valor do coeficiente
silhouete pode variar entre [-1, 1]. Valores negativos correspondem a casos em que as
Rrs foram classificadas em grupos errados, e valores positivos e próximos de 1 indicam
casos onde as Rrs foram agrupadas corretamente e distantes dos clusters vizinhos.
O algoritmo k-médias também foi utilizado para a classificação de imagens dos sensores
MERIS e MODIS dos dois períodos de coletas. Além disso, dados coletados em campo
foram utilizados para caracterizar a classificação realizada pelo algoritmo.
3.3.5. Análise de variância
Para verificar a diferença entre as épocas de cheia e de vazante do reservatório, foi
realizada a análise de variância (ANOVA), juntamente com os testes de Levene, de
Turkey e de Bonferroni, onde:
H0 = As médias dos dois conjuntos de dados são iguais
H1 = A média de um dos conjuntos de dados é diferente
O teste de Levene avalia a igualdade da variância em diferentes amostras, ou seja, avalia
a hipótese de que as variâncias da população em que as amostras foram retiradas sejam
iguais. Se o vapor-p resultante do teste de Levene for menor que algum valor crítico
(normalmente 0,05), as diferenças obtidas nas variâncias das amostras são improváveis
de terem ocorrido baseadas em amostragem randômica. Assim, a hipótese nula de
variâncias iguais é rejeitada e conclui-se que existe uma diferença entre as variâncias da
população. O teste de Turkey é um procedimento de comparação múltipla e geralmente
utilizado em conjunto com ANOVA para verificar quais médias são significativamente
diferentes das outras. Este teste compara todos os pares de médias possíveis,
identificando onde a diferença entre duas médias é maior que o erro padrão. O teste de
Bonferroni também é um teste de comparação de médias.
41
3.3.6. Análise de regressão linear
Para testar o desempenho dos produtos MERIS foi realizada uma análise de regressão
linear entre os dados coletados in situ, e os dados do produto nível 2, além dos gerados
pela aplicação dos processadores explicados anteriormente, para os períodos de coleta
de maio e setembro. As variáveis analisadas foram: concentração de clorofila-a, total de
sólidos em suspensão, coeficiente de absorção do fitoplâncton e da matéria orgânica
dissolvida, em 443 nm. Também foram analisados dados de profundidade de Secchi.
Para estimar concentração de clorofila-a e total de sólidos em suspensão, foram testados
algoritmos que utilizam dados de Rrs como entrada. A análise foi realizada para dados
de Rrs obtidos in situ pelo radiômetro Fieldspec, simulados para as bandas do sensor
MERIS, e dados de Rrs das imagens MERIS processadas pelo processador C2R. Em
relação à concentração de clorofila, os algoritmos testados foram os modelos de 3 e 2
bandas (equação 3.17 e 3.18, respectivamente), sugeridos por Gitelson (1992) e
Dall’Olmo et al. (2003) que utilizam reflectâncias na região do vermelho e
infravermelho próximo; além do modelo desenvolvido por Härma et al. (2001),
explanado pela equação 3.19.
7531
7081
665 *)(][ RRRachl −− −=− (3.17)
7081
665 *][ RRachl −=− (3.18)
)/()(][ 754665754705 RRRRachl −−=− (3.19)
Para estimar a concentração de total de sólidos em suspensão foram testados quatro
algoritmos desenvolvidos por Ouillon et al. (2008), sendo dois de duas bandas e dois de
três bandas. Os algoritmos são descritos nas equações abaixo. Esses algoritmos também
foram testados para estimar valores de turbidez.
620412/][ RRTSS = (3.20)
681510 /][ RRTSS = (3.21)
42
412681620 /*][ RRRTSS = (3.22)
510681620 /*][ RRRTSS = (3.23)
Para a análise de regressão entre os dados radiométricos coletados em campo e os
derivados das imagens MERIS foi necessário fazer algumas transformações para que os
dados se tornassem comparáveis. A reflectância derivada do produto MERIS nível 2 é
definida como:
)(/)(*)( λλπλρ dEL= (3.13)
Onde L é a radiância ascendente, Ed é a irradiância descendente e as unidades são
adimensionais. As reflectâncias derivadas utilizando os processadores são descritas
como:
)(/)()( λλλρ dEL= (3.14)
Portanto, para comparar esse valores com os derivados do produto nível 2 é preciso
multiplicar o resultado por π. Essa transformação também é necessária ao utilizar os
dados coletados em campo, tornando assim todos os conjuntos de dados comparáveis.
Para os produtos MERIS (nível 2 e processadores) foi utilizada a média de uma janela
3X3 pixels tendo o pixel de interesse ao centro.
3.3.7. Modelo de mistura
A ferramenta Spectral Unmixing do software BEAM foi aplicada nas imagens MERIS
nível 2 para decompor a reflectância espectral em um conjunto de determinados
espectros de referência (endmembers). O resultado é uma medida da contribuição
individual de cada endmember ao espectro de origem, ou seja, uma medida da
abundância de cada endmember. O algoritmo utilizado nessa ferramenta foi o Fully
Constrained LSU, onde a soma das abundâncias é igual a 1, sendo que os valores das
abundâncias não podem ser menores que zero. Esse algoritmo é baseado em um modelo
linear de mistura, que assume que um espectro é uma superposição linear dos
endmembers:
43
∑ +=n
ikkiik EaR ε,* (3.15)
= ∑m
kkm
RMSE 21 ε (3.16)
onde Rk é a reflectância de origem no comprimento de onda k; E ki , é a reflectância do
endmember i no comprimento de onda k; ia é a abundância do endmember i; kε é o
erro no comprimento de onda k; RMSE é o erro médio quadrático de kε ; n é número de
endmembers; e m é o número de comprimento de onda no espectro discreto. Os espetros
utilizados como endmembers foram espectros coletados nas áreas alagáveis do Rio
Amazonas, na região de Santarém, PA (BARBOSA, 2005). A escolha das referências
ocorreu de forma subjetiva e foi realizada a partir da análise dos gráficos das curvas
espectrais que fossem representativas para quatro classes de água distintas: água clara,
água com predomínio de matéria orgânica dissolvida, água com predomínio de matéria
inorgânica em suspensão e água com predomínio de fitoplâncton. Esses endmembers
foram utilizados, pois dentro das amostras da região de estudo não havia curvas
espectrais bem definidas para servirem de referência.
44
45
4 RESULTADOS E DISCUSSÃO
4.1. Caracterização limnológica do reservatório de Itumbiara
Os dados coletados no reservatório durante as duas saídas de campo apresentaram as
seguintes variações, mostradas nas Tabelas 4.1 e 4.2:
Tabela 4.1 - Descrição dos dados coletados durante a saída de campo de maio de 2009.
Mínimo Máximo Média Desvio Padrão Clorofila (µg/L) 0,88 2,70 1,56 0,41
TSS (mg/L) 0,60 1,54 1,04 0,25
COD (mg/L) 0,53 1,17 0,78 0,15
CID (mg/L) 2,46 3,22 2,90 0,16
Secchi (m) 2,00 6,00 4,18 1,08
Turbidez (NTU) 1,40 6,30 2,68 1,40
Temperatura (oC) 25,45 31,40 26,79 1,07
pH 7,48 7,90 7,63 0,13
Tabela 4.2 - Descrição dos dados coletados durante a saída de campo de setembro de 2009.
Mínimo Máximo Média Desvio Padrão Clorofila (µg/L) 0,25 10,02 3,93 3,03
TSS (mg/L) 0,25 1,81 1,12 0,40
COD (mg/L) 0,99 2,59 1,16 0,33
CID (mg/L) 3,08 3,76 3,27 0,19
Secchi (m) 4,00 7,00 5,50 0,82
Turbidez (NTU) 0,46 1,43 0,95 0,21
Temperatura (oC) 24,8 25,9 25,28 0,37
pH 6,29 7,90 6,99 0,47
A partir desses resultados é possível identificar uma maior transparência da água no mês
de setembro, e conseqüentemente uma menor turbidez, assim como uma maior
concentração de clorofila. Também há uma maior concentração de carbono orgânico e
inorgânico dissolvido. O valores médios de pH e temperatura da água diminuíram em
relação aos valores encontrados em maio.
Também foram coletadas amostras superficiais de água para determinação dos
coeficientes de absorção do material particulado, fitoplâncton e detritos, e matéria
orgânica dissolvida. A Figura 4.1 mostra as curvas de absorção encontradas nos meses
46
de maio e setembro. Pode se observar uma maior homogeneidade nos dados no período
de coleta do mês de setembro. Algumas curvas de absorção por detritos e CDOM do
mês de maio apresentam maiores valores, se destacando das demais. Na absorção por
detritos essas curvas se referem a pontos amostrais localizados próximos à barragem. Já
para a absorção por CDOM, a curva com maiores valores de absorção se refere ao ponto
amostral localizado na região do rio Corumbá. Para os dados de absorção do
fitoplâncton observa-se a influência de outros pigmentos fitoplanctônicos, além da
clorofila-a, no mês de maio. Em setembro, esse pigmento é dominante.
Fitoplâncton - maio
0.00
0.01
0.02
0.03
0.04
0.05
300 400 500 600 700
Comprimento de onda (nm)
a ph
(m-1)
Fitoplâncton - setembro
0
0.01
0.02
0.03
0.04
0.05
300 400 500 600 700
Comprimento de onda (nm)
a ph
(m-1
)
Detritos - maio
0.00
0.04
0.08
0.12
0.16
0.20
300 400 500 600 700
Comprimento de onda (nm)
a d (m
-1)
Detritos - setembro
0.00
0.04
0.08
0.12
0.16
0.20
300 400 500 600 700
Comprimento de onda (nm)
a d (
m-1)
CDOM - maio
0.0
0.1
0.2
0.3
0.4
0.5
0.6
300 400 500 600 700
Comprimento de onda (nm)
a CD
OM (
m-1)
CDOM - setembro
0
0.1
0.2
0.3
0.4
0.5
0.6
300 400 500 600 700
Comprimento de onda (nm)
a CD
OM (
m-1
)
Figura 4.1 - Espectros de absorção dos componentes opticamente ativos no reservatório de Itumbiara, para os meses de maio e setembro de 2009.
47
4.2. Dados de Sensoriamento Remoto
As curvas de Rrs coletadas em maio e setembro podem ser observadas na Figura 4.2.
Em maio, devido a problemas no equipamento, foram realizadas medidas com o
Fieldspec em apenas seis pontos amostrais. Para os dois períodos de coleta, as curvas
apresentaram um pico entre 500 e 600 nm, mostrando uma provável influência por
sedimentos inorgânicos em suspensão, pois o espectro de águas dominadas por esse
componente apresenta um aumento na reflectância, principalmente, na região entre 580
e 680 nm (NOVO et al., 1991). A resposta espectral do sedimento em suspensão
também varia de acordo com sua granulometria (CABRAL et al., 1990) e a origem e cor
do sedimento, sendo que no intervalo de 550 a 570 nm é observado um espalhamento
maior (CHOUBEY; SUBRAMANIAN, 1991; GITELSON; KEYDAN, 1990). As
curvas espectrais encontradas se assemelham as curvas encontradas por Liew et al.
(1999), com baixas concentrações de clorofila e de sedimentos em suspensão (Figura
4.3). No mês de setembro, observa-se um achatamento do pico. Goodin et al. (1993),
demonstraram, ao estudar a resposta fitoplanctônica, que as curvas de reflectância
sofrem um deslocamento de um pico bem definido em 550 nm, quando a água está
pouco túrbida, para um pico mais extenso e achatado que vai de 550 nm a 650 nm em
águas com níveis mais altos de turbidez. Esse resultado mostra o mascaramento do pico
na faixa do verde devido aos sedimentos em suspensão.
maio
0.00
0.01
0.02
0.03
0.04
0.05
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
setembro
0.00
0.01
0.02
0.03
0.04
0.05
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
Figura 4.2 – Espectros de Rrs obtidas em campo nos meses de maio e setembro de 2009.
48
Figura 4.3 – Espectros de reflectância representativos de águas costeiras do Caso II nas
proximidades de Cingapura, com baixas concentrações de clorofila (<3 µg/L) e total de sólidos em suspensão (<10 mg/L).
Fonte: Adaptado de Liew et al., 1999.
As dez primeiras bandas espectrais do sensor MERIS foram simuladas a partir das Rrs
obtidas em campo, de acordo com a técnica de integração de retângulos, mencionada
anteriormente. As Rrs nestas bandas foram comparadas com as Rrs geradas tanto pelo
produto MERIS nível 2 quanto pelas geradas pelos processadores utilizados neste
trabalho. De um modo geral, os processadores apresentaram um melhor desempenho do
que o produto nível 2. Este, em alguns casos, apresentou valores negativos nas bandas
de menores e maiores comprimentos de onda. Esses valores negativos estão
relacionados à correção atmosférica aplicada nesse produto que, segundo Dr. Milton
Kampel (comunicação pessoal), em breve será melhorada; informação essa obtida no
Ocean Colour Forum. Por esse motivo, apenas a comparação ilustrativa entre as Rrs
simuladas a partir de dados coletados em campo e as obtidas através da aplicação dos
processadores será mostrada (Figura 4.5 e Figura 4.7), para os dois períodos de coleta.
De um modo geral os processadores subestimaram os valores de Rrs in situ
encontrados, tanto no mês de maio quanto no mês de setembro. Isto pode ser devido à
diferença de data entre a aquisição dos dados em campo e as aquisições das imagens. A
imagem do mês de maio é de cinco dias antes do período de coleta, e a de setembro é de
um dia após o período de coleta. A localização dos pontos do mês de maio e de
setembro se encontra na Figura 4.4 e Figura 4.6, respectivamente. Em setembro, a
diferença entre os dados pode ser explicada, além da diferença de datas, pela ocorrência
49
de chuva durante o período da noite, depois do primeiro dia de coleta, contribuindo para
mudanças na composição da água.
O desempenho dos processadores foi melhor nas bandas espectrais localizadas na região
do vermelho, sendo que as diferenças mais evidentes se encontram nas bandas na região
do azul e verde do espectro eletromagnético. Essa maior diferença na região do azul
também foi encontrada por Ruiz-Verdú et al.(2008) e está relacionada à correção
atmosférica nessas bandas. Gons et al. (2008) também encontraram diferenças maiores
na região do azul, porém em relação aos produtos nível 2, indicando uma correção
atmosférica incompleta do produto utilizado. Os valores encontrados por Gons et al.
(2008) superestimaram os valores de reflectância in situ. Guanter et al. (2010)
propuseram a utilização do processador SCAPE-M (Self-Contained Atmospheric
Parameters Estimation for MERIS data) e compararam os resultados com os
encontrados pelos processadores utilizados neste trabalho. SCAPE-M obteve melhor
concordância com as reflectâncias de referência de campo, enquanto que os outros
processadores obtiveram melhor desempenho em águas escuras.
Figura 4.4 – Localização dos pontos de coleta de dados radiométricos no mês de maio.
50
P11
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITUC2RBOREUL
P12
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITUC2RBOREUL
P14
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800Comprimento de onda (nm)
Rrs
(sr
-1)
IN SITU
C2RBOR
EUL
P16
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr
-1)
IN SITUC2RBOREUL
P23
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr
-1)
IN SITUBORC2REUL
P25
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr
-1)
IN SITUC2RBOREUL
Figura 4.5 - Comparação entre as Rrs simuladas para as bandas do sensor MERIS (IN SITU) e
as obtidas pela aplicação dos processadores (C2R; BOR – Boreal; EUL – Eutrophic) para o mês de maio.
51
Figura 4.6 – Localização dos pontos de coleta de dados radiométricos no mês de setembro.
P1
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITUC2RBOREALEUL
P2
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P4
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUL
P5
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
Figura 4.7 - Comparação entre as Rrs simuladas para as bandas do sensor MERIS (IN SITU) e as obtidas pela aplicação dos processadores (C2R; BOR – Boreal; EUL - Eutrophic) para o mês de setembro. (continua)
52
P6
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)IN SITU
C2R
BOREAL
EUL
P7
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUL
P8
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P9
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P10
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P11
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P12
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P14
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
Figura 4.7 - Continuação. (continua)
53
P15
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P17
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P18
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P19
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P20
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P21
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P22
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr
-1)
IN SITU
C2R
BOREAL
EUT
P23
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
Figura 4.7 – Continuação. (continua)
54
P24
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
P25
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
400 500 600 700 800
Comprimento de onda (nm)
Rrs
(sr-1
)
IN SITU
C2R
BOREAL
EUT
Figura 4.7 – Conclusão.
Os dados coletados pelo radiômetro perfilador Satlantic foram: medidas de temperatura
da água (Figura 4.8), concentração de clorofila (fluorímetro) (Figura 4.9) e valores de
coeficientes de retro-espalhamento (bbp) do material particulado (Figura 4.10).
a)
0
4
8
12
16
20
26.5 26.7 26.9 27.1 27.3 27.5
Temperatura (oC)
Pro
fun
did
ade
(m
)
b) 0
4
8
12
16
20
23.5 24 24.5 25 25.5 26 26.5
Temperatura (oC)
Pro
fun
did
ade
(m)
Figura 4.8 – Perfis de temperatura em (a) maio e (b) setembro. Curvas destacadas representam
os pontos amostrais localizados nos rios Corumbá e Paranaíba.
O mês de setembro apresentou temperaturas mais baixas em relação às de maio,
provavelmente devido à ocorrência de frente fria e chuvas na região durante o período
de coleta diminuindo assim a temperatura da água. As curvas destacadas em preto nas
Figuras 4.8 a e b representam os pontos amostrais localizados nos rios Corumbá e
Paranaíba. As curvas nesses pontos, em maio e setembro, se apresentam de forma
diferenciada das demais, indicando uma diferença das águas dos braços do rio e do
corpo principal do reservatório, mostrando assim a influência dos rios nesse
reservatório. Nota-se também uma termoclina em torno dos 4 metros de profundidade
em maio, e em torno dos 8 metros em setembro. A análise espacial desses perfis será
mostrada mais adiante.
55
a)
0
4
8
12
16
20
0 0.2 0.4 0.6 0.8 1
Concentração de clorofila (ug/L)
Pro
fun
did
ad
e (
m)
b) 0
4
8
12
16
20
0 0.2 0.4 0.6 0.8 1
Concentração de clorofila (ug/L)P
rofu
ndi
dad
e (m
)
Figura 4.9 – Perfis de concentração de clorofila em a) maio e b) setembro.
Os perfis de concentração de clorofila-a (Figura 4.9) se mostram mais homogêneos no
mês de setembro, com um máximo subsuperficial de clorofila em torno dos 5 m de
profundidade. Na Figura 4.9a as curvas destacadas em preto são as que apresentaram
maiores valores de concentração de clorofila no mês de maio, cujos pontos amostrais
estão localizados no rio Corumbá, evidenciando mais uma vez a influência desse rio nas
águas do reservatório. A análise espacial desses perfis será mostrada mais adiante no
item 4.4.
a) 0
4
8
12
16
20
0 0.02 0.04 0.06 0.08 0.1 0.12
Bbp (470 nm)
Pro
fun
did
ad
e (
m)
b) 0
4
8
12
16
20
0 0.02 0.04 0.06 0.08 0.1 0.12
Bbp (470 nm)
Pro
fun
did
ade
(m)
Figura 4.10 – Perfis de coeficiente de retro-espalhamento do material particulado (Bbp) em a)
maio e b) setembro Os dados de retroespalhamento do material particulado indicam que os pontos amostrais
localizados no rio Corumbá apresentam os maiores valores (curvas destacadas Figura
4.10a). A partir desses dados pode se dividir o reservatório, no mês de maio, em dois
56
compartimentos, um o corpo principal do reservatório e o outro a área que compreende
o braço do rio. Em setembro (Figura 4.10b) não há muita diferença entre os perfis de
coeficiente de retro-espalhamento, mostrando que o reservatório, nesse período, se
encontra mais homogêneo.
4.3. Análise da contribuição relativa dos COAs
A partir dos coeficientes de absorção dos componentes opticamente ativos da água, foi
construído um diagrama triangular, indicando as importâncias relativas de cada
componente, para as duas saídas de campo. A Figura 4.11 mostra qual o componente
dominante nos dois períodos de coleta.
Figura 4.11 – Diagrama ternário indicando a importância relativa de cada componente opticamente ativo. Círculos pretos indicam dados do mês de maio, e quadrados vermelhos indicam dados do mês de setembro.
Nos dois períodos de coleta, fica evidente a dominância por detritos, ou seja, a parte
inorgânica do material particulado. No mês de maio algumas amostras indicam uma
maior contribuição de matéria orgânica dissolvida. Esse resultado corrobora os dados de
Rrs medidos em campo, demonstrados na Figura 4.2 deste documento. Em praticamente
todas as amostras analisadas, em maio e setembro, os detritos contribuíram com mais de
57
50% para a absorção total (descontando-se àquela pela água pura). O fitoplâncton
contribui, em média, com um pouco mais de 20% de todas as coletas. O CDOM
apresentou a menor contribuição relativa, ficando abaixo dos 40% em maio, e dos 25%
em setembro. Essa aparente maior contribuição do CDOM em maio se deve ao fato de
duas amostras apresentarem valores altos de contribuição relativa, cujos pontos
amostrais se localizam próximos ao rio Corumbá. De acordo com a metodologia
proposta por Prieur e Sathyendranath (1981), a água do reservatório de Itumbiara pode
ser classificada como do Caso II, dominada por detritos.
4.4. Análise espacial
A partir dos dados limnológicos coletados em campo, foi aplicada a análise por
krigeagem ordinária. O número de pontos amostrais em maio foi de 25, e em setembro
de 23. A distribuição da concentração de clorofila ao longo do corpo principal do
reservatório se mostra mais homogênea em maio e com valores relativamente menores
(Figura 4.12a). No mês de setembro houve um aumento da concentração desse
pigmento em determinadas regiões do reservatório. Esse aumento pode estar
relacionado a uma maior quantidade de luz nessa época do ano, propiciando assim o
desenvolvimento de organismos fitoplanctônicos. Porém, em ambos os períodos, há
uma maior concentração próxima ao rio Paranaíba, indicando-o como uma possível
fonte de clorofila, principalmente na época de vazante (Figura 4.12b).
a)
b)
Figura 4.12 – Krigeagem ordinária aplicada aos dados de concentração de clorofila (mg/L) em
a) maio e b) setembro.
Os dados de concentração de TSS não apresentaram grande variação espacial entre os
dois períodos estudados (Figura 4.13), porém valores de turbidez se mostraram maiores
no mês de maio (Figura 4.14), principalmente na região do rio Corumbá. Essa maior
58
turbidez pode ser explicada pelo escoamento de parte da água da chuva em direção ao
corpo d’água, anterior ao período de cheia, já que o reservatório se localiza em uma área
de vale, além da interferência das águas do rio Corumbá. Dados coletados no
reservatório de Corumbá pela Universidade Federal de Juiz de Fora, nos anos de 2004 e
2005, indicam uma turbidez maior do que o reservatório de Itumbiara.
a)
b)
Figura 4.13 – Krigeagem ordinária aplicada aos dados de concentração de total de sólidos em
suspensão (mg/L) para a) maio e b) setembro.
a)
b)
Figura 4.14 – Krigeagem ordinária aplicada aos dados de turbidez (NTU) para a) maio e b)
setembro.
Dados de concentração de carbono dissolvido também foram analisados espacialmente.
Como pode ser observado na Figura 4.15, as maiores concentrações ocorreram no mês
de setembro. O carbono inorgânico dissolvido apresentou uma maior contribuição em
relação ao total, além de maiores valores no mês de setembro (Figura 4.15). Um
máximo de carbono dissolvido pode ser observado, no mês de setembro, próximo ao rio
Corumbá. Este máximo é influenciado pela alta concentração de carbono orgânico
dissolvido nessa região nesse mesmo período, que pode estar relacionada à entrada de
matéria orgânica da bacia como resultado das chuvas durante a coleta. Essa fonte
59
pontual pode estar relacionada à plantação de cana, ou até mesmo presença de granjas
na região do entorno.
A krigeagem também foi aplicada aos dados de temperatura e pH coletados no
reservatório (Figura 4.16 e Figura 4.17). Em maio valores de pH se mostraram mais
homogêneos do que em setembro, quando as temperaturas se mostraram constantes, em
torno de 25ºC.
Carbono total - maio
Carbono total - setembro
COD - maio
COD - setembro
CID - maio
CID - setembro
Figura 4.15 – Krigeagem ordinária aplicada aos dados de concentração de carbono total
dissolvido (mg/L), carbono orgânico dissolvido (COD) e carbono inorgânico dissolvido (CID) para maio e setembro.
60
a)
b)
Figura 4.16 – Krigeagem ordinária aplicada aos dados de temperatura (oC) da superfície da água para a) maio e b) setembro.
a)
b)
Figura 4.17 – Krigeagem ordinária aplicada aos dados de pH coletados em a) maio e b)
setembro. Para uma melhor análise dos dados, a técnica de krigeagem foi aplicada para os
coeficientes de absorção do fitoplâncton, detritos e matéria orgânica dissolvida em 440
nm (Figura 4.18), onde todos componentes opticamente ativos são importantes. Para
uma melhor diferenciação entre o fitoplâncton e a matéria orgânica dissolvida, aplicou-
se a técnica para valores no comprimento de onda de 665 nm (GITELSON;
KONDRATYEV, 1991), identificando assim a real atuação do fitoplâncton (Figura
4.19).
61
aph - maio
aph - setembro
acdom - maio
acdom - setembro
adet - maio
adet - setembro
Figura 4.18 – Krigeagem ordinária aplicada aos dados de absorção do fitoplâncton, CDOM, e
detritos em 440 nm, para maio e setembro.
aph - maio
aph - setembro
Figura 4.19 – Krigeagem ordinária aplicada aos dados de absorção do fitoplâncton em 665 nm,
para maio e setembro.
62
Ao analisar a Figura 4.19 nota-se uma maior absorção, em 665 nm, na região próxima à
barragem em maio (Figura 4.19a). Nesse mês, as comportas são fechadas para acúmulo
da água para geração de energia. A região da barragem apresenta menor quantidade de
material em suspensão, o que aumenta a transparência da água. Com isso há uma maior
penetração da luz na coluna d’água, promovendo o desenvolvimento do fitoplâncton.
Em setembro observa-se uma maior absorção na região dos rios (Figura 4.19b), o que
pode ser explicado pela menor vazão dos rios nessa época, ocorrendo um acúmulo de
nutrientes na região dos rios, contribuindo, junto ao fato de maior quantidade de
radiação nesse mês, ao desenvolvimento dos organismos fitoplanctônicos.
Como dito anteriormente, os dados de perfilagem obtidos pelo Satlantic também foram
analisados espacialmente. Os valores de coeficiente de retro-espalhamento do material
particulado (Bbp), em 470 nm, foram analisados nas profundidades de 1, 5 e 9 m em
maio, e nas profundidades 1, 6 e 12 m em setembro. Tanto em maio como em setembro,
os valores se mantiveram constantes com aumento da profundidade, por isso apenas os
dados de 1 m serão mostrados (Figura 4.20).
a)
b)
Figura 4.20 – Krigeagem ordinária aplicada aos dados de Bbp (470 nm), em 1 m para a) maio e
b) setembro.
Analisando a Figura 4.20, nota-se que em maio ocorre maior espalhamento na área do
rio Corumbá, indicando uma presença maior de material particulado, e a influência
desse rio no reservatório nessa época. Já em setembro, o reservatório se apresenta mais
homogêneo. Os dados de concentração de clorofila foram analisados nas profundidades
de 2, 6 e 10 m em maio e setembro (Figura 4.21 e 4.22, respectivamente). Nota-se que
os rios Corumbá e Paranaíba são a principal fonte de clorofila no reservatório. Em
setembro (Figura 4.22) observa-se uma maior concentração na profundidade de 6 m.
63
2 m
6 m
10 m
Figura 4.21 – Krigeagem ordinária aplicada aos dados de concentração de clorofila coletados
em maio.
2 m
6 m
10 m
Figura 4.22 – Krigeagem ordinária aplicada aos dados de concentração de clorofila coletados
em setembro.
64
4.5. Análise derivativa
A análise derivativa dos espectros de Rrs in situ foi realizada em todos os comprimentos
de onda, de 400 a 800 nm, com resolução nominal de 3 nm. Para melhor análise dos
resultados, um filtro de média móvel de 7 pontos foi aplicado. Também foi testado o
filtro de Blackman. Os resultados não apresentaram grandes diferenças em relação aos
filtros utilizados, assim o filtro de média móvel foi utilizado neste trabalho.
Na Figura 4.23 pode se observar o resultado da primeira derivada aplicada aos espectros
de Rrs coletados em maio de 2009, evidenciando uma feição de absorção em 595 nm.
Como todos os espectros apresentaram comportamento semelhante, todos foram
agrupados em um único grupo. A melhor regressão linear encontrada entre a primeira
derivada e os COAs foi a regressão entre a primeira derivada e concentração de clorofila
(Figura 4.24), embora não tenha apresentado um coeficiente de determinação muito alto
(r2 = 0,35; p<0.0065).
-0.0010
-0.0008
-0.0006
-0.0004
-0.0002
0.0000
0.0002
0.0004
0.0006
0.0008
0.0010
400 450 500 550 600 650 700 750 800
Comprimento de onda (nm)
Prim
eira
Der
ivad
a
P11 P12 P14 P16 P23 P25
Figura 4.23 – Primeira derivada dos espectros de Rrs coletados em maio, com filtro de média móvel de 7 pontos.
65
y = 540.56x + 0.4136
R2 = 0.3522
0
0.1
0.2
0.3
0.4
0.5
-0.0008-0.0007-0.0006-0.0005-0.0004-0.0003-0.0002-0.00010
Primeira derivada
Log
10
(Ch
l-a)
Figura 4.24 – Regressão linear entre a primeira derivada em 595 nm e log10 (chl-a).
A segunda derivada também foi aplicada para remover os efeitos da turbidez e realçar a
presença de clorofila (Figura 4.25). Apesar da aparência ruidosa, nota-se um pequeno
pico na região de 600 nm, porém nenhuma correlação foi encontrada com os COAs.
-0.00010
-0.00008
-0.00006
-0.00004
-0.00002
0.00000
0.00002
0.00004
0.00006
0.00008
0.00010
400 450 500 550 600 650 700 750 800
Comprimento de onda (nm)
Seg
un
da
Der
ivad
a
P11 P12 P14 P16 P23 P25
Figura 4.25 – Segunda derivada dos espectros de Rrs coletados em maio, com filtro de média
móvel de 7 pontos.
A análise derivativa também foi aplicada para os dados coletados na saída de campo de
setembro. A Figura 4.26 mostra a aplicação da primeira derivada sobre os espectros de
Rrs. Um regressão linear satisfatória (r2 = 0.25, p<0,00013) foi encontrada entre a
primeira derivada e a concentração de clorofila (Figura 4.27). A aplicação da segunda
derivada pode ser vista na Figura 4.28, que apresenta um pequeno pico em torno de 600
nm. A regressão linear entre a segunda derivada e a concentração de clorofila (log10)
apresentou valores de r2= 0.20 e de p<0,00006. Com base em todos esses resultados,
66
conclui-se que a análise derivativa não foi satisfatória para o conjunto de dados
estudado.
-0.0010
-0.0008
-0.0006
-0.0004
-0.0002
0.0000
0.0002
0.0004
0.0006
0.0008
0.0010
400 450 500 550 600 650 700 750 800
Comprimento de onda (nm)
Pri
me
ira
de
riva
da
p1 p2 p4 p5 p6 p7 p8 p9 p10 p11 p12p14 p15 p17 p18 p19 p20 p21 p22 p23 p24 p25
Figura 4.26 – Primeira derivada aplicada aos dados de Rrs coletados em setembro, com filtro de
média móvel de 7 pontos.
y = 1706.5x + 0.9307
R2 = 0.2494
0
0.2
0.4
0.6
0.8
1
1.2
-0.0007-0.0006-0.0005-0.0004-0.0003-0.0002-0.00010
Primeira Derivada
Lo
g 10 (
Ch
l-a)
Figura 4.27 – Regressão linear entre a primeira derivada em 595 nm e log10 (Chl-a).
67
-0.0003
-0.0002
-0.0001
0.0000
0.0001
0.0002
0.0003
400 450 500 550 600 650 700 750 800
Comprimento de onda (nm)
Seg
und
a D
eri
vada
p1 p2 p4 p5 p6 p7 p8 p9 p10 p11 p12p14 p15 p17 p18 p19 p20 p21 p22 p23 p24 p25
Figura 4.28 – Segunda derivada aplicada aos dados de Rrs coletados em setembro, com filtro de média móvel de 7 pontos.
4.6. Classificação dos dados
O algoritmo K-médias foi utilizado para classificar as imagens MERIS produto nível 2,
adquiridas para o presente trabalho (07/05/2009 e 12/09/2009). Também foram
utilizadas imagens MODIS produto MYD09 (10/05/2009 e 10/09/2009) para
comparação. Os resultados de ambas as classificações se encontram na Figura 4.29.
MERIS – 07/05/2009
MERIS – 12/09/2009
MODIS – 10/05/2009
MODIS – 10/09/2009
Figura 4.29 – Classificação das imagens MERIS e MODIS pelo algoritmo k-médias, para maio
e setembro.
68
A classificação das imagens de maio sugere uma contribuição do rio Corumbá para a
água do reservatório, tanto para imagens MERIS quanto MODIS, dividindo assim o
reservatório em duas regiões. Uma região compreendida pelo braço do rio, e a outra
compreendida pelo corpo principal do reservatório. Essa influência do rio pode ser
explicada pelo fato de maio ser um período de cheia, ainda influenciado pelas chuvas,
ocorrendo escoamento da água da superfície do entorno para dentro do rio, tendo como
destino final o reservatório. Além disso, o rio Corumbá apresenta altos valores de
material em suspensão, conforme encontrado nos resultados da análise espacial do Bbp,
através da perfilagem do sensor Satlantic.
Para o mês de setembro, a classificação apresentou um resultado mais homogêneo, tanto
para imagens MERIS quanto para MODIS. Isto também pode ser observado nos dados
de Bbp coletados em setembro pelo sensor Satlantic. A classe de cor azul claro na
imagem MODIS de setembro é devido à presença de nuvens na região. Com base nesses
resultados, pode se afirmar que tanto as imagens MERIS como as imagens MODIS
foram eficientes para classificar as águas do reservatório.
Para os dados espectrais coletados em campo com o radiômetro Fieldspec, o algoritmo
K-médias também foi aplicado, conforme descrito no item materiais e métodos. A
Figura 4.30 mostra os resultados encontrados para maio (Figura 4.30a) e setembro
(Figura 4.30b). Para se definir o melhor agrupamento é necessário verificar o valor
silhouete, conforme descrito no item materiais e métodos. Valores negativos indicam
que o algoritmo não conseguiu separar os espectros, ocorrendo assim uma confusão.
Valores maiores que 0,5 indicam uma boa separação pelo algoritmo. Em maio o
algoritmo separou os espectros em dois grupos, confirmando o resultado obtido pela
classificação das imagens. Já em setembro, o melhor resultado foi obtido pela separação
dos espectros em 4 grupos, ainda que com um valor negativo.
69
a)
b)
Figura 4.30 – Resultado da aplicação do algoritmo K-médias para os dados de Rrs obtidos em
campo em a) maio e b) setembro.
4.7. Modelo de mistura
A partir da aplicação da ferramenta Spectral Unmixing do software BEAM foi possível
construir mapas de abundância dos componentes opticamente ativos presentes na água
do reservatório. Os mapas resultantes da coleta de maio estão na Figura 4.31, e os de
setembro estão na Figura 4.32. Também foi realizada uma composição RGB com esses
mapas para uma melhor visualização dos resultados, sendo sedimentos na banda do
vermelho, clorofila na banda do verde, e matéria orgânica dissolvida na banda do azul
(Figura 4.33).
70
Clorofila
Matéria orgânica
Sedimentos
Água Clara
Figura 4.31 – Mapas de abundância dos COAs em maio.
71
Clorofila
Matéria orgânica
Sedimentos
Água Clara
Figura 4.32 – Mapas de abundância do COAs em setembro.
No mês de maio observa-se uma dominância de matéria orgânica dissolvida na região
do rio Corumbá, confirmando os dados de absorção desse componente coletados em
campo (Figura 4.18). Em setembro observa-se uma maior abundância relativa de
clorofila, em relação ao mês de maio, no braço do rio Corumbá, além de um pequeno
aumento de sedimentos. Também se verifica uma dominância de água clara no corpo
principal do reservatório, corroborando os valores de profundidade de Secchi
encontrados nos dois períodos de coleta.
72
(a)
(b)
Figura 4.33 – Composição RGB (R (sedimentos) G (clorofila) B (matéria orgânica)) dos mapas
de abundância de maio (a) e setembro (b).
A composição RGB dos mapas de abundância (Figura 4.30) mostra a dominância da
matéria orgânica dissolvida na região do rio Corumbá, nos dois períodos de coleta,
evidenciando a influência desse rio no sistema como um todo. Porém esses resultados
não corroboram os dados de contribuição relativa, onde se encontrou uma dominância
por detritos, mesmo a água do reservatório sendo bastante clara. Os dados de absorção
foram coletados ao longo do corpo principal do reservatório, e não nos braços dos rios,
o que pode explicar essa diferença de resultados.
A maior quantidade de matéria orgânica no período da cheia pode ser explicada pelo
fato do nível da água do reservatório variar em torno de 10 metros de um período para o
outro. Assim quando o nível aumenta, a água deixa toda a vegetação que cresceu
durante o período de seca submersa, contribuindo para o aumento da matéria orgânica
dissolvida. Além disso, em maio há uma maior entrada de água no reservatório devido
às chuvas, e como o reservatório de Itumbiara se localiza em uma área de vale, com
duas grandes cadeias de montanhas formando os limites de sua bacia, parte da água
escoada resultante da chuva, contendo matéria orgânica e inorgânica, tem como destino
final o reservatório.
73
4.8. Análise de regressão linear
Para testar o desempenho dos produtos MERIS foi realizada uma análise de regressão
linear entre os dados coletados in situ, e os dados MERIS, tanto do produto nível 2
quanto os gerados pela aplicação dos processadores explicados anteriormente. As
variáveis analisadas foram: concentração de clorofila-a, total de sólidos em suspensão,
coeficiente de absorção do fitoplâncton e da matéria orgânica dissolvida, em 443 nm.
Para os dados do mês de maio, o melhor resultado obtido, em termos de concentração
de clorofila, foi o obtido pela regressão entre dados in situ e os dados gerados pelo
processador C2R (r2 = 0,65, rmse = 0,56). Para total de sólidos em suspensão os
melhores resultados foram obtidos com o produto MERIS nível 2, e também pelo
processador C2R (r2 = 0,26 e rmse = 0,31; r2 = 0,26 e rmse = 0,52, respectivamente).
Em relação aos coeficientes de absorção, o melhor resultado foi obtido entre coeficiente
de absorção do cdom in situ e dados do processador boreal (r2 = 0,76, rmse = 0,24),
desenvolvidos para lagos de região boreal. Este melhor desempenho do processador
boreal pode ser explicado pelo fato de que lagos boreais apresentam grandes
quantidades de matéria orgânica dissolvida.
As análises das coletas de setembro apresentaram resultados mais baixos em relação aos
de maio. Para concentração de clorofila, o resultado mais satisfatório encontrado foi
entre os dados in situ e os dados gerados pelo processador de lagos eutróficos (r2 = 0,14,
rmse = 0,41), porém as concentrações de clorofila encontradas no reservatório de
Itumbiara são muito abaixo do que se encontra em lagos eutrofizados. De acordo com o
Índice de estado Trófico (IET) da CETESB (Companhia Ambiental do Estado de São
Paulo), um reservatório é considerado eutrófico quando apresenta, entre outras
características, concentração de clorofila entre 11 e 30 µg/L. Uma explicação do
processador de lagos eutróficos ter apresentado o melhor resultado é que esse
processador foi treinado com valores de clorofila entre 1 e 120 µg/L. Para os dados de
total de sólidos em suspensão e coeficiente de absorção do fitoplâncton, as regressões
lineares não apresentaram bons resultados. Para coeficiente de matéria orgânica
dissolvida o melhor resultado encontrado (r2 = 0,40, rmse = 0,21) foi a partir de dados
do processador de lagos eutróficos novamente.
74
O processador C2R possui os produtos Z90 e K_min, que indicam a profundidade de
onde 90% da luz refletida da água se originam e coeficiente de atenuação da irradiância
descendente no comprimento de onda de máxima transparência, respectivamente. Esses
produtos foram comparados com a profundidade da zona eufótica (Zeu) e coeficiente de
atenuação da luz (K), calculados a partir dos dados de profundidade de Secchi. Para
maio os resultados encontrados foram bons, sendo obtido um r2 = 0,70 e rmse = 0,47
para a regressão linear entre Zeu e Z90; e r2 = 0,86 e rmse = 0,20 entre K e K_min. Para
os dados de setembro os resultados não foram significativos, apresentado valores de
coeficiente de determinação muito baixos.
Para estimar a concentração de clorofila e total de sólidos em suspensão a partir de
dados de Rrs, vários algoritmos foram testados. Primeiramente serão apresentados e
discutidos os resultados dos dados coletados no mês de maio, tanto para valores de Rrs
in situ quanto para valores de Rrs derivados do processador C2R. Em relação à
concentração de clorofila, os três modelos utilizados apresentaram bons resultados para
valores de Rrs do processador C2R (Figura 4.34). A Figura 4.35 mostra os melhores
resultados a partir de dados obtidos in situ. Esse bom desempenho dos algoritmos é
também demonstrado em outros trabalhos (Härma et al. 2001, Gitelson et al. 2009,
Moses et al. 2009a, Moses et al. 2009b).
75
(a)
(b)
(c)
Figura 4.34 – Relação entre concentração de chl-a medida in situ e a (a) estimada pelo algoritmo
de 3 bandas, (b) estimada pelo modelo de 2 bandas, (c) estimada pelo algoritmo de Härma et al. (2001) para dados do processador C2R para a coleta de maio.
Para os dados de Rrs obtidos pelo Fieldspec os resultados não foram tão robustos, sendo
que os melhores desempenhos foram obtidos pelo modelo de 2 bandas e pelo
desenvolvido por Härma et al. (2001) (Figura 4.35). Deve se ficar atento ao fato de que
no mês de maio foram feitas apenas 6 medidas com o radiômetro Fieldspec, e que, para
fins de comparação, os mesmos pontos foram selecionados para os dados do
processador C2R.
(a)
(b)
Figura 4.35 – Relação entre concentração de chl-a medida in situ e a (a) estimada pelo algoritmo
de 3 bandas, (b) estimada pelo modelo de 2 bandas para dados do Fieldspec para coleta de maio.
76
Dentre os algoritmos testados para estimar concentração de total de sólidos em
suspensão os que apresentaram melhor desempenho, para dados coletados em maio,
foram a razão entre as bandas 4 e 8 para dados de Rrs do processador C2R (r2 = 0,12;
rmse = 0,09), e a razão entra as bandas 1 e 6 para dados de Rrs obtidos pelo Fieldspec
(r2 = 0,5; rmse = 0,07) (Figura 4.36a). Já para turbidez os melhores valores foram
encontrados para o algoritmo 510681620 /* RRR , tanto para dados do processador C2R
quanto para dados do Fieldspec (Figura 4.36b) (r2 = 0,39; rmse = 0,10 e r2 = 0,59; rmse
= 0,05, respectivamente).
(a)
(b)
Figura 4.36 – Relação entre concentração de TSS in situ e a estimada pelo algoritmo
R510/R681 (a) e entre turbidez in situ e a estimada pelo algoritmo R620*R681/R510 (b) para dados de Rrs do Fieldspec para coleta de maio.
Para o mês de setembro, os resultados não significativos. Por este motivo, para valores
de concentração de clorofila-a, decidiu-se dividir os pontos de amostragem de acordo
com a espacialização dos dados de clorofila-a resultante da aplicação do método de
krigeagem espacial. Dessa forma, testou-se retirar os pontos de concentração mais
baixa, e, em outro teste, retirar os de concentração mais alta. Os melhores valores foram
encontrados para dados de Rrs derivados do processador C2R, com valores de clorofila
maiores, sendo que o modelo de 3 bandas apresentou r2 = 0,15 e rmse = 0,20; o modelo
de 2 bandas r2 = 0,17 e rmse = 0,20; e o modelo de Härma et al. (2001) r2 = 0,17 e rmse
= 0,16. Esses baixos valores podem ser explicados pelo fato de que, no segundo dia de
coleta houve pancadas de chuva à noite, contribuindo para a diferença entre os valores
de clorofila – a encontrados em campo.
Para os dados de TSS não houve nenhuma divisão. Os melhores valores foram
encontrados com aplicação da razão de bandas R510/R681 (r2 = 0,12 e rmse = 0,18) e
R412/R620 (r2 = 0,14 e rmse = 0,18) para dados de Rrs derivados do processador C2R e
77
dados derivados do Fieldspec, respectivamente. Para turbidez obteve-se o melhor
resultado através da relação entre a razão de bandas R412/R620, para dados de Rrs
derivados do processador C2R, e os valores in situ (r2 = 0,24 e rmse = 0,09).
4.9. Análise de variância
Para verificar se os dados apresentavam diferenças significativas de um período de
coleta para o outro, foram aplicados uma análise de variância (ANOVA) e testes de
comparação de médias, conforme descrito no item materiais e métodos. Os valores de
concentração de clorofila apresentaram médias e variâncias significativamente
diferentes (ANOVA: teste F = 14,96 e p-valor = 0,00034) de um período para outro
(Figura 4.37). Os coeficientes de absorção de detritos também apresentaram médias e
variâncias significativamente diferentes (ANOVA: teste F = 16,54 e p-valor = 0,00018)
(Figura 4.38). Já os valores de TSS apresentaram médias significativamente não
diferentes (ANOVA: teste F = 0,56 e p-valor = 0,45633), porém com variâncias
significativamente diferentes, de acordo com o teste de Levene (Figura 4.39).
Coeficientes de absorção do CDOM (Figura 4.40) e valores de temperatura (Figura
4.41) apresentaram médias significativamente diferentes, mas com variâncias
significativamente não diferentes (ANOVA: teste F = 7,28 e p-valor = 0,01008; teste F
= 41,93 e p-valor = 0, 00000, respectivamente). Para valores de coeficiente de absorção
do fitoplâncton (Figura 4.42), os resultados dos testes indicam médias e variâncias
significativamente não diferentes (ANOVA: teste F = 2,83141 e p-valor = 0.09921).
Figura 4.37 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de clorofila
nos dois períodos de coleta.
78
Figura 4.38 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de absorção
dos detritos em 440 nm, nos dois períodos de coleta.
Figura 4.39 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de total de
sólidos em suspensão, nos dois períodos de coleta.
79
Figura 4.40 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de absorção do
cdom em 440 nm, nos dois períodos de coleta.
Figura 4.41 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de
temperatura, nos dois períodos de coleta.
80
Figura 4.42 – Variação (média, erro padrão (SE), desvio padrão (SD)) dos dados de absorção do
fitoplâncton em 440 nm, nos dois períodos de coleta.
81
5 CONCLUSÃO
Este trabalho procurou caracterizar bio-opticamente a água do reservatório de
Itumbiara, a partir de dados orbitais do sensor MERIS e dados in situ, verificando assim
a capacidade deste sensor em diferenciar os componentes opticamente ativos na água
em um reservatório localizado em região tropical. De acordo com os resultados
encontrados da análise de dados in situ, conclui-se que o componente opticamente ativo
dominante no reservatório de Itumbiara é o material particulado inorgânico, nos dois
períodos de coleta, cheia e vazante. Isto é demonstrado pelo diagrama triangular, que
indica as importâncias relativas de cada COA, construído para os dois períodos.
De um modo geral os dados MERIS utilizados subestimaram os valores de Rrs
encontrados no campo, tanto para maio como para setembro. Os produtos das imagens
nível 2 e os derivados dos processadores não apresentaram resultados muito robustos,
principalmente em setembro, quando comparados com dados medidos in situ. As
diferenças observadas podem ser devidas ao fato de que os algoritmos utilizados na
geração desses produtos foram treinados com dados adquiridos em lagos da Finlândia e
Espanha e não em ambientes tropicais como o da área de estudo.
A classificação das imagens MERIS sugere uma divisão do reservatório em maio,
período de cheia, em dois compartimentos. Um sendo a região do rio Corumbá e o outro
o corpo do reservatório como um todo. Em setembro, época de vazante, o reservatório
se apresenta de forma mais homogênea, não sendo, portanto, compartimentado. Essas
situações também são mostradas na classificação das imagens MODIS, produto
MYD09, corroborando assim os resultados encontrados. Os dados coletados pelo
perfilador Satlantic, tais como concentração de clorofila, temperatura da água e
coeficiente de retroespalhamento do material particulado também confirmam estes
resultados.
Os dados limnológicos coletados em campo indicam que o reservatório de Itumbiara
apresenta água bastante clara, com pouca concentração de clorofila e sólidos em
suspensão. Estes dados também mostram uma forte influência do rio Corumbá no
reservatório, principalmente no período de cheia. Já o rio Paranaíba pode ser visto como
uma fonte de clorofila para o reservatório, principalmente no período de vazante.
82
Para futuros trabalhos sugere-se aplicação de outros métodos de correção atmosférica
nos dados do sensor MERIS, para uma nova validação de seus produtos, além de uma
comparação com produtos de outros sensores, como o MODIS, por exemplo. Também é
importante aumentar o número de amostras dos dados coletados em campo, já que o
reservatório de Itumbiara possui uma grande extensão de aproximadamente 28 km, além
de incluir mais pontos nos braços dos rios Corumbá e Paranaíba, que conforme
indicado, interferem na dinâmica do reservatório, aumentando assim a robustez
estatística. A aquisição e utilização de um maior número de imagens, de preferência, em
datas concomitantes às datas de coletas in situ, também é importante, pois a diferença
temporal pode contribuir para as diferenças nas comparações entre dados de satélite e
dados de campo.
A utilização de dados das propriedades ópticas inerentes da água de reservatórios, no
Brasil, ainda não é muito difundida, apesar de ser amplamente realizada em trabalhos de
águas oceânicas e costeiras. Além disso, dados do sensor MERIS geralmente não são
utilizados para caracterização de águas interiores no país. Portanto, este trabalho se
apresenta como uma contribuição à utilização desses dados em águas interiores,
esperando, assim, auxiliar e colaborar com trabalhos futuros.
83
REFERÊNCIAS BIBLIOGRÁFICAS
ALCÂNTARA, E. H. Análise da turbidez na planície de inundação de Curuaí (PA, Brasil) integrando dados telemétricos e imagens MODIS/TERRA. 2006. 220 p. (INPE-14621-TDI/1200). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2006. Disponível em: <http://urlib.net/sid.inpe.br/mtc-m17@80/2007/02.15.17.09>. Acesso em: 12 janeiro 2010.
ALCÂNTARA, E.; NOVO, E.; STECH, J.; ASSIREU, A.; NASCIMENTO, R.; LORENZZETTI, J.; SOUZA, A. Integrating historical topographic maps and SRTM data to derive the bathymetry of a tropical reservoir. São José dos Campos: INPE, 2009-10-01. (INPE ePrint sid.inpe.br/mtc-m18@80/2009/09.30.22.11). Disponível em: <http://urlib.net/sid.inpe.br/mtc-m18@80/2009/09.30.22.11>. Acesso em: 27 abril 2010.
ALIKAS, K.; REINART, A. Validation of the MERIS products on large European lakes: Peipsi, Vänern and Vättern. Hydrobiologia, v. 599, p. 161-168, 2008.
ARMENGOL, J.; GARCIA, J. C.; COMERMA, M.; ROMERO, M.; DOLZ, J.; ROURA, M.; HAN, B. H.; VIDAL, A.; SIMEK, K. Longitudinal processes in canyon type reservoir: the case of Sau (N.E. Spain). In: TUNDISI, J. G.; STRASKRABA, M. (Ed.). Theoretical reservoir ecology and its applications.: Academia Brasileira de Ciências & Backhuys Publishers, 1999, p. 313-345.
ARST, H. Optical properties and remote sensing of multicomponental waters bodies. Chichester, UK: Praxis Publishing Ltd, 2003. 231 p.
ATKINSON, P. M. Optimal ground-based sampling for remote sensing investigations: estimating the regional mean. International Jounal of Remote Sensing, v. 12, p. 559-657, 1991.
BARBOSA, C. C. F. Sensoriamento remoto da dinâmica de circulação da água do sistema planície de Curai/Rio Amazonas. 2005. 286 p. (INPE-14614-TDI/1193). Tese (Doutorado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2005. Disponível em: <http://urlib.net/sid.inpe.br/MTC-m13@80/2006/02.22.15.03>. Acesso em: 16 novembro 2009.
BARRÉ, N.; PROVOST, C.; SARACENO, M. Spatial and temporal scales of the Brazil-Malvinas Current confluence documented by simultaneous MODIS Aqua 1.1 km resolution SST and color images. Advances in Space Research., v. 37, n. 4, p. 770-786, 2006.
BAZZOLI, N.; MESQUITA, T. L.; SANTOS, G. B.; RIZZO, E. Análise comparativa da reprodução de Astyanax bimaculatus (Pisces: Characidae) nos reservatórios de Furnas, Marimbondo e Itumbiara. Bios, v. 5, n. 5, p. 7-15, 1997.
BERNACSECK, G. M. Guidelines for dam design and operation to optimize fish production in impounded river basins; based on a review of the ecological effects of large dams in África. CIFE Technical Paper, p. 98p, 1984.
84
BRIVIO, P. A.; GIARDINO, C.; ZILIOLI, E. Determination of chlorophyll concentration changes in Lake Garda using imaged-based radiative transfer code for Landsat TM images. International Jounal of Remote Sensing, v. 22, n. 2 & 3, p. 487-502, 2001.
BUKATA, R. P.; JEROME, J. H.; KONDRATYEV, K. y.; POZDNYAKOV, D. V. Optical properties and remote sensing of inland coastal water. Florida, CRC Press, 1995.
BUTLER, W. L. Absorption of light by turbid materials. J. Opt. Soc. Amer., v. 52, p. 292-299, 1962.
CABRAL, A. P.; MANTOVANI, J. E.; COSTA, M. P. F.; LIMA, R. A. F.; NOVO, E. M. L. M. Efeitos da concentração e da granulometria na assinatura espectral do material inorgânico em suspensão. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 6, 1990, Manaus. Anais...São José dos Campos: INPE, 1990. p. 496-504. ISBN 978-85-17-00051-5.
CAMARGO, E. C. G.; FUCKS, S. D.; CÂMARA, G. Análise Espacial de Superfícies. In: DRUCKS, S.; CARVALHO, M. S.; CÂMARA, G.; MONTEIRO, A. V. M. (Ed.). Análise Espacial de Dados Geográficos. Brasília: EMBRAPA, 2004.
CHEN, Z.; CHUANMIN, H.; MULLER-KARGER, F. Monitoring turbidity in Tampa Bay using MODIS/Aqua 250 m imagery. Remote Sensing of Environment, v. 109, n. 2, p. 207-220, 2007.
CHOUBEY, V. K.; SUBRAMANIAN, V. Spectral response of suspended sediments in water under controlled conditions. Journal of Hydrology, v. 122, p. 301-308, 1991.
CIOTTI, A. M. Fundamentos e aplicações de dados bio-ópticos em oceanografia biológica. In: Souza, R. B. d. (Ed.). Oceanografia por Satélites. São Paulo: Oficina de Textos, 2005. cap. 14, p.205-219.
DALL'OLMO, G.; GITELSON, A. A.; RUNDQUIST, D. C. Towards a unified approach for remote estimation of chlorophyll-a in both terrestrial vegetation and turbid productive waters. Geophysical Research Letters, v. 30, n. 18, p. HLS1.1-HLS1.4, 2003.
DEKKER, A. G. Detection of optical water quality parameters for eutrophic waters by high resolution remote sensing. 240 p. Thesis – University of Amsterdam, 1993.
DEKKER, A. G.; MALTHUS, T. J.; HOOGENBOOM, H. J. The remote sensing of inland water quality. In: DANSON, F. M.; PLUMER, S. E. (Ed.). Advances in Environmental Remote Sensing. New York: John Wiley & Sons, 1995, p. 123-142.
DEKKER, A. G.; VOS, R. J.; PETERS, S. W. M. Comparison of remote sensing data, model results and in situ data for total suspended matter (TSM) in the southern Frisian lakes. The Science of the Total Environment, v. 268, p. 197-214, 2001.
DEUTSCH, C. V.; JOURNEL, A. G. GSLIB Geostatistical software library and user’s guide. New York: Oxford University Press, 1998. 369 p.
85
DI-GREGÓRIO, A. Land Cover Classification System (LCCS), version 2: classification concepts and user manual FAO Environment and Natural Resources Series. Rome: FAO, 2005. 208 p.
DOERFFER, R.; SCHILLER, H. MERIS lake water project - lake water algorithm for BEAM ATBD. GKSS Research Center 21502 Geesthacht. Version 1, 2008a.
___. MERIS regional coastal and lake case 2 water project - atmospheric correction ATBD. GKSS Research Center 21502 Geesthacht. Version 1, 2008b.
EMERY, W. J.; THOMSON, R. E. Data analysis methods in physical oceanography. 2nd Ed, Elsevier Science B. V., 2001.
ESTEVES, F. A. Fundamentos de limnologia. Rio de Janeiro: Interciência: FINEP, 1988. 575p.
FELGUEIRAS, C. A. Modelagem ambiental com tratamento de incertezas em sistemas de informação geográfica: o paradigma geoestatístico por indicação. 212 p.(INPE-8180-TDI/760). Tese (Doutorado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais - INPE, São José dos Campos, 1999.
FOREL, F. A. Le Léman: monografie limnologique. Tome 1. Géographie, Hidrographie, Géologie, Climatologie, Hydrologie. Lausanne: F. Rouge, 1982.
FOUGNIE, B.; FROUIN, R.; LECOMTE, P.; DESCHAMPS, P. Y. Reduction of Skylight Reflection Effects in the Above-Water Measurement of Diffuse Marine Reflectance. Applied Optics, v. 38, n. 18, p. 3844-3856, 1999.
FURNAS. Relatório sócio-ambiental 2008. O fio que nos une. FURNAS – Centrais Elétricas S.A., 2008. 23 p.
GITELSON, A. The peak near 700 nm on radiance spectra of algae and water: Relationships of its magnitude and position with chlorophyll concentration. International Journal of Remote Sensing, v. 13, p. 3367-3373, 1992.
GITELSON, A. A.; GURLIN, D.; MOSES, W. J.; BARROW, T. A bio-optical algorithm for the remote estimation of the chlorophyll-a concentration in case 2 waters. Environmental Research Letters, v. 4, p. 5 (045003), 2009.
GITELSON, A. A.; KEYDAN, G. P. Remote sensing of inland surface water quality - measurements in the visible spectrum. Acta hydrophys, v. 34, n. 1, p. 5-27, 1990.
GITELSON, A. A.; KONDRATYEV, K. Y. Optical models of mesotrophic and eutrophic water bodies. International Journal of Remote Sensing, v. 12, n. 3, p. 373-385, 1991.
GONS, H. J.; AUER, M. T.; EFFLER, S. W. MERIS satellite chlorophyll mapping of oligotrophic and eutrophic waters in the Laurentian Great Lakes. Remote Sensing of Environment, v. 112, p. 4098-4106, 2008.
86
GOODIN, D. G.; HAN, L.; FRASER, R. N.; RUNDQUIST, C.; STEBBINS, W. A.; SCHALLES, J. F. Analysis of suspended solids in water using remotely sensed high resolution derivative spectra. Photogramm. Eng. Remote Sensing, v. 59, n. 4, p. 505-510, 1993.
GORDON, H. R.; MOREL, A. Remote assessment of ocean color for interpretation of satellite visible imagery: A review. Lecture Notes on Coastal Estuarine Studies, v. 4, p. 114, 1983.
GUANTER, L.; RUIZ-VERDÚ, A.; ODERMATT, D.; GIARDINO, C.; SIMIS, S.; ESTELLÉS, V.; HEEGE, T.; DOMÍNGUEZ-GÓMEZ, J. A.; MORENO, J. Atmospheric correction of ENVISAT/MERIS data over inland waters: validation for European lakes. Remote Sensing of Environment v. 114, n. 3, p. 467–480, 2010.
HAN, L.; RUNDQUIST, D. C. Comparison of NIR/RED ratio and first derivative of reflectance in estimating algal-chlorophyll concentration: a case study in a turbid reservoir. Remote Sensing of Environment, v. 62, n. 3, p. 253-261, 1997.
HÄRMA, P.; VEPSÄLÄINEN, J.; HANNONEN, T.; PYHÄLAHTI, T.; KÄMARI, J.; KALLIO, K.; ELOHEIMO, K.; KOPONEN, S. Detection of water quality using simulated satellite data and semi-empirical algorithms in Finland. The Science of the Total Environment, v. 268, p. 107-121, 2001.
HOJO, R. E. S.; SANTOS, G. B.; BAZZOLI, N. Reproductive biology of Moenkhausia intermedia (Eigenmann) (Pisces, Characiformes) in Itumbiara reservoir, Goiás, Brazil. Revista Brasileira de Zoologia, v. 21, n. 3, p. 519-524, 2004.
IMBERGER, J. Transport process in lakes: a review. In: MARGALEF, R. (Ed.). Limnology now: a paradigm of planetary problems. Nova York: Elsevier Science, 1994, p. 99-194.
IOCCG. Remote sensing of ocean colour in coastal, and other optically-complex waters. Dartmouth: 2000. 139 p. (3).
___. Remote sensing of inherent optical properties: fundamentals, tests of algorithms, and applications. 2006. 126 p. (5).
JENSEN, J. R. Remote Sensing of Water. In: Jensen, J. R. (Ed.). Remote sensing of environment: an Earth resource perspective. Upper Saddle River, New Jersey: Prentice Hall, Inc., 2000, p. 379-406.
JENSEN, J. R.; KJERFVE, B.; III, E. W. R.; MAGILL, K. E.; MEDEIROS, C.; SNEED, J. E. Remote sensing and numerical modeling of suspended sediment in Laguna de Terminos, Campeche, Mexico. Remote Sensing of Environment, v. 28, n. 1-3, p. 33-44, 1989.
JOURNEL, A. G. Fundamentals of geostatistics in five lessons. Stanford: Stanford Center for Reservoir Forecasting Applied Earth Sciences Department, 1988. 85 p.
87
KAMPEL, M. Estimativa da produção primária e biomassa fitoplanctônica através do sensoriamento remoto da cor do oceano e dados in situ da costa sudeste brasileira. 311 p.Tese (Doutorado em Oceanografia Biológica) - Instituto Oceanográfico - Universidade de São Paulo (USP), São Paulo, 2003.
KAMPEL, M.; LORENZZETTI, J. A.; BENTS, C. M.; NUNES, R. A.; PARANHOS, R.; RUDORFF, F. M.; POLITANO, A. T. Simultaneous measurements of chlorophyll concentration by lidar, fluorometry, above-water radiometry, and ocean color MODIS images in the Southwestern Atlantic. Sensors, v. 29, n. 9, p. 528-541, 2009.
KHORRAM, S.; CHESHIRE, H. M. Remote sensing of water quality in the Neuse River Estuary, North Carolina. Photogrammetric Engineering & Remote Sensing, v. 51, n. 3, p. 329-341, 1985.
KHORRAM, S.; CHESHIRE, H. M.; GERACI, A.; ROSA, G. L. Water quality mapping of Augusta Bay, Italy from Landsat TM data. International Jounal of Remote Sensing, v. 12, p. 803-808, 1991.
KIRK, J. T. O. Light and photosynthesis in aquatic ecosystems. Cambridge, England: Cambridge University Press, 1983. 401p.
___. ___. Cambridge, England: Cambridge University Press, 2. ed. 1994. 509p.
KLOIBER, S. M.; BREZONIK, P. L.; OLMANSON, L. G.; BAUER, M. E. A procedure for regional lake water clarity assessment using Landsat multispectral data. Remote Sensing of Environment, v. 82, n. 1, p. 38-47, 2002.
KRATZER, S.; BROCKMANN, C.; MOORE, G. Using MERIS full resolution data to monitor coastal waters - A case study from Himmerfjärden, a fjord-like bay in the northwestern Baltic Sea. Remote Sensing of Environment, v. 112, p. 2284-2300, 2008.
LIEW, S. C.; LIN, I. I.; KWOH, L. K.; HOLMES, M.; TEO, S.; GIN, K.; LIM, H. Spectral reflectance signatures of case II waters: potential for tropical algal bloom monitoring using satellite ocean color sensors. In: 10th JSPS/VCC JOINT SEMINAR ON MARINE AND FISHERIES SCIENCES, 1999, Melaka, Malasia. Proceedings…Melaka, 1999.
LIND, O. T. Handbook of common methods in limnology. 2nd Ed. St. Louis, EUA: The C.V. Mosby Co., 1979.
LIU, Y.; ISLAM, M. A.; GAO, J. Quantification of shallow water quality parameters by means of remote sensing. Progress in Physical Geography, v. 27, n. 1, p. 24-43, 2003.
LOPES, J. E. G.; SANTOS, R. C. P. Capacidade de reservatórios. 44 p. Escola Politécnica da Universidade de São Paulo, São Paulo, 2002.
LORENZEN, C. J. Determination of chlorophyll and pheopigments: Spectrophotometric equations. Limnology and Oceanography v. 12, p. 343-346, 1967.
MARGALEF, R. Limnologia. Barcelona: Ediciones Omega, 1983.
88
MATHER, P. M. Computer processing of remotely sensed images: an introduction. Chichester, England: John Wiley & Sons Ltd, 1999. 292 p.
MENDONÇA, R. F. Origem e destino do carbono em sistemas límnicos – uso de técnicas isotópicas em reservatórios e lagos rasos. 58 p.(Dissertação de Mestrado). Universidade Federal de Juiz de Fora, Juiz de Fora, MG, 2007.
MERIS. Product handbook. European Space Agency (ESA), 2006. Issue 2.1. 130 p.
MOBLEY, C. D. Light and water: radiative transfer in natural waters Academic Press, 1994. 592 p.
___. Estimation of the remote sensing reflectance from above-surface measurements. Applied Optics, v. 38, n. 36, p. 7442-7455, 1999.
MOREL, A.; PRIEUR, L. Analysis of variations in ocean colour. Limnology and Oceanography, v. 22, p. 709-722, 1977.
MOSES, W. J.; GITELSON, A. A.; BERDNIKOV, S.; POVAZHNYY, V. Estimation of chlorophyll-a concentration in case II waters using MODIS and MERIS data – successes and challenges. Environmental Research Letters, v. 4, 045005, 2009a.
___. Satellite Estimation of Chlorophyll-a Concentration Using the Red and NIR Bands of MERIS—The Azov Sea Case Study. IEEE Geoscience and Remote Sensing Letters, v. 6, n. 4, p. 845-849, 2009b.
MUELLER, J. L.; FARGION, G. S.; MCCLAIN, C. R. Oceans optics protocols for satellite ocean color sensor validation. Revision 4, volume IV: Inherent optical properties. Greenbelt: NASA, 2002. 76 p.
NASCIMENTO, R. F. F.; ALCÂNTARA, E. H.; KAMPEL, M.; STECH, J. L.; NOVO, E. M. L. M.; FONSECA, L. M. G. O algoritmo Support Vector Machines (SVM): avaliação da separação ótima de classes em imagens CCD-CBERS-2. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 14. (SBSR), 2009, Natal. Anais... São José dos Campos: INPE, 2009. p. 2079-2086. DVD, On-line. ISBN 978-85-17-00044-7. (INPE-15957-PRE/10566). Disponível em: <http://urlib.net/dpi.inpe.br/sbsr@80/2008/10.20.10.59>. Acesso em: 3 janeiro 2010.
NOVO, E. M. L. M. Comportamento espectral da água. In: Meneses, P. R.; Netto, J. d. S. M. (Ed.). Sensoriamento Remoto: reflectância de alvos naturais. Brasília: Editora UNB, 2001, p. 203-222.
NOVO, E. M. L. M.; BARBOSA, C. C. F.; FREITAS, R. M.; SHIMABUKURO, Y. E.; MELACK, J. M.; PEREIRA-FILHO, W. Seasonal changes in chlorophyll distributions in Amazon floodplain lakes derived from MODIS images. Limnology, v. 7, p. 153-161, 2006.
NOVO, E. M. L. M.; STEFFEN, C. A.; BRAGA, C. Z. F. Results of a laboratory experiment retaling spectral reflectance total suspended solids. Remote Sensing of Environment, v. 36, n. 1, p. 67-72, Apr. 1991. (INPE-7608-PRE/3459).
89
NUSH, E. A. Comparison of different methods for chlorophyll and phaeopigment determination. Arch. Hydrobiol. Beih , p. 14-39, 1980.
OLIVEIRA, W. Hidrelétrica e a importância do EPIA/RIMA em empreendimentos para produção de energia com desenvolvimento sustentável. 234 p. Universidade Metodista de Piracicaba, Piracicaba, 2006.
OUILLON, S.; DOUILLET, P.; PETRENKO, A.; NEVEUX, J.; DUPOUY, C.; FROIDEFOND, J. M.; ANDRÉFOUËT, S.; MUÑOZ-CARAVACA, A. Optical algorithms at satellite wavelengths for total suspended matter in tropical coastal waters. Sensors, v. 8, n. 7, p. 4165-4185, 2008.
PHILPOT, W. D. The Derivative ratio algorithm: avoiding atmospheric effects in remote sensing. IEEE Transactions on Geoscience and Remote Sensing, v. 29, n. 3, p. 350-357, 1991.
POZDNYAKOV, D.; GRASSL, H. Colour of inland and coastal waters: a methodology for its interpretation. Chichester, UK: Praxis Publishing Ltd, 2003. 170p.
PRIEUR, L.; SATHYENDRANATH, S. An optical classification of coastal and oceanic waters based on the specific spectral absorption curves of phytoplankton pigments, dissolved organic matter, and other particulate materials. Limnology and Oceanography, v. 26, n. 4, p. 671-689, 1981.
QUIBELL, G. The effect of suspended sediment on reflectance spectra from freshwater algae. International Journal of Remote Sensing, v. 12, n. 1, p. 177-182, 1991.
RICHARDSON, L. L.; LIU, C.; BUISSON, D.; AMBROSIA, V. The detection of algal photosynthetic accessory pigments using visible-infrared imaging spectrometer (AVIRIS) spectral data. In: Thematic Conference on Marine and Coastal Environments, 2, 1994, New Orleans, USA. Proceedings… New Orleans, 1994.
ROSA, P. G. Comunidade zooplanctônica de quatro reservatórios do centro-oeste do Brasil: abundância e biomassa em carbono. 70 p. Universidade Federal do Estado do Rio de Janeiro (UNIRIO), Rio de Janeiro, 2005.
RUDORFF, C. M.; NOVO, E. M. L. M.; GALVÃO, L. S. Spectral mixture analysis for water quality assessment over the Amazon floodplain using Hyperion/EO-1 images. Revista Ambiente e Água - An Interdisciplinary Journal of Applied Science, v. 1, n. 2, p. 65-79, 2006. Disponível em: <http://www.agro.unitau.br/seer/index.php/ambi-agua/article/view/26/37>. Acesso em: 13 novembro 2009.
RUIZ-VERDÚ, A.; KOPONEN, S.; HEEGE, T.; DOERFFER, R.; BROCKMANN, C.; KALLIO, K.; PYHÄLAHTI, T.; PENA, R.; POLVORINOS, A.; HEBLINSKI, J.; YLÖSTALO, P.; CONDE, L.; ODERMATT, D.; ESTELLÉS, V.; PULLIAINEN, J. Development of MERIS lake water algorithms: validation results from Europe. In: 2nd MERIS/AATSR workshop, 2008, Frascati, Italy.
90
SATHYENDRANATH, S.; MOREL, A. Light emerging from the sea — interpretation and uses in remote sensing. In: Cracknell, A. P. (Ed.). Remote Sensing Applications in Marine Science and Technology. Dordrecht: D. Reidel Publishing Company, 1983, p. 323-357.
SCHOWENGERDT, R. A. Remote sensing: models and methods for image processing. 3rd Ed. San Diego: Elsevier, 2007. 510 p.
SHUTLER, J. D.; LAND, P. E.; SMITH, T. J.; GROOM, S. B. Extending the MODIS 1km ocean colour atmospheric correction to the MODIS 500 m bands and 500 m chlorophyll-a estimation towards coastal and estuarine monitoring. Remote Sensing of Environment, v. 107, n. 4, p. 521-532, 2007.
SOUTO, R. P.; KAMPEL, M.; BRANDINI, F.; CAMPOS-VELHO, H. F.; STEPHANY, S. Análise comparativa de medições in situ e orbital de radiâncias do oceano na estimativa de concentração de clorofila-a. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO (SBSR), 12, 2005, Anais... São José dos Campos: INPE, 2005. p. 3679-3686. ISBN 85-17-00018-8. (INPE-12744-PRE/8034).
STECH, J. L.; LIMA, I. B. T.; NOVO, E. M. L. M.; SILVA, C. M.; ASSIREU, A. T.; LORENZZETTI, J. A.; CARVALHO, J. C.; BARBOSA, C. C.; ROSA, R. R. Telemetric monitoring system for meteorological and limnological data acquisition. Proceedings of the International Association of Theoretical and Applied Limnology, v. 29, p. 1747-1750, 2006.
TAN, P.; STEINBACH, M.; KUMAR, V. Introduction to data mining. Addison-Wesley, 2005. 769 p.
TSAI, F.; PHILPOT, W. Derivative Analysis of Hyperspectral Data. Remote Sensing of Environment, v. 66, n. 1, p. 41-51, 1998.
TUNDISI, J. G. Água no século XXI: enfrentando a escassez. Segunda Edição. São Carlos: RiMa, IIE, 2005. 248 p. ISBSN 85-7656-048-8.
TUNDISI, J. G.; MATSUMURA-TUNDISI, T. Limnologia. São Paulo: Oficina de textos, 2008. 631 p. ISBSN 978-85-86238-66-6.
VERDIN, J. P. Monitoring water quality conditions in a large western reservoir with Landsat imagery. Photogrammetric Engineering & Remote Sensing, v. 51, n. 3, p. 343-353, 1985.
VERFAILLIE, E.; DEGRAER, S.; SCHELFAUT, K.; WILLEMS, W.; VAN-LANCKER, V. A protocol for classifying ecologically relevant marine zones, a statistical approach. Estuarine, Coastal and Shelf Science, v. 83, n. 2, p. 175-185, 2009.
VIEIRA, A. B. C.; SALVADOR-JR, L. F.; MELO, R. M. C.; SANTOS, G. B.; BAZZOLI, N. Reproductive biology of the peacock bass Cichla piquiti (Perciformes: Cichlidae), an exotic species in a neotropical reservoir. Neotropical Ichthyology, v. 7, n. 4, p. 745-750, 2009.
91
WETZEL, R. G. Limnology. Lake and River Ecosystems. 3rd edition. San Diego, CA: Academic, 2001. 1006 p. ISBSN 0-12-744760-1.
WETZEL, R. G.; LIKENS, G. E. Limnological Analyses. 2nd Ed. New York: Springer-Verlag, 1991.